Migrowanie do usługi Azure Machine Edukacja z programu Studio (wersja klasyczna)
Ważne
Obsługa programu Machine Edukacja Studio (wersja klasyczna) kończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Edukacja do tej daty.
Po grudniu 2021 r. nie można już tworzyć nowych zasobów programu Studio (klasycznego). Do 31 sierpnia 2024 r. możesz nadal korzystać z istniejących zasobów programu Studio (klasycznych).
Dokumentacja programu Studio (klasyczna) jest wycofywana i może nie zostać zaktualizowana w przyszłości.
Dowiedz się, jak przeprowadzić migrację z usługi Machine Edukacja Studio (wersja klasyczna) do usługi Azure Machine Edukacja. Usługa Azure Machine Edukacja udostępnia zmodernizowaną platformę nauki o danych, która łączy podejścia bez kodu i kodu.
Ten przewodnik przeprowadzi Cię przez podstawową migrację metodą "lift and shift". Jeśli chcesz zoptymalizować istniejący przepływ pracy uczenia maszynowego lub zmodernizować platformę uczenia maszynowego, zobacz przewodnik Azure Machine Edukacja Adoption Framework, aby uzyskać więcej zasobów, w tym narzędzi do badania cyfrowego, arkuszy i szablonów planowania.
Skontaktuj się z architektem rozwiązań w chmurze w ramach migracji.
Zalecane podejście
Aby przeprowadzić migrację do usługi Azure Machine Edukacja, zalecamy następujące podejście:
- Krok 1. Ocena Edukacja maszyny platformy Azure
- Krok 2. Definiowanie strategii i planu
- Krok 3. Ponowne kompilowanie eksperymentów i usług internetowych
- Krok 4. Integrowanie aplikacji klienckich
- Krok 5. Czyszczenie zasobów programu Studio (wersja klasyczna)
- Krok 6. Przeglądanie i rozszerzanie scenariuszy
Krok 1. Ocena Edukacja maszyny platformy Azure
Dowiedz się więcej o usłudze Azure Machine Edukacja i jego korzyściach, kosztach i architekturze.
Porównaj możliwości usługi Azure Machine Edukacja i Studio (wersja klasyczna).
W poniższej tabeli podsumowano kluczowe różnice.
Funkcja Studio (klasyczna) Azure Machine Learning Interfejs „przeciągnij i upuść” Środowisko klasyczne Zaktualizowane środowisko: Projektant usługi Azure Machine Edukacja Zestawy SDK kodu Nieobsługiwane W pełni zintegrowana z usługą Azure Machine Edukacja python i zestawami SDK języka R Experiment Skalowalne (limit danych treningowych 10 GB) Skalowanie przy użyciu docelowego obiektu obliczeniowego Trenowanie celów obliczeniowych Zastrzeżony cel obliczeniowy, tylko obsługa procesora CPU Szeroki zakres dostosowywalnych celów obliczeniowych trenowania; obejmuje obsługę procesora GPU i procesora CPU Cele obliczeniowe wdrożenia Zastrzeżony format usługi internetowej, niemożliwy do dostosowania Szeroki zakres dostosowywalnych celów obliczeniowych wdrożenia; obejmuje obsługę procesora GPU i procesora CPU Potok uczenia maszynowego Nieobsługiwane Tworzenie elastycznych, modułowych potoków w celu automatyzacji przepływów pracy MLOps Podstawowe zarządzanie modelami i wdrażanie; Wdrożenia tylko procesora CPU Przechowywanie wersji jednostek (model, dane, przepływy pracy), automatyzacja przepływu pracy, integracja z narzędziami CICD, wdrożenia procesora CPU i procesora GPU i nie tylko Format modelu Format zastrzeżony, tylko studio (wersja klasyczna) Wiele obsługiwanych formatów w zależności od typu zadania trenowania Zautomatyzowane trenowanie modelu i dostrajanie hiperparametrów Nieobsługiwane Obsługiwane
Opcje code-first i no-codeWykrywanie dryfu danych Nieobsługiwane Obsługiwane Projekty etykietowania danych Nieobsługiwane Obsługiwane Kontrola dostępu oparta na rolach (RBAC) Tylko współautor i rola właściciela Elastyczna definicja roli i kontrola RBAC Galeria sztucznej inteligencji Obsługiwane Nieobsługiwane
Informacje na temat przykładowych notesów zestawu SDK języka PythonUwaga
Funkcja projektanta w usłudze Azure Machine Edukacja zapewnia środowisko przeciągania i upuszczania podobne do programu Studio (wersja klasyczna). Jednak usługa Azure Machine Edukacja udostępnia również niezawodne przepływy pracy oparte na kodzie jako alternatywę. Ta seria migracji koncentruje się na projektancie, ponieważ jest najbardziej podobna do środowiska studio (klasycznego).
