openGauss学习笔记-306 openGauss AI特性-DB4AI: 数据库驱动AI-原生DB4AI引擎

306.1 概述

DB4AI是指利用数据库的能力驱动AI任务，实现数据存储、技术栈的同构。通过在数据库内集成AI算法，令openGauss具备数据库原生AI计算引擎、模型管理、AI算子、AI原生执行计划的能力，为用户提供普惠AI技术。不同于传统的AI建模流程，DB4AI“一站式”建模可以解决数据在各平台的反复流转问题，同时简化开发流程，并可通过数据库规划出最优执行路径，让开发者更专注于具体业务和模型的调优上，具备同类产品不具备的易用性与性能优势。

306.2 原生DB4AI引擎

openGauss当前版本支持了原生DB4AI能力，通过引入原生AI算子，简化操作流程，充分利用数据库优化器、执行器的优化与执行能力，获得高性能的数据库内模型训练能力。更简化的模型训练与预测流程、更高的性能表现，让开发者在更短时间内能更专注于模型的调优与数据分析上，而避免了碎片化的技术栈与冗余的代码实现。

306.2.1 关键字解析

表 1 DB4AI语法及关键字

名称 描述
语法 CREATE MODEL 创建模型并进行训练，同时保存模型。
PREDICT BY 利用已有模型进行推断。
DROP MODEL 删除模型。
关键字 TARGET 训练/推断任务的目标列名。
FEATURES 训练/推断任务的数据特征列名。
MODEL 训练任务的模型名称。

306.2.2 使用指导

  1. 本版本支持的算法概述。

    当前版本的DB4AI新增支持算法如下：

    表 2 支持算法

    优化算法 算法
    GD logistic_regression
    linear_regression
    svm_classification
    PCA
    multiclass
    Kmeans kmeans
    xgboost xgboost_regression_logistic
    xgboost_binary_logistic
    xgboost_regression_squarederror
    xgboost_regression_gamma

  2. 模型训练语法说明。

    • CREATE MODEL

      使用“CREATE MODEL”语句可以进行模型的创建和训练。模型训练SQL语句，选用公开数据集鸢尾花数据集iris。

    • 以multiclass为例，训练一个模型。从tb_iris训练集中指定sepal_length, sepal_width,petal_length,petal_widt为特征列，使用multiclass算法，创建并保存模型iris_classification_model。

      openGauss=# CREATE MODEL iris_classification_model USING xgboost_regression_logistic FEATURES sepal_length, sepal_width,petal_length,petal_width TARGET target_type < 2 FROM tb_iris_1 WITH nthread=4, max_depth=8;
MODEL CREATED. PROCESSED 1

      上述命令中：

      • “CREATE MODEL”语句用于模型的训练和保存。

      • USING关键字指定算法名称。

      • FEATURES用于指定训练模模型的特征，需根据训练数据表的列名添加。

      • TARGET指定模型的训练目标，它可以是训练所需数据表的列名，也可以是一个表达式，例如: price > 10000。

      • WITH用于指定训练模型时的超参数。当超参未被用户进行设置的时候，框架会使用默认数值。

        针对不同的算子，框架支持不同的超参组合：

        表 3 算子支持的超参

        算子 超参
        GD(logistic_regression、linear_regression、svm_classification) optimizer(char*); verbose(bool); max_iterations(int); max_seconds(double); batch_size(int); learning_rate(double); decay(double); tolerance(double)其中，SVM限定超参lambda(double)
        Kmeans max_iterations(int); num_centroids(int); tolerance(double); batch_size(int); num_features(int); distance_function(char*); seeding_function(char*); verbose(int);seed(int)
        GD(pca) batch_size(int);max_iterations(int);max_seconds(int);tolerance(float8);verbose(bool);number_components(int);seed(int)
        GD(multiclass) classifier(char*)注意：multiclass的其他超参种类取决于选择的分类器中类
        xgboost_regression_logistic、xgboost_binary_logistic、xgboost_regression_squarederror、xgboost_regression_gamma batch_size(int);booster(char*);tree_method(char*);eval_metric(char*);seed(int);nthread(int);max_depth(int);gamma(float8);eta(float8);min_child_weight(int);verbosity(int)

