Neuerstellen eines Studio (Classic)-Experiments in Azure Machine Learning

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 Experiment von ML Studio (klassisch) in Azure Machine Learning neu erstellen. Weitere Informationen zur Migration aus Studio (Classic) finden Sie im Artikel mit der Übersicht über die Migration.

Experimente in Studio (Classic) sind vergleichbar mit Pipelines in Azure Machine Learning. In Azure Machine Learning werden Pipelines jedoch auf dem gleichen Back-End erstellt, auf dem auch das SDK läuft. Das bedeutet, dass Sie zwei Optionen für die Entwicklung beim maschinellen Lernen haben: den Drag & Drop-Designer oder Code First-SDKs.

Weitere Informationen zum Erstellen von Pipelines mit dem SDK finden Sie unter Was sind Azure Machine Learning-Pipelines?.

Voraussetzungen

• Ein Azure-Konto mit einem aktiven Abonnement. Sie können kostenlos ein Konto erstellen.
• Ein Azure Machine Learning-Arbeitsbereich. Erstellen von Arbeitsbereichsressourcen
• Ein zu migrierendes Studio (Classic)-Experiment.
• Laden Sie das Dataset in Azure Machine Learning hoch.

Neuerstellen der Pipeline

Nachdem Sie das Dataset zu Azure Machine Learning migriert haben, können Sie das Experiment neu erstellen.

In Azure Machine Learning wird das visuelle Diagramm als Pipelineentwurf bezeichnet. In diesem Abschnitt erstellen Sie ein klassisches Experiment als Pipelineentwurf neu.

1. Wechseln Sie zu Azure Machine Learning Studio (ml.azure.com).

2. Wählen Sie im linken Navigationsbereich die Optionen Designer>Easy-to-use prebuilt modules (Benutzerfreundliche vordefinierte Module) aus.

3. Erstellen Sie das Experiment manuell mit Designerkomponenten neu.

   Suchen Sie in der Modulzuordnungstabelle nach Ersatzmodulen. Für viele der am häufigsten verwendeten Module von Studio (Classic) gibt es identische Versionen im Designer.

   Wichtig

   Wenn in Ihrem Experiment das Modul „R-Skript ausführen“ verwendet wird, müssen Sie für die Migration des Skripts zusätzliche Schritte ausführen. Weitere Informationen finden Sie unter Migrieren von „R-Skript ausführen“-Modulen.

4. Passen Sie die Parameter an.

   Wählen Sie jedes Modul aus, und passen Sie die Parameter im Bereich „Moduleinstellungen“ rechts an. Anhand der Parameter können Sie die Funktionen des Studio (Classic)-Experiments neu erstellen. Weitere Informationen zu den einzelnen Modulen finden Sie in der Modulreferenz.

Übermitteln eines Auftrags und Überprüfen der Ergebnisse

Nach dem Neuerstellen des Studio (Classic)-Experiments können Sie einen Pipelineauftrag übermitteln.

Ein Pipelineauftrag wird auf einem Computeziel ausgeführt, das an Ihren Arbeitsbereich angefügt ist. Sie können ein Standardcomputeziel für die gesamte Pipeline festlegen oder jeweils ein Computeziel pro Modul angeben.

Nachdem Sie einen Auftrag aus einem Pipelineentwurf übermittelt haben, wird er zu einem Pipelineauftrag. Jeder Pipelineauftrag wird in Azure Machine Learning aufgezeichnet und protokolliert.

So legen Sie ein Standardcomputeziel für die gesamte Pipeline fest

1. Wählen Sie das Zahnradsymbol neben dem Pipelinenamen aus.
2. Wählen Sie Computeziel auswählen aus.
3. Wählen Sie ein vorhandenes Computeziel aus, oder erstellen Sie ein neues Computeziel durch Befolgen der Anweisungen auf dem Bildschirm.

