用户自定义模型使用案例

假设需要做一个预测任务，根据检测的数据来预测患者是否生病。

训练的数据是由一个正则化后的30维度的向量组成，该数据从Wisconsin Breast Cancer Dataset获取，并已提前将数据导入至数据库中，如下图所示：

其中，通过训练数据中的diagnosis列来判断患者是否真的生病。

使用的模型为TensorFlow平台训练的一个逻辑回归预测模型，将模型保存为TensorFlow的二进制文件并上传至oss bucket。具体的训练过程本案例参考https://www.tensorflow.org/guide/core/logistic_regression_core。

使用自定义模型进行预测分类的操作步骤如下：

1. 在目标集群上开启PolarDB for AI功能和冷数据归档功能。具体的操作步骤请参见开启PolarDB for AI功能和开启冷数据归档。

2. 连接数据库，并将训练好的模型上传至AI节点。

   1. 执行以下SQL语句上传模型lr_model，此处您可以自定义模型名称，但要以字母开头且不能包含中折线（-），且下文使用的SQL语句中模型名称需保持一致。

      /*polar4ai*/ UPLOAD MODEL lr_model WITH (model_location = 'https://shared-model.oss-cn-hangzhou.aliyuncs.com/logistic_regression_model.tgz');

   2. 执行以下命令查看模型状态。

      /*polar4ai*/ SHOW MODEL lr_model;

      返回结果如下：

      +-------------+----------------------------------------------------+
      | modelStatus | modelPath                                          |
      +-------------+----------------------------------------------------+
      | saved_oss   | http://bucket_prefix/logistic_regression_model.tgz |
      +-------------+----------------------------------------------------+
      1 row in set (0.16 sec)

      模型状态为saved_oss，表示模型上传成功。

3. 部署模型。

   1. 执行以下SQL语句部署模型。

      /*polar4ai*/ DEPLOY MODEL lr_model WITH (mode = 'in_db');

   2. 执行以下命令查看模型状态。

      /*polar4ai*/ SHOW MODEL lr_model;

      返回结果如下：

      +-------------+---------------------------------------------------------+
      | modelStatus | modelPath                                               |
      +-------------+---------------------------------------------------------+
      | serving     | http://user_bucket_prefix/logistic_regression_model.tgz |
      +-------------+---------------------------------------------------------+
      1 row in set (0.16 sec)

      模型状态显示为serving，表示模型部署完成。

4. 创建函数。

   执行以下SQL语句创建函数lr_model。

   CREATE FUNCTION lr_model RETURNS REAL SONAME "#ailib#_lr_model.so";

   返回结果如下表示创建成功：

   Query OK, 0 rows affected (0.11 sec)

5. 调用函数lr_model进行数据预测分类。

   SELECT lr_model(radius_mean, texture_mean, perimeter_mean, area_mean, smoothness_mean, compactness_mean, concavity_mean, concave_poinits_mean, symmetry_mean, fractal_dimension_mean, radius_ste, texture_ste, perimeter_ste, area_ste, smoothness_ste, compactness_ste, concavity_ste, concave_poinits_ste, symmetry_ste, fractal_dimension_ste, radius_largest, texture_largest, perimeter_largest, area_largest, smoothness_largest, compactness_largest, concavity_largest, concave_poinits_largest, symmetry_largest, fractal_dimension_largest) AS classification_result FROM logistic_regression_model_norm_table limit 10;

   返回结果如下：

   +-----------------------+
   | classification_result |
   +-----------------------+
   | 1.00000000            |
   | 1.00000000            |
   | 1.00000000            |
   | 0.00000000            |
   | 1.00000000            |
   | 0.00000000            |
   | 1.00000000            |
   | 0.00000000            |
   | 1.00000000            |
   | 0.00000000            |
   +-----------------------+
   10 rows in set (0.71 sec)

   返回结果中，1表示生病，0表示没有生病。