Sprawdź, czy moduły krytyczne studio (klasyczne) są obsługiwane w projektancie usługi Azure Machine Edukacja. Aby uzyskać więcej informacji, zobacz tabelę Mapowanie składników programu Studio (wersja klasyczna) i projektanta.
Krok 2. Definiowanie strategii i planu
Definiowanie uzasadnienia biznesowego i oczekiwanych wyników.
Dopasuj plan wdrożenia usługi Azure Machine Edukacja z możliwością działania do wyników biznesowych.
Przygotowywanie osób, procesów i środowisk pod kątem zmian.
Skontaktuj się z architektem rozwiązań w chmurze, aby zdefiniować strategię.
Aby uzyskać informacje na temat planowania zasobów, w tym szablonu dokumentacji planowania, zobacz Azure Machine Edukacja Adoption Framework.
Krok 3. Ponowne kompilowanie pierwszego modelu
Po zdefiniowaniu strategii należy przeprowadzić migrację pierwszego modelu.
Użyj projektanta usługi Azure Machine Edukacja, aby ponownie skompilować eksperyment.
Użyj projektanta usługi Azure Machine Edukacja, aby ponownie wdrożyć usługę internetową.
Uwaga
Te wskazówki są oparte na pojęciach i funkcjach usługi Azure Machine Edukacja w wersji 1. Usługa Azure Machine Edukacja ma interfejs wiersza polecenia w wersji 2 i zestaw Python SDK w wersji 2. Zalecamy ponowne skompilowanie modeli programu Studio (klasycznych) przy użyciu wersji 2 zamiast wersji 1. Zacznij od usługi Azure Machine Edukacja w wersji 2.
Krok 4. Integrowanie aplikacji klienckich
Zmodyfikuj aplikacje klienckie, które wywołują usługi sieci Web studio (klasyczne), aby używać nowych punktów końcowych usługi Azure Machine Edukacja.
Krok 5. Czyszczenie zasobów programu Studio (wersja klasyczna)
Aby uniknąć dodatkowych opłat, wyczyść zasoby programu Studio (klasyczne). Możesz zachować zasoby na potrzeby powrotu do momentu zweryfikowania obciążeń usługi Azure Machine Edukacja.
Krok 6. Przeglądanie i rozszerzanie scenariuszy
Zapoznaj się z migracją modelu, aby zapoznać się z najlepszymi rozwiązaniami i zweryfikować obciążenia.
Rozszerzanie scenariuszy i migrowanie większej liczby obciążeń do usługi Azure Machine Edukacja.
Studio (wersja klasyczna) i mapowanie składników projektanta
Zapoznaj się z poniższą tabelą, aby zobaczyć, które moduły mają być używane podczas ponownego kompilowania eksperymentów programu Studio (klasycznych) w projektancie usługi Azure Machine Edukacja.
Ważne
Projektant implementuje moduły za pomocą pakietów języka Python typu open source, a nie pakietów języka C#, takich jak Studio (wersja klasyczna). Ze względu na tę różnicę dane wyjściowe składników projektanta mogą się nieznacznie różnić od ich odpowiedników studio (klasycznych).
Kategoria | Moduł Studio (klasyczny) | Składnik projektanta zastępczego |
---|---|---|
Wprowadzanie i wyprowadzanie danych | — Ręczne wprowadzanie danych - Eksportowanie danych — Importowanie danych — Ładowanie wytrenowanego modelu - Rozpakowywanie spakowanych zestawów danych |
— Ręczne wprowadzanie danych - Eksportowanie danych — Importowanie danych |
Konwersje formatów danych | — Konwertowanie na plik CSV — Konwertowanie na zestaw danych - Konwertowanie na ARFF - Konwertuj na SVMLight - Konwertowanie na TSV |
— Konwertowanie na plik CSV — Konwertowanie na zestaw danych |
Przekształcanie danych — manipulowanie | - Dodawanie kolumn - Dodawanie wierszy - Stosowanie przekształcenia SQL - Czyszczenie brakujących danych - Konwertuj na wartości wskaźnika - Edytowanie metadanych - Łączenie danych — Usuwanie zduplikowanych wierszy - Wybieranie kolumn w zestawie danych - Wybieranie przekształcenia kolumn - SMOTE - Grupuj wartości kategorii |
- Dodawanie kolumn - Dodawanie wierszy - Stosowanie przekształcenia SQL - Czyszczenie brakujących danych - Konwertuj na wartości wskaźnika - Edytowanie metadanych - Łączenie danych — Usuwanie zduplikowanych wierszy - Wybieranie kolumn w zestawie danych - Wybieranie przekształcenia kolumn - SMOTE |
