Condividi tramite

Trasferire carichi di lavoro R

  • Articolo

SI APPLICA A:Estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

Non è disponibile alcun SDK di Azure Machine Learning per R. Per l’esecuzione di script R, invece, verrà usata l'interfaccia della riga di comando o uno script di controllo Python.

Questo articolo descrive gli scenari principali per R supportati in Azure Machine Learning e le limitazioni note.

Tipico flusso di lavoro R

Tipico flusso di lavoro per l'uso di R con Azure Machine Learning:

  • Sviluppare script R in modo interattivo usando notebook Jupyter in un'istanza di ambiente di calcolo. Anche se è possibile aggiungere Posit o RStudio a un'istanza di ambiente di calcolo, attualmente non è possibile accedere agli asset di dati nell'area di lavoro da queste applicazioni nell'istanza di ambiente di calcolo. Per il momento, quindi, è preferibile eseguire il lavoro interattivo in un notebook Jupyter.

    • Leggere i dati tabulari da un archivio dati o un asset di dati registrati
    • Installare librerie R aggiuntive
    • Salvare gli artefatti nella risorsa di archiviazione file dell'area di lavoro

  • Adattare lo script per l'esecuzione come processo di produzione in Azure Machine Learning

    • Rimuovere tutto il codice che potrebbe richiedere l'interazione dell'utente
    • Aggiungere parametri di input della riga di comando allo script in base alla necessità
    • Includere e originare lo script azureml_utils.R nella stessa directory di lavoro dello script R da eseguire
    • Usare crate per creare un pacchetto del modello
    • Includere le funzioni R/MLflow nello script per registrare artefatti, modelli, parametri e/o tag nel processo in MLflow

  • Inviare processi R asincroni remoti (inviare processi tramite l'interfaccia della riga di comando o l’SDK Python, non tramite R)

    • Generare un ambiente
    • Registrare artefatti, parametri, tag e modelli del processo

  • Registrare il proprio modello usando Azure Machine Learning Studio

  • Distribuire i modelli R registrati agli endpoint online gestiti

    • Usare gli endpoint distribuiti per l'inferenza/assegnazione dei punteggi in tempo reale

Limitazioni note

 

Limitazione Alternativa
Non esiste un SDK control-plane R. Usare lo script di controllo dell'interfaccia della riga di comando di Azure o Python per l’invio di processi.
RStudio in esecuzione come applicazione personalizzata, ad esempio Posit o RStudio, all'interno di un contenitore nell'istanza di calcolo non può accedere agli asset dell'area di lavoro o a MLflow. Usare notebook Jupyter con il kernel R nell'istanza di ambiente di calcolo.
L'esecuzione interattiva di query del registro MLflow dell'area di lavoro da R non è supportata.
Le esecuzioni di MLflow annidate in R non sono supportate.
Il passaggio del processo in parallelo non è supportato. Eseguire uno script in parallelo n volte usando parametri di input differenti. A tal fine, tuttavia, è necessaria la metaprogrammazione per la generazione di chiamate YAML o dell'interfaccia della riga di comando n.
La registrazione programmatica di un modello da un processo in esecuzione con R non è supportata.
La distribuzione senza l’uso di codice (ossia la distribuzione automatica) di un modello MLflow R attualmente non è supportata. Creare un contenitore personalizzato con plumber per la distribuzione.
L'assegnazione di punteggi a un modello R con endpoint batch non è supportata.
Il file yml della distribuzione online di Azure Machine Learning può usare URI immagine solo direttamente dal registro per la specifica dell'ambiente, non da ambienti predefiniti dallo stesso Dockerfile. Seguire la procedura descritta in Come distribuire un modello R registrato in un endpoint online (in tempo reale) per la modalità di distribuzione corretta.

Passaggi successivi

Altre informazioni su R in Azure Machine Learning: