Migreren naar Azure Machine Learning vanuit Studio (klassiek)
Belangrijk
Ondersteuning voor Machine Learning Studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden op die datum over te stappen naar Azure Machine Learning .
Na december 2021 kunt u geen nieuwe Studio-resources (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u bestaande Studio-resources (klassiek) blijven gebruiken.
Studio-documentatie (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet bijgewerkt.
Leer hoe u migreert van Machine Learning Studio (klassiek) naar Azure Machine Learning. Azure Machine Learning biedt een gemoderniseerd data science-platform waarin no-code en code-first benaderingen worden gecombineerd.
In deze handleiding wordt een eenvoudige lift-and-shift-migratie beschreven. Als u een bestaande machine learning-werkstroom wilt optimaliseren of een machine learning-platform wilt moderniseren, raadpleegt u het Azure Machine Learning Adoption Framework voor meer resources, waaronder hulpprogramma's voor digitale enquêtes, werkbladen en planningssjablonen.
Neem contact op met uw cloudoplossingsarchitect voor de migratie.
Aanbevolen benadering
Als u wilt migreren naar Azure Machine Learning, raden we de volgende aanpak aan:
- Stap 1: Azure Machine Learning evalueren
- Stap 2: Een strategie en plan definiëren
- Stap 3: Experimenten en webservices herbouwen
- Stap 4: Client-apps integreren
- Stap 5: Studio-assets (klassiek) opschonen
- Stap 6: Scenario's beoordelen en uitbreiden
Stap 1: Azure Machine Learning evalueren
Meer informatie over Azure Machine Learning en de voordelen, kosten en architectuur.
Vergelijk de mogelijkheden van Azure Machine Learning en Studio (klassiek).
De volgende tabel bevat een overzicht van de belangrijkste verschillen.
Functie Studio (klassiek) Azure Machine Learning Interface voor slepen en neerzetten Klassieke ervaring Bijgewerkte ervaring: Azure Machine Learning Designer Code-SDK's Niet ondersteund Volledig geïntegreerd met Azure Machine Learning Python en R SDK's Experiment Schaalbaar (max. 10 GB aan trainingsgegevens) Schalen met rekendoel Rekendoelen voor training Eigen rekendoel, alleen CPU-ondersteuning Breed scala aan aanpasbare trainingsrekendoelen; bevat GPU- en CPU-ondersteuning Rekendoelen voor implementatie Bedrijfseigen webservice-indeling, niet aanpasbaar Een breed scala aan aanpasbare rekendoelen voor implementaties; bevat GPU- en CPU-ondersteuning Machine learning-pijplijn Niet ondersteund Bouw flexibele, modulaire pijplijnen om werkstromen te automatiseren MLOps Basismodelbeheer en -implementatie; Implementaties met alleen CPU Versiebeheer van entiteiten (model, gegevens, werkstromen), werkstroomautomatisering, integratie met CICD-hulpprogramma's, CPU- en GPU-implementaties en meer Modelindeling Eigen indeling, alleen Studio (klassiek) Meerdere ondersteunde indelingen, afhankelijk van het type trainingstaak Geautomatiseerde modeltraining en afstemming van hyperparameters Niet ondersteund Ondersteund
Code-first- en no-code-optiesGegevensdriftdetectie Niet ondersteund Ondersteund Projecten voor gegevenslabels Niet ondersteund Ondersteund Op rollen gebaseerd toegangsbeheer (RBAC) Alleen rol van inzender en eigenaar Flexibele roldefinitie en RBAC-besturingselement AI Gallery Ondersteund Niet ondersteund
Leren met python SDK-voorbeeldnotebooksNotitie
De ontwerpfunctie in Azure Machine Learning biedt een slepen-en-neerzetten-ervaring die vergelijkbaar is met Studio (klassiek). Azure Machine Learning biedt echter ook robuuste code-first-werkstromen als alternatief. Deze migratiereeks is gericht op de ontwerpfunctie, omdat deze het meest lijkt op de Studio-ervaring (klassiek).
Controleer of uw kritieke Studio-modules (klassiek) worden ondersteund in Azure Machine Learning Designer. Zie de tabel Studio (klassiek) en ontwerponderdeeltoewijzing voor meer informatie.
Een Azure Machine Learning-werkruimte maken.
Stap 2: Een strategie en plan definiëren
Definieer zakelijke redenen en verwachte resultaten.
Een uitvoerbaar Azure Machine Learning-acceptatieplan afstemmen op bedrijfsresultaten.
Bereid mensen, processen en omgevingen voor op verandering.
Neem contact op met uw cloudoplossingsarchitect om uw strategie te definiëren.
Zie het Azure Machine Learning Adoption Framework voor het plannen van resources, inclusief een sjabloon voor planningsdocumenten.
Stap 3: Uw eerste model opnieuw bouwen
Nadat u een strategie hebt gedefinieerd, migreert u uw eerste model.
Gebruik de Azure Machine Learning-ontwerpfunctie om een experiment opnieuw te bouwen.
Gebruik de Azure Machine Learning-ontwerpfunctie om een webservice opnieuw te implementeren.
Notitie
Deze richtlijnen zijn gebaseerd op concepten en functies van Azure Machine Learning v1. Azure Machine Learning heeft CLI v2 en Python SDK v2. We raden u aan om uw Studio-modellen (klassiek) opnieuw samen te stellen met v2 in plaats van v1. Begin met Azure Machine Learning v2.
Stap 4: Client-apps integreren
Wijzig clienttoepassingen die Studio-webservices (klassiek) aanroepen om uw nieuwe Azure Machine Learning-eindpunten te gebruiken.
Stap 5: Studio-assets (klassiek) opschonen
Als u extra kosten wilt voorkomen, schoont u Studio-assets (klassiek) op. Mogelijk wilt u assets bewaren voor terugval totdat u Azure Machine Learning-workloads hebt gevalideerd.
Stap 6: Scenario's beoordelen en uitbreiden
Bekijk de modelmigratie voor best practices en valideer workloads.
Vouw scenario's uit en migreer meer workloads naar Azure Machine Learning.
Studio (klassiek) en ontwerponderdeeltoewijzing
Raadpleeg de volgende tabel om te zien welke modules moeten worden gebruikt tijdens het herbouwen van Studio-experimenten (klassiek) in de Azure Machine Learning-ontwerpfunctie.
Belangrijk
De ontwerpfunctie implementeert modules via opensource Python-pakketten in plaats van C#-pakketten zoals Studio (klassiek). Vanwege dit verschil kan de uitvoer van ontwerponderdelen enigszins afwijken van hun Studio-tegenhangers (klassiek).
Categorie | Studio-module (klassiek) | Vervangingsontwerponderdeel |
---|---|---|
Invoer en uitvoer van gegevens | - Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren - Getraind model laden - Pak gezipte gegevenssets uit |
- Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren |
Conversies gegevensindeling | - Converteren naar CSV - Converteren naar gegevensset - Converteren naar ARFF - Converteren naar SVMLight - Converteren naar TSV |
- Converteren naar CSV - Converteren naar gegevensset |
Gegevenstransformatie – Manipulatie | - Kolommen toevoegen - Rijen toevoegen - SQL-transformatie toepassen - Ontbrekende gegevens opschonen - Converteren naar indicatorwaarden - Metagegevens bewerken - Gegevens samenvoegen - Dubbele rijen verwijderen - Kolommen selecteren in gegevensset - Transformatie van kolommen selecteren -SLOEG - Categorische waarden groeperen |
- Kolommen toevoegen - Rijen toevoegen - SQL-transformatie toepassen - Ontbrekende gegevens opschonen - Converteren naar indicatorwaarden - Metagegevens bewerken - Gegevens samenvoegen - Dubbele rijen verwijderen - Kolommen selecteren in gegevensset - Transformatie van kolommen selecteren -SLOEG |
Gegevenstransformatie: schalen en verminderen | - Clipwaarden - Gegevens groeperen in opslaglocaties - Gegevens normaliseren - Analyse van principal-onderdelen |
- Clipwaarden - Gegevens groeperen in opslaglocaties - Gegevens normaliseren |
Gegevenstransformatie : voorbeeld en splitsing | - Partitie en voorbeeld - Gegevens splitsen |
- Partitie en voorbeeld - Gegevens splitsen |
Gegevenstransformatie – Filteren | - Filter toepassen - FIR-filter - IIR-filter - Mediaanfilter - Filter zwevend gemiddelde - Drempelwaardefilter - Door de gebruiker gedefinieerd filter |
|
Gegevenstransformatie : leren met aantallen | - Bouwtellingstransformatie - Tabel Aantal exporteren - Tabel aantal importeren - Transformatie van aantal samenvoegen - Tabelparameters voor aantal wijzigen |
|
Functieselectie | - Functieselectie op basis van filter - Fisher lineaire discriminante analyse - Urgentie van functie permutatie |
- Functieselectie op basis van filter - Urgentie van functie permutatie |
Model – Classificatie | - Beslissingsforest met meerdere klassen - Multiclass decision jungle - Logistieke regressie met meerdere klassen - Multiclass neuraal netwerk - One-vs-all multiclass - Twee klassen gemiddeld perceptron - Bayes-puntmachine met twee klassen - Twee klassen versterkte beslissingsstructuur - Beslissingsforest met twee klassen - Twee klassen beslissing jungle - Twee klassen lokaal diep SVM - Twee klassen logistieke regressie - Twee klassen neuraal netwerk - Ondersteuningsvectormachine met twee klassen |
- Beslissingsforest met meerdere klassen - Multiclass boost beslissingsstructuur - Logistieke regressie met meerdere klassen - Multiclass neuraal netwerk - One-vs-all multiclass - Twee klassen gemiddeld perceptron - Twee klassen versterkte beslissingsstructuur - Beslissingsforest met twee klassen - Twee klassen logistieke regressie - Twee klassen neuraal netwerk - Ondersteuningsvectormachine met twee klassen |
Model – Clustering | - K-means-clustering | - K-means-clustering |
Model – Regressie | - Bayesiaanse lineaire regressie - Versterkte beslissingsstructuurregressie - Regressie van beslissingsforest - Snelle kwantielregressie van forest - Lineaire regressie - Regressie van neuraal netwerk - Ordinale regressie - Poisson-regressie |
- Versterkte beslissingsstructuurregressie - Regressie van beslissingsforest - Snelle kwantielregressie van forest - Lineaire regressie - Regressie van neuraal netwerk - Poisson-regressie |
Model – Anomaliedetectie | - AVPM van één klasse - Anomaliedetectie op basis van PCA |
- Anomaliedetectie op basis van PCA |
Machine Learning - Evalueren | - Model kruislings valideren - Model evalueren - Aanbevelingsfunctie evalueren |
- Model kruislings valideren - Model evalueren - Aanbevelingsfunctie evalueren |
Machine Learning – Trainen | - Clustering opruimen - Anomaliedetectiemodel trainen - Clusteringmodel trainen - Train matchbox recommender - Model trainen - Hyperparameters van model afstemmen |
- Anomaliedetectiemodel trainen - Clusteringmodel trainen - Model trainen - PyTorch-model trainen - SVD-aanbevelingsfunctie trainen - Train wide and deep recommender - Hyperparameters van model afstemmen |
Machine Learning – Score | - Transformatie toepassen - Gegevens toewijzen aan clusters - Score matchbox recommender - Scoremodel |
- Transformatie toepassen - Gegevens toewijzen aan clusters - Afbeeldingsmodel beoordelen - Scoremodel - Score SVD recommender - Score wide and deep recommender |
OpenCV-bibliotheekmodules | - Afbeeldingen importeren - Vooraf getrainde trapsgewijze afbeeldingsclassificatie |
|
Python-taalmodules | - Python-script uitvoeren | - Python-script uitvoeren - Python-model maken |
R-taalmodules | - R-script uitvoeren - R-model maken |
- R-script uitvoeren |
Statistische functies | - Wiskundige bewerking toepassen - Elementaire statistieken berekenen - Lineaire correlatie berekenen - Waarschijnlijkheidsfunctie evalueren - Discrete waarden vervangen - Gegevens samenvatten - Hypothese testen met behulp van t-Test |
- Wiskundige bewerking toepassen - Gegevens samenvatten |
Tekstanalyse | - Talen detecteren - Sleuteltermen extraheren uit tekst - N-gram functies extraheren uit tekst - Functie-hashing - Latent dirichlet-toewijzing - Herkenning van benoemde entiteiten - Tekst vooraf verwerken - Score vVowpal Wabbit versie 7-10 model - Score Vowpal Wabbit versie 8 model - Vowpal Wabbit versie 7-10-model trainen - Vowpal Wabbit versie 8-model trainen |
- Word converteren naar vector - N-gram functies extraheren uit tekst - Functie-hashing - Latent dirichlet-toewijzing - Tekst vooraf verwerken - Score Vowpal Wabbit-model - Vowpal Wabbit-model trainen |
Tijdreeks | - Anomaliedetectie van tijdreeksen | |
Webservice | -Input - Uitvoer |
-Input - Uitvoer |
Computer Vision | - Afbeeldingstransformatie toepassen - Converteren naar afbeeldingsmap - Init-afbeeldingstransformatie - Map met gesplitste installatiekopieën - DenseNet-afbeeldingsclassificatie - ResNet-afbeeldingsclassificatie |
Zie de naslaginformatie over algoritme en onderdelen voor meer informatie over het gebruik van afzonderlijke ontwerponderdelen.
Wat gebeurt er als een ontwerponderdeel ontbreekt?
Azure Machine Learning Designer bevat de populairste modules uit Studio (klassiek). Het bevat ook nieuwe modules die profiteren van de nieuwste machine learning-technieken.
Als uw migratie wordt geblokkeerd vanwege ontbrekende modules in de ontwerpfunctie, neemt u contact met ons op door een ondersteuningsticket te maken.
Voorbeeldmigratie
In het volgende migratievoorbeeld ziet u enkele van de verschillen tussen Studio (klassiek) en Azure Machine Learning.
Gegevenssets
In Studio (klassiek) zijn gegevenssets opgeslagen in uw werkruimte en kunnen ze alleen worden gebruikt door Studio (klassiek).
In Azure Machine Learning worden gegevenssets geregistreerd bij de werkruimte en kunnen ze in alle Azure Machine Learning worden gebruikt. Zie Gegevens in Azure Machine Learning voor meer informatie over de voordelen van Azure Machine Learning-gegevenssets.
Pijplijn
In Studio (klassiek) bevatten experimenten de verwerkingslogica voor uw werk. U hebt experimenten gemaakt met modules voor slepen en neerzetten.
In Azure Machine Learning bevatten pijplijnen de verwerkingslogica voor uw werk. U kunt pijplijnen maken met slepen en neerzetten of door code te schrijven.
Webservice-eindpunten
Studio (klassiek) gebruikte REQUEST/RESPOND-API voor realtime voorspelling en BATCH EXECUTION-API voor batchvoorspelling of hertraining.
Azure Machine Learning maakt gebruik van realtime-eindpunten (beheerde eindpunten) voor realtime voorspellings- en pijplijneindpunten voor batchvoorspelling of hertraining.
Gerelateerde inhoud
In dit artikel hebt u de algemene vereisten voor migratie naar Azure Machine Learning geleerd. Zie de andere artikelen in de migratiereeks van Machine Learning Studio (klassiek) voor gedetailleerde stappen:
- Een Studio-gegevensset (klassiek) migreren
- Een studioexperiment (klassiek) herbouwen
- Een Studio-webservice (klassiek) herbouwen
- Gebruik pijplijneindpunten van clienttoepassingen.
- Execute R Script-modules migreren
Zie het Azure Machine Learning Adoption Framework voor meer migratieresources.