Przekształcanie danych — skalowanie i zmniejszanie | - Wartości wycinków - Grupowanie danych w pojemnikach - Normalizacja danych - Analiza głównych składników |
- Wartości wycinków - Grupowanie danych w pojemnikach - Normalizacja danych |
Przekształcanie danych — przykład i podział | — Partycja i przykład — Dzielenie danych |
— Partycja i przykład — Dzielenie danych |
Przekształcanie danych — filtr | - Zastosuj filtr - Filtr FIR - Filtr IIR - Filtr mediany - Filtr średniej ruchomej - Filtr progu - Filtr zdefiniowany przez użytkownika |
|
Przekształcanie danych — Edukacja z liczbami | - Kompilowanie przekształcenia zliczania - Eksportuj tabelę liczników - Import count table (Importowanie tabeli liczników) - Scal przekształcenie liczby - Modyfikowanie parametrów tabeli liczby |
|
Wybieranie funkcji | - Wybór funkcji opartej na filtrze - Analiza rozdysponowa liniowa Fisher - Ważność cech permutacji |
- Wybór funkcji opartej na filtrze - Ważność cech permutacji |
Model — klasyfikacja | - Wieloklasowy las decyzyjny - Wieloklasowa dżungla decyzyjna — Regresja logistyczna w wielu klasach - Wieloklasowa sieć neuronowa - Jeden vs-all multiklasa - Dwuklasowa średnia perceptron - Dwuklasowa maszyna punktowa Bayesa - Dwuklasowe wzmocnione drzewo decyzyjne - Las decyzyjny dwuklasowy - Dwuklasowa dżungla decyzyjna - Dwuklasowa maszyna wektorów nośnych lokalnie głęboko - Regresja logistyczna dwuklasowa - Dwuklasowa sieć neuronowa - Dwuklasowa maszyna wektorowa nośna |
- Wieloklasowy las decyzyjny - Multiclass boost decision tree (Wieloklasowe wzmacnianie drzewa decyzyjnego) — Regresja logistyczna w wielu klasach - Wieloklasowa sieć neuronowa - Jeden vs-all multiklasa - Dwuklasowa średnia perceptron - Dwuklasowe wzmocnione drzewo decyzyjne - Las decyzyjny dwuklasowy - Regresja logistyczna dwuklasowa - Dwuklasowa sieć neuronowa - Dwuklasowa maszyna wektorowa nośna |
Model — klastrowanie | - Klaster k-średnich | - Klaster k-średnich |
Model — regresja | - Regresja liniowa bayesijna - Zwiększenie regresji drzewa decyzyjnego - Regresja lasu decyzyjnego - Regresja kwantylu szybkiego lasu - Regresja liniowa - Regresja sieci neuronowej - Regresja porządkowa - Regresja Poissona |
- Zwiększenie regresji drzewa decyzyjnego - Regresja lasu decyzyjnego - Regresja kwantylu szybkiego lasu - Regresja liniowa - Regresja sieci neuronowej - Regresja Poissona |
Model — wykrywanie anomalii | - Jednoklasowe maszyny wektorów nośnych - Wykrywanie anomalii oparte na pcA |
- Wykrywanie anomalii oparte na pcA |
Edukacja maszyny — ocena | - Model weryfikacji krzyżowej - Ocena modelu - Ocena modułu polecającego |
- Model weryfikacji krzyżowej - Ocena modelu - Ocena modułu polecającego |
Edukacja maszynowe — szkolenie | — Zamiatanie klastrowania — Trenowanie modelu wykrywania anomalii - Trenowanie modelu klastrowania - Train matchbox recommender - Trenowanie modelu - Dostrajanie hiperparametrów modelu |
— Trenowanie modelu wykrywania anomalii - Trenowanie modelu klastrowania - Trenowanie modelu - Trenowanie modelu PyTorch - Trenowanie modułu polecającego SVD - Trenowanie szerokiego i głębokiego polecania - Dostrajanie hiperparametrów modelu |
Edukacja maszyny — ocena | - Stosowanie przekształcenia — Przypisywanie danych do klastrów - Score matchbox recommender (Generowanie wyników w pole wyboru) - Generowanie wyników w modelu |
- Stosowanie przekształcenia — Przypisywanie danych do klastrów - Generowanie wyników modelu obrazu - Generowanie wyników w modelu - Score SVD recommender (Ocenianie modułu polecającego SVD) - Ocenianie szerokiej i głębokiej rekomendacji |
Moduły biblioteki OpenCV | - Importowanie obrazów - Wstępnie wytrenowana klasyfikacja obrazów kaskadowych |
|
Moduły języka Python | - Wykonywanie skryptu języka Python | - Wykonywanie skryptu języka Python - Tworzenie modelu języka Python |
Moduły języka R | - Wykonywanie skryptu języka R - Tworzenie modelu języka R |
- Wykonywanie skryptu języka R |
