Pijplijneindpunten gebruiken vanuit client-apps
Belangrijk
Ondersteuning voor Azure Machine Learning Studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden op die datum over te stappen naar Azure Machine Learning .
Vanaf 1 december 2021 kunt u geen nieuwe Machine Learning Studio-resources (klassiek) maken (werkruimte- en webserviceplan). Tot en met 31 augustus 2024 kunt u de bestaande Experimenten en webservices van Machine Learning Studio (klassiek) blijven gebruiken. Zie voor meer informatie:
- Migreren naar Azure Machine Learning vanuit Machine Learning Studio (klassiek)
- Wat is Azure Machine Learning?
Machine Learning Studio -documentatie (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet bijgewerkt.
In dit artikel leert u hoe u clienttoepassingen integreert met Azure Machine Learning-eindpunten.
Dit artikel maakt deel uit van de ML Studio -migratiereeks (klassiek) naar Azure Machine Learning. Zie het artikel over migratieoverzicht voor meer informatie over migreren naar Azure Machine Learning.
Vereisten
- Een Azure-account met een actief abonnement. Gratis een account maken
- Een Azure Machine Learning-werkruimte. Werkruimtebronnen maken.
- Een realtime azure Machine Learning-eindpunt of pijplijneindpunt.
Een realtime-eindpunt gebruiken
Als u uw model hebt geïmplementeerd als een realtime-eindpunt, kunt u het REST-eindpunt en de vooraf gegenereerde verbruikscode vinden in C#, Python en R:
- Ga naar Azure Machine Learning-studio (ml.azure.com).
- Ga naar het tabblad Eindpunten .
- Selecteer uw realtime-eindpunt.
- Selecteer Verbruiken.
Notitie
U kunt de Swagger-specificatie voor uw eindpunt ook vinden op het tabblad Details . Gebruik de Swagger-definitie om inzicht te hebben in uw eindpuntschema. Zie de officiële documentatie van Swagger voor meer informatie over de definitie van Swagger.
Een pijplijneindpunt gebruiken
Er zijn twee manieren om een pijplijneindpunt te gebruiken:
- REST API-aanroepen
- Integratie met Azure Data Factory
REST API-aanroepen gebruiken
Roep het REST-eindpunt aan vanuit uw clienttoepassing. U kunt de Swagger-specificatie voor uw eindpunt gebruiken om het schema ervan te begrijpen:
- Ga naar Azure Machine Learning-studio (ml.azure.com).
- Ga naar het tabblad Eindpunten .
- Selecteer Pijplijneindpunten.
- Selecteer uw pijplijneindpunt.
- Selecteer in het overzichtsvenster van het pijplijneindpunt de koppeling onder REST-eindpuntdocumentatie.
Azure Data Factory gebruiken
U kunt uw Azure Machine Learning-pijplijn aanroepen als een stap in een Azure Data Factory-pijplijn. Zie Azure Machine Learning-pijplijnen uitvoeren in Azure Data Factory voor meer informatie.
Volgende stappen
In dit artikel hebt u geleerd hoe u schema- en voorbeeldcode kunt vinden voor uw pijplijneindpunten. Zie Verifiëren bij een online-eindpunt voor meer informatie over verificatie bij een eindpunt.
Zie de rest van de artikelen in de Azure Machine Learning-migratiereeks:
- Overzicht van migratie.
- Gegevensset migreren.
- Bouw een trainingspijplijn (klassiek) van Studio opnieuw.
- Bouw een Studio-webservice (klassiek) opnieuw op.
- R-script uitvoeren migreren.