Bagikan melalui

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

  • Artikel

BERLAKU UNTUK: Azure Data Factory Azure Synapse Analytics

Tip

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 Pembelajaran Mesin 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 Pembelajaran Mesin Studio (klasik) sedang dihentikan dan mungkin tidak diperbarui di masa mendatang.

Catatan

Karena sumber daya Azure Machine Learning Studio (klasik) tidak dapat lagi dibuat setelah 1 Des 2021, pengguna disarankan untuk menggunakan Azure Machine Learning dengan aktivitas Machine Learning Execute Pipeline daripada menggunakan Perbarui aktivitas Sumber Daya untuk memperbarui model Azure 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 Azure Batch Execution dan aktivitas Pembaruan Sumber Daya, Anda dapat menggunakan pelatihan ulang model Azure Machine Learning Studio (klasik) 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 Batch Execution Azure 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
description Teks yang menjelaskan apa yang dilakukan aktivitas. No
jenis Untuk aktivitas Pembaruan Sumber Daya Azure Machine Learning Studio (klasik), jenis aktivitasnya adalah AzureMLUpdateResource. Ya
linkedServiceName Layanan tertaut Azure Machine Learning Studio (klasik) yang berisi properti updateResourceEndpoint. Ya
trainedModelName Nama modul Model Terlatih dalam percobaan Layanan Web yang akan diperbarui Ya
trainedModelLinkedServiceName Nama layanan tertaut Azure Storage yang memegang 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 end-to-end

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 Azure Machine Learning Studio (klasik)

Agar alur kerja end-to-end yang disebutkan di atas berfungsi, Anda perlu membuat dua layanan tertaut Azure Machine Learning Studio (klasik):

  1. Layanan tertaut Azure Machine Learning Studio (klasik) ke layanan web pelatihan, layanan tertaut ini digunakan oleh aktivitas Batch Execution dengan cara yang sama seperti yang disebutkan di Membuat alur prediktif menggunakan Azure Machine Learning Studio (klasik) dan aktivitas 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 Azure Machine Learning Studio (klasik) yang ditautkan ke titik akhir sumber daya pembaruan dari layanan web prediktif. Layanan tertaut ini digunakan oleh aktivitas Perbarui Sumber Daya untuk memperbarui layanan web prediktif menggunakan file iLearner yang dihasilkan dari langkah di atas.

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 tipe baru layanan web 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 bisa mendapatkan nilai untuk tempat penampung di URL saat mengkueri layanan web di Azure Pembelajaran Mesin 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 Azure Machine Learning Studio (klasik) dari alur.

Sampel: Melatih ulang dan memperbarui model Azure Machine Learning 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 Azure Blob Storage:

Azure Storage menyimpan data berikut:

  • data pelatihan. Data input untuk layanan web pelatihan Azure Machine Learning Studio (klasik).
  • file iLearner. Output dari layanan web pelatihan Azure 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 Azure Machine Learning 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. Klik LAYANAN WEB di menu sebelah kiri.
  2. Klik layanan web pelatihan dalam daftar layanan web.
  3. Klik salin di samping kotak teks kunci API. Tempelkan kunci di clipboard ke editor JSON Data Factory.
  4. Di Azure Machine Learning Studio (klasik), klik tautan EKSEKUSI BATCH.
  5. Salin URI Permintaan dari bagian Permintaan dan tempel ke penyunting JSON.

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

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

{
    "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 ileaner 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: