Machine Learning Studio-webserviceparameters (klassiek) gebruiken
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.
Een Machine Learning-webservice wordt gemaakt door een experiment te publiceren dat modules met configureerbare parameters bevat. In sommige gevallen wilt u mogelijk het gedrag van de module wijzigen terwijl de webservice wordt uitgevoerd. Met webserviceparameters kunt u deze taak uitvoeren.
Een veelvoorkomend voorbeeld is het instellen van de module Gegevens importeren , zodat de gebruiker van de gepubliceerde webservice een andere gegevensbron kan opgeven wanneer de webservice wordt geopend. Of configureer de module Gegevens exporteren zodat een andere bestemming kan worden opgegeven. Enkele andere voorbeelden zijn het wijzigen van het aantal bits voor de functie-hashmodule of het aantal gewenste functies voor de module Functieselectie op basis van filters .
U kunt webserviceparameters instellen en deze koppelen aan een of meer moduleparameters in uw experiment en u kunt opgeven of ze vereist of optioneel zijn. De gebruiker van de webservice kan vervolgens waarden voor deze parameters opgeven wanneer ze de webservice aanroepen.
Webserviceparameters instellen en gebruiken
U definieert een webserviceparameter door op het pictogram naast de parameter voor een module te klikken en 'Instellen als webserviceparameter' te selecteren. Hiermee maakt u een nieuwe webserviceparameter en verbindt u deze met die moduleparameter. Wanneer de webservice wordt geopend, kan de gebruiker vervolgens een waarde voor de webserviceparameter opgeven en deze wordt toegepast op de moduleparameter.
Zodra u een webserviceparameter hebt gedefinieerd, is deze beschikbaar voor elke andere moduleparameter in het experiment. Als u een webserviceparameter definieert die is gekoppeld aan een parameter voor één module, kunt u dezelfde webserviceparameter gebruiken voor elke andere module, zolang de parameter hetzelfde type waarde verwacht. Als de webserviceparameter bijvoorbeeld een numerieke waarde is, kan deze alleen worden gebruikt voor moduleparameters die een numerieke waarde verwachten. Wanneer de gebruiker een waarde instelt voor de webserviceparameter, wordt deze toegepast op alle bijbehorende moduleparameters.
U kunt bepalen of u een standaardwaarde voor de webserviceparameter wilt opgeven. Als u dit doet, is de parameter optioneel voor de gebruiker van de webservice. Als u geen standaardwaarde opgeeft, moet de gebruiker een waarde invoeren wanneer de webservice wordt geopend.
De API-documentatie voor de webservice bevat informatie voor de webservicegebruiker over het programmatisch opgeven van de webserviceparameter bij het openen van de webservice.
Notitie
De API-documentatie voor een klassieke webservice wordt geleverd via de koppeling naar de API-helppagina in het dashboard van de webservice in Machine Learning Studio (klassiek). De API-documentatie voor een nieuwe webservice wordt geleverd via de Machine Learning Web Services-portal op de pagina's verbruiken en Swagger-API's voor uw webservice.
Voorbeeld
Stel dat we een experiment hebben met een exportgegevensmodule waarmee informatie naar Azure Blob Storage wordt verzonden. We definiëren een webserviceparameter met de naam 'Blob-pad' waarmee de webservicegebruiker het pad naar de blobopslag kan wijzigen wanneer de service wordt geopend.
Klik in Machine Learning Studio (klassiek) op de module Gegevens exporteren om deze te selecteren. De eigenschappen worden weergegeven in het deelvenster Eigenschappen rechts van het experimentcanvas.
Geef het opslagtype op:
- Selecteer 'Azure Blob Storage' onder Geef de gegevensbestemming op.
- Selecteer 'Account' onder Geef het verificatietype op.
- Voer de accountgegevens in voor de Azure Blob-opslag.
Klik op het pictogram rechts van de pad naar blob vanaf de containerparameter. Deze ziet er als volgt uit:
Selecteer 'Instellen als webserviceparameter'.
Er wordt een vermelding toegevoegd onder Webserviceparameters onder aan het deelvenster Eigenschappen met de naam 'Pad naar blob beginnend met container'. Dit is de webserviceparameter die nu is gekoppeld aan deze parameter exportgegevensmodule .
Als u de naam van de webserviceparameter wilt wijzigen, klikt u op de naam, voert u 'Blob-pad' in en drukt u op Enter .
Als u een standaardwaarde voor de webserviceparameter wilt opgeven, klikt u op het pictogram rechts van de naam, selecteert u 'Standaardwaarde opgeven', voert u een waarde in (bijvoorbeeld 'container1/output1.csv') en drukt u op Enter .
Klik op Run.
Klik op Webservice implementeren en selecteer Webservice implementeren [klassiek] of Webservice implementeren [Nieuw] om de webservice te implementeren.
Notitie
Als u een nieuwe webservice wilt implementeren, moet u over voldoende machtigingen beschikken in het abonnement waarvoor u de webservice implementeert. Zie voor meer informatie een webservice beheren met behulp van de Machine Learning Web Services-portal.
De gebruiker van de webservice kan nu een nieuwe bestemming opgeven voor de module Gegevens exporteren bij het openen van de webservice.
Meer informatie
Zie de vermelding Webserviceparameters in het Machine Learning-blog voor een gedetailleerder voorbeeld.
Zie Een Machine Learning-webservice gebruiken voor meer informatie over het openen van een Machine Learning-webservice.