Nachdem das Computeziel festgelegt ist, können Sie einen Pipelineauftrag übermitteln:

1. Wählen Sie im oberen Bereich der Canvas die Option Senden aus.

2. Wählen Sie Neu erstellen aus, um ein neues Experiment zu erstellen.

   In Experimenten werden ähnliche Pipelineaufträge zusammengefasst. Wenn Sie eine Pipeline mehrmals ausführen, können Sie für aufeinanderfolgende Aufträge das gleiche Experiment auswählen. Dies ist nützlich für die Protokollierung und Nachverfolgung.

3. Geben Sie einen Experimentnamen ein. Klicken Sie dann auf Senden.

   Der erste Auftrag kann bis zu 20 Minuten dauern. In den Standardcomputeeinstellungen ist eine minimale Knotengröße von 0 festgelegt. Das bedeutet, dass Ressourcen nach dem Leerlauf im Designer zugeordnet werden müssen. Nachfolgende Aufträge werden schneller abgeschlossen, da die Knoten bereits zugeordnet sind. Um die Ausführungszeit zu beschleunigen, können Sie eine Computeressource mit mindestens einem Knoten erstellen.

Nach Abschluss des Auftrags können Sie die Ergebnisse der einzelnen Module überprüfen:

1. Klicken Sie mit der rechten Maustaste auf das Modul, dessen Ausgabe angezeigt werden soll.

2. Wählen Sie entweder Visualisieren, Ausgabe anzeigen oder Protokoll anzeigen aus.

   • Visualisieren: Das Ergebnisdataset wird in einer Vorschau angezeigt.
   • Ausgabe anzeigen: Ein Link zum Ausgabespeicherort wird geöffnet. Verwenden Sie diese Option, um die Ausgabe zu untersuchen oder herunterzuladen.
   • Protokoll anzeigen: Treiber- und Systemprotokolle werden angezeigt. Öffnen Sie die Datei 70_driver_log, um Informationen zum vom Benutzer übermittelten Skript anzuzeigen, z. B. Fehler und Ausnahmen.

Wichtig

Designerkomponenten verwenden Open-Source-Python-Pakete, um Machine Learning-Algorithmen zu implementieren. Von Studio (Classic) wird dagegen eine Microsoft-interne C#-Bibliothek verwendet. Daher kann sich das Vorhersageergebnis zwischen Designer und Studio (Classic) unterscheiden.

Speichern des trainierten Modells für die Verwendung in einer anderen Pipeline

Manchmal möchten Sie ggf. das in einer Pipeline trainierte Modell speichern und es später in einer anderen Pipeline verwenden. In Studio (Classic) werden alle trainierten Modelle in der Modulliste in der Kategorie „Trainierte Modelle“ gespeichert. Im Designer werden die trainierten Modelle automatisch als Dateidataset mit einem vom System generierten Namen registriert. Dabei wird die folgende Namenskonvention verwendet: MD - Name des Pipelineentwurfs - Name der Komponente - ID des trainierten Modells.

Wenn Sie ein trainiertes Modell mit einem aussagekräftigen Namen versehen möchten, können Sie die Ausgabe der Komponente Train Model (Modell trainieren) als Dateidataset registrieren. Geben Sie ihm den gewünschten Namen (beispielsweise „linear-regression-model“).

Das trainierte Modell finden Sie in der Komponentenliste in der Kategorie „Dataset“. Alternativ können Sie anhand des Namens danach suchen. Verbinden Sie dann das trainierte Modell mit einer Komponente vom Typ Score Model (Modell bewerten), um es für die Vorhersage zu verwenden.

Nächste Schritte

In diesem Artikel haben Sie erfahren, wie Sie ein Studio (Classic)-Experiment in Azure Machine Learning neu erstellen. Im nächsten Schritt werden Webdienste in Azure Machine Learning neu erstellt.

Weitere Informationen finden Sie in den anderen Artikeln der Reihe zur Migration von Studio (Classic):

1. Übersicht über die Migration.
2. Migrieren eines Datasets
3. Neuerstellen einer Studio (Classic)-Trainingspipeline
4. Neuerstellen eines Studio (Classic)-Webdiensts
5. Integrieren eines Azure Machine Learning-Webdiensts in Clientanwendungen
6. Migrieren von „R-Skript ausführen“-Modulen