Nutzen von Pipelineendpunkten aus Clientanwendungen
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 Clientanwendungen in Azure Machine Learning-Endpunkten integrieren.
Dieser Artikel ist Teil der Reihe zur Migration von ML Studio (klassisch) zu Azure Machine Learning. Weitere Informationen zur Migration zu Azure Machine Learning finden Sie im Artikel mit der allgemeinen Übersicht über die Migration.
Voraussetzungen
- Ein Azure-Konto mit einem aktiven Abonnement. Sie können kostenlos ein Konto erstellen.
- Ein Azure Machine Learning-Arbeitsbereich. Erstellen von Arbeitsbereichsressourcen
- Ein Azure Machine Learning-Echtzeitendpunkt oder -Pipelineendpunkt.
Nutzen eines Echtzeitendpunkts
Wenn Sie Ihr Modell als Echtzeitendpunkt bereitgestellt haben, können Sie den zugehörigen REST-Endpunkt und vorab generierten Code in C#, Python und R wie folgt suchen:
- Wechseln Sie zu Azure Machine Learning Studio (ml.azure.com).
- Wechseln Sie zur Registerkarte Endpunkte.
- Wählen Sie den Echtzeitendpunkt aus.
- Wählen Sie Nutzen aus.
Hinweis
Sie können die Swagger-Spezifikation für ihren Endpunkt auch auf der Registerkarte Details finden. Verwenden Sie die Swagger-Definition, um das Endpunktschema zu verstehen. Weitere Informationen zur Swagger-Definition finden Sie in der offiziellen Swagger-Dokumentation.
Nutzen eines Pipelineendpunkts
Es gibt zwei Möglichkeiten, einen Pipelineendpunkt zu nutzen:
- REST-API-Aufrufe
- Integration in Azure Data Factory
Verwenden von REST-API-Aufrufen
Rufen Sie den REST-Endpunkt über die Clientanwendung auf. Sie können die Swagger-Spezifikation für den Endpunkt verwenden, um das zugehörige Schema zu verstehen:
- Wechseln Sie zu Azure Machine Learning Studio (ml.azure.com).
- Wechseln Sie zur Registerkarte Endpunkte.
- Wählen Sie Pipelineendpunkte aus.
- Wählen Sie Ihren Pipelineendpunkt aus.
- Wählen Sie im Bereich Endpunkt für Pipeline – Übersicht den Link unter Dokumentation zu REST-Endpunkt aus.
Verwenden von Azure Data Factory
Sie können die Azure Machine Learning-Pipeline als Schritt in einer Azure Data Factory-Pipeline aufrufen. Weitere Informationen finden Sie unter Ausführen von Azure Machine Learning-Pipelines in Azure Data Factory-Pipelines.
Nächste Schritte
In diesem Artikel haben Sie erfahren, wie Sie Schema- und Beispielcode für Pipelineendpunkte auffinden. Weitere Informationen zur Authentifizierung bei einem Endpunkt finden Sie unter Authentifizieren bei einem Onlineendpunkt.
Weitere Informationen finden Sie in den übrigen Artikeln der Reihe zur Migration zu Azure Machine Learning:
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