Retreine e implemente um serviço web clássico do Studio (clássico)
APLICA A: Machine Learning Studio (clássico) 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.
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: