Что такое конструктор (версия 1) в Машинное обучение Azure?

Конструктор Машинное обучение Azure — это интерфейс перетаскивания, используемый для обучения и развертывания моделей в Студия машинного обучения Azure. В этой статье описываются задачи, которые можно выполнять в конструкторе.

Внимание

Конструктор в Машинное обучение Azure поддерживает два типа конвейеров, использующих классические предварительно созданные (версии 1) или пользовательские компоненты (версии 2). Два типа компонентов несовместимы в конвейерах, а конструктор версии 1 несовместим с CLI версии 2 и пакетом SDK версии 2. Эта статья относится к конвейерам, используюющим классические предварительно созданные компоненты (версии 1).

• Классические предварительно созданные компоненты (версии 1) включают типичные задачи обработки данных и машинного обучения, такие как регрессия и классификация. Машинное обучение Azure продолжает поддерживать существующие классические предварительно созданные компоненты, но новые предварительно созданные компоненты не добавляются. Кроме того, развертывание классических предварительно созданных компонентов (версии 1) не поддерживает управляемые сетевые конечные точки (версия 2).

• Пользовательские компоненты (версии 2) позволяют упаковывать собственный код в виде компонентов, обеспечивая общий доступ между рабочими областями и бесшовную разработку в интерфейсах Студия машинного обучения Azure, CLI версии 2 и ПАКЕТА SDK версии 2. Лучше всего использовать пользовательские компоненты для новых проектов, так как они совместимы с Машинное обучение Azure версии 2 и продолжают получать новые обновления. Дополнительные сведения о пользовательских компонентах и конструкторе (версии 2) см. в Машинное обучение Azure конструкторе (версии 2).

В следующем анимированном GIF-файле показано, как можно визуально создать конвейер в конструкторе, перетаскивая ресурсы и подключая их.

Сведения о компонентах, доступных в конструкторе, см. в справочнике по алгоритмам и компонентам. Сведения о том, как приступить к работе с конструктором, см. в статье Руководство. Обучение модели регрессии без кода.

Обучение и развертывание модели

Конструктор использует рабочую область Машинного обучения Azure для организации общих ресурсов, таких как:

• Конвейеры
• Данные
• вычислительные ресурсы;
• зарегистрированные модели;
• Опубликованные задания конвейера
• конечные точки для прогнозирования в реальном времени.

На следующей схеме показано, как использовать конструктор для создания комплексного рабочего процесса машинного обучения. Вы можете обучать, тестировать и развертывать модели в интерфейсе конструктора.

• Перетащите ресурсы и компоненты данных на визуальный холст конструктора и подключите компоненты для создания проекта конвейера.
• Отправьте задание конвейера, использующее вычислительные ресурсы в рабочей области Машинное обучение Azure.
• преобразовывать конвейеры обучения в конвейеры вывода;
• Опубликуйте конвейеры в конечную точку конвейера REST, чтобы отправить новые конвейеры, которые выполняются с различными параметрами и ресурсами данных.
  • Опубликуйте конвейер обучения для повторного использования одного конвейера для обучения нескольких моделей при изменении параметров и ресурсов данных.
  • публиковать конвейер пакетного вывода для прогнозирования на основе новых данных с помощью ранее обученной модели;
• развертыватьконвейер вывода в реальном времени в подключенной конечной точке для создания прогнозов на основе новых данных в реальном времени.

Data

Ресурс данных машинного обучения упрощает доступ и работу с данными. Конструктор включает несколько примеров ресурсов данных для экспериментов. Вы можете зарегистрировать дополнительные ресурсы данных по мере их необходимости.

Компоненты

Компонент — это алгоритм, который можно запустить на данных. В конструкторе имеется ряд компонентов, от функций входящего трафика данных до процессов обучения, оценки и проверки.

Компонент может иметь параметры, используемые для настройки внутренних алгоритмов компонента. При выборе компонента на холсте параметры компонента и другие параметры отображаются в области свойств справа от холста. Параметры можно изменить и задать вычислительные ресурсы для отдельных компонентов в этой области.

