Retreine e implemente um serviço web clássico do Studio (clássico)

Artigo
02/14/2019

APLICA A: Aplica-se a. Machine Learning Studio (clássico) X indicando não. Não se aplica a.

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

Consulte informações sobre projetos de machine learning em movimento do ML Studio (clássico) para Azure Machine Learning.
Saiba mais sobre a Azure Machine Learning

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

A reconversão de modelos de aprendizagem automática é uma forma de garantir que se mantêm precisas e com base nos dados mais relevantes disponíveis. Este artigo irá mostrar-lhe como treinar um serviço web clássico do Studio (clássico). Para um guia sobre como treinar um novo serviço web Studio (clássico), veja este artigo de como fazer.

Pré-requisitos

Este artigo assume que já tem uma experiência de reconversão e uma experiência preditiva. Estes passos são explicados na Retrain e implementam um modelo de aprendizagem automática. No entanto, em vez de implementar o seu modelo de machine learning como um novo serviço web, irá implementar a sua experiência preditiva como um serviço web clássico.

Adicione um novo ponto final

O serviço web preditivo que implementou contém um ponto final de pontuação padrão que é mantido em sintonia com o modelo treinado de treino e pontuação original. Para atualizar o seu serviço web com um novo modelo treinado, tem de criar um novo ponto final de pontuação.

Existem duas formas de adicionar um novo ponto final a um serviço web:

Através de programação
Utilizando o portal Azure Web Services

Nota

Certifique-se de que está a adicionar o ponto final ao Serviço Web Preditivo, não ao Serviço Web de Formação. Se implementou corretamente um Serviço Web de Formação e um Serviço Web Preditivo, deverá ver dois serviços web separados listados. O Serviço Web Preditivo deve terminar com "[exp preditivo.]".

Programáticamente adicionar um ponto final

Pode adicionar pontos finais de pontuação utilizando o código de amostra fornecido neste repositório GitHub.

Utilize o portal Azure Web Services para adicionar um ponto final

No Machine Learning Studio (clássico), na coluna de navegação à esquerda, clique nos Serviços Web.
Na parte inferior do painel de instrumentos de serviço web, clique em Gerir a pré-visualização dos pontos finais.
Clique em Adicionar.
Digite um nome e descrição para o novo ponto final. Selecione o nível de registo e se os dados da amostra estão ativados. Para obter mais informações sobre o registo, consulte Ative o registo de serviços web machine learning.

Atualizar o modelo treinado do endpoint adicionado

Retrieve PATCH URL

Siga estes passos para obter o URL PATCH correto utilizando o portal web:

Inscreva-se no portal Azure Machine Learning Web Services .
Clique em Serviços Web ou Serviços Web Clássicos no topo.
Clique no serviço web de pontuação com o qual está a trabalhar (se não modificar o nome predefinido do serviço web, terminará em "[Scoring Exp.]").
Clique em +NEW.
Depois de adicionar o ponto final, clique no nome do ponto final.
No URL patch , clique em API Ajuda para abrir a página de ajuda de remendação.

Nota

Se adicionar o ponto final ao Serviço Web de Formação em vez do Serviço Web Preditivo, receberá o seguinte erro quando clicar no link 'Recurso de atualização ': "Desculpe, mas esta funcionalidade não está suportada ou disponível neste contexto. Este Serviço Web não tem recursos necessários. Pedimos desculpa pelo inconveniente e estamos a trabalhar para melhorar este fluxo de trabalho."

A página de ajuda patch contém o URL PATCH que deve utilizar e fornece o código de amostra que pode usar para chamá-lo.

URL de remendos.

Atualizar o ponto final

Agora pode utilizar o modelo treinado para atualizar o ponto final de pontuação que criou anteriormente.

O seguinte código de amostra mostra-lhe como utilizar o BaseLocation, RelativeLocation, SasBlobToken e PATCH URL para atualizar o ponto final.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

O apiKey e o endpointUrl para a chamada podem ser obtidos a partir do painel de instrumentos de ponta.

O valor do parâmetro Nome em Recursos deve coincidir com o Nome de Recurso do Modelo Treinado Salvo na experiência preditiva. Para obter o Nome de Recurso:

Inicie sessão no portal do Azure.
No menu esquerdo, clique em Machine Learning.
Em Nome, clique no seu espaço de trabalho e, em seguida, clique em Serviços Web.
Em Nome, clique no Modelo de Censos [exp preditivo.].
Clique no novo ponto final que adicionou.
No painel de instrumentos de ponto final, clique em Atualizar O recurso.
Na página de documentação da API de recurso de atualização para o serviço web, pode encontrar o Nome de Recurso em Recursos Updatable.

Se o seu token SAS expirar antes de terminar de atualizar o ponto final, tem de efetuar um GET com o Job ID para obter um novo token.

Quando o código tiver funcionado com sucesso, o novo ponto final deve começar a utilizar o modelo retreinado em aproximadamente 30 segundos.

Passos seguintes

Para saber mais sobre como gerir serviços web ou acompanhar várias experiências, consulte os seguintes artigos:

Share via