Model Terlatih Beban
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.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Memuat model terlatih yang dihosting web
Kategori: Input dan Output Data
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Load Trained Model di Pembelajaran Mesin Studio (klasik), untuk memuat model yang sudah terlatih untuk digunakan dalam percobaan.
Modul ini membutuhkan model terlatih yang ada. Biasanya, Anda membuat dan kemudian melatih model dalam eksperimen yang berbeda, dan kemudian menyimpan model baik ke ruang kerja Anda, atau ke salah satu opsi penyimpanan cloud yang didukung.
Kemudian, Anda menggunakan modul model Load Trained untuk mendapatkan model terlatih dan menjalankannya dalam eksperimen baru.
Cara menggunakan Load Trained Model
Untuk menggunakan model yang ada untuk membuat prediksi untuk data baru:
- Model harus sebelumnya telah dilatih dan kemudian disimpan dalam format iLearner.
- Model harus dapat diakses baik oleh URL atau di penyimpanan blob Azure.
Bagian ini menjelaskan cara menyimpan model, mendapatkan model yang disimpan, dan menerapkan model yang disimpan.
Menyimpan model terlatih
Anda dapat menyimpan model dengan menggunakan antarmuka Studio (klasik), atau menggunakan eksperimen yang berjalan sebagai layanan web.
Menyimpan model menggunakan layanan web
- Buat eksperimen yang melakukan pelatihan atau pelatihan ulang model sebagai layanan web
- Publikasikan eksperimen itu sebagai layanan Web.
- Saat Anda memanggil titik akhir BES dari layanan web pelatihan, layanan Web menyimpan model terlatih menggunakan antarmuka iLearner dan menyimpan file di akun penyimpanan blob Azure yang Anda tentukan.
Untuk informasi langkah demi langkah tentang cara membuat layanan web pelatihan, lihat artikel berikut:
Menyimpan model di Studio (klasik)
- Jalankan eksperimen yang membangun dan melatih model.
- Saat pelatihan selesai, klik kanan modul yang digunakan untuk pelatihan, pilih Model terlatih, lalu klik Simpan sebagai model terlatih.
- Secara default, model disimpan ke ruang kerja Studio (klasik) Anda. Anda dapat melihatnya menggunakan UI Studio (klasik).
Modul berikut dapat membuat model tersimpan yang menggunakan antarmuka iLearner yang diperlukan:
- Melatih Model
- Melatih Model Pengklusteran
- Melatih Model Deteksi Anomali
- Sesuaikan Hyperparameter Model
- Sapu Pengelompokan
Catatan
Model arbitrer tidak didukung; model harus disimpan dalam format biner default yang digunakan untuk mempertahankan Pembelajaran Mesin model.
Memuat model ke dalam eksperimen baru
Tambahkan modul Load Trained Model ke eksperimen Anda di Studio (klasik).
Untuk Sumber data, tunjukkan lokasi model terlatih, menggunakan salah satu opsi berikut:
URL Web melalui HTTP: Berikan URL yang mengarah ke eksperimen dan file yang mewakili model terlatih. Di Pembelajaran Mesin, model terlatih secara default disimpan dalam format iLearner.
Azure Blob Storage: Pilih opsi ini hanya jika Anda mengekspor model terlatih ke penyimpanan Azure. Anda kemudian harus memberikan nama akun dan kunci akun, dan jalur ke kontainer, direktori, atau blob.
Jika Anda berniat membuat layanan web Request-Response yang didasarkan pada eksperimen saat ini, pilih opsi, Izinkan untuk digunakan di RRS. Jika tidak, penilaian dilakukan menggunakan opsi Batch Execution Service (BES), yang direkomendasikan. Lihat bagian Catatan teknis untuk detailnya.
Pilih opsi Gunakan hasil cache jika Anda ingin memuat model terlatih dari cache, saat cache tersedia dan diisi. Opsi ini diabaikan setelah eksperimen disebarkan sebagai API layanan Web.
Contoh
Untuk contoh cara menggunakan modul ini, lihat Galeri Intelijen Cortana.
Memuat Model deep Pembelajaran terlatih: Contoh membuat jaringan saraf khusus untuk deteksi gambar. Dengan menggunakan modul Load Trained Model , Anda dapat dengan mudah menggunakan kembali model ini tanpa harus melatihnya, yang dapat memakan waktu.
Koleksi ini mencakup eksperimen pelatihan, untuk membuat model, dan eksperimen prediktif, di mana model dimuat sebagai layanan web dan digunakan untuk prediksi.
Catatan teknis
Bagian ini berisi detail implementasi, tips, dan jawaban atas pertanyaan yang sering diajukan.
Pertanyaan umum
Mengapa penggunaan RRS tidak diaktifkan secara default
Secara umum diharapkan bahwa RRS memanggil hasil pengembalian dalam waktu singkat. Namun, karena modul harus memuat model terlatih dalam bentuk blob dari akun penyimpanan Azure atau file yang dihosting pada titik akhir HTTP publik, operasi file mungkin mengalami penundaan yang tidak dapat diprediksi.
Oleh karena itu, kami umumnya menyarankan agar layanan Web dijalankan dalam mode eksekusi batch (BES). Jika Anda memilih opsi untuk .execution menggunakan RRS, waspadai potensi penundaan. Untuk informasi umum tentang waktu eksekusi, lihat SLA Pembelajaran Mesin.
Apakah model terlatih dimuat lebih cepat jika saya menggunakan opsi hasil cache
Ya, tetapi hanya ketika eksperimen dijalankan di Pembelajaran Mesin Studio (klasik), dan hanya setelah cache diisi oleh run pertama. Setelah eksperimen digunakan sebagai layanan web, bendera ini diabaikan oleh eksekusi layanan web.
Apakah ada cara untuk mengotomatisasi proses
Anda dapat menggunakan PowerShell untuk menyederhanakan atau mengotomatiskan banyak tugas di Pembelajaran Mesin. Misalnya, Anda dapat mengunduh konten seluruh eksperimen atau modul tertentu, mengekspor definisi layanan web, atau memanggil API eksekusi layanan web. Untuk informasi selengkapnya, lihat Modul PowerShell untuk Microsoft Pembelajaran Mesin.
Parameter modul
| Nama | Rentang | Jenis | Default | Deskripsi |
|---|---|---|---|---|
| Izinkan untuk digunakan di RRS | True/False | Boolean | salah | Izinkan modul ini berjalan dalam layanan web respons permintaan, yang mungkin mengalami penundaan yang tidak dapat diprediksi |
| Sumber data | URL web melalui HTTP, atau Azure Blob Storage | T_DataSourceOrSink | Azure Blob Storage | Sumber data dapat berupa HTTP atau file di penyimpanan blob Azure (diperlukan) |
| Untuk URL Web melalui HTTP: | ||||
| URL sumber data | apa pun | String | URL untuk HTTP | |
| Untuk Azure Blob Storage: | ||||
| Nama Akun | apa pun | String | Nama akun | |
| Kunci akun | apa pun | SecureString | Kunci yang terkait dengan akun Windows Azure Storage | |
| Jalur ke kontainer atau direktori atau blob | apa pun | String | Jalur ke blob atau nama tabel |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Model Terlatih | Antarmuka ILearner | Model terlatih |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0003 | Pengecualian terjadi jika satu atau beberapa input null atau kosong. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.