DB4AI

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。

当前版本的DB4AI支持基于SGD算子的逻辑回归(目前支持二分类任务)、线性回归和支持向量机算法(分类任务)，以及基于K-Means算子的Kmeans聚类算法。

关键字解析

表 1 DB4AI语法及关键字

名称

描述

语句

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。

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。

使用指导

  1. 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，现有一个数据集为kmeans_2d，该表的数据内容如下：

    1. openGauss=# select * from kmeans_2d;
    2.  id |              position
    3. ----+-------------------------------------
    4.   1 | {74.5268815685995,88.2141939294524}
    5.   2 | {70.9565760521218,98.8114827475511}
    6.   3 | {76.2756086327136,23.8387574302033}
    7.   4 | {17.8495847294107,81.8449544720352}
    8.   5 | {81.2175785354339,57.1677675866522}
    9.   6 | {53.97752255667,49.3158342130482}
    10.   7 | {93.2475341879763,86.934042100329}
    11.   8 | {72.7659293473698,19.7020415100269}
    12.   9 | {16.5800288529135,75.7475957670249}
    13.  10 | {81.8520747194998,40.3476078575477}
    14.  11 | {76.796671198681,86.3827232690528}
    15.  12 | {59.9231450678781,90.9907738864422}
    16.  13 | {70.161884885747,19.7427458665334}
    17.  14 | {11.1269539105706,70.9988166182302}
    18.  15 | {80.5005071521737,65.2822235273197}
    19.  16 | {54.7030725912191,52.151339428965}
    20.  17 | {103.059707058128,80.8419883321039}
    21.  18 | {85.3574452036992,14.9910179991275}
    22.  19 | {28.6501615960151,76.6922890325077}
    23.  20 | {69.7285806713626,49.5416352967732}
    24. (20 rows)

    该表的字段position的数据类型为 double precision[].

    从kmeans_2d训练集中指定position为特征列，使用kmeans算法，创建并保存模型point_kmeans。

    1. openGauss=# CREATE MODEL point_kmeans USING kmeans FEATURES position FROM kmeans_2d WITH num_centroids=3;
    2. NOTICE:  Hyperparameter max_iterations takes value DEFAULT (10)
    3. NOTICE:  Hyperparameter num_centroids takes value 3
    4. NOTICE:  Hyperparameter tolerance takes value DEFAULT (0.000010)
    5. NOTICE:  Hyperparameter batch_size takes value DEFAULT (10)
    6. NOTICE:  Hyperparameter num_features takes value DEFAULT (2)
    7. NOTICE:  Hyperparameter distance_function takes value DEFAULT (L2_Squared)
    8. NOTICE:  Hyperparameter seeding_function takes value DEFAULT (Random++)
    9. NOTICE:  Hyperparameter verbose takes value DEFAULT (0)
    10. NOTICE:  Hyperparameter seed takes value DEFAULT (0)
    11. 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，见表2。

      表 2 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)

      当前各个超参数设置的默认值和取值范围，见表3。

      表 3 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)

      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, INT_MAX_VALUE]

      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, MAX_MEMORY_LIMIT]

      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 SVM：lambda = 0.01

      (0, DOUBLE_MAX_VALUE)

      正则化参数

      Kmeans

      max_iterations = 10

      [1, INT_MAX_VALUE]

      最大迭代次数

      num_centroids = 10

      [1, MAX_MEMORY_LIMIT]

      簇的数目

      tolerance = 0.00001

      (0,1)

      中心点误差

      batch_size = 10

      [1, MAX_MEMORY_LIMIT]

      一次训练所选取的样本数

      num_features = 2

      [1, GS_MAX_COLS]

      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

      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如下。

    1. MODEL CREATED. PROCESSED x

  2. 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。

    用户可以通过查看系统表的方式查看模型，例如查看模型名为“point_kmeans”的SQL语句如下：

    1. openGauss=# select * from gs_model_warehouse where modelname='point_kmeans';
    2. -[ RECORD 1 ]---------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
    3. modelname             | point_kmeans
    4. modelowner            | 10
    5. createtime            | 2021-04-30 17:30:39.59044
    6. processedtuples       | 20
    7. discardedtuples       | 0
    8. pre_process_time      | 6.2001e-05
    9. exec_time             | .000185272
    10. iterations            | 5
    11. outputtype            | 23
    12. modeltype             | kmeans
    13. query                 | CREATE MODEL point_kmeans USING kmeans FEATURES position FROM kmeans_2d WITH num_centroids=3;
    14. modeldata             |
    15. weight                |
    16. hyperparametersnames  | {max_iterations,num_centroids,tolerance,batch_size,num_features,distance_function,seeding_function,verbose,seed}
    17. hyperparametersvalues | {10,3,1e-05,10,2,L2_Squared,Random++,0,0}
    18. hyperparametersoids   | {23,23,701,23,23,1043,1043,23,23}
    19. coefnames             | {original_num_centroids,actual_num_centroids,dimension,distance_function_id,seed,coordinates}
    20. coefvalues            | {3,3,2,2,572368998,"(77.282589,23.724434)(74.421616,73.239455)(18.551682,76.320914)"}
    21. coefoids              |
    22. trainingscoresname    |
    23. trainingscoresvalue   |
    24. modeldescribe         | {"id:1,objective_function:542.851169,avg_distance_to_centroid:108.570234,min_distance_to_centroid:1.027078,max_distance_to_centroid:297.210108,std_dev_distance_to_centroid:105.053257,cluster_size:5","id:2,objective_function:5825.982139,avg_distance_to_centroid:529.634740,min_distance_to_centroid:100.270449,max_distance_to_centroid:990.300588,std_dev_distance_to_centroid:285.915094,cluster_size:11","id:3,objective_function:220.792591,avg_distance_to_centroid:55.198148,min_distance_to_centroid:4.216111,max_distance_to_centroid:102.117204,std_dev_distance_to_centroid:39.319118,cluster_size:4"}

  3. 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…;

    1. openGauss=# SELECT id, PREDICT BY point_kmeans (FEATURES position) as pos FROM (select * from kmeans_2d limit 10);
    2.  id | pos
    3. ----+-----
    4.   1 |   2
    5.   2 |   2
    6.   3 |   1
    7.   4 |   3
    8.   5 |   2
    9.   6 |   2
    10.   7 |   2
    11.   8 |   1
    12.   9 |   3
    13.  10 |   1
    14. (10 rows)

    针对相同的推断任务，同一个模型的结果是稳定的。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。

  4. 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，支持的参数见表4。

    表 4 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：

    1. 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;
    2. NOTICE:  Hyperparameter batch_size takes value 10
    3. NOTICE:  Hyperparameter decay takes value DEFAULT (0.950000)
    4. NOTICE:  Hyperparameter learning_rate takes value 0.050000
    5. NOTICE:  Hyperparameter max_iterations takes value DEFAULT (100)
    6. NOTICE:  Hyperparameter max_seconds takes value DEFAULT (0)
    7. NOTICE:  Hyperparameter optimizer takes value DEFAULT (gd)
    8. NOTICE:  Hyperparameter tolerance takes value DEFAULT (0.000500)
    9. NOTICE:  Hyperparameter seed takes value DEFAULT (0)
    10. NOTICE:  Hyperparameter verbose takes value DEFAULT (FALSE)
    11. NOTICE:  GD shuffle cache size 212369
    12.                             QUERY PLAN
    13. -------------------------------------------------------------------
    14.  Gradient Descent  (cost=0.00..0.00 rows=0 width=0)
    15.    ->  Seq Scan on patients  (cost=0.00..32.20 rows=1776 width=12)
    16. (2 rows)

  5. 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：

        1. openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety  FROM patients WITH optimizer='aa';
        2. NOTICE:  Hyperparameter batch_size takes value DEFAULT (1000)
        3. NOTICE:  Hyperparameter decay takes value DEFAULT (0.950000)
        4. NOTICE:  Hyperparameter learning_rate takes value DEFAULT (0.800000)
        5. NOTICE:  Hyperparameter max_iterations takes value DEFAULT (100)
        6. NOTICE:  Hyperparameter max_seconds takes value DEFAULT (0)
        7. NOTICE:  Hyperparameter optimizer takes value aa
        8. ERROR:  Invalid hyperparameter value for optimizer. Valid values are: gd, ngd. (default is gd)

      • 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：

        1. openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET trait_anxiety  FROM patients;
        2. NOTICE:  Hyperparameter batch_size takes value DEFAULT (1000)
        3. NOTICE:  Hyperparameter decay takes value DEFAULT (0.950000)
        4. NOTICE:  Hyperparameter learning_rate takes value DEFAULT (0.800000)
        5. NOTICE:  Hyperparameter max_iterations takes value DEFAULT (100)
        6. NOTICE:  Hyperparameter max_seconds takes value DEFAULT (0)
        7. NOTICE:  Hyperparameter optimizer takes value DEFAULT (gd)
        8. NOTICE:  Hyperparameter tolerance takes value DEFAULT (0.000500)
        9. NOTICE:  Hyperparameter seed takes value DEFAULT (0)
        10. NOTICE:  Hyperparameter verbose takes value DEFAULT (FALSE)
        11. NOTICE:  GD shuffle cache size 5502
        12. 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：

        1. openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES *  TARGET trait_anxiety  FROM
        2. patients;
        3. ERROR:  FEATURES clause cannot be *
        4. -----------------------------------------------------------------------------------------------------------------------、
        5. openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment TARGET *  FROM patients;
        6. 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：

        1. openGauss=# CREATE MODEL patient_linear_regression USING linear_regression FEATURES second_attack,treatment FROM patients;
        2. ERROR:  Supervised ML algorithms require TARGET clause
        3. -----------------------------------------------------------------------------------------------------------------------------
        4. CREATE MODEL patient_linear_regression USING linear_regression TARGET trait_anxiety  FROM patients;   ERROR:  Supervised ML algorithms require FEATURES clause

      • 场景五：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。

    • 推断阶段。

      • 场景六：当模型名在系统表中查找不到，数据库会报ERROR：

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

      • 场景七：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：

        1. openGauss=# select id, PREDICT BY patient_linear_regression (FEATURES second_attack) FROM patients;
        2. ERROR:  Invalid number of features for prediction, provided 1, expected 2
        3. CONTEXT:  referenced column: patient_linear_regression_pred
        4. -------------------------------------------------------------------------------------------------------------------------------------
        5. openGauss=# select id, PREDICT BY patient_linear_regression (FEATURES 1,second_attack,treatment) FROM patients;
        6. ERROR:  Invalid number of features for prediction, provided 3, expected 2
        7. CONTEXT:  referenced column: patient_linear_regression_pre