Bagikan melalui

Memperbarui model Azure Machine Learning Studio (klasik) dengan menggunakan aktivitas Perbarui Sumber Daya

BERLAKU UNTUK: Azure Data Factory Azure Synapse Analytics

Tips

Cobalah Data Factory di Microsoft Fabric, solusi analitik all-in-one untuk perusahaan. Microsoft Fabric mencakup semuanya mulai dari pergerakan data hingga ilmu data, analitik real time, kecerdasan bisnis, dan pelaporan. Pelajari cara memulai uji coba baru secara gratis!

Penting

Dukungan untuk Azure Pembelajaran Mesin Studio (klasik) akan berakhir pada 31 Agustus 2024. Kami menyarankan agar Anda beralih ke Azure Machine Learning pada tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak dapat membuat sumber daya Pembelajaran Mesin Studio (klasik) baru (ruang kerja dan paket layanan web). Hingga 31 Agustus 2024, Anda dapat terus menggunakan eksperimen dan layanan web Pembelajaran Mesin Studio (klasik) yang ada. Untuk informasi selengkapnya, lihat:

Dokumentasi Machine Learning Studio (klasik) telah dihentikan dan mungkin tidak akan diperbarui di waktu yang akan datang.

Catatan

Karena sumber daya Machine Learning Studio (klasik) tidak dapat lagi dibuat setelah 1 Des 2021, pengguna dianjurkan untuk menggunakan Azure Machine Learning dengan aktivitas Machine Learning Execute Pipeline daripada menggunakan aktivitas Perbarui Sumber Daya untuk memperbarui model Machine Learning Studio (klasik).

Artikel ini melengkapi artikel integrasi utama Azure Machine Learning Studio (klasik): Membuat alur prediktif menggunakan Azure Machine Learning Studio (klasik). Jika Anda belum melakukannya, tinjau artikel utama sebelum membaca artikel ini.

Gambaran Umum

Sebagai bagian dari proses mengoperasionalkan model Azure Machine Learning Studio (klasik), model Anda dilatih dan disimpan. Anda kemudian menggunakannya untuk membuat layanan Web prediktif. Layanan Web kemudian dapat digunakan di situs web, dasbor, dan aplikasi ponsel.

Model yang Anda buat menggunakan Azure Machine Learning Studio (klasik) biasanya tidak statik. Ketika data baru tersedia atau ketika konsumen API memiliki data mereka sendiri, model perlu dilatih kembali.

Pelatihan ulang dapat sering terjadi. Dengan aktivitas Eksekusi Batch dan aktivitas Pembaruan Sumber Daya, Anda dapat mengoperasikan pelatihan ulang model Machine Learning Studio (classic) dan memperbarui Layanan Web prediktif.

Gambar berikut ini menggambarkan hubungan antara pelatihan dan Layanan Web prediktif.

Layanan web

Aktivitas Perbarui Sumber Daya Studio Pembelajaran Mesin (klasik)

Cuplikan JSON berikut mendefinisikan Aktivitas Eksekusi Batch di Machine Learning Studio (klasik).

{
    "name": "amlUpdateResource",
    "type": "AzureMLUpdateResource",
    "description": "description",
    "linkedServiceName": {
        "type": "LinkedServiceReference",
        "referenceName": "updatableScoringEndpoint2"
    },
    "typeProperties": {
        "trainedModelName": "ModelName",
        "trainedModelLinkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "StorageLinkedService"
                },
        "trainedModelFilePath": "ilearner file path"
    }
}
Properti Deskripsi Wajib
nama Nama aktivitas di dalam alur Ya
deskripsi Teks yang menjelaskan aktivitas yang dilakukan. Tidak
jenis Untuk aktivitas Pembaruan Sumber Daya Azure Machine Learning Studio (klasik), jenis aktivitasnya adalah AzureMLUpdateResource. Ya
namaLayananTertaut Layanan tertaut Azure Machine Learning Studio (klasik) yang berisi properti updateResourceEndpoint. Ya
namaModelTerlati Nama modul Model Terlatih dalam percobaan Layanan Web yang akan diperbarui Ya
namaLayananTertautModelTerdidik Nama layanan tertaut Azure Storage yang menyimpan file ilearner yang diunggah oleh operasi pembaruan Ya
trainedModelFilePath Jalur file relatif di trainedModelLinkedService untuk mewakili file ilearner yang diunggah oleh operasi pembaruan Ya

Alur kerja ujung ke ujung

Seluruh proses pengoperasionalan pelatihan ulang model dan pembaruan Layanan Web prediktif melibatkan langkah-langkah berikut:

  • Mengaktifkan Layanan Web pelatihan dengan menggunakan aktivitas Batch Execution. Memanggil Layanan Web pelatihan sama dengan menjalankan Layanan Web prediktif yang dijelaskan dalam Membuat alur prediktif menggunakan Azure Machine Learning Studio (klasik) dan aktivitas Batch Execution. Output Layanan Web pelatihan adalah file iLearner yang dapat Anda gunakan untuk memperbarui Layanan Web prediktif.
  • Mengaktifkan titik akhir perbarui sumber daya dari Layanan Web prediktif dengan menggunakan aktivitas Perbarui Sumber Daya untuk memperbarui Layanan Web dengan model yang baru dilatih.

Layanan tertaut Machine Learning Studio (klasik)

Agar alur kerja end-to-end yang disebutkan sebelumnya berfungsi, Anda perlu membuat dua layanan tertaut Pembelajaran Mesin Studio (klasik):

  1. Layanan tertaut Machine Learning Studio (klasik) yang terhubung ke layanan web pelatihan, layanan tertaut ini digunakan oleh aktivitas Eksekusi Batch (Batch Execution) dengan cara yang sama seperti yang disebutkan dalam Membuat alur prediktif menggunakan Machine Learning Studio (klasik) dan aktivitas Eksekusi Batch (Batch Execution). Perbedaannya adalah output dari layanan web pelatihan adalah file iLearner, yang kemudian digunakan oleh aktivitas Perbarui Sumber Daya untuk memperbarui layanan web prediktif.
  2. Layanan yang ditautkan dari Machine Learning Studio (klasik) ke titik akhir sumber daya pembaruan layanan web prediktif. Layanan tertaut ini digunakan oleh aktivitas Perbarui Sumber Daya untuk memperbarui layanan web prediktif menggunakan file iLearner yang dikembalikan dari langkah sebelumnya.

Untuk layanan tertaut Azure Machine Learning Studio (klasik) kedua, konfigurasinya berbeda ketika Layanan Web Azure Machine Learning Studio (klasik) Anda adalah Layanan Web klasik atau Layanan Web baru. Perbedaannya dibahas secara terpisah di bagian berikut.

Layanan web adalah layanan web Azure Resource Manager baru

Jika layanan web adalah jenis layanan web baru yang mengekspos titik akhir Azure Resource Manager, Anda tidak perlu menambahkan titik akhir non-default kedua. updateResourceEndpoint dalam layanan tertaut memiliki format:

https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview

Anda dapat memperoleh nilai placeholder di URL saat melakukan kueri layanan web di Azure Machine Learning Studio.

Jenis baru titik akhir perbarui sumber daya memerlukan autentikasi perwakilan layanan. Untuk menggunakan autentikasi perwakilan layanan, daftarkan entitas aplikasi di ID Microsoft Entra dan berikan peran Kontributor atau Pemilik langganan atau grup sumber daya tempat layanan web berada. Lihat cara membuat perwakilan layanan dan menetapkan izin untuk mengelola sumber daya Azure. Catat nilai berikut, yang Anda gunakan untuk menentukan layanan tertaut:

  • ID aplikasi
  • Kunci Aplikasi
  • ID Penyewa

Berikut adalah contoh definisi layanan tertaut:

{
    "name": "AzureMLLinkedService",
    "properties": {
        "type": "AzureML",
        "description": "The linked service for AML web service.",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/0000000000000000	000000000000000000000/services/0000000000000000000000000000000000000/jobs?api-version=2.0",
            "apiKey": {
                "type": "SecureString",
                "value": "APIKeyOfEndpoint1"
            },
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview",
            "servicePrincipalId": "000000000-0000-0000-0000-0000000000000",
            "servicePrincipalKey": {
                "type": "SecureString",
                "value": "servicePrincipalKey"
            },
            "tenant": "mycompany.com"
        }
    }
}

Skenario berikut ini memberikan detail selengkapnya. Skenario ini memiliki contoh untuk melatih ulang dan memperbarui model Machine Learning Studio (klasik) dari pipeline.

Sampel: Melatih ulang dan memperbarui model Pembelajaran Mesin Studio (klasik)

Bagian ini menyediakan sampel alur yang menggunakan aktivitas Batch Execution Azure Machine Learning Studio (klasik) untuk melatih ulang model. Alur ini juga menggunakan aktivitas Perbarui Sumber Daya Azure Machine Learning Studio (klasik) untuk memperbarui model di layanan web penilaian. Bagian ini juga menyediakan cuplikan JSON untuk semua layanan tertaut, himpunan data, dan alur dalam contoh.

