Megosztás a következőn keresztül:

Azure Machine Learning-modellek futtatása a Fabricből kötegelt végpontok használatával (előzetes verzió)

  • Cikk

ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)Python SDK azure-ai-ml v2 (aktuális)

Ebből a cikkből megtudhatja, hogyan használhatja fel az Azure Machine Learning kötegtelepítéseit a Microsoft Fabricből. Bár a munkafolyamat kötegelt végpontokon üzembe helyezett modelleket használ, támogatja a Batch-folyamatok Fabricből történő üzembe helyezését is.

Fontos

Ez a funkció jelenleg nyilvános előzetes verzióban érhető el. Ez az előzetes verzió szolgáltatásszintű szerződés nélkül érhető el, és éles számítási feladatokhoz nem javasoljuk. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik.

További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.

Előfeltételek

  • Microsoft Fabric-előfizetés lekérése. Vagy regisztráljon egy ingyenes Microsoft Fabric-próbaverzióra.
  • Jelentkezzen be a Microsoft Fabricbe.
  • Azure-előfizetés. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki az Azure Machine Learning ingyenes vagy fizetős verzióját.
  • Egy Azure Machine Learning-munkaterület. Ha nincs ilyenje, a munkaterületek kezelésének lépéseit követve hozzon létre egyet.
    • Győződjön meg arról, hogy rendelkezik a következő engedélyekkel a munkaterületen:
      • Batch-végpontok és -üzemelő példányok létrehozása/kezelése: Szerepkörök használata Tulajdonos, közreműködő vagy egyéni szerepkör engedélyezése.Microsoft.MachineLearningServices/workspaces/batchEndpoints/*
      • ARM-üzemelő példányok létrehozása a munkaterület erőforráscsoportjában: Szerepkörök használata Tulajdonos, közreműködő vagy egyéni szerepkör használata, amely lehetővé teszi Microsoft.Resources/deployments/write abban az erőforráscsoportban, ahol a munkaterület üzembe van helyezve.
  • Batch-végponton üzembe helyezett modell. Ha nincs ilyenje, a modellek üzembe helyezésének lépéseivel pontozást hozhat létre a kötegelt végpontokon .
  • Töltse le a pontozáshoz használandó heart-unlabeled.csv mintaadatkészletet.

Architektúra

Az Azure Machine Learning nem tud közvetlenül hozzáférni a Fabric OneLake-ben tárolt adatokhoz. A OneLake funkciójával azonban parancsikonokat hozhat létre a Lakehouse-ban az Azure Data Lake Gen2-ben tárolt adatok olvasásához és írásához. Mivel az Azure Machine Learning támogatja az Azure Data Lake Gen2-tárolót, ez a beállítás lehetővé teszi a Fabric és az Azure Machine Learning együttes használatát. Az adatarchitektúra a következő:

Egy diagram, amely bemutatja, hogyan használják az Azure Storage-fiókokat a Fabric és az Azure Machine Learning összekapcsolására.

Adathozzáférés konfigurálása

Ha azt szeretné, hogy a Fabric és az Azure Machine Learning másolás nélkül olvassa és írja ugyanazokat az adatokat, kihasználhatja a OneLake-billentyűparancsok és az Azure Machine Learning-adattárak előnyeit. Ha egy OneLake-parancsikont és egy adattárat ugyanarra a tárfiókra mutat, biztosíthatja, hogy a Fabric és az Azure Machine Learning is ugyanarra a mögöttes adatra olvasson és írjon.

Ebben a szakaszban létrehoz vagy azonosít egy tárfiókot, amely a batch végpont által használt információk tárolására szolgál, és amelyeket a Fabric-felhasználók látni fognak a OneLake-ben. A Fabric csak a hierarchikus neveket engedélyező tárfiókokat támogatja, például az Azure Data Lake Gen2-t.

OneLake-parancsikon létrehozása a tárfiókhoz

  1. Nyissa meg a Synapse adatmérnök ing felületet a Fabricben.

  2. A bal oldali panelen válassza ki a Háló munkaterületet a megnyitásához.

  3. Nyissa meg a lakehouse-t, amellyel konfigurálhatja a kapcsolatot. Ha még nem rendelkezik tóházzal, lépjen a adatmérnök élményre, hogy létrehozhasson egy tóházat. Ebben a példában egy megbízható nevű tóházat használ.

  4. A bal oldali navigációs sávon nyisson meg további fájlbeállításokat, majd válassza az Új parancsikont a varázsló megnyitásához.

    Képernyőkép arról, hogyan hozhat létre új parancsikont egy tóházban.

