(Klasszikus) Studio-webszolgáltatás újraépítése az Azure Machine Learningben

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.

Ebből a cikkből megtudhatja, hogyan építhet újra egy ML Studio (klasszikus) webszolgáltatást végpontként az Azure Machine Learningben.

Az Azure Machine Learning-folyamat végpontjaival előrejelzéseket készíthet, újrataníthat modelleket, vagy bármilyen általános folyamatot futtathat. A REST-végpont lehetővé teszi, hogy folyamatokat futtasson bármely platformról.

Ez a cikk a Studio (klasszikus) Azure Machine Learning migrálási sorozatának része. Az Azure Machine Learningbe való migrálással kapcsolatos további információkért tekintse meg a migrálás áttekintését ismertető cikket.

Feljegyzés

Ez a migrálási sorozat a húzással foglalkozó tervezőre összpontosít. A modellek programozott üzembe helyezésével kapcsolatos további információkért lásd : Gépi tanulási modellek üzembe helyezése az Azure-ban.

Előfeltételek

• Egy Azure-fiók, aktív előfizetéssel. Fiók ingyenes létrehozása.
• Egy Azure Machine Learning-munkaterület. Munkaterületi erőforrások létrehozása.
• Azure Machine Learning-betanítási folyamat. További információ: Studio -kísérlet (klasszikus) újraépítése az Azure Machine Learningben.

Valós idejű végpont és folyamatvégpont

A Studio (klasszikus) webszolgáltatásokat végpontok váltották fel az Azure Machine Learningben. A következő táblázat segítségével válassza ki a használni kívánt végponttípust:

Studio (klasszikus) webszolgáltatás	Az Azure Machine Learning cseréje
Kérelem/válasz webszolgáltatás (valós idejű előrejelzés)	Valós idejű végpont
Batch webszolgáltatás (batch prediction)	Folyamatvégpont
Webszolgáltatás újratanítása (újratanítás)	Folyamatvégpont

Valós idejű végpont üzembe helyezése

A Studióban (klasszikus) egy REQUEST/RESPOND webszolgáltatást használt egy modell valós idejű előrejelzésekhez való üzembe helyezéséhez. Az Azure Machine Learningben valós idejű végpontot használ.

A modellek többféleképpen is üzembe helyezhetők az Azure Machine Learningben. Az egyik legegyszerűbb módszer a tervező használata az üzembe helyezési folyamat automatizálására. A modellek valós idejű végpontként való üzembe helyezéséhez kövesse az alábbi lépéseket:

1. Legalább egyszer futtassa a befejezett betanítási folyamatot.

2. A feladat befejezése után a vászon tetején válassza a Következtetési folyamat>létrehozása valós idejű következtetési folyamat lehetőséget.

   

   A tervező valós idejű következtetési folyamattá alakítja a betanítási folyamatot. Hasonló átalakítás történik a Studióban is (klasszikus).

   A tervezőben a konvertálási lépés a betanított modellt is regisztrálja az Azure Machine Learning-munkaterületen.

3. Válassza a Küldés lehetőséget a valós idejű következtetési folyamat futtatásához, és ellenőrizze, hogy sikeresen fut-e.

4. A következtetési folyamat ellenőrzése után válassza az Üzembe helyezés lehetőséget.

5. Adja meg a végpont nevét és egy számítási típust.

   Az alábbi táblázat a tervező üzembehelyezési számítási lehetőségeit ismerteti:

   Számítási cél	Alkalmazási cél	Leírás	Létrehozás
   Azure Kubernetes Service (AKS)	Valós idejű következtetés	Nagy méretű, éles környezetek. Gyors válaszidő és szolgáltatás automatikus skálázás.	Felhasználó által létrehozott. További információ: Számítási célok létrehozása.
   Azure Container Instances	Tesztelés vagy fejlesztés	Kis méretű, CPU-alapú számítási feladatok, amelyek kevesebb mint 48 GB RAM-ot igényelnek.	Az Azure Machine Learning automatikusan létrehozza.

A valós idejű végpont tesztelése

Az üzembe helyezés befejezése után további részleteket láthat, és tesztelheti a végpontot:

1. Nyissa meg a Végpontok lapot.

2. Válassza ki a végpontot.

3. Kattintson a Teszt fülre.

   

Folyamatvégpont közzététele kötegelt előrejelzéshez vagy újratanításhoz

A betanítási folyamat használatával is létrehozhat egy folyamatvégpontot valós idejű végpont helyett. A folyamatvégpontok használatával kötegelt előrejelzést vagy újratanítást végezhet.

A folyamatvégpontok lecserélik a Studio (klasszikus) kötegelt végrehajtási végpontjait és a webszolgáltatások újratanítását.

Folyamatvégpont közzététele kötegelt előrejelzéshez

A kötegelt előrejelzési végpont közzététele hasonló a valós idejű végponthoz.

A következő lépésekkel közzétehet egy folyamatvégpontot a kötegelt előrejelzéshez:

1. Legalább egyszer futtassa a befejezett betanítási folyamatot.

2. A feladat befejezése után a vászon tetején válassza a Következtetési folyamat>létrehozása Batch-következtetési folyamat lehetőséget.

   

   A tervező a betanítási folyamatot kötegelt következtetési folyamattá alakítja. Hasonló átalakítás történik a Studióban is (klasszikus).

   A tervezőben ez a lépés a betanított modellt is regisztrálja az Azure Machine Learning-munkaterületen.

3. A Küldés lehetőséget választva futtassa a kötegkövető folyamatot, és ellenőrizze, hogy sikeresen befejeződött-e.

4. A következtetési folyamat ellenőrzése után válassza a Közzététel lehetőséget.

5. Hozzon létre egy új folyamatvégpontot, vagy válasszon ki egy meglévőt.

   Egy új folyamatvégpont létrehoz egy új REST-végpontot a folyamathoz.

   Ha kiválaszt egy meglévő folyamatvégpontot, nem írja felül a meglévő folyamatot. Ehelyett az Azure Machine Learning minden folyamatot a végponton verzióz. Megadhatja, hogy melyik verzió fusson a REST-hívásban. Akkor is be kell állítania egy alapértelmezett folyamatot, ha a REST-hívás nem ad meg verziót.

Folyamatvégpont közzététele újratanításhoz

Ha újratanítás céljából közzé szeretne tenni egy folyamatvégpontot, már rendelkeznie kell egy modell betanítására szolgáló folyamattervezetgel. A betanítási folyamat felépítéséről további információt a Studio (klasszikus) kísérlet újraépítése című témakörben talál.

A folyamatvégpont újratanításhoz való újrafelhasználásához létre kell hoznia egy folyamatparamétert a bemeneti adatkészlethez. Ez lehetővé teszi a betanítási adatkészlet dinamikus beállítását, hogy újratanulhassa a modellt.

Az újratanítási folyamat végpontjának közzétételéhez kövesse az alábbi lépéseket:

1. Legalább egyszer futtassa a betanítási folyamatot.

2. A futtatás befejezése után válassza ki az adathalmaz-modult.

3. A modul részletei panelen válassza a Beállítás folyamatparaméterként lehetőséget.

4. Adjon meg egy leíró nevet, például : "InputDataset".

   

   Ez létrehoz egy folyamatparamétert a bemeneti adatkészlethez. Amikor betanítás céljából meghívja a folyamatvégpontot, megadhat egy új adatkészletet a modell újratanításához.

5. Válassza a Közzététel lehetőséget.

   

A folyamatvégpont meghívása a studióból

A kötegelt következtetés vagy a folyamatvégpont újratanítását követően közvetlenül a böngészőből hívhatja meg a végpontot.

1. Lépjen a Folyamatok lapra, és válassza a Folyamatvégpontok lehetőséget.

2. Válassza ki a futtatni kívánt folyamatvégpontot.

3. Válassza a Küldés lehetőséget.

   A Küldés lehetőséget választva bármilyen folyamatparamétert megadhat.

Következő lépések

Ebben a cikkben megtanulta, hogyan építhet újra egy Studio (klasszikus) webszolgáltatást az Azure Machine Learningben. A következő lépés a webszolgáltatás integrálása az ügyfélalkalmazásokkal.

Tekintse meg a Studio (klasszikus) migrálási sorozatának további cikkeit:

1. Migrálás áttekintése.
2. Adathalmaz migrálása.
3. Studio (klasszikus) betanítási folyamat újraépítése.
4. Studio (klasszikus) webszolgáltatás újraépítése.
5. Azure Machine Learning-webszolgáltatás integrálása ügyfélalkalmazásokkal.
6. Az R-szkript migrálása.