在 SQL Server 上安装预先训练的机器学习模型

2025-07-23

Applies to: SQL Server 2016 (13.x), SQL Server 2017 (14.x), and SQL Server 2019 (15.x)

本文适用于 SQL Server 2016 (13.x)、SQL Server 2017 (14.x) 和 SQL Server 2019 (15.x)。

This article explains how to use PowerShell to add free pretrained machine learning models for sentiment analysis and image featurization to a SQL Server instance having R or Python integration. 预先训练的模型由 Microsoft 生成并且可供使用，作为安装后任务添加到实例中。 For more information about these models, see the Resources section of this article.

从 SQL Server 2022 (16.x) 起，R、Python 和 Java 的运行时不再随 SQL 安装程序一起安装。请改为安装所需的 R 和/或 Python 自定义运行时和包。有关详细信息，请参阅在 Windows 上安装 SQL Server 2022 机器学习服务（Python 和 R）。

安装完成后，预先训练的模型将被视为一种实现细节，它支持 MicrosoftML (R) 和 MicrosoftML (Python) 库中的特定功能。不应（并且不能）查看、自定义或重新定型模型，也不能在自定义代码或成对的其他函数中将它们视为独立的资源。

若要使用预先定型的模型，请调用下表中列出的函数。

R 函数 (MicrosoftML)	Python 函数 (microsoftml)	Usage
getSentiment	get_sentiment	对文本输入生成正负情绪分数。
featurizeImage	featurize_image	从图像文件输入中提取文本信息。

Prerequisites

机器学习算法是计算密集型的。对于低等到中等的工作负荷，包括使用所有示例数据来完成教程演练，我们建议使用 16 GB RAM。

必须具有计算机和 SQL Server 的管理员权限，才能添加预先训练的模型。

必须启用外部脚本，并且必须运行 SQL Server LaunchPad 服务。安装说明提供了启用和验证这些功能的步骤。

下载并安装你的 SQL Server 版本的最新累积更新。请参阅 Microsoft SQL Server 的最新更新。

MicrosoftML R 包或 microsoftml Python 包包含预先训练的模型。

SQL Server 机器学习服务包含机器学习库的两种语言版本，因此无需执行任何其他操作即可满足此必备条件。由于存在这些库，所以能使用本文中所述的 PowerShell 脚本将预先训练的模型添加到这些库。

MicrosoftML R 包包含预先训练的模型。

SQL Server R Services（仅 R）不包含现成的 MicrosoftML 包。 To add MicrosoftML, you must do a component upgrade. 组件升级的一个优点是可以同时添加预先训练的模型，所以无需运行 PowerShell 脚本。不过如果已经升级，但第一次没有添加预先训练的模型，则可以按照本文所述的内容运行 PowerShell 脚本。 SQL Server 的两个版本都适用。在执行此操作之前，请确认 MicrosoftML 库存在于 C:\Program Files\Microsoft SQL Server\MSSQL13.MSSQLSERVER\R_SERVICES\library。

检查是否安装了预先训练的模型

R 和 Python 模型的安装路径如下所示：

R 模型：C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\library\MicrosoftML\mxLibs\x64
Python 模型：C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\Lib\site-packages\microsoftml\mxLibs

模型文件名位于以下列表中：

AlexNet_Updated.model
ImageNet1K_mean.xml
pretrained.model
ResNet_101_Updated.model
ResNet_18_Updated.model
ResNet_50_Updated.model

If the models are already installed, skip ahead to the validation step to confirm availability.

下载安装脚本

Visit https://aka.ms/mlm4sql to download the file Install-MLModels.ps1. 在 GitHub 页上，选择“下载原始文件”。

使用提升的权限执行

Start PowerShell. 在任务栏上，右键单击 PowerShell 程序图标，然后选择“以管理员身份运行” 。
安装期间建议的执行策略为“RemoteSigned”。 For more information on setting the PowerShell execution policy, see Set-ExecutionPolicy. For example:
```
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
```
输入安装脚本文件的完全限定路径，并且包含实例名称。这里假定为“下载”文件夹和默认实例，该命令可能如下所示：
```
PS C:\WINDOWS\system32> C:\Users\<user-name>\Downloads\Install-MLModels.ps1 MSSQLSERVER
```

