A Machine Learning Studio (klasszikus) modelljeinek frissítése az Erőforrás frissítése tevékenységgel
A következőkre vonatkozik: 
Azure Data Factory Azure Synapse Analytics
Tipp.
Próbálja ki a Data Factoryt a Microsoft Fabricben, amely egy teljes körű elemzési megoldás a nagyvállalatok számára. A Microsoft Fabric az adattovábbítástól az adatelemzésig, a valós idejű elemzésig, az üzleti intelligenciáig és a jelentéskészítésig mindent lefed. Ismerje meg, hogyan indíthat új próbaverziót ingyenesen!
Fontos
Az Azure Machine Learning Studio (klasszikus) támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy erre a dátumra váltson az Azure Machine Learningre .
2021. december 1-től nem hozhat létre új Machine Learning Studio-erőforrásokat (klasszikus) (munkaterület- és webszolgáltatás-csomagot). 2024. augusztus 31-ig továbbra is használhatja a Machine Learning Studio (klasszikus) kísérleteket és webszolgáltatásokat. További információk:
- Migrálás az Azure Machine Learningbe a Machine Learning Studióból (klasszikus)
- Mi az Azure Machine Learning?
A Machine Learning Studio (klasszikus) dokumentációja kivezetés alatt áll, és előfordulhat, hogy a jövőben nem frissül.
Feljegyzés
Mivel a Machine Learning Studio (klasszikus) erőforrások 2021. dec. 1.-e után már nem hozhatók létre, a felhasználóknak javasoljuk, hogy az Erőforrás frissítése tevékenység helyett a Machine Learning Studio (klasszikus) modellek frissítéséhez használják az Azure Machine Learninget a Machine Learning Execute Pipeline tevékenységgel.
Ez a cikk kiegészíti a Machine Learning Studio (klasszikus) integrációs cikkét: Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) Ha még nem tette meg, a cikk elolvasása előtt tekintse át a fő cikket.
Áttekintés
A Machine Learning Studio (klasszikus) modellek üzembe helyezési folyamatának részeként a modell betanítása és mentése történik. Ezt követően létrehozhat egy prediktív webszolgáltatást. A webszolgáltatás ezután felhasználható webhelyeken, irányítópultokon és mobilalkalmazásokban.
A Machine Learning Studióval (klasszikus) létrehozott modellek általában nem statikusak. Amikor új adatok válnak elérhetővé, vagy amikor az API felhasználója saját adatokkal rendelkezik, a modellt újra kell képezni.
Az újratanítás gyakran előfordulhat. A Batch-végrehajtási tevékenységgel és az Erőforrás frissítése tevékenységgel üzembe helyezheti a Machine Learning Studio (klasszikus) modell újratanítását és a prediktív webszolgáltatás frissítését.
Az alábbi képen a betanítás és a prediktív webszolgáltatások közötti kapcsolat látható.
Machine Learning Studio (klasszikus) erőforrás-tevékenység frissítése
A következő JSON-kódrészlet definiál egy Machine Learning Studio-(klasszikus) Batch-végrehajtási tevékenységet.
{
"name": "amlUpdateResource",
"type": "AzureMLUpdateResource",
"description": "description",
"linkedServiceName": {
"type": "LinkedServiceReference",
"referenceName": "updatableScoringEndpoint2"
},
"typeProperties": {
"trainedModelName": "ModelName",
"trainedModelLinkedServiceName": {
"type": "LinkedServiceReference",
"referenceName": "StorageLinkedService"
},
"trainedModelFilePath": "ilearner file path"
}
}
| Tulajdonság | Leírás | Szükséges |
|---|---|---|
| név | A folyamat tevékenységének neve | Igen |
| leírás | A tevékenység tevékenységeit leíró szöveg. | Nem |
| típus | A Machine Learning Studio (klasszikus) frissítési erőforrás-tevékenysége esetén a tevékenység típusa az AzureMLUpdateResource. | Igen |
| linkedServiceName | Machine Learning Studio (klasszikus) társított szolgáltatás, amely updateResourceEndpoint tulajdonságot tartalmaz. | Igen |
| trainedModelName | A frissítendő webszolgáltatás-kísérlet Betanított modell moduljának neve | Igen |
| trainedModelLinkedServiceName | A frissítési művelet által feltöltött ilearner-fájlt tartalmazó Azure Storage társított szolgáltatás neve | Igen |
| trainedModelFilePath | A betanítottModelLinkedService relatív fájl elérési útja, amely a frissítési művelet által feltöltött ilearner-fájlt jelöli | Igen |
Teljes körű munkafolyamat
A modell újratanításának és a prediktív webszolgáltatások frissítésének teljes folyamata a következő lépéseket foglalja magában:
- A betanítási webszolgáltatás meghívása a Batch-végrehajtási tevékenység használatával. A betanítási webszolgáltatás meghívása ugyanaz, mint a Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) és a Batch-végrehajtási tevékenységgel leírt prediktív webszolgáltatás meghívásával. A betanítási webszolgáltatás kimenete egy iLearner-fájl, amellyel frissítheti a prediktív webszolgáltatást.
- Hívja meg a prediktív webszolgáltatás frissítési erőforrásvégpontját az Erőforrás frissítése tevékenységgel, hogy frissítse a webszolgáltatást az újonnan betanított modellel.
Machine Learning Studio (klasszikus) társított szolgáltatás
A fent említett végpontok közötti munkafolyamat működéséhez létre kell hoznia két Machine Learning Studiót (klasszikus) társított szolgáltatást:
- A Machine Learning Studio (klasszikus) társított szolgáltatása a betanítási webszolgáltatáshoz, ezt a társított szolgáltatást a Batch-végrehajtási tevékenység ugyanúgy használja, mint a Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) és a Batch-végrehajtási tevékenységgel. A különbség az, hogy a betanítási webszolgáltatás kimenete egy iLearner-fájl, amelyet az Erőforrás frissítése tevékenység használ a prediktív webszolgáltatás frissítéséhez.
- A Machine Learning Studio (klasszikus) társított szolgáltatása a prediktív webszolgáltatás frissítési erőforrás-végpontjára. Ezt a társított szolgáltatást az Erőforrás frissítése tevékenység használja a prediktív webszolgáltatás frissítéséhez a fenti lépésből visszaadott iLearner-fájl használatával.
A második Machine Learning Studio (klasszikus) társított szolgáltatás esetében a konfiguráció eltérő, ha a Machine Learning Studio (klasszikus) webszolgáltatás egy klasszikus webszolgáltatás vagy egy új webszolgáltatás. A különbségeket külön tárgyaljuk a következő szakaszokban.
A webszolgáltatás új Azure Resource Manager-webszolgáltatás
Ha a webszolgáltatás az Azure Resource Manager-végpontot elérhetővé tevő új webszolgáltatás, akkor nem kell hozzáadnia a második nem alapértelmezett végpontot. A csatolt szolgáltatás updateResourceEndpoint formátuma a következő:
https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview
A helytulajdonosok értékeit az URL-címben kaphatja meg, amikor lekérdezi a webszolgáltatást a Machine Learning Studio (klasszikus) webszolgáltatások portálján.
A frissítési erőforrás-végpont új típusa szolgáltatásnév-hitelesítést igényel. A szolgáltatásnév-hitelesítés használatához regisztráljon egy alkalmazásentitást a Microsoft Entra-azonosítóban, és adja meg neki az előfizetés vagy annak az erőforráscsoportnak a közreműködői vagy tulajdonosi szerepkörét, amelyhez a webszolgáltatás tartozik. Megtudhatja , hogyan hozhat létre egyszerű szolgáltatást, és hogyan rendelhet hozzá engedélyeket az Azure-erőforrások kezeléséhez. Jegyezze fel az alábbi értékeket, amelyeket a társított szolgáltatás definiálásához használ:
- Pályázat azonosítója
- Alkalmazáskulcs
- Bérlőazonosító
Íme egy csatolt szolgáltatásdefiníció minta:
{
"name": "AzureMLLinkedService",
"properties": {
"type": "AzureML",
"description": "The linked service for AML web service.",
"typeProperties": {
"mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/0000000000000000 000000000000000000000/services/0000000000000000000000000000000000000/jobs?api-version=2.0",
"apiKey": {
"type": "SecureString",
"value": "APIKeyOfEndpoint1"
},
"updateResourceEndpoint": "https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview",
"servicePrincipalId": "000000000-0000-0000-0000-0000000000000",
"servicePrincipalKey": {
"type": "SecureString",
"value": "servicePrincipalKey"
},
"tenant": "mycompany.com"
}
}
}
Az alábbi forgatókönyv további részleteket tartalmaz. Példa a Machine Learning Studio (klasszikus) modellek folyamatból való újratanítására és frissítésére.
Minta: Machine Learning Studio-modell (klasszikus) újratanítása és frissítése
Ez a szakasz egy mintafolyamatot tartalmaz, amely az Azure Machine Learning Studio (klasszikus) Batch Execution tevékenységével tanít át egy modellt. A folyamat az Azure Machine Learning Studio (klasszikus) frissítési erőforrás-tevékenységével is frissíti a modellt a pontozó webszolgáltatásban. A szakasz JSON-kódrészleteket is tartalmaz a példában szereplő összes társított szolgáltatáshoz, adatkészlethez és folyamathoz.
Azure Blob Storage társított szolgáltatás:
Az Azure Storage a következő adatokat tárolja:
- betanítási adatok. A Machine Learning Studio (klasszikus) betanítási webszolgáltatás bemeneti adatai.
- iLearner-fájl. A Machine Learning Studio (klasszikus) betanítási webszolgáltatás kimenete. Ez a fájl az Erőforrás frissítése tevékenység bemenete is.
Íme a csatolt szolgáltatás JSON-mintadefiníciója:
{
"name": "StorageLinkedService",
"properties": {
"type": "AzureStorage",
"typeProperties": {
"connectionString": "DefaultEndpointsProtocol=https;AccountName=name;AccountKey=key"
}
}
}
Társított szolgáltatás a Machine Learning Studio (klasszikus) betanítási végpontja számára
Az alábbi JSON-kódrészlet egy Machine Learning Studio -hoz (klasszikus) társított szolgáltatást határoz meg, amely a betanítási webszolgáltatás alapértelmezett végpontjára mutat.
{
"name": "trainingEndpoint",
"properties": {
"type": "AzureML",
"typeProperties": {
"mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/xxx/services/--training experiment--/jobs",
"apiKey": "myKey"
}
}
}
Az Azure Machine Learning Studióban (klasszikus) tegye a következőket az mlEndpoint és az apiKey értékeinek lekéréséhez:
- Kattintson a WEBSZOLGÁLTATÁSOK elemre a bal oldali menüben.
- Kattintson a betanítási webszolgáltatásra a webszolgáltatások listájában.
- Kattintson a Másolás gombra az API-kulcs szövegmezője mellett. Illessze be a kulcsot a vágólapra a Data Factory JSON-szerkesztőjébe.
- Az Azure Machine Learning Studióban (klasszikus) kattintson a BATCH EXECUTION hivatkozásra.
- Másolja ki a Kérelem URI-t a Kérelem szakaszból, és illessze be a JSON-szerkesztőbe.
Társított szolgáltatás az Azure Machine Learning Studióhoz (klasszikus) frissíthető pontozási végponthoz:
Az alábbi JSON-kódrészlet definiál egy Azure Machine Learning Studio -hoz (klasszikus) társított szolgáltatást, amely a pontozó webszolgáltatás frissíthető végpontjára mutat.
{
"name": "updatableScoringEndpoint2",
"properties": {
"type": "AzureML",
"typeProperties": {
"mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/00000000eb0abe4d6bbb1d7886062747d7/services/00000000026734a5889e02fbb1f65cefd/jobs?api-version=2.0",
"apiKey": "sooooooooooh3WvG1hBfKS2BNNcfwSO7hhY6dY98noLfOdqQydYDIXyf2KoIaN3JpALu/AKtflHWMOCuicm/Q==",
"updateResourceEndpoint": "https://management.azure.com/subscriptions/00000000-0000-0000-0000-000000000000/resourceGroups/Default-MachineLearning-SouthCentralUS/providers/Microsoft.MachineLearning/webServices/myWebService?api-version=2016-05-01-preview",
"servicePrincipalId": "fe200044-c008-4008-a005-94000000731",
"servicePrincipalKey": "zWa0000000000Tp6FjtZOspK/WMA2tQ08c8U+gZRBlw=",
"tenant": "mycompany.com"
}
}
}
Folyamat
A folyamat két tevékenységgel rendelkezik: AzureMLBatchExecution és AzureMLUpdateResource. A Batch-végrehajtási tevékenység bemenetként használja a betanítási adatokat, és kimenetként egy iLearner-fájlt hoz létre. Az Erőforrás frissítése tevékenység ezután ezt az iLearner-fájlt használja a prediktív webszolgáltatás frissítéséhez.
{
"name": "LookupPipelineDemo",
"properties": {
"activities": [
{
"name": "amlBEGetilearner",
"description": "Use AML BES to get the ileaner file from training web service",
"type": "AzureMLBatchExecution",
"linkedServiceName": {
"referenceName": "trainingEndpoint",
"type": "LinkedServiceReference"
},
"typeProperties": {
"webServiceInputs": {
"input1": {
"LinkedServiceName":{
"referenceName": "StorageLinkedService",
"type": "LinkedServiceReference"
},
"FilePath":"azuremltesting/input"
},
"input2": {
"LinkedServiceName":{
"referenceName": "StorageLinkedService",
"type": "LinkedServiceReference"
},
"FilePath":"azuremltesting/input"
}
},
"webServiceOutputs": {
"output1": {
"LinkedServiceName":{
"referenceName": "StorageLinkedService",
"type": "LinkedServiceReference"
},
"FilePath":"azuremltesting/output"
}
}
}
},
{
"name": "amlUpdateResource",
"type": "AzureMLUpdateResource",
"description": "Use AML Update Resource to update the predict web service",
"linkedServiceName": {
"type": "LinkedServiceReference",
"referenceName": "updatableScoringEndpoint2"
},
"typeProperties": {
"trainedModelName": "ADFV2Sample Model [trained model]",
"trainedModelLinkedServiceName": {
"type": "LinkedServiceReference",
"referenceName": "StorageLinkedService"
},
"trainedModelFilePath": "azuremltesting/output/newModelForArm.ilearner"
},
"dependsOn": [
{
"activity": "amlbeGetilearner",
"dependencyConditions": [ "Succeeded" ]
}
]
}
]
}
}
Kapcsolódó tartalom
Tekintse meg az alábbi cikkeket, amelyekből megtudhatja, hogyan alakíthat át adatokat más módokon:
Visszajelzés
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ: https://aka.ms/ContentUserFeedback.
Visszajelzés küldése és megtekintése a következőhöz: