Export do Azure SQL Database
Důležité
Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.
Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).
- Podívejte se na informace o přesunu projektů strojového učení z ML Studia (klasického) do Azure Machine Learning.
- Další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Tento článek popisuje, jak použít možnost Export do Azure SQL Database v modulu Export dat v nástroji Machine Learning Studio (classic). Tato možnost je užitečná, když chcete exportovat data z experimentu strojového učení do Azure SQL Database nebo Azure SQL Data Warehouse.
Poznámka
Platí pro: Machine Learning Studio (classic)
Podobné moduly s přetahováním jsou k dispozici v Azure Machine Learning návrháři.
Export do SQL databáze je užitečný v mnoha scénářích strojového učení: například můžete chtít ukládat přechodné výsledky, ukládat skóre nebo uchovávat tabulky inženýrovaných funkcí. I když ukládání dat v úložišti Azure SQL Database nebo Azure SQL Data Warehouse může být dražší než používání tabulek nebo objektů blob v Azure, u databází se za transakce SQL poplatky. Úložiště databáze je navíc ideální pro rychlé psaní menších objemů často používaných informací, pro sdílení dat mezi experimenty nebo pro vytváření sestav výsledků, predikcí a metrik.
Na druhé straně můžou být omezení množství dat, která můžete ukládat do databáze, v závislosti na typu vašeho předplatného. Měli byste také zvážit použití databáze a účtu, který je ve stejné oblasti jako váš pracovní prostor machine learning.
Pokud chcete exportovat data, zadejte název instance a název databáze, kde jsou data uložená, a spusťte modul pomocí účtu, který má oprávnění k zápisu. Musíte také zadat název tabulky a namapovat sloupce z experimentu na sloupce v tabulce.
Export dat do Azure SQL Database
Do experimentu v nástroji Studio (Classic) přidejte modul Export dat. Tento modul najdete v kategorii Vstup a výstup dat.
Připojení exportujte data do modulu, který vytváří data, která chcete exportovat.
Jako Cíl dat vyberte Azure SQL Database. Tato možnost podporuje Azure SQL Data Warehouse také.
Zadejte název serveru a databáze v Azure SQL Database nebo Azure SQL Data Warehouse.
Název databázového serveru: Zadejte název serveru vygenerovaný Azure. Obvykle má tvar
<generated_identifier>.database.windows.net.Název databáze: Zadejte název existující databáze na serveru, který jste právě zadali. Modul Export dat nemůže vytvořit databázi.
Název uživatelského účtu serveru: Zadejte uživatelské jméno pro účet, který má přístupová oprávnění k databázi.
Heslo uživatelského účtu serveru: Zadejte heslo pro zadaný uživatelský účet.
Zadejte sloupce, které chcete exportovat, a pokud je chcete přejmenovat.
Čárkami oddělený seznam sloupců, které se mají uložit: Zadejte názvy sloupců z experimentu, který chcete zapsat do databáze.
Název tabulky dat: Zadejte název tabulky, do které se data uloží.
Například Azure SQL Database, pokud tabulka neexistuje, vytvoří se nová tabulka.
Například Azure SQL Data Warehouse tabulka už musí existovat a mít správné schéma, proto si ji nezapomeňte vytvořit předem.
Čárkami oddělený seznam sloupců datové tabulky: Zadejte názvy sloupců tak, jak chcete, aby se v cílové tabulce objevily.
Například Azure SQL Database názvy sloupců změnit, ale sloupce musíte zachovat ve stejném pořadí, ve stejném pořadí, ve stejném pořadí jako sloupce pro export, a to v seznamu sloupců oddělených čárkami, které se mají uložit.
Například Azure SQL Data Warehouse musí názvy sloupců odpovídat těm, které už jsou ve schématu cílové tabulky.
Number of rows written per SQL Azure operation: Tato možnost určuje, kolik řádků se má zapsat do cílové tabulky v každé dávce.
Ve výchozím nastavení je hodnota nastavená na 50, což je výchozí velikost dávky pro Azure SQL Database. Pokud však chcete zapsat velký počet řádků, měli byste tuto hodnotu zvýšit.
Pro Azure SQL Data Warehouse doporučujeme nastavit tuto hodnotu na 1. Pokud použijete větší velikost dávky, velikost řetězce příkazu odeslaného do služby Azure SQL Data Warehouse může překročit povolenou délku řetězce, což způsobí chybu.
Použít výsledky uložené v mezipaměti: Tuto možnost vyberte, pokud se chcete vyhnout psaní nových výsledků při každém spuštění experimentu. Pokud v parametrech modulu nejsou žádné další změny, experiment zapíše data pouze při prvním spuštění modulu. Nový zápis se ale vždy provádí, pokud se v exportu dat změnily nějaké parametry, které by změnily výsledky.
Spusťte experiment.
