Machine Learning Studio (klasszikus) Web Services: Üzembe helyezés és használat

ÉRVÉNYES: Machine Learning Studio (klasszikus) Azure Machine Learning

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• A gépi tanulási projektek ML Studióból (klasszikus) Azure Machine Learningbe való áthelyezéséről szóló információk.
• További információ az Azure Machine Learningről

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

A Machine Learning Studio (klasszikus) használatával gépi tanulási munkafolyamatokat és modelleket helyezhet üzembe webszolgáltatásként. Ezek a webszolgáltatások ezután az interneten keresztüli alkalmazások gépi tanulási modelljeinek meghívására használhatók, hogy valós időben vagy kötegelt módban előrejelzéseket tegyenek. Mivel a webszolgáltatások RESTful típusúak, különböző programozási nyelvekről és platformokról, például .NET-ről és Java-ról, valamint alkalmazásokból, például az Excelből hívhatja meg őket.

A következő szakaszok az útmutatókra, a kódra és a dokumentációra mutató hivatkozásokat tartalmaznak az első lépésekhez.

Webszolgáltatás üzembe helyezése

A Machine Learning Studióval (klasszikus)

A Studio (klasszikus) portál és a Machine Learning Web Services portál segítségével kódírás nélkül helyezhet üzembe és kezelhet egy webszolgáltatást.

Az alábbi hivatkozások általános információkat nyújtanak egy új webszolgáltatás üzembe helyezéséről:

• Az Azure Resource Manageren alapuló új webszolgáltatás üzembe helyezésével kapcsolatos áttekintésért tekintse meg az új webszolgáltatás üzembe helyezését ismertető témakört.

• A webszolgáltatások üzembe helyezéséről a Machine Learning webszolgáltatás üzembe helyezéséről szóló útmutatóban olvashat.

• A webszolgáltatások létrehozásával és üzembe helyezésével kapcsolatos teljes útmutatót az 1. oktatóanyaggal kezdheti el: Hitelkockázat előrejelzése.

• A webszolgáltatás üzembe helyezésére vonatkozó konkrét példákért lásd:

  • 3. oktatóanyag: Hitelkockázati modell üzembe helyezése
  • Webszolgáltatás üzembe helyezése több régióban

Webszolgáltatások erőforrás-szolgáltatói API-ival (Azure Resource Manager API-k)

A Web Services Machine Learning Studio (klasszikus) erőforrás-szolgáltatója REST API-hívások használatával teszi lehetővé a webszolgáltatások üzembe helyezését és kezelését. További információkért tekintse meg a Machine Learning Web Service (REST) referenciáját.

PowerShell-parancsmagokkal

A webszolgáltatásokhoz készült Machine Learning Studio (klasszikus) erőforrás-szolgáltató lehetővé teszi a webszolgáltatások üzembe helyezését és kezelését PowerShell-parancsmagok használatával.

A parancsmagok használatához először be kell jelentkeznie az Azure-fiókjába a PowerShell-környezetből a Connect-AzAccount parancsmag használatával. Ha nem ismeri a Resource Manageren alapuló PowerShell-parancsok meghívását, olvassa el az Azure PowerShell használata az Azure Resource Managerrel című témakört.

A prediktív kísérlet exportálásához használja ezt a mintakódot. Miután létrehozta a .exe fájlt a kódból, beírhatja a következőt:

C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>

Az alkalmazás futtatása létrehoz egy webszolgáltatás JSON-sablont. Ha a sablont webszolgáltatás üzembe helyezéséhez szeretné használni, a következő információkat kell megadnia:

• Tárfiók neve és kulcsa

  A tárfiók nevét és kulcsát az Azure Portalról szerezheti be.

• Kötelezettségvállalási terv azonosítója

  A csomagazonosítót a Machine Learning Web Services portálról szerezheti be, ha bejelentkezik, és rákattint egy terv nevére.

Adja hozzá őket a JSON-sablonhoz a Tulajdonságok csomópont gyermekeiként a MachineLearningWorkspace csomópontéval azonos szinten.

Példa:

"StorageAccount": {
        "name": "YourStorageAccountName",
        "key": "YourStorageAccountKey"
},
"CommitmentPlan": {
    "id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}

További részletekért tekintse meg az alábbi cikkeket és mintakódot:

• Machine Learning Studio (klasszikus) parancsmagok referenciája az MSDN-en

A webszolgáltatások felhasználása

A Machine Learning Web Services felhasználói felületén (tesztelés)

A webszolgáltatást a Machine Learning Web Services portálon tesztelheti. Ez magában foglalja a Kérelem-válasz szolgáltatás (RRS) és a Batch Execution service (BES) felületeinek tesztelését.

• Új webszolgáltatás üzembe helyezése
• Machine Learning webszolgáltatás üzembe helyezése
• 3. oktatóanyag: Hitelkockázati modell üzembe helyezése

Excel-fájlból

Letöltheti a webszolgáltatást használó Excel-sablont:

• Machine Learning webszolgáltatás használata az Excelből
• A Machine Learning Web Services Excel-bővítménye

REST-alapú ügyfélből

A Machine Learning Web Services RESTful API-k. Ezeket az API-kat különböző platformokról, például .NET-ből, Pythonból, R-ből, Java-ból stb. használhatja. A webszolgáltatás Használat lapja a Machine Learning Web Services portálon mintakóddal rendelkezik, amely segíthet az első lépésekben. További információ: Machine Learning Web service használata.