  5. Válassza az Azure Data Lake Storage Gen2 lehetőséget.

    Képernyőkép az Azure Data Lake Storage Gen2 parancsikonjának létrehozásáról.

  6. A Kapcsolatbeállítások szakaszban illessze be az Azure Data Lake Gen2 tárfiókhoz társított URL-címet.

    Képernyőkép a parancsikon URL-címének konfigurálásáról.

  7. A Kapcsolat hitelesítő adatai szakaszban:

    1. Kapcsolat esetén válassza az Új kapcsolat létrehozása lehetőséget.
    2. A Kapcsolat neve beállításnál tartsa meg az alapértelmezett kitöltött értéket.
    3. Hitelesítési típus esetén válassza a szervezeti fiókot a csatlakoztatott felhasználó hitelesítő adatainak az OAuth 2.0-s verzióján keresztül történő használatához.
    4. A bejelentkezéshez válassza a Bejelentkezés lehetőséget.

  8. Válassza a Tovább lehetőséget.

  9. Szükség esetén konfigurálja a parancsikon elérési útját a tárfiókhoz képest. Ezzel a beállítással konfigurálhatja azt a mappát, amelyre a parancsikon mutat.

  10. Konfigurálja a parancsikon nevét . Ez a név egy útvonal lesz a tóparton belül. Ebben a példában nevezze el a parancsikon-adathalmazokat.

  11. Mentse el a módosításokat.

Tárfiókra mutató adattár létrehozása

  1. Nyissa meg az Azure Machine Learning Studiót.

  2. Nyissa meg az Azure Machine Learning-munkaterületet.

  3. Lépjen az Adatok szakaszra.

  4. Válassza az Adattárak lapot.

  5. Válassza a Létrehozás lehetőséget.

  6. Konfigurálja az adattárat az alábbiak szerint:

    1. Az adattár neveként adja meg a trusted_blob.

    2. A Datastore típushoz válassza az Azure Blob Storage lehetőséget.

      Tipp.

      Miért érdemes az Azure Blob Storage-t konfigurálni az Azure Data Lake Gen2 helyett? A Batch-végpontok csak Blob Storage-fiókokba írhatnak előrejelzéseket. Azonban minden Azure Data Lake Gen2-tárfiók egyben blobtároló fiók is; ezért felcserélhetőek.

    3. Válassza ki a tárfiókot a varázslóból az Előfizetés azonosítója, a Tárfiók és a Blob-tároló (fájlrendszer) használatával.

      Képernyőkép az Azure Machine Learning-adattár konfigurálásáról.

    4. Válassza a Létrehozás lehetőséget.

  7. Győződjön meg arról, hogy a kötegelt végpontot futtató számítás rendelkezik engedéllyel az adatok csatlakoztatására ebben a tárfiókban. Bár a végpontot megindító identitás továbbra is hozzáférést biztosít, a kötegelt végpont futtatásához szükséges számításnak engedéllyel kell rendelkeznie a megadott tárfiók csatlakoztatásához. További információ: Hozzáférés a tárolási szolgáltatásokhoz.

Mintaadatkészlet feltöltése

Töltsön fel néhány mintaadatot a végponthoz bemenetként való használatra:

  1. Lépjen a Háló munkaterületre.

  2. Válassza ki azt a tóházat, ahol létrehozta a parancsikont.

  3. Lépjen az adathalmazok parancsikonjához .

  4. Hozzon létre egy mappát a pontozáshoz használni kívánt mintaadatkészlet tárolásához. Nevezze el a mappát uci-heart-unlabeled.

  5. Használja az Adatok lekérése lehetőséget, és válassza a Fájlok feltöltése lehetőséget a mintaadatkészlet heart-unlabeled.csv feltöltéséhez.

    Képernyőkép arról, hogyan tölthet fel adatokat egy meglévő mappába a OneLake-ben.

  6. Töltse fel a mintaadatkészletet.

    Képernyőkép arról, hogyan tölthet fel fájlt a OneLake-be.

  7. A mintafájl készen áll a használatra. Jegyezze fel annak a helynek az elérési útját, ahol mentette.

Háló létrehozása a következtetési folyamat kötegeléséhez

Ebben a szakaszban létrehoz egy Háló–köteg következtetési folyamatot a meglévő Fabric-munkaterületen, és meghívja a kötegvégpontokat.

  1. Térjen vissza a adatmérnök felületre (ha már ellépett tőle), a kezdőlap bal alsó sarkában található felületválasztó ikonnal.

