Integrieren Ihrer R-Workloads

  • Artikel

GILT FÜR:Azure CLI ML-Erweiterung v2 (aktuell)Python SDK azure-ai-ml v2 (aktuell)

Für R steht kein Azure Machine Learning SDK zur Verfügung. Verwenden Sie stattdessen entweder die CLI oder ein Python-Steuerelementskript, um Ihre R-Skripts auszuführen.

In diesem Artikel werden die wichtigsten Szenarien für R beschrieben, die in Azure Machine Learning unterstützt werden, und Sie erhalten Informationen zu bekannten Einschränkungen.

Typischer R-Workflow

Ein typischer Workflow für die Verwendung von R mit Azure Machine Learning sieht wie folgt aus:

  • Entwickeln Sie R-Entwicklung interaktiv mithilfe von Jupyter Notebook-Instanzen in einer Compute-Instanz. (Sie können einer Compute-Instanz zwar auch Posit oder RStudio hinzufügen, derzeit aber nicht über diese Anwendungen in der Compute-Instanz auf Datenressourcen im Arbeitsbereich zugreifen. Für die interaktive Verwendung ist daher eine Jupyter Notebook-Instanz momentan die beste Option.)

    • Lesen Sie Tabellendaten aus einer registrierten Datenressource oder einem Datenspeicher.
    • Installieren Sie zusätzliche R-Bibliotheken.
    • Speichern Sie Artefakte im Dateispeicher des Arbeitsbereichs.

  • Passen Sie Ihr Skript an, damit es als Produktionsauftrag in Azure Machine Learning ausgeführt wird.

    • Entfernen Sie sämtlichen Code, der eine Benutzerinteraktion erfordert.
    • Fügen Sie dem Skript ggf. Befehlszeileneingabeparameter hinzu.
    • Schließen Sie das Skript azureml_utils.R in das gleiche Arbeitsverzeichnis ein, in dem sich auch das auszuführende R-Skript befindet, und binden Sie es ein.
    • Verwenden Sie crate, um das Modell zu verpacken.
    • Schließen Sie die R/MLflow-Funktionen in das Skript ein, um Artefakte, Modelle, Parameter und/oder Tags für den Auftrag in MLflow zu protokollieren.

  • Übermitteln Sie asynchrone R-Remoteaufträge (über die CLI oder das Python SDK, nicht über R).

    • Erstellen Sie eine Umgebung.
    • Protokollieren Sie Auftragsartefakte, Parameter, Tags und Modelle.

  • Registrieren Sie Ihr Modell beim Azure Machine Learning Studio.

  • Stellen Sie registrierte R-Modelle bereit (für verwaltete Onlineendpunkte).

    • Verwenden Sie die bereitgestellten Endpunkte für Rückschlüsse/Bewertungen in Echtzeit.

Bekannte Einschränkungen

 

Einschränkung Vorgehensweise
Es steht kein R SDK auf Steuerungsebene zur Verfügung. Verwenden Sie die Azure CLI oder das Python-Steuerungsskript, um Aufträge zu übermitteln.
Wenn RStudio als benutzerdefinierte Anwendung (z. B. Posit oder RStudio) in einem Container in der Compute-Instanz ausgeführt wird, kann weder auf Arbeitsbereichsressourcen noch auf MLflow zugegriffen werden. Verwenden Sie Jupyter Notebook-Instanzen mit dem R-Kernel in der Compute-Instanz.
Interaktives Abfragen der MLflow-Registrierung des Arbeitsbereichs über R wird nicht unterstützt.
Geschachtelte MLflow-Ausführungen in R werden nicht unterstützt.
Parallele Auftragsschritte werden nicht unterstützt. Führen Sie ein Skript n Mal parallel mit verschiedenen Eingabeparametern aus. Es ist allerdings eine Metaprogrammierung erforderlich, um n YAML- oder CLI-Aufrufe zu generieren.
Die Registrierung/Erfassung eines programmgesteuerten Modells über einen ausgeführten Auftrag mit R wird nicht unterstützt.
Die Bereitstellung ohne Programmierung (automatische Bereitstellung) eines R-MLflow-Modells wird derzeit nicht unterstützt. Erstellen Sie einen benutzerdefinierten Container mit plumber für die Bereitstellung.
Die Bewertung eines R-Modells mit Batchendpunkten wird nicht unterstützt.
In der YML-Datei für die Azure Machine Learning-Onlinebereitstellung können nur Image-URIs direkt aus der Registrierung für die Umgebungsspezifikation verwendet werden. Die Verwendung vordefinierter Umgebungen aus dem gleichen Dockerfile ist nicht möglich. Führen Sie die Schritte aus, die unter How to deploy a registered R model to an online (real time) endpoint (Bereitstellen eines registrierten R-Modells für einen (Echtzeit-)Onlineendpunkt) beschrieben Schritte sind, um die richtige Art der Bereitstellung zu finden.

Nächste Schritte

Weitere Informationen zu R in Azure Machine Learning finden Sie hier: