Migrieren von „R-Skript ausführen“-Modulen in Studio (Classic)
Wichtig
Der Support für Azure Machine Learning-Studio (klassisch) wird am 31. August 2024 enden. Wir empfehlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie in Machine Learning-Studio (klassisch) keine neuen Ressourcen mehr erstellen (Arbeitsbereichs- und Webdienstplan). Sie können bereits vorhandene Experimente und Webdienste in Machine Learning-Studio (klassisch) noch bis zum 31. August 2024 weiterverwenden. Weitere Informationen finden Sie unter:
- Migrieren zu Azure Machine Learning von Machine Learning-Studio (klassisch)
- Was ist Azure Machine Learning?
Die Dokumentation zu Machine Learning-Studio (klassisch) wird eingestellt und möglicherweise in der Zukunft nicht mehr aktualisiert.
In diesem Artikel erfahren Sie, wie Sie ein R-Skript ausführen-Modul aus Studio (Classic) in Azure Machine Learning neu erstellen.
Weitere Informationen zur Migration aus Studio (Classic) finden Sie im Artikel mit der Übersicht über die Migration.
Execute R Script
Der Azure Machine Learning-Designer wird jetzt unter Linux ausgeführt. Studio (Classic) wird unter Windows ausgeführt. Aufgrund der Änderung der Plattform müssen Sie das Modul R-Skript ausführen bei der Migration anpassen. Andernfalls treten in der Pipeline Fehler auf.
Zum Migrieren eines R-Skript ausführen-Moduls aus Studio (Classic) müssen Sie die Schnittstellen maml.mapInputPort
und maml.mapOutputPort
durch Standardfunktionen ersetzen.
In der folgenden Tabelle sind die Änderungen am R Script-Modul zusammengefasst:
Funktion | Studio (klassisch) | Azure Machine Learning-Designer |
---|---|---|
Skriptschnittstelle | maml.mapInputPort und maml.mapOutputPort |
Funktionsschnittstelle |
Plattform | Windows | Linux |
Zugriff über das Internet | Nein | Ja |
Arbeitsspeicher | 14 GB | Abhängig von Compute-SKU |
Aktualisieren der R-Skriptschnittstelle
Inhalt eines R-Skript ausführen-Beispielmoduls in Studio (Classic):
# Map 1-based optional input ports to variables
dataset1 <- maml.mapInputPort(1) # class: data.frame
dataset2 <- maml.mapInputPort(2) # class: data.frame
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Select data.frame to be sent to the output Dataset port
maml.mapOutputPort("data.set");
Nachfolgend ist der aktualisierte Inhalt im Designer dargestellt. Beachten Sie, dass maml.mapInputPort
und maml.mapOutputPort
durch die Standardfunktionsschnittstelle azureml_main
ersetzt wurden.
azureml_main <- function(dataframe1, dataframe2){
# Use the parameters dataframe1 and dataframe2 directly
dataset1 <- dataframe1
dataset2 <- dataframe2
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Return datasets as a Named List
return(list(dataset1=data.set))
}
Weitere Informationen finden Sie in der Referenz zum Modul „R-Skript ausführen“.
Installieren von R-Paketen über das Internet
Mit dem Azure Machine Learning-Designer können Sie Pakete direkt über CRAN installieren.
Dies ist eine Verbesserung gegenüber Studio (Classic). Da Studio (Classic) in einer Sandboxumgebung ohne Internetzugriff ausgeführt wird, mussten Skripts in einem ZIP-Bundle hochgeladen werden, um weitere Pakete zu installieren.
Verwenden Sie den folgenden Code zum Installieren von CRAN-Paketen im R-Skript ausführen-Modul des Designers:
if(!require(zoo)) {
install.packages("zoo",repos = "http://cran.us.r-project.org")
}
library(zoo)
Nächste Schritte
In diesem Artikel haben Sie erfahren, wie Sie „R-Skript ausführen“-Module zu Azure Machine Learning migrieren.
Weitere Informationen finden Sie in den anderen Artikeln der Reihe zur Migration von Studio (Classic):
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Tickets als Feedbackmechanismus für Inhalte auslaufen lassen und es durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter:Einreichen und Feedback anzeigen für