Layanan Tertaut Penyimpanan Blob Azure:

Azure Storage menyimpan data berikut:

  • data pelatihan. Data input untuk layanan web pelatihan Machine Learning Studio (klasik).
  • file iLearner. Output dari layanan web pelatihan Machine Learning Studio (klasik). File ini juga merupakan input ke aktivitas Perbarui Sumber Daya.

Berikut adalah contoh definisi JSON dari layanan tertaut:

{
    "name": "StorageLinkedService",
    "properties": {
        "type": "AzureStorage",
        "typeProperties": {
            "connectionString": "DefaultEndpointsProtocol=https;AccountName=name;AccountKey=key"
        }
    }
}

Layanan tertaut untuk titik akhir pelatihan Azure Machine Learning Studio (klasik)

Cuplikan JSON berikut mendefinisikan layanan tertaut Pembelajaran Mesin Studio (klasik) yang menunjuk ke titik akhir default layanan web pelatihan.

{
    "name": "trainingEndpoint",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/xxx/services/--training experiment--/jobs",
            "apiKey": "myKey"
        }
    }
}

Di Azure Machine Learning Studio (klasik), lakukan hal berikut ini untuk mendapatkan nilai untuk mlEndpoint dan apiKey:

  1. Pilih LAYANAN WEB di menu sebelah kiri.
  2. Pilih layanan web pelatihan dalam daftar layanan web.
  3. Pilih salin di samping kotak teks API key. Tempelkan kunci di clipboard ke editor JSON Data Factory.
  4. Di Azure Machine Learning Studio (klasik), pilih tautan EKSEKUSI BATCH.
  5. Salin URI Permintaan dari bagian Permintaan dan tempel ke penyunting JSON.

Layanan tertaut untuk Azure Machine Learning Studio (klasik) titik akhir penilaian yang dapat diperbarui:

Cuplikan JSON berikut mendefinisikan layanan tertaut Azure Machine Learning Studio (klasik) yang menunjuk ke titik akhir yang dapat diperbarui dari layanan web pemarkahan.

{
    "name": "updatableScoringEndpoint2",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/00000000eb0abe4d6bbb1d7886062747d7/services/00000000026734a5889e02fbb1f65cefd/jobs?api-version=2.0",
            "apiKey": "sooooooooooh3WvG1hBfKS2BNNcfwSO7hhY6dY98noLfOdqQydYDIXyf2KoIaN3JpALu/AKtflHWMOCuicm/Q==",
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/ffffffff-eeee-dddd-cccc-bbbbbbbbbbb0/resourceGroups/Default-MachineLearning-SouthCentralUS/providers/Microsoft.MachineLearning/webServices/myWebService?api-version=2016-05-01-preview",
            "servicePrincipalId": "fe200044-c008-4008-a005-94000000731",
            "servicePrincipalKey": "zWa0000000000Tp6FjtZOspK/WMA2tQ08c8U+gZRBlw=",
            "tenant": "mycompany.com"
        }
    }
}

Alur

Alur ini memiliki dua aktivitas: AzureMLBatchExecution dan AzureMLUpdateResource. Aktivitas Batch Execution mengambil data pelatihan sebagai input dan menghasilkan file iLearner sebagai output. Aktivitas Perbarui Sumber Daya kemudian mengambil file iLearner ini dan menggunakannya untuk memperbarui layanan web prediktif.

{
    "name": "LookupPipelineDemo",
    "properties": {
        "activities": [
            {
                "name": "amlBEGetilearner",
                "description": "Use AML BES to get the ilearner file from training web service",
                "type": "AzureMLBatchExecution",
                "linkedServiceName": {
                    "referenceName": "trainingEndpoint",
                    "type": "LinkedServiceReference"
                },
                "typeProperties": {
                    "webServiceInputs": {
                        "input1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        },
                        "input2": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        }
                    },
                    "webServiceOutputs": {
                        "output1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/output"
                        }
                    }
                }
            },
            {
                "name": "amlUpdateResource",
                "type": "AzureMLUpdateResource",
                "description": "Use AML Update Resource to update the predict web service",
                "linkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "updatableScoringEndpoint2"
                },
                "typeProperties": {
                    "trainedModelName": "ADFV2Sample Model [trained model]",
                    "trainedModelLinkedServiceName": {
                        "type": "LinkedServiceReference",
                        "referenceName": "StorageLinkedService"
                    },
                    "trainedModelFilePath": "azuremltesting/output/newModelForArm.ilearner"
                },
                "dependsOn": [
                    {
                        "activity": "amlbeGetilearner",
                        "dependencyConditions": [ "Succeeded" ]
                    }
                ]
            }
        ]
    }
}

Konten terkait

Lihat artikel berikut yang menjelaskan cara mentransformasikan data dengan cara lain:

  • Last updated on