Machine Learning Studio -webservices (klassiek): implementatie en verbruik
VAN TOEPASSING OP: Machine Learning Studio (klassiek) Azure Machine Learning
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen van machine learning-projecten van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
U kunt Machine Learning Studio (klassiek) gebruiken om machine learning-werkstromen en -modellen als webservices te implementeren. Deze webservices kunnen vervolgens worden gebruikt om de machine learning-modellen van toepassingen via internet aan te roepen om voorspellingen in realtime of in batchmodus uit te voeren. Omdat de webservices RESTful zijn, kunt u deze aanroepen vanuit verschillende programmeertalen en platforms, zoals .NET en Java, en vanuit toepassingen, zoals Excel.
De volgende secties bevatten koppelingen naar walkthroughs, code en documentatie om u op weg te helpen.
Een webservice implementeren
Met Machine Learning Studio (klassiek)
De Studio-portal (klassiek) en de Machine Learning Web Services-portal helpen u bij het implementeren en beheren van een webservice zonder code te schrijven.
De volgende koppelingen bevatten algemene informatie over het implementeren van een nieuwe webservice:
Zie Een nieuwe webservice implementeren voor een overzicht van het implementeren van een nieuwe webservice die is gebaseerd op Azure Resource Manager.
Zie Een Machine Learning-webservice implementeren voor een overzicht van het implementeren van een webservice.
Voor een volledig overzicht van het maken en implementeren van een webservice begint u met zelfstudie 1: Kredietrisico voorspellen.
Zie voor specifieke voorbeelden die een webservice implementeren:
Met resourceprovider-API's van webservices (Azure Resource Manager API's)
De Machine Learning Studio-resourceprovider (klassiek) voor webservices maakt implementatie en beheer van webservices mogelijk met behulp van REST API-aanroepen. Zie de naslaginformatie over machine learning-webservice (REST) voor meer informatie.
Met PowerShell-cmdlets
De Machine Learning Studio-resourceprovider (klassiek) voor webservices maakt implementatie en beheer van webservices mogelijk met behulp van PowerShell-cmdlets.
Als u de cmdlets wilt gebruiken, moet u zich eerst aanmelden bij uw Azure-account vanuit de PowerShell-omgeving met behulp van de cmdlet Connect-AzAccount . Als u niet bekend bent met het aanroepen van PowerShell-opdrachten die zijn gebaseerd op Resource Manager, raadpleegt u Het gebruik van Azure PowerShell met Azure Resource Manager.
Gebruik deze voorbeeldcode om uw voorspellende experiment te exporteren. Nadat u het .exe-bestand uit de code hebt gemaakt, kunt u het volgende typen:
C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>
Als u de toepassing uitvoert, wordt een JSON-sjabloon voor de webservice gemaakt. Als u de sjabloon wilt gebruiken om een webservice te implementeren, moet u de volgende informatie toevoegen:
Naam en sleutel van opslagaccount
U kunt de naam en sleutel van het opslagaccount ophalen uit de Azure Portal.
Id van toezeggingsplan
U kunt de plan-id ophalen uit de Machine Learning Web Services-portal door u aan te melden en op de naam van een plan te klikken.
Voeg deze toe aan de JSON-sjabloon als onderliggende elementen van het knooppunt Eigenschappen op hetzelfde niveau als het MachineLearningWorkspace-knooppunt .
Hier volgt een voorbeeld:
"StorageAccount": {
"name": "YourStorageAccountName",
"key": "YourStorageAccountKey"
},
"CommitmentPlan": {
"id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}
Zie de volgende artikelen en voorbeeldcode voor meer informatie:
De webservices gebruiken
Vanuit de gebruikersinterface van Machine Learning-webservices (testen)
U kunt uw webservice testen vanuit de Machine Learning Web Services-portal. Dit omvat het testen van de interfaces Request-Response service (RRS) en Batch Execution Service (BES).
- Een nieuwe webservice implementeren
- Een Machine Learning-webservice implementeren
- Zelfstudie 3: Kredietrisicomodel implementeren
Vanuit Excel
U kunt een Excel-sjabloon downloaden die gebruikmaakt van de webservice:
- Een Machine Learning-webservice gebruiken vanuit Excel
- Excel-invoegtoepassing voor Machine Learning-webservices
Vanaf een OP REST gebaseerde client
Machine Learning-webservices zijn RESTful API's. U kunt deze API's gebruiken vanaf verschillende platforms, zoals .NET, Python, R, Java, enzovoort. De pagina Verbruiken voor uw webservice in de Machine Learning Web Services-portal bevat voorbeeldcode waarmee u aan de slag kunt gaan. Zie Een Machine Learning-webservice gebruiken voor meer informatie.