Mi az Az Azure Machine Tanulás tervezője (v1)?
Az Azure Machine Tanulás tervezője egy húzási felület, amellyel modelleket taníthat be és helyezhet üzembe az Azure Machine Tanulás. Ez a cikk a tervezőben elvégezhető feladatokat ismerteti.
Megjegyzés:
Tervező kétféle összetevőt támogat, a klasszikus előre összeállított összetevőket (v1) és az egyéni összetevőket (v2). Ez a két összetevőtípus NEM kompatibilis.
A klasszikus előre összeállított összetevők elsősorban az adatfeldolgozáshoz és a hagyományos gépi tanulási feladatokhoz, például a regresszióhoz és a besoroláshoz biztosítanak előre összeállított összetevőket. Ez az összetevőtípus továbbra is támogatott marad, de nem lesznek új összetevők hozzáadva.
Az egyéni összetevők lehetővé teszik, hogy a saját kódját összetevőként csomagolja. Támogatja az összetevők munkaterületek közötti megosztását és a közvetlen létrehozást a Studio, a CLI v2 és az SDK v2 felületeken.
Új projektek esetén javasoljuk, hogy egyéni összetevőt használjon, amely kompatibilis az AzureML V2-vel, és folyamatosan új frissítéseket fog kapni.
Ez a cikk a klasszikus előre összeállított összetevőkre vonatkozik, és nem kompatibilis a CLI v2-vel és az SDK v2-vel.
- A tervező használatának megkezdéséhez tekintse meg az oktatóanyagot: Kód nélküli regressziós modell betanítása.
- A tervezőben elérhető összetevőkről az algoritmus és az összetevők referenciájában tájékozódhat.
A tervező az Azure Machine Tanulás-munkaterületet használja a megosztott erőforrások rendszerezéséhez, például:
- Pipelines
- Adatok
- Számítási erőforrások
- Regisztrált modellek
- Közzétett folyamatok
- Valós idejű végpontok
Modell betanítása és üzembe helyezése
Egy vizualizációs vásznon végpontok közötti gépi tanulási munkafolyamatot hozhat létre. Modellek betanítása, tesztelése és üzembe helyezése a tervezőben:
- Húzza az adategységeket és -összetevőket a vászonra.
- Csatlakozás az összetevőket a folyamat piszkozatának létrehozásához.
- Küldjön be egy folyamatfuttatást az Azure Machine Tanulás-munkaterület számítási erőforrásaival.
- Konvertálja a betanítási folyamatokat következtetési folyamatokká.
- Tegye közzé a folyamatokat egy REST-folyamatvégponton, hogy elküldjön egy új folyamatot, amely különböző paraméterekkel és adategységekkel fut.
- 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.
Folyamat
A folyamatok adategységekből és elemzési összetevőkből állnak, amelyeket ön csatlakoztat. A folyamatoknak számos felhasználási módja van: létrehozhat egy olyan folyamatot, amely egyetlen modellt, vagy egy több modellt betanít. Létrehozhat olyan folyamatot, amely valós időben vagy kötegben készít előrejelzéseket, vagy létrehozhat olyan folyamatot, amely csak az adatokat tisztítja. A folyamatok lehetővé teszik a munka újrafelhasználását és a projektek rendszerezését.
Folyamat piszkozata
Amikor szerkeszt egy folyamatot a tervezőben, a folyamat piszkozataként menti a folyamat előrehaladását. A folyamatvázlatokat bármikor szerkesztheti összetevők hozzáadásával vagy eltávolításával, számítási célok konfigurálásával, paraméterek létrehozásával stb.
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, elküld egy folyamatfeladatot.
Folyamatfeladat
A folyamat minden futtatásakor a folyamat konfigurációja és eredményei a munkaterületen lesznek tárolva folyamatfeladatként. Bármely folyamatfeladathoz visszatérve megvizsgálhatja a hibaelhárítást vagy a naplózást. Klónozhat egy folyamatfeladatot egy új folyamat piszkozatának szerkesztéséhez.
A folyamatfeladatok kísérletekbe vannak csoportosítva a feladatelőzmények rendszerezéséhez. A kísérletet minden folyamatfeladathoz beállíthatja.
Adat
A gépi tanulási adategységek megkönnyítik az adatok elérését és használatát. A tervező több mintaadat-objektumot is tartalmaz, amellyel kísérletezhet. Szükség szerint további adategységeket is regisztrálhat.
Összetevő
Az összetevők olyan algoritmusok, amelyeket az adatokon végre lehet hajtani. A tervező több összetevőből áll az adatbeolvasó funkcióktól a betanítási, pontozási és érvényesítési folyamatokig.
Előfordulhat, hogy egy összetevő olyan paraméterekkel rendelkezik, amelyekkel konfigurálhatja az összetevő belső algoritmusait. Amikor kiválaszt egy összetevőt a vásznon, az összetevő paraméterei a vászon jobb oldalán, a Tulajdonságok panelen jelennek meg. A modell hangolásához módosíthatja a paramétereket a panelen. A tervezőben beállíthatja az egyes összetevők számítási erőforrásait.
Az elérhető gépi tanulási algoritmusok könyvtárában való navigáláshoz tekintse meg az Algoritmus & összetevő referencia áttekintését. Az algoritmus kiválasztásával kapcsolatos segítségért tekintse meg az Azure Machine Tanulás Algoritmusok csalási lapját.
Számítási erőforrások
A munkaterület számítási erőforrásaival futtathatja a folyamatot, és online végpontként vagy folyamatvégpontként üzemeltetheti az üzembe helyezett modelleket (kötegelt következtetéshez). A támogatott számítási célok a következők:
| Számítási cél | Tanfolyam | Üzembe helyezés |
|---|---|---|
| Azure Machine Tanulás számítás | ✓ | |
| Azure Kubernetes Service | ✓ |
A számítási célok az Azure Machine Tanulás-munkaterülethez vannak csatolva. A számítási célokat a munkaterületen, az Azure Machine Tanulás Studióban kezelheti.
Üzembe helyezés
A valós idejű következtetés végrehajtásához online végpontként kell üzembe helyeznie egy folyamatot. Az online végpont létrehoz egy felületet egy külső alkalmazás és a pontozási modell között. 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. A végpont a REST-en alapul, amely a webes programozási projektek népszerű architektúrája.
Az online végpontokat üzembe kell helyezni egy Azure Kubernetes Service-fürtben.
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-hívásokkal küldhet be új folyamatfeladatokat külső alkalmazásokból. Folyamatvégpont használatával azonban nem küldhet és nem fogadhat valós idejű adatokat.
A közzétett folyamatok rugalmasak, modellek betanítására vagy újratanítására, kötegelt következtetés végrehajtására, új adatok feldolgozására és sok másra 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.
További lépések
- 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.