Traga as cargas de trabalho R
APLICA-SE A:Extensão v2 da CLI do Azure (atual)SDK python azure-ai-ml v2 (atual)
Não existe nenhum SDK do Azure Machine Learning para R. Em vez disso, irá utilizar a CLI ou um script de controlo python para executar os scripts R.
Este artigo descreve os principais cenários de R suportados no Azure Machine Learning e limitações conhecidas.
Fluxo de trabalho R típico
Um fluxo de trabalho típico para utilizar o R com o Azure Machine Learning:
Desenvolver scripts R interativamente com o Jupyter Notebooks numa instância de computação. (Embora também possa adicionar Posit ou RStudio a uma instância de computação, atualmente não pode aceder a recursos de dados na área de trabalho a partir destas aplicações na instância de computação. Por enquanto, o trabalho interativo é melhor feito num bloco de notas do Jupyter.)
- Ler dados tabulares a partir de um recurso de dados registado ou arquivo de dados
- Instalar bibliotecas R adicionais
- Guardar artefactos no armazenamento de ficheiros da área de trabalho
Adaptar o script para ser executado como uma tarefa de produção no Azure Machine Learning
- Remover qualquer código que possa exigir a interação do utilizador
- Adicionar parâmetros de entrada da linha de comandos ao script conforme necessário
- Incluir e origem do
azureml_utils.R
script no mesmo diretório de trabalho do script R a ser executado - Utilizar
crate
para empacotar o modelo - Inclua as funções R/MLflow no script para registar artefactos, modelos, parâmetros e/ou etiquetas para a tarefa no MLflow
Submeter tarefas R assíncronas remotas (submeta tarefas através da CLI ou do SDK Python, não de R)
- Criar um ambiente
- Artefactos, parâmetros, etiquetas e modelos da tarefa de registo
Registar o modelo com estúdio do Azure Machine Learning
Implementar modelos R registados em pontos finais online geridos
- Utilizar os pontos finais implementados para inferência/classificação em tempo real
Limitações conhecidas
Limitação | Em vez disso, faça isto |
---|---|
Não existe nenhum SDK do plano de controlo R. | Utilize o script de controlo da CLI do Azure ou do Python para submeter tarefas. |
O RStudio em execução como uma aplicação personalizada (como Posit ou RStudio) num contentor na instância de computação não consegue aceder a recursos da área de trabalho ou ao MLflow. | Utilize o Jupyter Notebooks com o kernel R na instância de computação. |
A consulta interativa do registo MLflow da área de trabalho a partir de R não é suportada. | |
As execuções aninhadas do MLflow em R não são suportadas. | |
O passo da tarefa paralela não é suportado. | Execute um script em tempos paralelos n com parâmetros de entrada diferentes. No entanto, terá de meta-programar para gerar n chamadas YAML ou CLI para o fazer. |
O registo/gravação de modelos programáticos a partir de uma tarefa em execução com R não é suportado. | |
A implementação de código zero (ou seja, implementação automática) de um modelo de R MLflow não é atualmente suportada. | Crie um contentor personalizado com plumber para implementação. |
A classificação de um modelo R com pontos finais em lote não é suportada. | |
O yml de implementação online do Azure Machine Learning só pode utilizar URIs de imagem diretamente a partir do registo para a especificação do ambiente; não são ambientes pré-criados do mesmo Dockerfile. | Siga os passos em Como implementar um modelo R registado num ponto final online (em tempo real) para a forma correta de implementar. |
Passos seguintes
Saiba mais sobre o R no Azure Machine Learning: