Mi az a Tervező (v1) az Azure Machine Learningben?

Az Azure Machine Learning designer egy húzással használható felület, amellyel modelleket taníthat be és helyezhet üzembe az Azure Machine Learning Studióban. Ez a cikk a tervezőben elvégezhető feladatokat ismerteti.

Fontos

Az Azure Machine Learning tervezője kétféle folyamatot támogat, amelyek klasszikus előre összeállított (v1) vagy egyéni (v2) összetevőket használnak. A két összetevőtípus nem kompatibilis a folyamatokon belül, a tervező v1 pedig nem kompatibilis a CLI v2 és az SDK v2 használatával. Ez a cikk a klasszikus előre összeállított (v1) összetevőket használó folyamatokra vonatkozik.

• A klasszikus előre összeállított összetevők (v1) közé tartoznak a tipikus adatfeldolgozási és gépi tanulási feladatok, például a regresszió és a besorolás. Az Azure Machine Learning továbbra is támogatja a meglévő klasszikus előre összeállított összetevőket, de nem adnak hozzá új előre összeállított összetevőket. Emellett a klasszikus előre összeállított (v1) összetevők üzembe helyezése nem támogatja a felügyelt online végpontokat (v2).

• Az egyéni összetevők (v2) lehetővé teszik a saját kód összetevőkként való burkolását, lehetővé téve a munkaterületek közötti megosztást és a zökkenőmentes létrehozást az Azure Machine Learning Studio, a CLI v2 és az SDK v2-felületeken. A legjobb, ha egyéni összetevőket használ új projektekhez, mert kompatibilisek az Azure Machine Learning 2-vel, és továbbra is új frissítéseket kapnak. Az egyéni összetevőkről és a Tervezőről (v2) további információt az Azure Machine Learning Designer (v2) című témakörben talál.

Az alábbi animált GIF bemutatja, hogyan hozhat létre vizualizációs folyamatokat a Tervezőben az objektumok húzásával és elvetésével és összekapcsolásával.

A tervezőben elérhető összetevőkről az algoritmus és az összetevők referenciájában tájékozódhat. A tervező használatának megkezdéséhez tekintse meg az oktatóanyagot: Kód nélküli regressziós modell betanítása.

Modell betanítása és üzembe helyezése

A tervező az Azure Machine Learning-munkaterület használatával rendszerezi a megosztott erőforrásokat, például:

• Folyamatok
• Adatok
• Számítási erőforrások
• Regisztrált modellek
• Közzétett folyamatfeladatok
• Valós idejű végpontok

Az alábbi ábra bemutatja, hogyan hozhat létre a tervező segítségével egy végpontok közötti gépi tanulási munkafolyamatot. A modellek betanítása, tesztelése és üzembe helyezése a tervezőfelületen.

• Húzza az adategységeket és összetevőket a tervező vizuális vásznára, és csatlakoztassa az összetevőket egy folyamatvázlat létrehozásához.
• Küldjön be egy folyamatfeladatot, amely az Azure Machine Learning-munkaterület számítási erőforrásait használja.
• Konvertálja a betanítási folyamatokat következtetési folyamatokká.
• Tegye közzé a folyamatokat egy REST-folyamatvégponton, és küldje el a különböző paraméterekkel és adategységekkel futtatott új folyamatokat.
  • Egy betanítási folyamat közzététele egyetlen folyamat újbóli felhasználásához több modell betanításához paraméterek és adategységek módosítása közben.
  • Kötegelt következtetési folyamat közzététele új adatok előrejelzéséhez egy korábban betanított modell használatával.
• Valós idejű következtetési folyamat üzembe helyezése egy online végponton az új adatokra vonatkozó előrejelzések valós idejű előrejelzéséhez.

Adatok

A gépi tanulási adategységek megkönnyítik az adatok elérését és használatát. A tervező számos mintaadat-objektumot tartalmaz, amellyel kísérletezhet. Szükség szerint további adategységeket is regisztrálhat.

Összetevők

Az összetevők olyan algoritmusok, amelyek az adatokon futtathatók. A tervező több összetevőből áll az adatbeolvasó funkcióktól a betanítási, pontozási és érvényesítési folyamatokig.

Az összetevők olyan paraméterekkel rendelkezhetnek, amelyekkel konfigurálhatja az összetevő belső algoritmusait. Amikor kiválaszt egy összetevőt a vásznon, az összetevő paraméterei és egyéb beállításai a vászon jobb oldalán lévő tulajdonságok panelen jelennek meg. Módosíthatja a paramétereket, és beállíthatja az egyes összetevők számítási erőforrásait az adott panelen.

