Melatih dan menyebarkan layanan web Studio (klasik) klasik

Artikel
02/14/2019

BERLAKU UNTUK:Pembelajaran Mesin Studio (klasik) X berarti tidak. Tidak berlaku untuk.

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
Pelajari Azure Machine Learning

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Melatih kembali model pembelajaran mesin adalah salah satu cara untuk memastikannya tetap akurat dan didasarkan pada data saat ini yang paling relevan. Artikel ini akan menjelaskan cara melatih kembali layanan web Studio klasik (klasik). Untuk panduan tentang cara melatih kembali layanan web Studio (klasik) baru, lihat artikel panduan ini.

Prasyarat

Artikel ini menganggap Anda sudah memiliki eksperimen pelatihan ulang dan eksperimen prediktif. Langkah-langkah ini dijelaskan dalam Melatih ulang dan menyebarkan model pembelajaran mesin. Namun, alih-alih menyebarkan model pembelajaran mesin Anda sebagai layanan web baru, Anda akan menyebarkan eksperimen prediktif Anda sebagai layanan web klasik.

Menambahkan titik akhir baru

Layanan web prediktif yang Anda sebarkan berisi titik akhir penilaian default yang tetap sinkron dengan model pelatihan asli dan model terlatih eksperimen penilaian. Untuk memperbarui layanan web dengan model terlatih baru, Anda harus membuat titik akhir penilaian baru.

Ada dua cara untuk menambahkan titik akhir baru ke layanan web:

Secara terprogram
Menggunakan portal Azure Layanan Web

Catatan

Pastikan untuk menambahkan titik akhir ke Layanan Web Prediktif, bukan Layanan Web Pelatihan. Jika sudah menyebarkan Layanan Web Pelatihan dan Prediktif dengan benar, Anda akan melihat dua layanan web terpisah yang tercantum. Layanan Web Prediktif harus diakhiri dengan "[prediktif exp.]".

Menambahkan titik akhir secara terprogram

Anda dapat menambahkan titik akhir penilaian menggunakan kode sampel yang disediakan dalam repositori GitHub ini.

Menggunakan portal Azure Layanan Web untuk menambahkan titik akhir

Di Azure Machine Learning Studio (klasik), di kolom navigasi kiri, klik Layanan Web.
Di bagian bawah dasbor layanan web, klik Kelola pratinjau titik akhir.
Klik Tambahkan.
Ketik nama dan deskripsi untuk titik akhir baru. Pilih tingkat pengelogan dan apakah data sampel diaktifkan. Untuk informasi selengkapnya tentang pengelogan, lihat Mengaktifkan pengelogan untuk layanan web Azure Machine Learning.

Memperbarui model peserta terlatih yang ditambahkan

Mengambil URL PATCH

Mengikuti langkah-langkah ini untuk mendapatkan URL PATCH yang benar menggunakan portal web:

Masuk ke portal Azure Machine Learning Layanan Web.
Klik Layanan Web atau Layanan Web Klasik di bagian atas.
Klik layanan web penilaian yang sedang digunakan (jika nama default layanan web tidak diubah, akhirannya akan berupa "[Scoring Exp.]").
Klik +BARU.
Setelah titik akhir ditambahkan, klik nama titik akhir.
Di bawah URL Patch, klik Bantuan API untuk membuka halaman bantuan patch.

Catatan

Jika menambahkan titik akhir ke Layanan Web Pelatihan dan bukan Layanan Web Prediktif, Anda akan menerima kesalahan berikut saat mengklik tautan Perbarui Sumber Daya : "Maaf, tetapi fitur ini tidak didukung atau tersedia dalam konteks ini. Layanan Web ini tak memiliki sumber daya yang dapat diperbarui. Mohon maaf atas ketidaknyamanan ini dan berupaya meningkatkan alur kerja ini."

Halaman bantuan PATCH berisi URL PATCH yang harus digunakan dan menyediakan kode sampel yang dapat digunakan untuk memanggilnya.

Patch URL.

Memperbarui titik akhir

Sekarang Anda dapat menggunakan model terlatih untuk memperbarui titik akhir penilaian yang sudah dibuat.

Sampel kode berikut menunjukkan cara menggunakan BaseLocation, RelativeLocation, SasBlobToken, dan PATCH URL untuk memperbarui titik akhir.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

ApiKey dan endpointUrl untuk panggilan dapat diperoleh dari dasbor titik akhir.

Nilai parameter Nama dalam Sumber Daya harus sesuai dengan Nama Sumber Daya Model Terlatih yang disimpan dalam eksperimen prediktif. Untuk mendapatkan Nama Sumber Daya:

Masuk ke portal Azure.
Di menu sebelah kiri, klik Machine Learning.
Di bawah Nama, klik ruang kerja Anda, lalu klik Layanan Web.
Di bawah Nama, klik Model Sensus [predictive exp.].
Klik titik akhir baru yang ditambahkan.
Pada dasbor titik akhir, klik Perbarui Sumber Daya.
Pada halaman Perbarui Dokumentasi API Sumber Daya untuk layanan web, Anda dapat menemukan Nama Sumber Daya di bawah Sumber Daya yang Dapat Diperbarui.

Jika token SAS kedaluwarsa sebelum pembaruan titik akhir selesai, gunakan GET dengan ID Pekerjaan untuk mendapatkan token baru.

Ketika kode telah berhasil dijalankan, titik akhir baru harus mulai menggunakan model yang dilatih kembali dalam waktu sekitar 30 detik.

Langkah berikutnya

Untuk mempelajari selengkapnya tentang cara mengelola layanan web atau melacak beberapa eksperimen yang dijalankan, lihat artikel berikut ini:

Bagikan melalui