Migrera Execute R Script-moduler i Studio (klassisk)
Viktigt!
Stödet för Azure Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du övergår till Azure Machine Learning vid det datumet.
Från och med den 1 december 2021 kan du inte skapa nya Machine Learning Studio-resurser (klassiska) (arbetsyta och webbtjänstplan). Till och med den 31 augusti 2024 kan du fortsätta att använda befintliga Machine Learning Studio-experiment (klassiska) och webbtjänster. Mer information finns i:
- Migrera till Azure Machine Learning från Machine Learning Studio (klassisk)
- Vad är Azure Machine Learning?
Dokumentationen för Machine Learning Studio (klassisk) dras tillbaka och kanske inte uppdateras i framtiden.
I den här artikeln får du lära dig hur du återskapar en Studio-modul (klassisk) Kör R-skript i Azure Machine Learning.
Mer information om hur du migrerar från Studio (klassisk) finns i artikeln migreringsöversikt.
Köra R-skript
Azure Machine Learning-designern körs nu på Linux. Studio (klassisk) körs i Windows. På grund av plattformsändringen måste du justera körnings-R-skriptet under migreringen, annars misslyckas pipelinen.
Om du vill migrera en Execute R Script-modul från Studio (klassisk) måste du ersätta gränssnitten maml.mapInputPort
och maml.mapOutputPort
med standardfunktioner.
I följande tabell sammanfattas ändringarna i R Script-modulen:
Funktion | Studio (klassisk) | Azure Machine Learning Designer |
---|---|---|
Skriptgränssnitt | maml.mapInputPort och maml.mapOutputPort |
Funktionsgränssnitt |
Plattform | Windows | Linux |
Internettillgängligt | Nej | Ja |
Minne | 14 GB | Beroende av beräknings-SKU |
Så här uppdaterar du R-skriptgränssnittet
Här är innehållet i ett exempel på en Execute R Script-modul i Studio (klassisk):
# Map 1-based optional input ports to variables
dataset1 <- maml.mapInputPort(1) # class: data.frame
dataset2 <- maml.mapInputPort(2) # class: data.frame
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Select data.frame to be sent to the output Dataset port
maml.mapOutputPort("data.set");
Här är det uppdaterade innehållet i designern. Observera att maml.mapInputPort
och maml.mapOutputPort
har ersatts med standardfunktionsgränssnittet azureml_main
.
azureml_main <- function(dataframe1, dataframe2){
# Use the parameters dataframe1 and dataframe2 directly
dataset1 <- dataframe1
dataset2 <- dataframe2
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Return datasets as a Named List
return(list(dataset1=data.set))
}
Mer information finns i modulreferensen Kör R-skript i designern.
Installera R-paket från Internet
Med Azure Machine Learning Designer kan du installera paket direkt från CRAN.
Detta är en förbättring jämfört med Studio (klassisk). Eftersom Studio (klassisk) körs i en sandbox-miljö utan internetåtkomst var du tvungen att ladda upp skript i ett zip-paket för att installera fler paket.
Använd följande kod för att installera CRAN-paket i designerns Execute R Script-modul :
if(!require(zoo)) {
install.packages("zoo",repos = "http://cran.us.r-project.org")
}
library(zoo)
Nästa steg
I den här artikeln har du lärt dig hur du migrerar Execute R Script-moduler till Azure Machine Learning.
Se de andra artiklarna i studiomigreringsserien (klassisk):
- Migreringsöversikt.
- Migrera datauppsättning.
- Återskapa en Träningspipeline för Studio (klassisk).
- Återskapa en Studio-webbtjänst (klassisk).
- Integrera en Machine Learning-webbtjänst med klientappar.
- Migrera kör R-skriptmoduler.