  2. Nyissa meg a Fabric-munkaterületet.

  3. A kezdőlap Új szakaszában válassza az Adatfolyamat lehetőséget.

  4. Nevezze el a folyamatot, és válassza a Létrehozás lehetőséget.

    Képernyőkép arról, hogy hol válassza ki az adatfolyam-beállítást.

  5. Válassza a Tevékenységek lapot a tervezővásznon lévő eszköztárról.

  6. A lap végén válassza ki a további lehetőségeket, és válassza az Azure Machine Learning lehetőséget.

    Képernyőkép az Azure Machine Learning-tevékenység folyamathoz való hozzáadásáról.

  7. Lépjen a Beállítások lapra , és konfigurálja a tevékenységet az alábbiak szerint:

    1. Az Azure Machine Learning-kapcsolat mellett válassza az Új lehetőséget az üzembe helyezést tartalmazó Azure Machine Learning-munkaterület új kapcsolatának létrehozásához.

      Képernyőkép a tevékenység konfigurációs szakaszáról, amely bemutatja, hogyan hozhat létre új kapcsolatot.

    2. A létrehozási varázsló Kapcsolatbeállítások szakaszában adja meg az előfizetés azonosítójának, az erőforráscsoport nevének és a munkaterület nevének értékeit, ahol a végpont telepítve van.

      Képernyőkép az előfizetés azonosítójának, az erőforráscsoport nevének és a munkaterület nevének értékeiről.

    3. A Kapcsolat hitelesítő adatai szakaszban válassza a Szervezeti fiókot a kapcsolat hitelesítési típusának értékeként. A szervezeti fiók a csatlakoztatott felhasználó hitelesítő adatait használja. Másik lehetőségként használhatja a szolgáltatásnevet. Az éles beállításokban azt javasoljuk, hogy szolgáltatásnevet használjon. A hitelesítési típustól függetlenül győződjön meg arról, hogy a kapcsolathoz társított identitás jogosult meghívni az üzembe helyezett kötegelt végpontot.

      Képernyőkép a kapcsolat hitelesítési mechanizmusának konfigurálásáról.

    4. Mentse a kapcsolatot. A kapcsolat kiválasztása után a Háló automatikusan feltölti a kijelölt munkaterületen elérhető kötegvégpontokat.

  8. Batch-végpont esetén válassza ki a meghívni kívánt kötegvégpontot. Ebben a példában válassza ki a szívosztályozót-....

    Képernyőkép arról, hogyan jelölhet ki végpontot a kapcsolat konfigurálása után.

    A Batch üzembe helyezési szakasza automatikusan feltöltődik a végpont alatt elérhető központi telepítésekkel.

  9. Batch-üzembe helyezés esetén szükség esetén válasszon ki egy adott üzembe helyezést a listából. Ha nem választ ki üzembe helyezést, a Fabric meghívja az alapértelmezett üzembe helyezést a végpont alatt, így a batch végpont létrehozója eldöntheti, hogy melyik üzembe helyezést hívja meg. A legtöbb esetben meg szeretné tartani ezt az alapértelmezett viselkedést.

    Képernyőkép arról, hogyan konfigurálhatja a végpontot az alapértelmezett üzembe helyezés használatára.

Bemenetek és kimenetek konfigurálása a kötegvégponthoz

Ebben a szakaszban a kötegelt végpont bemeneteit és kimeneteit konfigurálja. A kötegvégpontok bemenetei a folyamat futtatásához szükséges adatokat és paramétereket szolgáltatják. Az Azure Machine Learning kötegfolyamata a Fabricben támogatja a modelltelepítéseket és a folyamattelepítéseket is. A megadott bemenetek száma és típusa az üzembe helyezés típusától függ. Ebben a példában olyan modelltelepítést használ, amely pontosan egy bemenetet igényel, és egyetlen kimenetet hoz létre.

A kötegelt végpontok bemenetéről és kimenetéről további információt a Batch-végpontok bemeneteinek és kimeneteinek ismertetése című témakörben talál.

A bemeneti szakasz konfigurálása

Konfigurálja a Feladatbemenetek szakaszt az alábbiak szerint:

  1. Bontsa ki a Feladat bemenetek szakaszt .

  2. Válassza az Új lehetőséget, ha új bemenetet szeretne hozzáadni a végponthoz.

  3. Nevezze el a bemenetet input_data. Mivel modelltelepítést használ, bármilyen nevet használhat. A folyamattelepítések esetében azonban meg kell adnia a modell által várt bemenet pontos nevét.

  4. A bemeneti tulajdonság (név és érték mező) megnyitásához válassza az imént hozzáadott bemenet melletti legördülő menüt.

  5. Írja be JobInputType a Név mezőbe a létrehozott bemenet típusát.

  6. Írja be UriFolder az Érték mezőbe, hogy jelezze, hogy a bemenet egy mappa elérési útja. A mező egyéb támogatott értékei az UriFile (fájl elérési útja) vagy a Literál (bármilyen literális érték, például sztring vagy egész szám). Az üzembe helyezés által elvárt típust kell használnia.

  7. A tulajdonság melletti pluszjel kiválasztásával adjon hozzá egy másik tulajdonságot ehhez a bemenethez.

  8. Írja be Uri a Név mezőbe az adatok elérési útját.

  9. Adja meg azureml://datastores/trusted_blob/datasets/uci-heart-unlabeledaz adatok megkeresésének elérési útját az Érték mezőben. Itt egy olyan elérési utat használ, amely a OneLake in Fabrichez és az Azure Machine Learninghez társított tárfiókhoz vezet. azureml://datastores/trusted_blob/datasets/uci-heart-unlabeled a CSV-fájlok elérési útja a kötegvégponton üzembe helyezett modell várt bemeneti adataival. A tárfiók közvetlen elérési útját is használhatja, például https://<storage-account>.dfs.azure.com.

    Képernyőkép a végpont bemeneteinek konfigurálásáról.

    Tipp.

    Ha a bemenet literál típusú, cserélje le a tulajdonságot Uri az "Érték" értékre.

Ha a végpont több bemenetet igényel, ismételje meg mindegyiknél az előző lépéseket. Ebben a példában a modelltelepítések pontosan egy bemenetet igényelnek.

A kimeneti szakasz konfigurálása

Konfigurálja a Feladat kimenetek szakaszt az alábbiak szerint:

  1. Bontsa ki a Feladat kimenetek szakaszt .

  2. Válassza az Új lehetőséget, ha új kimenetet szeretne hozzáadni a végponthoz.

  3. A fájl neve legyen output_data. Mivel modelltelepítést használ, bármilyen nevet használhat. Folyamattelepítések esetén azonban meg kell adnia a modell által generált kimenet pontos nevét.

  4. Válassza az imént hozzáadott kimenet melletti legördülő menüt a kimenet tulajdonságának (név és érték mező) megnyitásához.

  5. Írja be JobOutputType a Név mezőbe a létrehozott kimenet típusát.

  6. Írja be UriFile az Érték mezőbe, hogy jelezze, hogy a kimenet egy fájl elérési útja. A mező másik támogatott értéke az UriFolder (mappa elérési útja). A feladatbeviteli szakasztól eltérően a literál (bármilyen literális érték, például sztring vagy egész szám) kimenetként nem támogatott.

  7. Válassza ki a tulajdonság melletti pluszjelet, ha egy másik tulajdonságot szeretne hozzáadni ehhez a kimenethez.

  8. Írja be Uri a Név mezőbe az adatok elérési útját.

  9. Adja meg @concat(@concat('azureml://datastores/trusted_blob/paths/endpoints', pipeline().RunId, 'predictions.csv')a kimenet elhelyezésének elérési útját az Érték mezőben. Az Azure Machine Learning kötegvégpontjai csak az adattár elérési útjait támogatják kimenetként. Mivel a kimeneteknek egyedinek kell lenniük az ütközések elkerülése érdekében, dinamikus kifejezést használt az @concat(@concat('azureml://datastores/trusted_blob/paths/endpoints', pipeline().RunId, 'predictions.csv')elérési út létrehozásához.

    Képernyőkép a végpont kimeneteinek konfigurálásáról

Ha a végpont több kimenetet ad vissza, ismételje meg mindegyiknél az előző lépéseket. Ebben a példában a modelltelepítések pontosan egy kimenetet hoznak létre.

(Nem kötelező) A feladatbeállítások konfigurálása

A feladatbeállításokat a következő tulajdonságok hozzáadásával is konfigurálhatja:

Modelltelepítések esetén:

Beállítás Leírás
MiniBatchSize A köteg mérete.
ComputeInstanceCount Az üzembe helyezésből kérendő számítási példányok száma.

Folyamattelepítések esetén:

Beállítás Leírás
ContinueOnStepFailure Azt jelzi, hogy a folyamat leállítja-e a csomópontok feldolgozását egy hiba után.
DefaultDatastore A kimenetekhez használni kívánt alapértelmezett adattárat jelzi.
ForceRun Azt jelzi, hogy a folyamatnak az összes összetevő futtatására kell-e kényszerítenie, még akkor is, ha a kimenet egy korábbi futtatásból származtatható.

A konfigurálás után tesztelheti a folyamatot.