Uw R-workloads meenemen

Er is geen Azure Machine Learning SDK voor R. In plaats daarvan gebruikt u de CLI of een Python-besturingsscript om uw R-scripts uit te voeren.

Dit artikel bevat een overzicht van de belangrijkste scenario's voor R die worden ondersteund in Azure Machine Learning en bekende beperkingen.

Typische R-werkstroom

Een typische werkstroom voor het gebruik van R met Azure Machine Learning:

R-scripts interactief ontwikkelen met Behulp van Jupyter Notebooks op een rekenproces. (Hoewel u Posit of RStudio ook aan een rekenproces kunt toevoegen, hebt u momenteel geen toegang tot gegevensassets in de werkruimte vanuit deze toepassingen op het rekenproces. Dus voor nu is interactief werk het beste gedaan in een Jupyter-notebook.)
- Tabelgegevens lezen uit een geregistreerde gegevensasset of gegevensarchief
- Extra R-bibliotheken installeren
- Artefacten opslaan in de werkruimtebestandsopslag
Uw script aanpassen om te worden uitgevoerd als een productietaak in Azure Machine Learning
- Verwijder alle code waarvoor gebruikersinteractie mogelijk is vereist
- Opdrachtregelinvoerparameters toevoegen aan het script indien nodig
- Neem het azureml_utils.R script op en bron in dezelfde werkmap van het R-script dat moet worden uitgevoerd
- Gebruiken crate om het model te verpakken
- Voeg de R/MLflow-functies in het script toe om artefacten, modellen, parameters en/of tags te registreren bij de taak op MLflow
Externe asynchrone R-taken verzenden (u verzendt taken via de CLI of Python SDK, niet R)
- Een omgeving bouwen
- Taakartefacten, parameters, tags en modellen registreren
Uw model registreren met Azure Machine Learning-studio
Geregistreerde R-modellen implementeren in beheerde online-eindpunten
- De geïmplementeerde eindpunten gebruiken voor realtime deductie/score

Beperking	Doe dit in plaats daarvan
Er is geen R-besturingsvlak-SDK.	Gebruik het Azure CLI- of Python-besturingsscript om taken te verzenden.
RStudio die wordt uitgevoerd als een aangepaste toepassing (zoals Posit of RStudio) in een container op het rekenproces, heeft geen toegang tot werkruimteactiva of MLflow.	Gebruik Jupyter Notebooks met de R-kernel op het rekenproces.
Interactieve query's van het MLflow-register van de werkruimte van R worden niet ondersteund.
Geneste MLflow-uitvoeringen in R worden niet ondersteund.
Parallelle taakstap wordt niet ondersteund.	Voer een script parallel `n` uit met behulp van verschillende invoerparameters. U moet echter metaprogramma's uitvoeren om YAML- of CLI-aanroepen te genereren `n` .
Programmatisch model registreren/opnemen vanuit een actieve taak met R wordt niet ondersteund.
Implementatie van nulcode (dat wil gezegd automatische implementatie) van een R MLflow-model wordt momenteel niet ondersteund.	Maak een aangepaste container met `plumber` voor implementatie.
Het scoren van een R-model met batch-eindpunten wordt niet ondersteund.
Azure Machine Learning online implementatie yml kan alleen installatiekopie-URI's rechtstreeks vanuit het register gebruiken voor de omgevingsspecificatie; niet vooraf gebouwde omgevingen uit hetzelfde Dockerfile.	Volg de stappen in Het implementeren van een geregistreerd R-model naar een online -eindpunt (realtime) voor de juiste manier om te implementeren.

Meer informatie over R in Azure Machine Learning: