Migrera till Azure Machine Learning från Studio (klassisk)
Viktigt!
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du övergår till Azure Machine Learning vid det datumet.
Efter december 2021 kan du inte längre skapa nya Studio-resurser (klassiska). Till och med den 31 augusti 2024 kan du fortsätta att använda befintliga Studio-resurser (klassiska).
Studio-dokumentationen (klassisk) dras tillbaka och kanske inte uppdateras i framtiden.
Lär dig hur du migrerar från Machine Learning Studio (klassisk) till Azure Machine Learning. Azure Machine Learning tillhandahåller en moderniserad datavetenskapsplattform som kombinerar metoder utan kod och kod först.
Den här guiden går igenom en grundläggande lift and shift-migrering . Om du vill optimera ett befintligt arbetsflöde för maskininlärning eller modernisera en maskininlärningsplattform kan du läsa Azure Machine Learning Adoption Framework för mer resurser, inklusive verktyg för digitala undersökningar, kalkylblad och planeringsmallar.
Kontakta molnlösningsarkitekten om migreringen.
Rekommenderad metod
För att migrera till Azure Machine Learning rekommenderar vi följande metod:
- Steg 1: Utvärdera Azure Machine Learning
- Steg 2: Definiera en strategi och plan
- Steg 3: Återskapa experiment och webbtjänster
- Steg 4: Integrera klientappar
- Steg 5: Rensa Studio-tillgångar (klassiska)
- Steg 6: Granska och expandera scenarier
Steg 1: Utvärdera Azure Machine Learning
Lär dig mer om Azure Machine Learning och dess fördelar, kostnader och arkitektur.
Jämför funktionerna i Azure Machine Learning och Studio (klassisk).
I följande tabell sammanfattas de viktigaste skillnaderna.
Funktion Studio (klassisk) Azure Machine Learning Dra och släpp-gränssnitt Klassisk upplevelse Uppdaterad upplevelse: Azure Machine Learning Designer Kod-SDK:er Stöds inte Helt integrerad med Azure Machine Learning Python och R SDK:er Experiment Skalbar (gräns för 10 GB träningsdata) Skala med beräkningsmål Träningsberäkningsmål Proprietärt beräkningsmål, endast cpu-stöd Brett utbud av anpassningsbara träningsberäkningsmål, inklusive GPU- och CPU-stöd Distributionsberäkningsmål Proprietärt webbtjänstformat, inte anpassningsbart Ett brett utbud av anpassningsbara distributionsberäkningsmål, inklusive GPU- och CPU-stöd Maskininlärningspipeline Stöds inte Skapa flexibla, modulära pipelines för att automatisera arbetsflöden MLOps Grundläggande modellhantering och -distribution; Endast CPU-distributioner Entitetsversioner (modell, data, arbetsflöden), arbetsflödesautomation, integrering med CICD-verktyg, CPU- och GPU-distributioner med mera Modellformat Proprietärt format, Endast Studio (klassiskt) Flera format som stöds beroende på typ av träningsjobb Automatiserad modellträning och justering av hyperparametrar Stöds inte Stöds
Alternativ för kod först och utan kodIdentifiering av dataavvikelse Stöds inte Stöds Projekt för dataetiketter Stöds inte Stöds Rollbaserad åtkomstkontroll (RBAC) Endast rollen deltagare och ägare Flexibel rolldefinition och RBAC-kontroll AI-galleri Stöds Stöds inte
Lär dig med Python SDK-exempelanteckningsböckerKommentar
Designerfunktionen i Azure Machine Learning ger en dra och släpp-upplevelse som liknar Studio (klassisk). Azure Machine Learning tillhandahåller dock även robusta kodinlärningsarbetsflöden som ett alternativ. Den här migreringsserien fokuserar på designern, eftersom den mest liknar studioupplevelsen (klassisk).
Kontrollera att dina kritiska Studio-moduler (klassiska) stöds i Azure Machine Learning Designer. Mer information finns i tabellen Studio (klassisk) och designerkomponentmappning .
Skapa en Azure Machine Learning-arbetsyta.
Steg 2: Definiera en strategi och plan
Definiera affärsmotiveringar och förväntade resultat.
Anpassa en åtgärdsbar Azure Machine Learning-implementeringsplan till affärsresultat.
Förbered människor, processer och miljöer för förändring.
Samarbeta med molnlösningsarkitekten för att definiera din strategi.
Information om hur du planerar resurser, inklusive en mall för planeringsdokument, finns i Azure Machine Learning Adoption Framework.
Steg 3: Återskapa din första modell
När du har definierat en strategi migrerar du din första modell.
Använd Azure Machine Learning-designern för att återskapa ett experiment.
Använd Azure Machine Learning-designern för att distribuera om en webbtjänst.
Kommentar
Den här vägledningen bygger på begrepp och funktioner i Azure Machine Learning v1. Azure Machine Learning har CLI v2 och Python SDK v2. Vi rekommenderar att du återskapar dina Studio-modeller (klassiska) med v2 i stället för v1. Börja med Azure Machine Learning v2.
Steg 4: Integrera klientappar
Ändra klientprogram som anropar Studio-webbtjänster (klassiska) för att använda dina nya Azure Machine Learning-slutpunkter.
Steg 5: Rensa Studio-tillgångar (klassiska)
Rensa Studio-tillgångar (klassiska) för att undvika extra avgifter. Du kanske vill behålla tillgångar för återställning tills du har verifierat Azure Machine Learning-arbetsbelastningar.
Steg 6: Granska och expandera scenarier
Granska modellmigreringen för bästa praxis och verifiera arbetsbelastningar.
Expandera scenarier och migrera fler arbetsbelastningar till Azure Machine Learning.
Studio (klassisk) och designerkomponentmappning
I följande tabell kan du se vilka moduler som ska användas vid återskapande av Studio-experiment (klassiska) i Azure Machine Learning-designern.
Viktigt!
Designern implementerar moduler via Python-paket med öppen källkod i stället för C#-paket som Studio (klassisk). På grund av den här skillnaden kan utdata från designerkomponenter variera något från deras Studio-motsvarigheter (klassiska).
Kategori | Studio-modul (klassisk) | Ersättningsdesignerkomponent |
---|---|---|
Indata och utdata | – Ange data manuellt – Exportera data – Importera data – Läs in tränad modell – Packa upp zippade datauppsättningar |
– Ange data manuellt – Exportera data – Importera data |
Dataformatkonverteringar | – Konvertera till CSV – Konvertera till datauppsättning – Konvertera till ARFF – Konvertera till SVMLight – Konvertera till TSV |
– Konvertera till CSV – Konvertera till datauppsättning |
Datatransformering – manipulering | – Lägg till kolumner – Lägg till rader – Tillämpa SQL-transformering – Rensa saknade data – Konvertera till indikatorvärden – Redigera metadata – Koppla data – Ta bort dubblettrader – Välj kolumner i datauppsättningen – Välj kolumntransformering - SMOTE - Gruppera kategoriska värden |
– Lägg till kolumner – Lägg till rader – Tillämpa SQL-transformering – Rensa saknade data – Konvertera till indikatorvärden – Redigera metadata – Koppla data – Ta bort dubblettrader – Välj kolumner i datauppsättningen – Välj kolumntransformering - SMOTE |
Datatransformering – Skala och minska | – Klipp ut värden – Gruppera data i lagerplatser – Normalisera data – Analys av huvudkomponent |
– Klipp ut värden – Gruppera data i lagerplatser – Normalisera data |
Datatransformering – Exempel och delning | – Partition och exempel – Dela upp data |
– Partition och exempel – Dela upp data |
Datatransformering – filter | – Använd filter – FIR-filter – IIR-filter - Medianfilter - Filter för glidande medelvärde – Tröskelvärdesfilter – Användardefinierat filter |
|
Datatransformering – Inlärning med antal | – Transformering av byggräkning – Exportantaltabell – Importantaltabell – Sammanslagning av antal transformeringar – Ändra tabellparametrar för antal |
|
Val av funktion | – Filterbaserad funktionsval - Analys av icke-diskriminerande fisher – Funktionsvikt för permutation |
– Filterbaserad funktionsval – Funktionsvikt för permutation |
Modell – klassificering | – Beslutsskog för flera grupper - Beslutsdjungeln för flera grupper - Logistisk regression för flera grupper – Neuralt nätverk med flera klasser – En-mot-alla-multiklass - Genomsnittlig perceptron med två klasser – Tvåklasss Bayes-punktdator – Tvåklasssförstärkning av beslutsträd – Beslutsskog med två klasser - Beslutsdjungeln i två klasser – Lokalt djup SVM i två klasser – Logistisk regression i två klasser – Neuralt nätverk med två klasser – Stödvektormaskin med två klasser |
– Beslutsskog för flera grupper – Beslutsträd för flerklasssökning - Logistisk regression för flera grupper – Neuralt nätverk med flera klasser – En-mot-alla-multiklass - Genomsnittlig perceptron med två klasser – Tvåklasssförstärkning av beslutsträd – Beslutsskog med två klasser – Logistisk regression i två klasser – Neuralt nätverk med två klasser – Stödvektormaskin med två klasser |
Modell – klustring | – K-means-klustring | – K-means-klustring |
Modell – regression | - Bayesiansk linjär regression – Ökad regression av beslutsträd – Beslutsskogsregression - Snabb regression för skogskvantil - Linjär regression – Neural nätverksregression - Ordningsregression - Poisson-regression |
– Ökad regression av beslutsträd – Beslutsskogsregression - Snabb regression för skogskvantil - Linjär regression – Neural nätverksregression - Poisson-regression |
Modell – Avvikelseidentifiering | – SVM i en klass – PCA-baserad avvikelseidentifiering |
– PCA-baserad avvikelseidentifiering |
Maskininlärning – Utvärdera | – Korsvalidera modell – Utvärdera modell – Utvärdera rekommenderare |
– Korsvalidera modell – Utvärdera modell – Utvärdera rekommenderare |
Maskininlärning – Träna | – Sopa klustring – Träna modellen för avvikelseidentifiering – Träna klustringsmodell - Träna matchbox-rekommendationer - Träna modell – Justera modellhyperparametrar |
– Träna modellen för avvikelseidentifiering – Träna klustringsmodell – Träna modell – Träna PyTorch-modell – Träna SVD-rekommenderare - Träna bred och djuprekommendator – Justera modellhyperparametrar |
Maskininlärning – poäng | – Tillämpa transformering – Tilldela data till kluster – Poängmatchningsrekommendator – Poängmodell |
– Tillämpa transformering – Tilldela data till kluster – Poängsätta bildmodell – Poängmodell – Poängsätta SVD-rekommenderare - Poäng bred och djuprekommendator |
OpenCV-biblioteksmoduler | – Importera bilder – Förtränad klassificering av kaskadbild |
|
Python-språkmoduler | – Kör Python-skript | – Kör Python-skript – Skapa Python-modell |
R-språkmoduler | – Kör R-skript – Skapa R-modell |
– Kör R-skript |
Statistikfunktioner | – Tillämpa matematisk åtgärd - Beräkningsstatistik för grundskolan – Linjär korrelation för beräkning – Utvärdera sannolikhetsfunktionen – Ersätt diskreta värden – Sammanfatta data – Testhypotes med t-Test |
– Tillämpa matematisk åtgärd – Sammanfatta data |
Textanalys | – Identifiera språk - Extrahera nyckelfraser från text – Extrahera N-gram-funktioner från text – Funktionshashing - Latent dirichlet-allokering – Namngiven entitetsigenkänning – Förbearbeta text - Poäng vVowpal Wabbit version 7-10 modell - Poäng Vowpal Wabbit version 8 modell - Träna Vowpal Wabbit version 7-10 modell - Träna Vowpal Wabbit version 8 modell |
– Konvertera Word till vektor – Extrahera N-gram-funktioner från text – Funktionshashing - Latent dirichlet-allokering – Förbearbeta text - Poäng Vowpal Wabbit modell - Träna Vowpal Wabbit-modell |
Tidsserier | – Avvikelseidentifiering för tidsserier | |
Webbtjänst | -Input - Utdata |
-Input - Utdata |
Visuellt innehåll | – Tillämpa bildtransformering – Konvertera till avbildningskatalog – Init-bildtransformering – Dela upp avbildningskatalog – DenseNet-bildklassificering – ResNet-bildklassificering |
Mer information om hur du använder enskilda designerkomponenter finns i referensen för algoritm och komponent.
Vad händer om en designerkomponent saknas?
Azure Machine Learning-designern innehåller de mest populära modulerna från Studio (klassisk). Den innehåller även nya moduler som utnyttjar de senaste maskininlärningsteknikerna.
Om din migrering blockeras på grund av att moduler saknas i designern kontaktar du oss genom att skapa ett supportärende.
Exempelmigrering
I följande migreringsexempel visas några av skillnaderna mellan Studio (klassisk) och Azure Machine Learning.
Datauppsättningar
I Studio (klassisk) sparades datauppsättningar på din arbetsyta och kunde endast användas av Studio (klassisk).
I Azure Machine Learning registreras datauppsättningar på arbetsytan och kan användas i hela Azure Machine Learning. Mer information om fördelarna med Azure Machine Learning-datamängder finns i Data i Azure Machine Learning.
Pipeline
I Studio (klassisk) innehöll experiment bearbetningslogik för ditt arbete. Du har skapat experiment med dra och släpp-moduler.
I Azure Machine Learning innehåller pipelines bearbetningslogik för ditt arbete. Du kan skapa pipelines med antingen dra och släpp-moduler eller genom att skriva kod.
Webbtjänstslutpunkter
Studio (klassisk) använde API:et REQUEST/RESPOND för realtidsförutsägelse och BATCH EXECUTION API för batchförutsägelse eller omträning.
Azure Machine Learning använder realtidsslutpunkter (hanterade slutpunkter) för förutsägelse i realtid och pipelineslutpunkter för batchförutsägelse eller omträning.
Relaterat innehåll
I den här artikeln har du lärt dig de övergripande kraven för migrering till Azure Machine Learning. Detaljerade steg finns i de andra artiklarna i migreringsserien Machine Learning Studio (klassisk):
- Migrera en Studio-datauppsättning (klassisk)
- Återskapa ett Studio-experiment (klassiskt)
- Återskapa en Studio-webbtjänst (klassisk)
- Använda pipelineslutpunkter från klientprogram.
- Migrera kör R-skriptmoduler
Fler migreringsresurser finns i Azure Machine Learning Adoption Framework.
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för