Memigrasikan modul Execute R Script di Studio (klasik)

  • Artikel

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.

Dalam artikel ini, Anda mempelajari cara membuat ulang modul Execute R Script Studio (klasik) di Azure Machine Learning.

Untuk informasi selengkapnya tentang memigrasikan dari Studio (klasik), lihat artikel ringkasan migrasi.

Execute R Script

Perancang Azure Machine Learning sekarang berjalan di Linux. Studio (klasik) berjalan di Windows. Karena perubahan platform, Anda harus menyesuaikan Execute R Script Anda selama migrasi, jika tidak, alur akan gagal.

Untuk memigrasikan modul Execute R Script dari Studio (klasik), Anda harus mengganti antarmuka maml.mapInputPort dan maml.mapOutputPort dengan fungsi standar.

Tabel berikut ini meringkas perubahan pada modul R Script:

Fitur Studio (klasik) Desainer Azure Machine Learning
Antarmuka Skrip maml.mapInputPort dan maml.mapOutputPort Antarmuka fungsi
Platform Windows Linux
Dapat Diakses Internet Tidak Ya
Memori 14 GB Bergantung pada SKU Komputasi

Cara memperbarui antarmuka skrip R

Berikut adalah isi contoh modul Execute R Script di Studio (klasik):

# Map 1-based optional input ports to variables 
dataset1 <- maml.mapInputPort(1) # class: data.frame 
dataset2 <- maml.mapInputPort(2) # class: data.frame 

# Contents of optional Zip port are in ./src/ 
# source("src/yourfile.R"); 
# load("src/yourData.rdata"); 

# Sample operation 
data.set = rbind(dataset1, dataset2); 

 
# You'll see this output in the R Device port. 
# It'll have your stdout, stderr and PNG graphics device(s). 

plot(data.set); 

# Select data.frame to be sent to the output Dataset port 
maml.mapOutputPort("data.set");

Berikut adalah konten yang diperbarui dalam perancang. Perhatikan bahwa maml.mapInputPort dan maml.mapOutputPort telah diganti dengan antarmuka fungsi standar azureml_main.

azureml_main <- function(dataframe1, dataframe2){ 
    # Use the parameters dataframe1 and dataframe2 directly 
    dataset1 <- dataframe1 
    dataset2 <- dataframe2 

    # Contents of optional Zip port are in ./src/ 
    # source("src/yourfile.R"); 
    # load("src/yourData.rdata"); 

    # Sample operation 
    data.set = rbind(dataset1, dataset2); 


    # You'll see this output in the R Device port. 
    # It'll have your stdout, stderr and PNG graphics device(s). 
    plot(data.set); 

  # Return datasets as a Named List 

  return(list(dataset1=data.set)) 
}

Untuk informasi selengkapnya, lihat referensi modul Execute R Script perancang.

Menginstal paket R dari internet

Perancang Azure Machine Learning memungkinkan Anda menginstal paket langsung dari CRAN.

Ini adalah peningkatan dari Studio (klasik). Karena Studio (klasik) berjalan di lingkungan sandbox tanpa akses internet, Anda harus mengunggah skrip dalam bundel zip untuk menginstal lebih banyak paket.

Gunakan kode berikut untuk menginstal paket CRAN dalam modul Execute R Script perancang:

  if(!require(zoo)) { 
      install.packages("zoo",repos = "http://cran.us.r-project.org") 
  } 
  library(zoo)

Langkah berikutnya

Dalam artikel ini, Anda mempelajari cara memigrasikan modul Execute R Script ke Azure Machine Learning.

Lihat artikel lain dalam seri migrasi Studio (klasik):

  1. Ringkasan migrasi.
  2. Memigrasikan himpunan data.
  3. Buat ulang alur pelatihan Studio (klasik).
  4. Buat ualng layanan web Studi (klasik).
  5. Integrasikan layanan web Azure Machine Learning dengan aplikasi klien.
  6. Memigrasikan modul Execute R Script.