Дополнительные сведения о библиотеке доступных алгоритмов машинного обучения см. в справочнике по алгоритму и компонентам. Получить помощь в выборе алгоритма можно в памятке по алгоритмам машинного обучения Azure.

Pipelines

Конвейер состоит из ресурсов данных и аналитических компонентов, которые вы подключаетесь. Конвейеры помогают повторно использовать работу и упорядочивать проекты.

Конвейеры имеют множество вариантов использования. Вы можете создать конвейеры, которые:

• Обучение одной модели.
• Обучение нескольких моделей.
• Создание прогнозов в режиме реального времени или в пакете.
• Очистка только данных.

Черновики конвейеров

При изменении конвейера в конструкторе ход выполнения сохраняется в виде черновика конвейера. Черновик конвейера можно изменить в любой момент, добавив или удалив компоненты, настроив целевые объекты вычислений или установив параметры.

Допустимый конвейер имеет следующие характеристики:

• Ресурсы данных могут подключаться только к компонентам.
• Компоненты могут подключаться только к ресурсам данных или к другим компонентам.
• Все входные порты для компонентов должны иметь связь с потоком данных.
• Все необходимые параметры для каждого компонента должны быть установлены.

Когда вы будете готовы запустить проект конвейера, сохраните конвейер и отправьте задание конвейера.

Задания конвейера

При каждом запуске конвейера конфигурация конвейера и его результаты хранятся в рабочей области в качестве задания конвейера. Задания конвейера группируются в эксперименты для упорядочивания журнала заданий.

Вы можете вернуться к любому заданию конвейера, чтобы проверить его для устранения неполадок или аудита. Клонируйте задание конвейера, чтобы создать проект конвейера для редактирования.

Вычислительные ресурсы

Целевые объекты вычислений подключены к рабочей области Машинное обучение Azure в Студия машинного обучения Azure. Используйте вычислительные ресурсы из рабочей области для запуска конвейера и размещения развернутых моделей в качестве сетевых конечных точек или в качестве конечных точек конвейера для пакетного вывода. Поддерживаемые целевые объекты вычислений приведены следующим образом:

Целевой объект вычислений	Обучение	Развертывание
Вычислительная среда Машинного обучения Azure	✓
Служба Azure Kubernetes (AKS)		✓

Развернуть

Чтобы сделать вывод в режиме реального времени, необходимо развернуть конвейер в качестве сетевой конечной точки. Подключенная конечная точка создает интерфейс между внешним приложением и моделью оценки. Конечная точка работает на основе архитектуры REST, используемой в основном в проектах с веб-программированием. Вызов подключенной конечной точки возвращает результаты прогнозирования приложению в реальном времени.

Чтобы вызвать подключенную конечную точку, необходимо передать ключ API, созданный при развертывании конечной точки. Сетевые конечные точки необходимо развернуть в кластере AKS. Сведения о развертывании модели см. в руководстве по развертыванию модели машинного обучения с помощью конструктора.

Публикация

Конвейер можно также опубликовать в конечной точке конвейера. Как и в сети, конечная точка конвейера позволяет отправлять новые задания конвейера из внешних приложений с помощью вызовов REST. Однако вы не можете отправлять или получать данные в режиме реального времени с помощью конечной точки конвейера.

Опубликованные конечные точки конвейера являются гибкими и могут использоваться для обучения или переобучения моделей, пакетного вывода или обработки новых данных. Вы можете опубликовать несколько конвейеров в одной конечной точке конвейера и указать, какую версию конвейера следует запустить.

Опубликованный конвейер выполняется на основе вычислительных ресурсов, которые определяются в черновике конвейера для каждого компонента. Конструктор создает такой же объект PublishedPipeline, что и пакет SDK.

Связанный контент

• Ознакомьтесь с основами прогнозной аналитики и машинного обучения с помощью учебника. Прогнозирование цены на автомобили с помощью конструктора.
• Узнайте, как изменить существующие примеры конструктора , чтобы адаптировать их в соответствии с вашими потребностями.