Output

在连接 Internet 的 SQL Server 机器学习服务默认实例（带有 R 和 Python）上，应会看到类似于以下内容的消息。

MSSQL14.MSSQLSERVER
     Verifying R models [9.2.0.24]
     Downloading R models [C:\Users\<user-name>\AppData\Local\Temp]
     Installing R models [C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\]
     Verifying Python models [9.2.0.24]
     Installing Python models [C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES\]
PS C:\WINDOWS\system32>

Verify installation

First, check for the new files in the mxlibs folder. 接下来，运行演示代码以确认模型已安装且正常工作。

R 验证步骤

Start RGUI.EXE at C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\R_SERVICES\bin\x64.

在命令提示符处粘贴以下 R 脚本。

# Create the data
CustomerReviews <- data.frame(Review = c(
"I really did not like the taste of it",
"It was surprisingly quite good!",
"I will never ever ever go to that place again!!"),
stringsAsFactors = FALSE)

# Get the sentiment scores
sentimentScores <- rxFeaturize(data = CustomerReviews, 
                                mlTransforms = getSentiment(vars = list(SentimentScore = "Review")))

# Let's translate the score to something more meaningful
sentimentScores$PredictedRating <- ifelse(sentimentScores$SentimentScore > 0.6, 
                                        "AWESOMENESS", "BLAH")

# Let's look at the results
sentimentScores

Press Enter to view the sentiment scores. 输出应如下所示：

> sentimentScores
                                        Review SentimentScore
1           I really did not like the taste of it      0.4617899
2                 It was surprisingly quite good!      0.9601924
3 I will never ever ever go to that place again!!      0.3103435
PredictedRating
1            BLAH
2     AWESOMENESS
3            BLAH

Python 验证步骤

Start Python.exe at C:\Program Files\Microsoft SQL Server\MSSQL14.MSSQLSERVER\PYTHON_SERVICES.

在命令提示符处粘贴以下 Python 脚本。

import numpy
import pandas
from microsoftml import rx_logistic_regression, rx_featurize, rx_predict, get_sentiment

# Create the data
customer_reviews = pandas.DataFrame(data=dict(review=[
            "I really did not like the taste of it",
            "It was surprisingly quite good!",
            "I will never ever ever go to that place again!!"]))

# Get the sentiment scores
sentiment_scores = rx_featurize(
    data=customer_reviews,
    ml_transforms=[get_sentiment(cols=dict(scores="review"))])

# Let's translate the score to something more meaningful
sentiment_scores["eval"] = sentiment_scores.scores.apply(
            lambda score: "AWESOMENESS" if score > 0.6 else "BLAH")
print(sentiment_scores)

按 Enter 打印分数。输出应如下所示：

>>> print(sentiment_scores)
                                            review    scores         eval
0            I really did not like the taste of it  0.461790         BLAH
1                  It was surprisingly quite good!  0.960192  AWESOMENESS
2  I will never ever ever go to that place again!!  0.310344         BLAH
>>>

Note

如果演示脚本失败，请首先检查文件位置。在具有多个 SQL Server 实例的系统上，或者对于与独立版本并行运行的实例，安装脚本可能会错误地读取环境，并将文件放在错误的位置。一般情况下，手动将文件复制到正确的 mxlib 文件夹可以解决此问题。

使用预先训练的模型的示例

下面的链接包含调用预先训练的模型的示例代码。

代码示例：使用文本特征化器进行情绪分析

研究和资源

目前可用的模型是用于情绪分析和图像分类的深度神经网络 (DNN) 模型。所有预先训练的模型都通过 Microsoft 的计算网络工具包 (CNTK) 进行训练。

每个网络的配置都基于以下引用实现：

ResNet-18
ResNet-50
ResNet-101
AlexNet

有关这些深度学习模型中使用的算法的详细信息，以及如何使用 CNTK 将其实现和定型的详细信息，请参阅以下文章：

Microsoft Researchers' Algorithm Sets ImageNet Challenge Milestone（Microsoft 研究人员的算法成为 ImageNet 挑战中的里程碑）
Microsoft Computational Network Toolkit offers most efficient distributed deep learning computational performance（Microsoft 计算网络工具包提供最有效的分布式深度学习计算性能）

反馈

此页面是否有帮助？