Uw R-workloads meenemen
VAN TOEPASSING OP:Azure CLI ml extension v2 (current)
Python SDK azure-ai-ml v2 (current)
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
Bekende beperkingen
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. |
Volgende stappen
Meer informatie over R in Azure Machine Learning:
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor