Dela via

Machine Learning Studio (klassisk) Webbtjänster: Distribution och förbrukning

GÄLLER FÖR:Gäller för.Machine Learning Studio (klassisk) Gäller inte för.Azure Machine Learning

Viktigt!

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Du kan använda Machine Learning Studio (klassisk) för att distribuera arbetsflöden och modeller för maskininlärning som webbtjänster. Dessa webbtjänster kan sedan användas för att anropa maskininlärningsmodellerna från program via Internet för att göra förutsägelser i realtid eller i batchläge. Eftersom webbtjänsterna är RESTful kan du anropa dem från olika programmeringsspråk och plattformar, till exempel .NET och Java, och från program, till exempel Excel.

Nästa avsnitt innehåller länkar till genomgångar, kod och dokumentation som hjälper dig att komma igång.

Distribuera en webbtjänst

Genom att använda Machine Learning Studio (klassisk)

Studio-portalen (klassisk) och Machine Learning Web Services-portalen hjälper dig att distribuera och hantera en webbtjänst utan att skriva kod.

Följande länkar innehåller allmän information om hur du distribuerar en ny webbtjänst:

Med API:er för webbtjänsters resursprovider (Azure Resource Manager-API:er)

Resursprovidern Machine Learning Studio (klassisk) för webbtjänster möjliggör distribution och hantering av webbtjänster med hjälp av REST API-anrop. Mer information finns i referensen för Machine Learning Web Service (REST).

Med PowerShell-cmdletar

Resursprovidern Machine Learning Studio (klassisk) för webbtjänster möjliggör distribution och hantering av webbtjänster med hjälp av PowerShell-cmdletar.

Om du vill använda cmdletarna måste du först logga in på ditt Azure-konto inifrån PowerShell-miljön med hjälp av cmdleten Connect-AzAccount . Om du inte känner till hur du anropar PowerShell-kommandon som baseras på Resource Manager kan du läsa Använda Azure PowerShell med Azure Resource Manager.

Om du vill exportera ditt förutsägelseexperiment använder du den här exempelkoden. När du har skapat .exe-filen från koden kan du skriva:

C:\<folder>\GetWSD <experiment-url> <workspace-auth-token>

När du kör programmet skapas en JSON-mall för webbtjänsten. Om du vill använda mallen för att distribuera en webbtjänst måste du lägga till följande information:

Lägg till dem i JSON-mallen som underordnade till Egenskaper-noden på samma nivå som MachineLearningWorkspace-noden.

Här är ett exempel:

"StorageAccount": {
        "name": "YourStorageAccountName",
        "key": "YourStorageAccountKey"
},
"CommitmentPlan": {
    "id": "subscriptions/YouSubscriptionID/resourceGroups/YourResourceGroupID/providers/Microsoft.MachineLearning/commitmentPlans/YourPlanName"
}

Mer information finns i följande artiklar och exempelkod:

  • Referens för Machine Learning Studio (classic) Cmdlets på MSDN

Använda webbtjänsterna

Från Användargränssnittet för Machine Learning Web Services (testning)

Du kan testa webbtjänsten från Machine Learning Web Services-portalen. Detta omfattar testning av BES-gränssnitten (Request-Response Service) och Batch Execution Service.

Från Excel

Du kan ladda ned en Excel-mall som använder webbtjänsten:

Från en REST-baserad klient

Machine Learning Web Services är RESTful-API:er. Du kan använda dessa API:er från olika plattformar, till exempel .NET, Python, R, Java osv. På sidan Förbruka för webbtjänsten på Machine Learning Web Services-portalen finns exempelkod som kan hjälpa dig att komma igång. Mer information finns i Använda en Machine Learning-webbtjänst.

  • Last updated on