MindsDB简介

MindsDB 通过 AI 构建模块增强了 SQL，以便开发人员创建需要与实时数据耦合的 AI 应用程序。MindsDB 的创新之一是能够将 AI（模型、代理、知识库）视为虚拟表，您可以使用任何AI 引擎从云器Lakehouse数据源中进行 SELECT FROM、JOIN和FINE-TUNE。

方式一：在 Docker上运行配置MindsDB

安装 Docker

如果您还没有安装Docker，请按照说明在您的计算机上安装 Docker 。要确保 Docker 已成功安装在您的计算机上，请测试Docker是否正常运行，如下所示：

docker run hello-world

您应该会看到

Hello from Docker!

消息。否则，请查看 Docker 的入门文档。

适用于 Mac 用户的 Docker - RAM 分配问题

默认情况下，Docker for Mac 分配 2 GB RAM，这不足以使用 Docker 部署 MindsDB。我们建议将默认 RAM 限制增加到 8 GB。 有关如何增加分配内存的更多信息，请参阅 Docker Desktop for Mac 用户手册。

安装并启动 MindsDB

请注意，这种 MindsDB 安装方法至少需要 8 GB RAM 和 20 GB 可用存储空间。

下载docker compose文件到本地:

https://github.com/clickzetta/mindsdb-clickzetta/blob/staging/docker-compose-up-only.yml

运行以下命令在 Docker 中启动 MindsDB。

docker-compose -f docker-compose-up-only.yml up -d

现在，您可以访问以下内容：

MindsDB Studio：

http://127.0.0.1:47334/

使用 MySQL 的 MindsDB

mysql -h 127.0.0.1 --port 47335 -u mindsdb -p

下一步

现在您已经在 Docker 容器中本地安装并启动了 MindsDB，接下来了解如何使用该CREATE MODEL语句创建和训练模型。在MindsDB SQL部分，您将找到 MindsDB 提供的 SQL 语法的全面概述。我们还提供了MindsDB Mongo-QL部分中记录的 Mongo-QL 语法。

您可以将 MindsDB 连接到不同的客户端，包括MySQL CLI。

查看用例部分，了解涵盖大型语言模型、自然语言处理、时间序列、分类和回归模型的教程。

方式二：通过 pip和github源代码搭建MindsDB

本节介绍如何从源代码部署MindsDB。如果您想为我们的代码做出贡献或调试 MindsDB，那么这是使用 MindsDB 的首选方式。

要成功安装 MindsDB，请使用Python 64 位版本。另外，请确保Python >= 3.8且pip >= 20.3。

安装

请注意，这种 MindsDB 安装方法需要至少 6 GB 的可用存储空间。

1. 克隆 MindsDB 存储库：

   git clone https://github.com/clickzetta/mindsdb-clickzetta.git

2. 创建新的虚拟环境：

   python -m venv mindsdb-venv

3. 激活虚拟环境：

   source mindsdb-venv/bin/activate

4. 安装依赖项：

   cd mindsdb pip install -e . pip install -r requirements/requirements-dev.txt

5. 启动MindsDB：

   python -m mindsdb --config=config.json

默认情况下，MindsDB 将始终启动

http

和

mysql

API。

python -m mindsdb --api=http,mysql --config=config.json

如果您想使用 Mongo API，您需要将其作为参数提供给

--api

. 您可以按如下方式进行操作：

python -m mindsdb --api=http,mongodb,mysql --config=config.json

6. 现在，您可以访问以下内容：

MindsDB Studio：

http://127.0.0.1:47334/

使用 MySQL 的 MindsDB

mysql -h 127.0.0.1 --port 47335 -u mindsdb -p

依赖关系

默认情况下，不会安装许多数据或 ML 集成的依赖项。

如果您想要使用默认情况下不可用的依赖项的数据或 ML 集成，请通过运行以下命令进行安装：

pip install '.[handler_name]'

您可以在此处找到所有可用的处理程序。

故障排除

Pip 和 Python 版本

目前，MindsDB 支持 Python 版本 3.8.x、3.9.x、3.10.x 和 3.11.x。

要成功安装 MindsDB，请使用Python 64 位版本。另外，请确保Python >= 3.8且pip >= 20.3。

pip --version

您可以通过运行和 命令来检查 pip 和 python 版本

python --version

。

请注意，根据您的环境以及安装的 pip 和 python 软件包，您可能必须使用pip3而不是pip或python3.x 而不是py。例如，

pip3 install mindsdb

代替 

pip install mindsdb

.

如何避免依赖性问题

使用pip在虚拟环境中安装 MindsDB以避免依赖问题。

如何避免常见错误

MindsDB 需要大约 3 GB 的可用磁盘空间来安装其所有依赖项。确保分配最小。3 GB 磁盘空间以避免 

IOError: [Errno 28] No space left on device while installing MindsDB

错误。

首先，激活安装 MindsDB 的虚拟环境。是为了避免

No module named mindsdb

错误。

如果遇到该

This site can’t be reached. 127.0.0.1 refused to connect.

 错误，请检查MindsDB服务器控制台，查看服务器是否仍处于该

starting

阶段。但如果服务器已启动，但您仍然收到此错误，请在我们的 GitHub 存储库上报告该错误。

如何解决

ImportError: failed to find libmagic

ImportError: failed to find libmagic

的问题

如果出现错误，您应该通过运行以下命令之一手动

ImportError: failed to find libmagic

安装：

libmagic

pip install python-magic-bin # for linux and windows brew install libmagic # for macOS

检查云器Lakehouse Handler状态

访问MindsDB Studio 检查云器Lakehouse Handler状态

select \* from information\_schema.handlers where TITLE="ClickZetta";

IMPOSRT_SUCCESS为true，说明云器Lakehouse Handler工作正常。

创建一个project和云器Lakehouse数据库

CREATE PROJECT IF NOT EXISTS clickzetta;

CREATE DATABASE if not exists clickzetta\_ai\_demo --- display name for database. WITH ENGINE = 'clickzetta', --- name of the mindsdb handler PARAMETERS = { "service": "region_id.api.clickzetta.com", --- ClickZetta Lakehouse service address. "workspace": "qiliang_ws_demo", --- ClickZetta workspace. "instance": "********", --- account instance id. "vcluster": "default", --- vcluster "username": "********", --- your usename. "password": "********", --- Your password. "schema": "ai_demo" };

检查创建结果，显示已创建：

SHOW databases;

应用示例

预测房屋租赁价格

--1. CONNECT ClickZetta Lakehouse --Let's start by previewing the data we will use to train our model: SELECT * FROM clickzetta_ai_demo.home_rentals limit 10 ;

--2. TRAIN A MACHINE LEARNING MODEL CREATE MODEL IF NOT EXISTS clickzetta.home_rentals_model FROM clickzetta_ai_demo (SELECT * FROM home_rentals) PREDICT rental_price; DESCRIBE home_rentals_model;

--3. MAKE A PREDICTION SELECT rental_price, rental_price_explain FROM clickzetta.home_rentals_model WHERE sqft = 823 AND location='good' AND neighborhood='downtown' AND days_on_market=10;

rental_price rental_price_explain 4464 {"predicted_value": 4464, "confidence": 0.99, "anomaly": null, "truth": null, "confidence_lower_bound": 4387, "confidence_upper_bound": 4542}

--4. Bulk predictions by joining a table with your model: SELECT t.rental_price as real_price, m.rental_price as predicted_price, t.number_of_rooms, t.number_of_bathrooms, t.sqft, t.location, t.days_on_market FROM clickzetta_ai_demo.home_rentals as t JOIN clickzetta.home_rentals_model as m LIMIT 100;