        当前各个超参数设置的默认值和取值范围如下：

        表 4 超参的默认值以及取值范围

        算子 超参(默认值) 取值范围 超参描述
        GD:logistic_regression、linear_regression、svm_classification、pca optimizer = gd（梯度下降法） gd/ngd（自然梯度下降） 优化器
        verbose = false T/F 日志显示
        max_iterations = 100 (0, 10000] 最大迭代次数
        max_seconds = 0 (不对运行时长设限制) [0,INT_MAX_VALUE] 运行时长
        batch_size = 1000 (0, 1048575] 一次训练所选取的样本数
        learning_rate = 0.8 (0, DOUBLE_MAX_VALUE] 学习率
        decay = 0.95 (0, DOUBLE_MAX_VALUE] 权值衰减率
        tolerance = 0.0005 (0, DOUBLE_MAX_VALUE] 公差
        seed = 0（对seed取随机值） [0, INT_MAX_VALUE] 种子
        just for linear、SVM：kernel = "linear" linear/gaussian/polynomial 核函数
        just for linear、SVM：components = MAX(2*features, 128) [0, INT_MAX_VALUE] 高维空间维数
        just for linear、SVM：gamma = 0.5 (0, DOUBLE_MAX_VALUE] gaussian核函数参数
        just for linear、SVM：degree = 2 [2, 9] polynomial核函数参数
        just for linear、SVM：coef0 = 1.0 [0, DOUBLE_MAX_VALUE] polynomial核函数的参数
        just for SVM：lambda = 0.01 (0, DOUBLE_MAX_VALUE) 正则化参数
        just for pca： number_components （0，INT_MAX_VALUE] 降维的目标维度
        GD:multiclass classifier="svm_classification" svm_classification\logistic_regression 多分类任务的分类器
        Kmeans max_iterations = 10 [1, 10000] 最大迭代次数
        num_centroids = 10 [1, 1000000] 簇的数目
        tolerance = 0.00001 (0,1] 中心点误差
        batch_size = 10 [1,1048575] 一次训练所选取的样本数
        num_features = 2 [1, INT_MAX_VALUE] 输入样本特征数
        distance_function = "L2_Squared" L1\L2\L2_Squared\Linf 正则化方法
        seeding_function = "Random++" "Random++""KMeans||" 初始化种子点方法
        verbose = 0U { 0, 1, 2 } 冗长模式
        seed = 0U [0, INT_MAX_VALUE] 种子
        xgboost:xgboost_regression_logistic、xgboost_binary_logistic、xgboost_regression_gamma、xgboost_regression_squarederror n_iter=10 (0, 10000] 迭代次数
        batch_size=10000 (0, 1048575] 一次训练所选取的样本数
        booster="gbtree" gbtree\gblinear\dart booster种类
        tree_method="auto" auto\exact\approx\hist\gpu_hist注意：gpu_hist参数需要相应的库GPU版本，否则DB4AI平台不支持该值。 树构建算法
        eval_metric="rmse" rmse\rmsle\map\mae\auc\aucpr 验证数据的评估指标
        seed=0 [0, 100] 种子
        nthread=1 (0, MAX_MEMORY_LIMIT] 并发量
        max_depth=5 (0, MAX_MEMORY_LIMIT] 树的最大深度，该超参仅对树型booster生效。
        gamma=0.0 [0, 1] 叶节点上进行进一步分区所需的最小损失减少
        eta=0.3 [0, 1] 更新中使用的步长收缩，以防止过拟合
        min_child_weight=1 [0, INT_MAX_VALUE] 孩子节点中所需的实例权重的最小总和
        verbosity=1 0 (silent)\1 (warning)\2 (info)\3 (debug) 打印信息的详细程度
        MAX_MEMORY_LIMIT = 最大内存加载的元组数量
        GS_MAX_COLS = 数据库单表最大属性数量

