Vyškolený model zatížení

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).

• přečtěte si informace o přesunu projektů strojového učení z ML Studio (classic) do Azure Machine Learning.
• přečtěte si další informace o Azure Machine Learning.

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Načtení výukového modelu hostovaného na webu

Kategorie: vstup a výstup dat

Poznámka

platí pro: jenom Machine Learning Studio (classic)

podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.

Přehled modulu

tento článek popisuje, jak pomocí modulu zátěžového modelu trained v Machine Learning studiu (classic) načíst již vycvičený model pro použití v experimentu.

Tento modul vyžaduje existující školený model. Obvykle vytvoříte a potom provedete model v jiném experimentu a pak tento model uložíte buď do pracovního prostoru, nebo do některé z podporovaných možností cloudového úložiště.

Pak použijete modul vyškolený model zatížení k získání trained model a spustíte ho v novém experimentu.

Jak používat model vyškolený zatížení

Chcete-li použít existující model k vytvoření předpovědi pro nová data:

• Model musí být dřív vyškolený a pak uložený ve formátu iLearner.
• Model musí být přístupný buď pomocí adresy URL, nebo v úložišti objektů BLOB v Azure.

Tato část popisuje, jak uložit model, získat uložený model a použít uložený model.

Uložení proučeného modelu

Modely můžete ukládat pomocí rozhraní studia (Classic) nebo pomocí experimentu, který běží jako webová služba.

Uložení modelu pomocí webové služby

1. Vytvoření experimentu, který provede školení nebo rekurze modelu jako webové služby
2. Publikujte tento experiment jako webovou službu.
3. Když zavoláte koncový bod BES webové služby školení, Webová služba uloží školicí model pomocí rozhraní iLearner a uloží ho do účtu služby Azure Blob Storage, který zadáte.

Podrobné informace o tom, jak vytvořit webovou službu školení, najdete v těchto článcích:

• programové přeučení modelů Machine Learning
• Uložení experimentu jako webové služby

Uložení modelu v studiu (Classic)

1. Spusťte experiment, který sestaví a navlakuje model.
2. Po dokončení školení klikněte pravým tlačítkem na modul, který se použil pro školení, vyberte trained modela potom klikněte na Uložit jako trained model.
3. Ve výchozím nastavení se modely ukládají do pracovního prostoru Studio (Classic). Můžete je zobrazit pomocí uživatelského rozhraní studia (Classic).

Následující moduly mohou vytvořit uložený model, který používá požadované rozhraní iLearner :

• Trénování modelu
• Trénování modelu clusteringu
• Trénování modelu detekce anomálií
• Ladění hyperparametrů modelů
• Clustering Sweep

Poznámka

Žádné modely se nepodporují. model musí být uložený ve výchozím binárním formátu, který se používá pro trvalé Machine Learning modely.

Načíst model do nového experimentu

1. Přidejte modul vyškolených zátěžového modelu do experimentu v studiu (Classic).

2. V části zdroj daturčete umístění proučeného modelu pomocí jedné z následujících možností:

   • Adresa URL webu prostřednictvím http: zadejte adresu URL, která odkazuje na experiment a soubor představující vyškolený model. v Machine Learning jsou školené modely ve výchozím nastavení uloženy ve formátu ILearner .

   • Azure Blob Storage: tuto možnost vyberte jenom v případě, že jste vyškolený model exportovali do služby Azure Storage. Pak musíte zadat název účtu a klíč účtu a cestu k kontejneru, adresáři nebo objektu BLOB.

3. Pokud máte v úmyslu vytvořit Request-Response webovou službu, která je založená na aktuálním experimentu, vyberte možnost, která umožňuje použití v záznamech o PROstředcích. V opačném případě se bodování provádí pomocí možnosti služba batch execution Service (BES), která se doporučuje. Podrobnosti najdete v části technické poznámky .

