Återskapa en Studio-webbtjänst (klassisk) i Azure Machine Learning
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 ML Studio-webbtjänst (klassisk) som en slutpunkt i Azure Machine Learning.
Använd Slutpunkter för Azure Machine Learning-pipeline för att göra förutsägelser, träna om modeller eller köra en allmän pipeline. Med REST-slutpunkten kan du köra pipelines från valfri plattform.
Den här artikeln är en del av migreringsserien Studio (klassisk) till Azure Machine Learning. Mer information om hur du migrerar till Azure Machine Learning finns i artikeln migreringsöversikt.
Kommentar
Den här migreringsserien fokuserar på dra och släpp-designern. Mer information om hur du distribuerar modeller programmatiskt finns i Distribuera maskininlärningsmodeller i Azure.
Förutsättningar
- Ett Azure-konto med en aktiv prenumeration. Skapa ett konto utan kostnad.
- En Azure Machine Learning-arbetsyta. Skapa arbetsyteresurser.
- En Utbildningspipeline för Azure Machine Learning. Mer information finns i Återskapa ett Studio-experiment (klassiskt) i Azure Machine Learning.
Slutpunkt i realtid jämfört med pipelineslutpunkt
Studio-webbtjänster (klassiska) har ersatts av slutpunkter i Azure Machine Learning. Använd följande tabell för att välja vilken slutpunktstyp som ska användas:
Studio-webbtjänst (klassisk) | Ersättning av Azure Machine Learning |
---|---|
Webbtjänst för begäran/svar (realtidsförutsägelse) | Realtidsslutpunkt |
Batch-webbtjänst (batchförutsägelse) | Pipelineslutpunkt |
Omträning av webbtjänst (omträning) | Pipelineslutpunkt |
Distribuera en realtidsslutpunkt
I Studio (klassisk) använde du en REQUEST/RESPOND-webbtjänst för att distribuera en modell för realtidsförutsägelser. I Azure Machine Learning använder du en slutpunkt i realtid.
Det finns flera sätt att distribuera en modell i Azure Machine Learning. Ett av de enklaste sätten är att använda designern för att automatisera distributionsprocessen. Använd följande steg för att distribuera en modell som en realtidsslutpunkt:
Kör din slutförda träningspipeline minst en gång.
När jobbet är klart väljer du Skapa slutsatsdragningspipeline>i realtid överst på arbetsytan.
Designern konverterar träningspipelinen till en pipeline för slutsatsdragning i realtid. En liknande konvertering sker också i Studio (klassisk).
I designern registrerar konverteringssteget även den tränade modellen till din Azure Machine Learning-arbetsyta.
Välj Skicka för att köra pipelinen för slutsatsdragning i realtid och kontrollera att den körs korrekt.
När du har verifierat slutsatsdragningspipelinen väljer du Distribuera.
Ange ett namn för slutpunkten och en beräkningstyp.
I följande tabell beskrivs dina distributionsberäkningsalternativ i designern:
Beräkningsmål Används för beskrivning Skapa Azure Kubernetes Service (AKS) Slutsatsdragning i realtid Storskaliga produktionsdistributioner. Snabb svarstid och autoskalning av tjänsten. Användarskapad. Mer information finns i Skapa beräkningsmål. Azure Container Instances Testning eller utveckling Småskaliga, CPU-baserade arbetsbelastningar som kräver mindre än 48 GB RAM-minne. Skapas automatiskt av Azure Machine Learning.
Testa realtidsslutpunkten
När distributionen är klar kan du se mer information och testa slutpunkten:
Gå till fliken Slutpunkter .
Välj slutpunkten.
Välj fliken Test.
Publicera en pipelineslutpunkt för batchförutsägelse eller omträning
Du kan också använda träningspipelinen för att skapa en pipelineslutpunkt i stället för en slutpunkt i realtid. Använd pipelineslutpunkter för att utföra batchförutsägelse eller omträning.
Pipelineslutpunkter ersätter Slutpunkter för Studio-batchkörning (klassisk) och omträning av webbtjänster.
Publicera en pipelineslutpunkt för batchförutsägelse
Publicering av en slutpunkt för batchförutsägelse liknar realtidsslutpunkten.
Använd följande steg för att publicera en pipelineslutpunkt för batchförutsägelse:
Kör din slutförda träningspipeline minst en gång.
När jobbet har slutförts väljer du Skapa slutsatsdragningspipeline>för batchinferens längst upp på arbetsytan.
Designern konverterar träningspipelinen till en pipeline för batchinferens. En liknande konvertering sker också i Studio (klassisk).
I designern registrerar det här steget även den tränade modellen till din Azure Machine Learning-arbetsyta.
Välj Skicka för att köra pipelinen för batchinferens och kontrollera att den har slutförts.
När du har verifierat slutsatsdragningspipelinen väljer du Publicera.
Skapa en ny pipelineslutpunkt eller välj en befintlig.
En ny pipelineslutpunkt skapar en ny REST-slutpunkt för din pipeline.
Om du väljer en befintlig pipelineslutpunkt skriver du inte över den befintliga pipelinen. I stället versioner av Azure Machine Learning varje pipeline i slutpunkten. Du kan ange vilken version som ska köras i rest-anropet. Du måste också ange en standardpipeline om REST-anropet inte anger någon version.
Publicera en pipelineslutpunkt för omträning
Om du vill publicera en pipelineslutpunkt för omträning måste du redan ha ett pipelineutkast som tränar en modell. Mer information om hur du skapar en träningspipeline finns i Återskapa ett Studio-experiment (klassiskt).
Om du vill återanvända pipelineslutpunkten för omträning måste du skapa en pipelineparameter för indatauppsättningen. På så sätt kan du dynamiskt ange din träningsdatauppsättning så att du kan träna om din modell.
Använd följande steg för att publicera pipelineslutpunkten för omträning:
Kör din träningspipeline minst en gång.
När körningen är klar väljer du modulen datauppsättning.
I fönstret modulinformation väljer du Ange som pipelineparameter.
Ange ett beskrivande namn som "InputDataset".
Då skapas en pipelineparameter för din indatauppsättning. När du anropar pipelineslutpunkten för träning kan du ange en ny datauppsättning för att träna om modellen.
Välj Publicera.
Anropa pipelineslutpunkten från studion
När du har skapat batchslutsatsen eller tränat om pipelineslutpunkten kan du anropa slutpunkten direkt från webbläsaren.
Gå till fliken Pipelines och välj Pipelineslutpunkter.
Välj den pipelineslutpunkt som du vill köra.
Välj Skicka.
Du kan ange valfria pipelineparametrar när du har valt Skicka.
Nästa steg
I den här artikeln har du lärt dig hur du återskapar en Studio-webbtjänst (klassisk) i Azure Machine Learning. Nästa steg är att integrera webbtjänsten med klientappar.
Se de andra artiklarna i studiomigreringsserien (klassisk):
- Migreringsöversikt.
- Migrera datauppsättning.
- Återskapa en Träningspipeline för Studio (klassisk).
- Återskapa en Studio-webbtjänst (klassisk).
- Integrera en Azure Machine Learning-webbtjänst med klientappar.
- Migrera Kör R-skript.