    • 模型保存成功，则返回创建成功信息：

      MODEL CREATED. PROCESSED x

  3. 查看模型信息。

    当训练完成后模型会被存储到系统表gs_model_warehouse中。系统表gs_model_warehouse可以查看到关于模型本身和训练过程的相关信息。

    关于模型的详细描述信息以二进制的形式存储在系统表中，用户可用过使用函数gs_explain_model完成对模型的查看，语句如下：

    openGauss=# select * from gs_explain_model("iris_classification_model");
 DB4AI MODEL
-------------------------------------------------------------
 Name: iris_classification_model
 Algorithm: xgboost_regression_logistic
 Query: CREATE MODEL iris_classification_model
 USING xgboost_regression_logistic
 FEATURES sepal_length, sepal_width,petal_length,petal_width
 TARGET target_type < 2
 FROM tb_iris_1
 WITH nthread=4, max_depth=8;
 Return type: Float64
 Pre-processing time: 0.000000
 Execution time: 0.001443
 Processed tuples: 78
 Discarded tuples: 0
 n_iter: 10
 batch_size: 10000
 max_depth: 8
 min_child_weight: 1
 gamma: 0.0000000000
 eta: 0.3000000000
 nthread: 4
 verbosity: 1
 seed: 0
 booster: gbtree
 tree_method: auto
 eval_metric: rmse
 rmse: 0.2648450136
 model size: 4613

  4. 利用已存在的模型做推断任务。

    使用“SELECT”和“PREDICT BY”关键字利用已有模型完成推断任务。

    查询语法：SELECT…PREDICT BY…(FEATURES…)…FROM…;

    openGauss=# SELECT id, PREDICT BY iris_classification (FEATURES sepal_length,sepal_width,petal_length,petal_width) as "PREDICT" FROM tb_iris limit 3;

id  | PREDICT
-----+---------
  84 |       2
  85 |       0
  86 |       0
(3 rows)

    针对相同的推断任务，同一个模型的结果是大致稳定的。且基于相同的超参数和训练集训练的模型也具有稳定性，同时AI模型训练存在随机成分（每个batch的数据分布、随机梯度下降），所以不同的模型间的计算表现、结果允许存在小的差别。

  5. 查看执行计划。

    使用explain语句可对“CREATE MODEL”和“PREDICT BY”的模型训练或预测过程中的执行计划进行分析。Explain关键字后可直接拼接CREATE MODEL/ PREDICT BY语句（子句），也可接可选的参数，支持的参数如下：

    表 5 EXPLAIN支持的参数

    参数名 描述
    ANALYZE 布尔型变量，追加运行时间、循环次数等描述信息
    VERBOSE 布尔型变量，控制训练的运行信息是否输出到客户端
    COSTS 布尔型变量
    CPU 布尔型变量
    DETAIL 布尔型变量，不可用。
    NODES 布尔型变量，不可用
    NUM_NODES 布尔型变量，不可用
    BUFFERS 布尔型变量
    TIMING 布尔型变量
    PLAN 布尔型变量
    FORMAT 可选格式类型：TEXT / XML / JSON / YAML

    示例：

    openGauss=# Explain CREATE MODEL patient_logisitic_regression USING logistic_regression FEATURES second_attack, treatment TARGET trait_anxiety > 50 FROM patients WITH batch_size=10, learning_rate = 0.05;
                               QUERY PLAN
-------------------------------------------------------------------------
 Train Model - logistic_regression  (cost=0.00..0.00 rows=0 width=0)
   ->  Materialize  (cost=0.00..41.08 rows=1776 width=12)
         ->  Seq Scan on patients  (cost=0.00..32.20 rows=1776 width=12)
(3 rows)

  6. 异常场景。

    • 训练阶段。

      • 场景一：当超参数的设置超出取值范围，模型训练失败，返回ERROR，并提示错误，例如：

        openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety  FROM patients WITH optimizer='aa';
ERROR:  Invalid hyperparameter value for optimizer. Valid values are: gd, ngd.

