Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Gilt für: SQL Server 2016 (13.x) und höhere Versionen
Wichtig
Die Unterstützung für Machine Learning Server (zuvor als R Server bezeichnet) endet am 1. Juli 2022. Weitere Informationen finden Sie unter Was geschieht mit Machine Learning Server?
SQL Server ermöglicht die Installation von eigenständigen R Server- bzw. Machine Learning Server-Instanzen, die unabhängig von SQL Server ausgeführt werden. Abhängig von Ihrer SQL Server-Version verfügt ein eigenständiger Server über die grundlegende Open-Source-Programmiersprache R und möglicherweise auch Python, die von leistungsstarken Microsoft-Bibliotheken überlagert werden, die Funktionen für Statistik- und Vorhersageanalysen in großem Umfang hinzufügen. Darüber hinaus ist es durch die Bibliotheken möglich, Machine Learning-Tasks in R oder Python auszuführen.
In SQL Server 2016 heißt dieses Feature R Server (Standalone) und ist nur R-Only. In SQL Server 2017 wird er als Machine Learning Server (Standalone) bezeichnet und umfasst sowohl R als auch Python.
Hinweis
Wie vom SQL Server-Setup installiert, entspricht ein eigenständiger Server funktional den Nicht-SQL-Markenversionen von Microsoft Machine Learning Server, die die gleichen Benutzerszenarien unterstützen, einschließlich Remoteausführung, Operationalisierung und Webdienste sowie der vollständigen Sammlung von R- und Python-Bibliotheken.
Komponenten
SQL Server 2016 unterstützt nur R. SQL Server-2017 unterstützt R und Python. In der folgenden Tabelle sind die in den einzelnen Versionen enthaltenen Features beschrieben.
Komponente | BESCHREIBUNG |
---|---|
R-Pakete |
RevoScaleR ist die primäre Bibliothek für skalierbare R mit Funktionen für Datenmanipulation, Transformation, Visualisierung und Analyse. MicrosoftML fügt Machine Learning-Algorithmen hinzu, um benutzerdefinierte Modelle für Textanalyse, Bildanalyse und Stimmungsanalyse zu erstellen. sqlRUtils bietet Hilfsfunktionen zum Einfügen von R-Skripts in eine gespeicherte T-SQL-Prozedur, das Registrieren einer gespeicherten Prozedur mit einer Datenbank und das Ausführen der gespeicherten Prozedur aus einer R-Entwicklungsumgebung. OlapR dient zum Angeben von MDX-Abfragen in R. |
Microsoft R Open (MRO) | Microsoft R Open (eingestellt) war Microsofts Open-Source-Distribution von R. |
R-Tools | Das R-Konsolenfenster und die Eingabeaufforderungen sind Standardtools in einer R-Distribution. Diese finden Sie unter \Programme\Microsoft SQL Server\140\R_SERVER\bin\x64. |
Beispiele und Skripts zu R | R- und RevoScaleR-Open-Source-Pakete sind integrierte Datasets, sodass Sie Skripts mit vorinstallierten Daten erstellen und ausführen können. Suchen Sie unter \Programme\Microsoft SQL Server\140\R_SERVER\library\datasets and \library\RevoScaleR. |
Python-Pakete |
revoscalepy ist die primäre Bibliothek für skalierbare Python mit Funktionen für Datenmanipulation, Transformation, Visualisierung und Analyse. Microsoftml fügt Machine Learning-Algorithmen hinzu, um benutzerdefinierte Modelle für Textanalyse, Bildanalyse und Stimmungsanalyse zu erstellen. |
Python-Tools | Das integrierte Befehlszeilentool von Python ist für Ad-hoc-Tests und -Tasks sehr hilfreich. Sie finden das Tool unter \Programme\Microsoft SQL Server\140\PYTHON_SERVER\python.exe. |
Anakonda | Anaconda ist eine Open Source-Distribution von Python- und grundlegenden Paketen. |
Beispiele und Skripts zu Python | Wie R enthält auch Python integrierte Datasets und Skripts. Die revoscalepy-Daten finden Sie unter \Programme\Microsoft SQL Server\140\PYTHON_SERVER\lib\site-packages\revoscalepy\data\sample-data. |
Vorab trainierte Modelle in R und Python | Vorab trainierte Modelle werden für bestimmte Anwendungsfälle erstellt und vom Data Science-Entwicklungsteam bei Microsoft verwaltet. Mit den vorab trainierten Modellen können Sie mithilfe der von Ihnen bereitgestellten neuen Dateneingaben positive und negative Stimmungen im Text erfassen oder Merkmale in Bildern erkennen. Vorab trainierte Modelle werden unterstützt und können auf einem eigenständigen Server verwendet werden. Sie können Sie jedoch nicht über das SQL Server-Setup installieren. Weitere Informationen finden Sie unter Installieren vordefinierter Machine Learning-Modelle auf SQL Server. |
Verwenden eines eigenständigen Servers
R- und Python-Entwickler entscheiden sich in der Regel für einen eigenständigen Server, um die Speicher- und Verarbeitungsbeschränkungen der Open-Source-Produkte R und Python zu umgehen. R- und Python-Bibliotheken, die auf einem eigenständigen Server ausgeführt werden, können große Datenmengen in mehreren Kernen laden und verarbeiten und die Ergebnisse zu einer einzigen konsolidierten Ausgabe zusammenfassen. Die Hochleistungsfunktionen sind sowohl für Skalierbarkeit als auch für einen besseren Nutzen konzipiert: Sie liefern Vorhersageanalysen, statistische Modellierung, Datenvisualisierungen und modernste Machine Learning-Algorithmen in einem kommerziellen Serverprodukt, das von Microsoft entwickelt und unterstützt wird.
Da es sich um einen von SQL Server getrennten unabhängigen Server handelt, erfolgen Konfiguration, Sicherung und Zugriff auf R- und Python-Umgebungen mithilfe des zugrunde liegenden Betriebssystems und der Standardtools des eigenständigen Servers und nicht mit SQL Server. Es gibt keine integrierte Unterstützung für relationale SQL Server-Daten. Wenn Sie SQL Server-Daten verwenden möchten, können Sie Datenquellenobjekte und -verbindungen genauso wie von jedem anderen Client aus erstellen.
Als Ergänzung zu SQL Server ist ein eigenständiger Server auch als leistungsstarke Entwicklungsumgebung nützlich, wenn Sie sowohl lokales als auch Remotecomputing benötigen. Die R- und Python-Pakete auf einem eigenständigen Server sind identisch mit den Paketen, die mit einer Datenbankmodulinstallation bereitgestellt werden, sodass Codeübertragbarkeit und Computekontextwechsel möglich sind.
Einstieg
Beginnen Sie mit dem Setup, fügen Sie die Binärdateien zu Ihrem bevorzugten Entwicklungstool hinzu, und schreiben Sie Ihr erstes Skript.
Schritt 1: Installieren der Software
Installieren Sie eine der folgenden Versionen:
- SQL Server 2017 Machine Learning Server (eigenständig)
- SQL Server 2016 R Server (eigenständig) – nur R
Schritt 2: Konfigurieren eines Entwicklungstools
Auf einem eigenständigen Server ist es üblich, lokal mit einer auf dem gleichen Computer installierten Entwicklungsumgebung zu arbeiten.
Schritt 3: Schreiben Ihres ersten Skripts
Schreiben Sie mithilfe von Funktionen aus revoscaler bzw. revoscalepy und den Machine Learning-Algorithmen ein R- oder Python-Skript.
Erkunden Sie R und RevoScaleR in 25 Funktionen: Beginnen Sie mit grundlegenden R-Befehlen, und wechseln Sie dann zu den verteilten Analysefunktionen von RevoScaleR, die hohe Leistung und Skalierung auf R-Lösungen bieten. Enthält parallelisierbare Versionen von vielen der beliebtesten R-Modellierpakete wie K-Means-Clustering, Entscheidungsstrukturen, Entscheidungswälder und Tools für die Datenbearbeitung.
Schnellstart: Ein Beispiel für die binäre Klassifizierung mit dem Microsoftml Python-Paket: Erstellen Sie ein binäres Klassifizierungsmodell mit den Funktionen von microsoftml und dem bekannten Brustkrebs-Dataset.
Wählen Sie die für diese Aufgabe am besten geeignete Sprache aus. R ist für schwer mit SQL implementierbare statistische Berechnungen besser geeignet. Verwenden Sie für setbasierte Vorgänge über Daten die Leistungsfähigkeit von SQL Server, um maximale Leistung zu erzielen. Verwenden Sie die In-Memory-Database-Engine für sehr schnelle Berechnungen von Spalten.
Schritt 4: Operationalisieren der Lösung
Eigenständige Server können die Operationalisierungsmöglichkeiten des ohne SQL gebrandeten Microsoft Machine Learning Server verwenden. Es ist möglich, einen eigenständigen Server für die Operationalisierung zu konfigurieren, wodurch Sie folgende Vorteile erhalten: Bereitstellung und Hosting Ihres Codes als Webdienst, Ausführung von Diagnosen und Testen der Webdienstleistung.
Schritt 5: Warten des Servers
Für SQL Server sind regelmäßig kumulative Updates verfügbar. Durch das Anwenden der kumulativen Updates auf eine vorhandene Installation werden daran zusätzliche Sicherheits- und Funktionserweiterungen vorgenommen.
Beschreibungen neuer oder geänderter Funktionen finden Sie im CAB-Downloadartikel und in den Buildversionsartikeln für SQL Server 2016, SQL Server 2017 und SQL Server 2019.
Weitere Informationen zum Anwenden von Updates auf eine vorhandene Instanz finden Sie in den Installationsanweisungen unter Anwenden von Updates .