Příklady
Příklady použití modulu Export dat najdete v Azure AI Gallery:
Retail Forecasting Krok 1 z 6 – Předběžné zpracování dat: Šablona prognózování maloobchodního prodeje znázorňuje úlohu strojového učení založenou na datech uložených v Azure SQLDB. Demonstruje užitečné techniky, jako je použití databáze Azure SQL k předání datových sad mezi experimenty v různých účtech, ukládání Azure SQL kombinování předpovídek jak vytvořit databázi Azure SQL pouze pro strojové učení.
Sestavení a nasazení modelu strojového učení pomocí SQL Server na virtuálním počítači Azure: Tento článek vás provede použitím databáze SQL Server hostované na virtuálním počítači Azure jako zdroje pro ukládání trénovací data a predikce. Ukazuje také, jak lze relační databázi použít k vytvoření funkcí a výběru funkcí.
Jak používat Azure ML s Azure SQL Data Warehouse: Demonstruje použití dat z Azure SQL Data Warehouse k vytvoření modelu clusteringu.
Použití Machine Learning s SQL Data Warehouse: Ukazuje, jak vytvořit regresní model pro předpověď cen pomocí dat v Azure SQL Data Warehouse.
Technické poznámky
Tato část obsahuje podrobnosti o implementaci, tipy a odpovědi na nejčastější dotazy.
Časté dotazy
Použití databáze v jiné geografické oblasti
Pokud se Azure SQL Database nebo SQL Data Warehouse nachází v jiné oblasti než účet strojového učení, zápisy můžou být pomalejší.
Navíc se vám účtují poplatky za příchozí a příchozí přenos dat v předplatném, pokud se výpočetní uzel nachází v jiné oblasti než účet úložiště.
Proč se některé znaky ve výstupních datech nezobrazují správně
Machine Learning podporuje kódování UTF-8. Pokud řetězcové sloupce v databázi používají jiné kódování, nemusí se znaky správně uložit.
Také Machine Learning výstupní datové typy, jako je money.
Parametry modulu
| Name | Rozsah | Typ | Výchozí | Description |
|---|---|---|---|---|
| Zdroj dat | Seznam | Zdroj nebo jímka dat | Azure Blob Storage | Zdrojem dat může být HTTP, FTP, anonymní HTTPS nebo FTPS, soubor v úložišti objektů blob v Azure, tabulka Azure, Azure SQL Database nebo Azure SQL Data Warehouse, tabulka Hive nebo koncový bod OData. |
| Název databázového serveru | Libovolný | Řetězec | žádné | |
| Název databáze | Libovolný | Řetězec | žádné | |
| Název uživatelského účtu serveru | Libovolný | Řetězec | žádné | |
| Heslo uživatelského účtu serveru | žádné | |||
| Čárkami oddělený seznam sloupců, které se mají uložit | žádné | |||
| Název tabulky dat | Libovolný | Řetězec | žádné | |
| Čárkou oddělený seznam sloupců DataTable | Řetězec | Řetězec | žádné | Řetězec |
| počet řádků zapsaných na operaci SQL Azure | Řetězec | Integer | 50 | Řetězec |
| Použití výsledků uložených v mezipaměti | TRUE NEBO FALSE | Logická hodnota | FALSE | Modul se spustí pouze v případě, že neexistuje platná mezipaměť. Jinak použijte data uložená v mezipaměti z předchozího spuštění. |
Výjimky
| Výjimka | Description |
|---|---|
| Chyba 0027 | K výjimce dojde, pokud musí být dva objekty stejné velikosti, ale nejsou. |
| Chyba 0003 | K výjimce dojde v případě, že jeden nebo více vstupů má hodnotu null nebo je prázdné. |
| Chyba 0029 | K výjimce dojde, pokud je předán neplatný identifikátor URI. |
| Chyba 0030 | v případě, že není možné stáhnout soubor, dojde k výjimce. |
| Chyba 0,002 | K výjimce dojde v případě, že jeden nebo více parametrů nelze analyzovat nebo převést ze zadaného typu na typ vyžadovaný cílovou metodou. |
| Chyba 0009 | Pokud je název účtu služby Azure Storage nebo název kontejneru nesprávně zadán, dojde k výjimce. |
| Chyba 0048 | Pokud není možné otevřít soubor, dojde k výjimce. |
| Chyba 0015 | Pokud selhalo připojení k databázi, dojde k výjimce. |
| Chyba 0046 | K výjimce dojde, pokud není možné vytvořit adresář v zadané cestě. |
| Chyba 0049 | Pokud není možné analyzovat soubor, dojde k výjimce. |
seznam chyb, které jsou specifické pro moduly studia (classic), najdete v článku kódy chyb Machine Learning.
seznam výjimek rozhraní API najdete v tématu Machine Learning REST API chybové kódy.
Viz také
Import dat
Exportovat data
Exportovat do Azure Blob Storage
Dotaz export do podregistru
Exportovat do tabulky Azure