Händelser
Bli en certifierad infrastrukturresurs Dataingenjör
14 jan. 23 - 31 mars 23
Kontrollera din behörighet för ett erbjudande om provrabatt och registrera dig för kostnadsfria livesessioner för att förbereda dig för Exam DP-700.
Läs merDen här webbläsaren stöds inte längre.
Uppgradera till Microsoft Edge och dra nytta av de senaste funktionerna och säkerhetsuppdateringarna, samt teknisk support.
En maskininlärningsmodell är en fil som tränats att identifiera vissa typer av mönster. Du tränar en modell över en uppsättning data och ger den en algoritm som använder för att resonera över och lära sig av den datauppsättningen. När du har tränat modellen kan du använda den för att resonera över data som den aldrig sett tidigare och göra förutsägelser om dessa data.
I MLflow kan en maskininlärningsmodell innehålla flera modellversioner. Här kan varje version representera en modell-iteration. I den här artikeln får du lära dig hur du interagerar med ML-modeller för att spåra och jämföra modellversioner.
I MLflow innehåller maskininlärningsmodeller ett standardpaketeringsformat. Det här formatet tillåter användning av dessa modeller i olika nedströmsverktyg, inklusive batch-slutsatsdragning på Apache Spark. Formatet definierar en konvention för att spara en modell i olika "smaker" som olika underordnade verktyg kan förstå.
Du kan skapa en maskininlärningsmodell direkt från infrastrukturgränssnittet. MLflow-API:et kan också skapa modellen direkt.
Om du vill skapa en maskininlärningsmodell från användargränssnittet kan du:
Skapa en ny datavetenskapsarbetsyta eller välj en befintlig datavetenskapsarbetsyta.
I listrutan + Ny väljer du Modell för att skapa en tom modell på din datavetenskapsarbetsyta.
När modellen har skapats kan du börja lägga till modellversioner för att spåra körningsmått och parametrar. Registrera eller spara experimentkörningar till en befintlig modell.
Du kan också skapa ett maskininlärningsexperiment direkt från din redigeringsupplevelse med API:et mlflow.register_model()
. Om det inte finns någon registrerad maskininlärningsmodell med det angivna namnet skapar API:et den automatiskt.
import mlflow
model_uri = "runs:/{}/model-uri-name".format(run.info.run_id)
mv = mlflow.register_model(model_uri, "model-name")
print("Name: {}".format(mv.name))
print("Version: {}".format(mv.version))
En maskininlärningsmodell innehåller en samling modellversioner för förenklad spårning och jämförelse. I en modell kan en dataexpert navigera mellan olika modellversioner för att utforska underliggande parametrar och mått. Dataexperter kan också göra jämförelser mellan modellversioner för att identifiera om nyare modeller kan ge bättre resultat eller inte.
En maskininlärningsmodellversion representerar en enskild modell som är registrerad för spårning.
Varje modellversion innehåller följande information:
Om du vill jämföra och utvärdera kvaliteten på maskininlärningsmodellversioner kan du jämföra parametrar, mått och metadata mellan valda versioner.
Du kan visuellt jämföra körningar i en befintlig modell. Med visuell jämförelse kan du enkelt navigera mellan och sortera mellan flera versioner.
Om du vill jämföra körningar kan du:
Dataexperter kan också använda MLflow för att söka bland flera modeller som sparats på arbetsytan. Gå till MLflow-dokumentationen för att utforska andra MLflow-API:er för modellinteraktion.
from pprint import pprint
client = MlflowClient()
for rm in client.list_registered_models():
pprint(dict(rm), indent=4)
När du har tränat en modell på en datauppsättning kan du använda modellen på data som den aldrig såg för att generera förutsägelser. Vi kallar den här modellen för användning av teknikbedömning eller slutsatsdragning. Mer information om Microsoft Fabric-modellbedömning finns i nästa avsnitt.
Händelser
Bli en certifierad infrastrukturresurs Dataingenjör
14 jan. 23 - 31 mars 23
Kontrollera din behörighet för ett erbjudande om provrabatt och registrera dig för kostnadsfria livesessioner för att förbereda dig för Exam DP-700.
Läs merUtbildning
Modul
Träna och spåra maskininlärningsmodeller med MLflow i Microsoft Fabric - Training
Lär dig hur du tränar maskininlärningsmodeller i notebook-filer och spårar ditt arbete med MLflow-experiment i Microsoft Fabric.
Certifiering
Microsoft Certified: Azure Data Scientist Associate - Certifications
Manage data ingestion and preparation, model training and deployment, and machine learning solution monitoring with Python, Azure Machine Learning and MLflow.
Dokumentation
Maskininlärningsexperiment - Microsoft Fabric
Lär dig hur du skapar maskininlärningsexperiment, använder MLflow-API:et, hanterar och jämför körningar och sparar en körning som en modell.
Datavetenskap i Microsoft Fabric-dokumentationen - Microsoft Fabric
Sammanfattning av Datavetenskap dokumentationen i Microsoft Fabric
Modellbedömning med PREDICT - Microsoft Fabric
Lär dig hur du operationaliserar maskininlärningsmodeller i Infrastruktur med en skalbar funktion som heter PREDICT.