4. Vyberte možnost použít výsledky v mezipaměti , pokud chcete načíst vyškolený model z mezipaměti, když je mezipaměť k dispozici a naplněna. Tato možnost se po nasazení experimentu jako rozhraní API webové služby ignoruje.

Příklady

příklady použití tohoto modulu naleznete v Cortana Intelligence Gallery.

• načtení proučeného modelu hloubkové Učení: příklad vytvoří vlastní neuronové síť pro detekci imagí. Pomocí modulu model Vyškole zátěže můžete tento model snadno znovu použít bez nutnosti jeho výuky, což může být časově náročné.

  Tato kolekce zahrnuje školicí experiment, vytváření modelu a prediktivní experiment, ve kterém se model načítá jako webová služba a používá se pro předpovědi.

Technické poznámky

Tato část obsahuje podrobné informace o implementaci, tipy a odpovědi na nejčastější dotazy.

Časté dotazy

Proč použití RR není ve výchozím nastavení povolené

Obecně se očekává, že RR volání vrátí výsledky v krátké době. Vzhledem k tomu, že modul musí načíst školený model ve formě objektu BLOB z účtu služby Azure Storage nebo souboru hostovaného na veřejném koncovém bodu HTTP, můžou operace souborů způsobit nepředvídatelné prodlevy.

Proto obecně doporučujeme, aby byla webová služba spuštěna v režimu spuštění dávky (BES). Pokud vyberete možnost. provádění pomocí záznamů o prostředcích, pamatujte na potenciální zpoždění. obecné informace o době spuštění najdete v Machine Learning smlouvě SLA.

Je vyškolený model rychlejší načíst, když používám možnost výsledky v mezipaměti

ano, ale pouze v případě, že je experiment spuštěný v Machine Learning studiu (classic) a až po prvním spuštění doplní mezipaměť. Po nasazení experimentu jako webové služby bude tento příznak při spuštění webové služby ignorován.

Existuje způsob, jak tento proces automatizovat.

Pomocí prostředí PowerShell můžete zjednodušit nebo automatizovat mnoho úloh v Machine Learning. Můžete například stáhnout obsah celého experimentu nebo konkrétního modulu, exportovat definici webové služby nebo vyvolat rozhraní API pro spuštění webové služby. Další informace najdete v tématu modul PowerShellu pro Microsoft Machine Learning.

Parametry modulu

Name	Rozsah	Typ	Výchozí	Description
Povolení použití v záznamech o prostředcích	Pravda/nepravda	Logická hodnota	false (nepravda)	Povolí spuštění tohoto modulu ve webové službě Request-response, což může vést k nepředvídatelným zpožděním.
Zdroj dat	Adresa URL webu přes HTTP nebo Azure Blob Storage	T_DataSourceOrSink	Azure Blob Storage	Zdroj dat může být HTTP nebo soubor v úložišti objektů BLOB v Azure (povinné).
Adresa URL webu prostřednictvím protokolu HTTP:
Adresa URL zdroje dat	Libovolný	Řetězec		Adresa URL pro HTTP
Pro Azure Blob Storage:
Account Name	Libovolný	Řetězec		Název účtu
Klíč účtu	Libovolný	Securestring		Klíč přidružený k Windows Azure Storage účtu
Cesta ke kontejneru, adresáři nebo objektu blob	Libovolný	Řetězec		Cesta k objektu blob nebo názvu tabulky

Výstupy

Název	Typ	Description
Natrénovaný model	ILearner – rozhraní	Natrénovaný model

Výjimky

Výjimka	Description
Chyba 0003	K výjimce dochází v případě, že jeden nebo více vstupů má hodnotu null nebo je prázdný.

Seznam chyb specifických pro moduly sady Studio (classic) najdete v Machine Learning kódy chyb.

Seznam výjimek rozhraní API najdete v tématu Machine Learning REST API kódy chyb.

Viz také

Vstup a výstup dat