Migrera Execute R Script-moduler i Studio (klassisk)

  • Artikel

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:

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.mapOutputPortmed 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):

  1. Migreringsöversikt.
  2. Migrera datauppsättning.
  3. Återskapa en Träningspipeline för Studio (klassisk).
  4. Återskapa en Studio-webbtjänst (klassisk).
  5. Integrera en Machine Learning-webbtjänst med klientappar.
  6. Migrera kör R-skriptmoduler.