Загрузка обученной модели
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
Загрузка обученной веб-модели
Категория: входные и выходные данные
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
в этой статье описывается, как использовать модуль " загрузка обученной модели " в Машинное обучение Studio (классическая модель) для загрузки уже обученной модели для использования в эксперименте.
Для этого модуля требуется существующая обученная модель. Как правило, вы создаете и затем Обучите модель в другом эксперименте, а затем сохраняете модель в рабочей области или в одном из поддерживаемых вариантов облачного хранилища.
Затем используйте модуль Load Training Model (Загрузка обученной модели ), чтобы получить обученную модель и запустить ее в новом эксперименте.
Использование нагрузки обученной модели
Использование существующей модели для создания прогнозов для новых данных.
- Модель должна быть предварительно обучена, а затем сохранена в формате iLearner.
- Модель должна быть доступна либо по URL-адресу, либо в хранилище больших двоичных объектов Azure.
В этом разделе описывается, как сохранить модель, получить сохраненную модель и применить сохраненную модель.
Сохранение обученной модели
Можно сохранять модели с помощью интерфейса Studio (классическая модель) или эксперимента, который запускается как веб-служба.
Сохранение модели с помощью веб-службы
- Создание эксперимента, который выполняет обучение или переобучение модели как веб-службы
- Опубликуйте этот эксперимент как веб-службу.
- При вызове конечной точки "BES" веб-службы обучения веб-служба сохраняет обученную модель с помощью интерфейса iLearner и сохраняет этот файл в указанной учетной записи хранения больших двоичных объектов Azure.
Пошаговые инструкции по созданию веб-службы обучения см. в следующих статьях:
Сохранение модели в студии (классическая модель)
- Запустите эксперимент, который создает и обучает модель.
- По завершении обучения щелкните правой кнопкой мыши модуль, который использовался для обучения, выберите обученная модельи нажмите кнопку Сохранить как обученную модель.
- По умолчанию модели сохраняются в рабочей области Studio (классическая модель). Их можно просмотреть с помощью пользовательского интерфейса Studio (классическая модель).
Следующие модули могут создать сохраненную модель, которая использует требуемый интерфейс iLearner :
- Train Model (Обучение модели);
- Обучение модели кластеризации
- Обучение модели обнаружения аномалий
- Настройка гиперпараметров модели
- Кластеризация очистки
Примечание
Произвольные модели не поддерживаются; модель должна быть сохранена в двоичном формате по умолчанию, используемом для сохранения Машинное обучение моделей.
Загрузка модели в новый эксперимент
Добавьте модуль Load Training Model (Загрузка обученной модели ) в эксперимент в студии (классическая модель).
Для параметра источник данныхукажите расположение обученной модели с помощью одного из следующих параметров:
URL-адрес в Интернете через HTTP: укажите URL-адрес, указывающий на эксперимент, и файл, представляющий обученную модель. в Машинное обучение обученные модели по умолчанию сохраняются в формате ILearner .
Хранилище BLOB-объектов Azure. выберите этот параметр, только если вы экспортировали обученную модель в службу хранилища Azure. Затем необходимо указать имя учетной записи и ключ учетной записи, а также путь к контейнеру, каталогу или большому двоичному объекту.
Если вы собираетесь создать Request-Response веб-службу, основанную на текущем эксперименте, выберите параметр Разрешить использовать в записях RR. В противном случае оценка выполняется с помощью параметра службы пакетного выполнения (BES), который рекомендуется использовать. Дополнительные сведения см. в разделе " Технические примечания ".
Выберите параметр использовать кэшированные результаты , если требуется загрузить обученную модель из кэша, когда кэш будет доступен и заполнен. Этот параметр игнорируется после развертывания эксперимента в качестве API веб-службы.
Примеры
примеры использования этого модуля см. в Cortana Intelligence Gallery.
загрузить обученную глубокую модель Обучение. в примере создается пользовательская нейронная сеть для обнаружения образов. С помощью модуля Загрузка обученной модели можно легко повторно использовать эту модель без обучения, что может занять много времени.
Эта коллекция включает обучающий эксперимент, создание модели и прогнозный эксперимент, в котором модель загружается как веб-служба и используется для прогнозов.
Технические примечания
В этом разделе содержатся сведения и советы относительно реализации, а также ответы на часто задаваемые вопросы.
Часто задаваемые вопросы
Почему записи ресурсов по умолчанию не включены
Обычно ожидается, что записи в RR вызывают возврат результатов в течение короткого периода времени. Однако поскольку модуль должен загрузить обученную модель в виде большого двоичного объекта из учетной записи хранения Azure или файла, размещенного на общедоступной конечной точке HTTP, операции с файлами могут привести к непредсказуемым задержкам.
Поэтому мы обычно рекомендуем запускать веб-службу в режиме пакетного выполнения (BES). При выборе параметра для. выполнение с использованием записей ресурсов следует учитывать возможные задержки. общие сведения о времени выполнения см. Машинное обучение соглашения об уровне обслуживания.
Ускоряет загрузку обученной модели при использовании параметра кэшированные результаты
да, но только если эксперимент выполняется в Машинное обучение Studio (классическая модель) и только после того, как кэш заполнен первым запуском. После развертывания эксперимента в качестве веб-службы этот флаг игнорируется при выполнении веб-службы.
Существует ли способ автоматизации процесса
PowerShell можно использовать для упрощения или автоматизации многих задач в Машинное обучение. Например, можно скачать содержимое всего эксперимента или определенного модуля, экспортировать определение веб-службы или вызвать API выполнения веб-службы. дополнительные сведения см. в разделе модуль PowerShell для Microsoft Машинное обучение.
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Разрешить использование в записях RR | Истина/ложь | Логическое | false | Разрешить запуск этого модуля в веб-службе "запрос-ответ", что может привести к непредсказуемым задержкам |
| Источник данных | URL-адрес через HTTP или Хранилище BLOB-объектов Azure | T_DataSourceOrSink | хранилище BLOB-объектов Azure | Источником данных может быть HTTP или файл в хранилище BLOB-объектов Azure (обязательно). |
| Для URL-адреса в Интернете через HTTP: | ||||
| URL-адрес источника данных | any | Строка | URL-адрес для HTTP | |
| для Хранилище BLOB-объектов Azure: | ||||
| Имя учетной записи | any | Строка | Имя учетной записи | |
| Ключ учетной записи | any | SecureString | Ключ, связанный с учетной записью хранилища Windows Azure | |
| Путь к контейнеру, каталогу или большому двоичному объекту | any | Строка | Путь к большому двоичному объекту или имя таблицы |
Выходные данные
| Имя | Тип | Описание |
|---|---|---|
| Обученная модель | Интерфейс ILearner | Обученная модель |
Исключения
| Исключение | Описание |
|---|---|
| Ошибка 0003 | Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты. |
список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.
список исключений API см. в разделе Машинное обучение REST API коды ошибок.