#python #azure #pickle #azure-machine-learning-service #machine-learning-model
Вопрос:
Я обучил модель в Azure со следующим файлом excel: 
Итак. как вы можете видеть, для обучения необходимо ввести 17 функций. После обучения я загрузил модель (.pkl) на свой локальный компьютер и попытался сделать прогнозы.
И я использовал следующий код для загрузки модели:
import pickle import json Pkl_Filename = 'model.pkl' with open(Pkl_Filename, 'rb') as file: Classifier_Model = pickle.load(file) data = {"data": [ { "Width": 25.99737167, "Length": 171.4788666, "Ratio": 6.596007809, "Perimter": 394.9524765, "Area": 4458, "Angle": 14.5224762, "R": int(127), "G": int(126), "B": int(129), "H": int(130), "S": int(6), "V": int(129), "H1": int(130), "L1": int(128), "S1": int(3), "# Of Points": 36, "Epsilon": 2 } ], "method": "predict" } input_data = json.dumps(data) gt;gt;gt; '{"data": [{"Width": 25.99737167, "Length": 171.4788666, "Ratio": 6.596007809, "Perimter": 394.9524765, "Area": 4458, "Angle": 14.5224762, "R": 127, "G": 126, "B": 129, "H": 130, "S": 6, "V": 129, "H1": 130, "L1": 128, "S1": 3, "# Of Points": 36, "Epsilon": 2}], "method": "predict"}' predict_data = np.array(json.loads(input_data)['data']) gt;gt;gt; array([{'Width': 25.99737167, 'Length': 171.4788666, 'Ratio': 6.596007809, 'Perimter': 394.9524765, 'Area': 4458, 'Angle': 14.5224762, 'R': 127, 'G': 126, 'B': 129, 'H': 130, 'S': 6, 'V': 129, 'H1': 130, 'L1': 128, 'S1': 3, '# Of Points': 36, 'Epsilon': 2}], dtype=object) Hair_Classifier_Model.predict(predict_data) Когда я запускаю этот код, появляется ошибка DataException, и я не знаю, как ее решить.
Ниже приведен код ошибки:
DataException: DataException: Message: The number of features in [fitted data](17) does not match with those in [input data](1). Please inspect your data, and make sure that features are aligned in both the Datasets. InnerException: None ErrorResponse { "error": { "code": "UserError", "message": "The number of features in [fitted data](17) does not match with those in [input data](1). Please inspect your data, and make sure that features are aligned in both the Datasets.", "target": "X", "inner_error": { "code": "BadData", "inner_error": { "code": "InvalidDimension", "inner_error": { "code": "DataShapeMismatch" } } }, "reference_code": "c402b6c2-3870-45a7-8745-c063bd385962" } } Я не считаю, что файл оценки полезен или нет, как показано ниже:
# --------------------------------------------------------- # Copyright (c) Microsoft Corporation. All rights reserved. # --------------------------------------------------------- import json import logging import os import pickle import numpy as np import pandas as pd import joblib import azureml.automl.core from azureml.automl.core.shared import logging_utilities, log_server from azureml.telemetry import INSTRUMENTATION_KEY from inference_schema.schema_decorators import input_schema, output_schema from inference_schema.parameter_types.numpy_parameter_type import NumpyParameterType from inference_schema.parameter_types.pandas_parameter_type import PandasParameterType from inference_schema.parameter_types.standard_py_parameter_type import StandardPythonParameterType input_sample = pd.DataFrame({"Width": pd.Series([0.0], dtype="float64"), "Length": pd.Series([0.0], dtype="float64"), "Ratio": pd.Series([0.0], dtype="float64"), "Perimter": pd.Series([0.0], dtype="float64"), "Area": pd.Series([0.0], dtype="float64"), "Angle": pd.Series([0.0], dtype="float64"), "R": pd.Series([0], dtype="int64"), "G": pd.Series([0], dtype="int64"), "B": pd.Series([0], dtype="int64"), "H": pd.Series([0], dtype="int64"), "S": pd.Series([0], dtype="int64"), "V": pd.Series([0], dtype="int64"), "H1": pd.Series([0], dtype="int64"), "L1": pd.Series([0], dtype="int64"), "S1": pd.Series([0], dtype="int64"), "# Of Points": pd.Series([0], dtype="int64"), "Epsilon": pd.Series(["example_value"], dtype="object")}) output_sample = np.array([False]) method_sample = StandardPythonParameterType("predict") try: log_server.enable_telemetry(INSTRUMENTATION_KEY) log_server.set_verbosity('INFO') logger = logging.getLogger('azureml.automl.core.scoring_script') except: pass def init(): global model # This name is model.id of model that we want to deploy deserialize the model file back # into a sklearn model model_path = os.path.join(os.getenv('AZUREML_MODEL_DIR'), 'model.pkl') path = os.path.normpath(model_path) path_split = path.split(os.sep) log_server.update_custom_dimensions({'model_name': path_split[-3], 'model_version': path_split[-2]}) try: logger.info("Loading model from path.") model = joblib.load(model_path) logger.info("Loading successful.") except Exception as e: logging_utilities.log_traceback(e, logger) raise @input_schema('method', method_sample, convert_to_provided_type=False) @input_schema('data', PandasParameterType(input_sample)) @output_schema(NumpyParameterType(output_sample)) def run(data, method="predict"): try: if method == "predict_proba": result = model.predict_proba(data) elif method == "predict": result = model.predict(data) else: raise Exception(f"Invalid predict method argument received ({method})") if isinstance(result, pd.DataFrame): result = result.values return json.dumps({"result": result.tolist()}) except Exception as e: result = str(e) return json.dumps({"error": result}) Комментарии:
1. Вы уверены, что ваша модель ожидает массив numpy с одной записью, содержащей словарь? Мне это кажется подозрительным. Я бы предпочел ожидать чего-то подобного
predict_data = np.array(json.loads(input_data)['data'].values()). (Обратите внимание на.values())
Ответ №1:
Поскольку на мой комментарий не последовало никакой реакции, я предполагаю, что это решило проблему.
В настоящее время predict_data это a np.array с одной записью, которая является словарем. Таким образом, форма predict_data есть (1,) . Поскольку вам нужны функции, извлечение значений из словаря должно помочь:
predict_data = np.array(json.loads(input_data)['data'].values()) Это должно привести к predict_data форме с (17,) .
Ответ №2:
Я использую это в качестве ввода данных, и это работает.
data1 = pd.DataFrame({"Width": pd.Series([width], dtype="float64"), "Length": pd.Series([length], dtype="float64"), "Ratio": pd.Series([rect_ratio], dtype="float64"), "Perimter": pd.Series([perimeter], dtype="float64"), "Area": pd.Series([area], dtype="float64"), "Angle": pd.Series([angle], dtype="float64"), "R": pd.Series([R], dtype="int64"), "G": pd.Series([G], dtype="int64"), "B": pd.Series([B], dtype="int64"), "H": pd.Series([H], dtype="int64"), "S": pd.Series([S], dtype="int64"), "V": pd.Series([V], dtype="int64"), "H1": pd.Series([H1], dtype="int64"), "L1": pd.Series([L1], dtype="int64"), "S1": pd.Series([S1], dtype="int64"), "# Of Points": pd.Series([len(items)], dtype="int64"), "Epsilon": pd.Series([epsilon], dtype="object")})