Az elérhető gépi tanulási algoritmusok kódtárával kapcsolatos további információkért tekintse meg az algoritmus és az összetevő referenciáját. Az algoritmus kiválasztásával kapcsolatos segítségért tekintse meg az Azure Machine Learning-algoritmusok csalási lapját.

Pipelines

A folyamat a csatlakoztatni kívánt adategységekből és elemzési összetevőkből áll. A folyamatok segítenek a munka újrafelhasználásában és a projektek rendszerezésében.

A folyamatoknak számos felhasználási módja van. Létrehozhat olyan folyamatokat, amelyek:

• Egyetlen modell betanítása.
• Több modell betanítása.
• Előrejelzések készítése valós időben vagy kötegben.
• Csak az adatok törlése.

Folyamat piszkozatai

Amikor szerkeszt egy folyamatot a tervezőben, a folyamat piszkozataként menti a folyamat előrehaladását. A folyamat piszkozatát bármikor szerkesztheti összetevők hozzáadásával vagy eltávolításával, számítási célok konfigurálásával vagy paraméterek beállításával.

Egy érvényes folyamat a következő jellemzőkkel rendelkezik:

• Az adategységek csak összetevőkhöz csatlakozhatnak.
• Az összetevők csak adategységekhez vagy más összetevőkhöz csatlakozhatnak.
• Az összetevők összes bemeneti portjának kapcsolódnia kell az adatfolyamhoz.
• Minden összetevőhöz be kell állítani az összes szükséges paramétert.

Ha készen áll a folyamat piszkozatának futtatására, mentse a folyamatot, és küldjön be egy folyamatfeladatot.

Folyamatfeladatok

A folyamat minden futtatásakor a folyamat konfigurációja és eredményei a munkaterületen lesznek tárolva folyamatfeladatként. A folyamatfeladatok kísérletekbe vannak csoportosítva a feladatelőzmények rendszerezéséhez.

Bármely folyamatfeladathoz visszatérve megvizsgálhatja a hibaelhárítást vagy a naplózást. Klónozhat egy folyamatfeladatot egy új, szerkeszteni kívánt folyamattervezet létrehozásához.

Számítási erőforrások

A számítási célok az Azure Machine Learning-munkaterülethez vannak csatolva az Azure Machine Learning Studióban. A munkaterület számítási erőforrásaival futtathatja a folyamatot, és online végpontként vagy folyamatvégpontként üzemeltetheti az üzembe helyezett modelleket a kötegelt következtetéshez. A támogatott számítási célok a következők:

Számítási cél	Oktatás	Telepítés
Azure Machine Learning-számítás	✓
Azure Kubernetes Service (AKS)		✓

Üzembe helyezés

A valós idejű következtetéshez online végpontként kell üzembe helyeznie egy folyamatot. Az online végpont létrehoz egy felületet egy külső alkalmazás és a pontozási modell között. A végpont a REST-en alapul, amely a webes programozási projektek népszerű architektúrája. Az online végpontra irányuló hívás valós időben adja vissza az előrejelzési eredményeket az alkalmazásnak.

Online végpont hívásához adja át a végpont üzembe helyezésekor létrehozott API-kulcsot. Az online végpontokat egy AKS-fürtön kell üzembe helyezni. A modell üzembe helyezéséről a következő oktatóanyagban olvashat : Gépi tanulási modell üzembe helyezése a tervezővel.

Közzététel

A folyamatokat egy folyamatvégponton is közzéteheti. Az online végponthoz hasonlóan a folyamatvégpontokkal REST-hívások használatával küldhet be új folyamatfeladatokat külső alkalmazásokból. A folyamatvégpont használatával azonban nem tud valós időben adatokat küldeni vagy fogadni.

A közzétett folyamatvégpontok rugalmasak, és modellek betanítására vagy újratanítására, kötegelt következtetésre vagy új adatok feldolgozására használhatók. Több folyamatot is közzétehet egyetlen folyamatvégponton, és megadhatja, hogy melyik folyamatverziót kell futtatni.

Egy közzétett folyamat fut az egyes összetevők folyamattervezetében meghatározott számítási erőforrásokon. A tervező ugyanazt a PublishedPipeline objektumot hozza létre, mint az SDK.

Kapcsolódó tartalom

• Ismerje meg a prediktív elemzés és a gépi tanulás alapjait a következő oktatóanyaggal : Autóárak előrejelzése a tervezővel.
• Megtudhatja, hogyan módosíthatja a meglévő tervezőmintákat , hogy azok az igényeihez igazodjanak.