Funkcje statystyczne | - Stosowanie operacji matematycznej - Obliczanie podstawowych statystyk - Obliczanie korelacji liniowej - Ocena funkcji prawdopodobieństwa - Zastępowanie wartości dyskretnych - Podsumowywanie danych - Hipoteza testowa przy użyciu t-Test |
- Stosowanie operacji matematycznej - Podsumowywanie danych |
Analiza tekstu | — Wykrywanie języków - Wyodrębnianie kluczowych fraz z tekstu - Wyodrębnianie funkcji N-gram z tekstu - Skróty funkcji - Alokacja opóźnionego dirichletu - Rozpoznawanie nazwanych jednostek - Wstępne przetwarzanie tekstu - Score vVowpal Wabbit version 7-10 model - Ocenianie modelu Vowpal Wabbit w wersji 8 - Trenowanie modelu Vowpal Wabbit w wersji 7-10 - Trenowanie modelu Vowpal Wabbit w wersji 8 |
- Konwertowanie programu Word na wektor - Wyodrębnianie funkcji N-gram z tekstu - Skróty funkcji - Alokacja opóźnionego dirichletu - Wstępne przetwarzanie tekstu - Ocenianie modelu Vowpal Wabbit - Trenowanie modelu Vowpal Wabbit |
Szeregi czasowe | — Wykrywanie anomalii szeregów czasowych | |
Usługa sieci Web | -Wejście — Dane wyjściowe |
-Wejście — Dane wyjściowe |
Przetwarzanie obrazów | - Stosowanie przekształcenia obrazu - Konwertowanie na katalog obrazów - Przekształcanie obrazu init — Podział katalogu obrazów - Klasyfikacja obrazów gęstej sieci - Klasyfikacja obrazów ResNet |
Aby uzyskać więcej informacji na temat używania poszczególnych składników projektanta, zobacz dokumentację dotyczącą algorytmów i składników.
Co zrobić, jeśli brakuje składnika projektanta?
Projektant usługi Azure Machine Edukacja zawiera najbardziej popularne moduły z programu Studio (wersja klasyczna). Zawiera również nowe moduły, które korzystają z najnowszych technik uczenia maszynowego.
Jeśli migracja jest zablokowana z powodu braku modułów w projektancie, skontaktuj się z nami, tworząc bilet pomocy technicznej.
Przykładowa migracja
Poniższy przykład migracji przedstawia niektóre różnice między programem Studio (klasycznym) i usługą Azure Machine Edukacja.
Zestawy danych
W programie Studio (wersja klasyczna) zestawy danych zostały zapisane w obszarze roboczym i mogą być używane tylko przez program Studio (wersja klasyczna).
W usłudze Azure Machine Edukacja zestawy danych są rejestrowane w obszarze roboczym i mogą być używane we wszystkich Edukacja usługi Azure Machine. Aby uzyskać więcej informacji na temat zalet zestawów danych usługi Azure Machine Edukacja, zobacz Data in Azure Machine Edukacja (Dane w usłudze Azure Machine Edukacja).
Potok
W programie Studio (wersja klasyczna) eksperymenty zawierały logikę przetwarzania pracy. Utworzono eksperymenty z modułami przeciągania i upuszczania.
W usłudze Azure Machine Edukacja potoki zawierają logikę przetwarzania pracy. Potoki można tworzyć za pomocą modułów przeciągania i upuszczania lub pisania kodu.
Punkty końcowe usługi sieci Web
Program Studio (wersja klasyczna) używa interfejsu API REQUEST/RESPOND na potrzeby przewidywania w czasie rzeczywistym i interfejsu API wykonywania wsadowego na potrzeby przewidywania wsadowego lub ponownego trenowania.
Usługa Azure Machine Edukacja używa punktów końcowych czasu rzeczywistego (zarządzanych punktów końcowych) na potrzeby przewidywania w czasie rzeczywistym i punktów końcowych potoku na potrzeby przewidywania wsadowego lub ponownego trenowania.
Powiązana zawartość
W tym artykule przedstawiono ogólne wymagania dotyczące migracji do usługi Azure Machine Edukacja. Aby uzyskać szczegółowe instrukcje, zobacz inne artykuły w serii migracji machine Edukacja Studio (wersja klasyczna):
- Migrowanie zestawu danych programu Studio (klasycznego)
- Ponowne kompilowanie eksperymentu programu Studio (klasycznego)
- Ponowne kompilowanie usługi internetowej studio (klasycznej)
- Korzystanie z punktów końcowych potoku z aplikacji klienckich.
- Migrowanie modułów wykonywania skryptu języka R
Aby uzyskać więcej zasobów migracji, zobacz Azure Machine Edukacja Adoption Framework.