      • 场景二：当模型名称已存在，模型保存失败，返回ERROR，并提示错误原因，例如：

        openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety  FROM patients;
ERROR:  The model name "patient_linear_regression" already exists in gs_model_warehouse.

      • 场景三：FEATURE或者TARGETS列是*，返回ERROR，并提示错误原因，例如：

        openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES *  TARGET trait_anxiety  FROM patients;
ERROR:  FEATURES clause cannot be *
-----------------------------------------------------------------------------------------------------------------------
openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET *  FROM patients;
ERROR:  TARGET clause cannot be *

      • 场景四：对于无监督学习方法使用TARGET关键字，或者在监督学习方法中不适用TARGET关键字，均会返回ERROR，并提示错误原因，例如：

        openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment FROM patients;
ERROR:  Supervised ML algorithms require TARGET clause
-----------------------------------------------------------------------------------------------------------------------------
CREATE MODEL patient_linear_regression USING linear_regression TARGET trait_anxiety  FROM patients;   
ERROR:  Supervised ML algorithms require FEATURES clause

      • 场景五：当进行分类任务时TARGET列的分类只有1种情况，会返回ERROR，并提示错误原因，例如：

        openGauss=# CREATE MODEL ecoli_svmc USING multiclass FEATURES f1, f2, f3, f4, f5, f6, f7 TARGET cat FROM (SELECT * FROM db4ai_ecoli WHERE cat='cp');
ERROR:  At least two categories are needed

      • 场景六：DB4AI在训练过程中会过滤掉含有空值的数据，当参与训练的模型数据为空的时候，会返回ERROR，并提示错误原因，例如：

        openGauss=# create model iris_classification_model using xgboost_regression_logistic features message_regular target error_level from error_code;
ERROR:  Training data is empty, please check the input data.

      • 场景七：DB4AI的算法对于支持的数据类型是有限制的。当数据类型不在支持白名单中，会返回ERROR，并提示非法的oid，可通过pg_type查看OID确定非法的数据类型，例如：

        openGauss=# CREATE MODEL ecoli_svmc USING multiclass FEATURES f1, f2, f3, f4, f5, f6, f7, cat TARGET cat FROM db4ai_ecoli ;
ERROR:  Oid type 1043 not yet supported

      • 场景八：当GUC参数statement_timeout设置了时长，训练超时执行的语句将被终止：执行CREATE MODEL语句。训练集的大小、训练轮数(iteration)、提前终止条件(tolerance、max_seconds)、并行线程数(nthread)等参数都会影响训练时长。当时长超过数据库限制，语句被终止模型训练失败。

    • 模型解析。

      • 场景九：当模型名在系统表中查找不到，数据库会报ERROR，例如：

        openGauss=# select gs_explain_model("ecoli_svmc");
ERROR:  column "ecoli_svmc" does not exist

    • 推断阶段。

      • 场景十：当模型名在系统表中查找不到，数据库会报ERROR，例如：

        openGauss=# select id, PREDICT BY patient_logistic_regression (FEATURES second_attack,treatment) FROM patients;
ERROR:  There is no model called "patient_logistic_regression".

      • 场景十一：当做推断任务FEATURES的数据维度和数据类型与训练集存在不一致，将报ERROR，并提示错误原因，例如：

        openGauss=# select id, PREDICT BY patient_linear_regression (FEATURES second_attack) FROM patients;
ERROR:  Invalid number of features for prediction, provided 1, expected 2
CONTEXT:  referenced column: patient_linear_regression_pred
-------------------------------------------------------------------------------------------------------------------------------------
openGauss=# select id, PREDICT BY patient_linear_regression (FEATURES 1,second_attack,treatment) FROM patients;
ERROR:  Invalid number of features for prediction, provided 3, expected 2
CONTEXT:  referenced column: patient_linear_regression_pre

img 说明： DB4AI特性需要读取数据参与计算，不适用于密态数据库等情况。

👍 点赞，你的认可是我创作的动力！

⭐️ 收藏，你的青睐是我努力的方向！

✏️ 评论，你的意见是我进步的财富！

img