Exportera till Azure SQL Database

Artikel
05/06/2019

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.

Den här artikeln beskriver hur du använder alternativet Exportera till Azure SQL Database i modulen Exportera data i Machine Learning Studio (klassisk). Det här alternativet är användbart när du vill exportera data från maskininlärningsexperimentet till en Azure SQL Database eller Azure SQL Data Warehouse.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Exportera till en SQL-databas är användbart i många maskininlärningsscenarier: du kanske till exempel vill lagra mellanliggande resultat, spara poäng eller bevara tabeller med utformade funktioner. Även om lagring av data i Azure SQL Database eller Azure SQL Data Warehouse kan vara dyrare än att använda tabeller eller blobar i Azure, finns det inga transaktionsavgifter mot SQL databaser. Dessutom är databaslagring perfekt för att snabbt skriva mindre mängder information som används ofta, för att dela data mellan experiment eller för rapportering av resultat, förutsägelser och mått.

Å andra sidan kan det finnas gränser för hur mycket data som du kan lagra i en databas, beroende på din prenumerationstyp. Du bör också överväga att använda en databas och ett konto som finns i samma region som din maskininlärningsarbetsyta.

Om du vill exportera data anger du instansnamnet och databasnamnet där data lagras och kör modulen med ett konto som har skrivbehörighet. Du måste också ange tabellnamnet och mappa kolumnerna från experimentet till kolumner i tabellen.

Så här exporterar du data till en Azure SQL Database

Lägg till modulen Exportera data i experimentet i Studio (klassisk). Du hittar den här modulen i kategorin Indata och utdata .
Anslut Exportera data till modulen som producerar de data som du vill exportera.
För Datamål väljer du Azure SQL Database. Det här alternativet Azure SQL Data Warehouse också.
Ange namnet på servern och databasen i Azure SQL Database eller Azure SQL Data Warehouse.

Databasservernamn: Ange servernamnet som genereras av Azure. Vanligtvis har den formuläret <generated_identifier>.database.windows.net.

Databasnamn: Ange namnet på en befintlig databas på den server som du nyss angav. Modulen Exportera data kan inte skapa en databas.

Namn på serveranvändarkonto: Ange användarnamnet för ett konto som har åtkomstbehörighet för databasen.

Lösenord för serveranvändarkonto: Ange lösenordet för det angivna användarkontot.
Ange vilka kolumner som ska exporteras och om du vill byta namn på kolumnerna.

Kommaavgränsad lista över kolumner som ska sparas: Ange namnen på kolumnerna från experimentet som du vill skriva till databasen.

Namn på datatabell: Ange namnet på tabellen som data ska lagras i.

Om Azure SQL Database tabellen inte finns skapas till exempel en ny tabell.

För Azure SQL Data Warehouse tabellen redan finnas och ha rätt schema, så se till att skapa den i förväg.

Kommaavgränsad lista över datatabellkolumner: Ange namnen på kolumnerna som du vill att de ska visas i måltabellen.

För Azure SQL Database kan du ändra kolumnnamnen, men du måste behålla kolumnerna i samma ordning som du har listat kolumnerna för export, i en kommaavgränsad lista över kolumner som ska sparas.

För Azure SQL Data Warehouse måste kolumnnamnen matcha dem som redan finns i måltabellschemat.
Antal rader som skrivs per SQL Azure åtgärd: Det här alternativet anger hur många rader som ska skrivas till måltabellen i varje batch.

Som standard är värdet inställt på 50, vilket är standard batchstorleken för Azure SQL Database. Du bör dock öka det här värdet om du har ett stort antal rader att skriva.

För Azure SQL Data Warehouse rekommenderar vi att du anger värdet till 1. Om du använder en större batchstorlek kan storleken på kommandosträngen som skickas till Azure SQL Data Warehouse överskrida den tillåtna stränglängden, vilket orsakar ett fel.
Använd cachelagrade resultat: Välj det här alternativet för att undvika att skriva nya resultat varje gång experimentet körs. Om det inte finns några andra ändringar i modulparametrar skriver experimentet endast data första gången modulen körs. En ny skrivning utförs dock alltid om några parametrar har ändrats i Exportera data som skulle ändra resultatet.
Kör experimentet.

Exempel

Exempel på hur du använder modulen Exportera data finns i Azure AI Gallery:

Detaljhandelsprognossteg 1 av 6 – förbearbetning av data: Mallen för detaljhandelsprognoser illustrerar en maskininlärningsuppgift baserat på data som lagras i Azure SQLDB. Den visar användbara tekniker, till exempel att använda Azure SQL-databasen för att skicka datauppsättningar mellan experiment i olika konton, spara och kombinera prognoser och hur du skapar en Azure SQL-databas bara för maskininlärning.
Skapa och distribuera en maskininlärningsmodell med SQL Server på en virtuell Azure-dator: Den här artikeln beskriver hur du använder en SQL Server-databas på en virtuell Azure-dator som källa för lagring av träningsdata och förutsägelser. Den illustrerar också hur relationsdatabasen kan användas för funktionsutveckling och funktionsval.
Så här använder du Azure ML med Azure SQL Data Warehouse: Visar hur du använder data från Azure SQL Data Warehouse för att skapa en klustringsmodell.
Använd Machine Learning med SQL Data Warehouse: Visar hur du skapar en regressionsmodell för att förutsäga priser med hjälp av data i Azure SQL Data Warehouse.

Teknisk information

Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor.

Vanliga frågor

Använda en databas i en annan geografisk region

Om Azure SQL Database eller SQL Data Warehouse i en annan region än machine learning-kontot kan skrivningar ta längre tid.

Dessutom debiteras du för in- och utgående data i prenumerationen om beräkningsnoden finns i en annan region än lagringskontot.

Varför visas vissa tecken i utdata inte korrekt

Machine Learning stöder UTF-8-kodning. Om strängkolumner i databasen använder en annan kodning kanske tecknen inte sparas korrekt.

Dessutom kan Machine Learning mata ut datatyper som money.

Modulparametrar

Name	Intervall	Typ	Standardvärde	Description
Datakälla	Lista	Datakälla eller mottagare	Azure Blob Storage	Datakällan kan vara HTTP, FTP, anonym HTTPS eller FTPS, en fil i Azure BLOB Storage, en Azure-tabell, en Azure SQL Database eller Azure SQL Data Warehouse, en Hive-tabell eller en OData-slutpunkt.
Databasservernamn	valfri	Sträng	inget
Databasnamn	valfri	Sträng	inget
Serveranvändarkontonamn	valfri	Sträng	inget
Lösenord för serveranvändarkonto			inget
Kommaavgränsad lista över kolumner som ska sparas			inget
Namn på datatabell	valfri	Sträng	inget
Kommaavgränsad lista över datatabellkolumner	Sträng	Sträng	inget	Sträng
Antal rader som skrivits per SQL Azure åtgärd	Sträng	Integer	50	Sträng
Använda cachelagrade resultat	TRUE/FALSE	Boolesk	FALSE	Modulen körs bara om det inte finns någon giltig cache. använd annars cachelagrade data från föregående körning.

Undantag

Undantag	Description
Fel 0027	Ett undantag inträffar när två objekt måste ha samma storlek, men det är de inte.
Fel 0003	Ett undantag inträffar om ett eller flera indata är null eller tomma.
Fel 0029	Ett undantag inträffar när en ogiltig URI skickas.
Fel 0030	ett undantag inträffar när det inte går att ladda ned en fil.
Fel 0002	Ett undantag inträffar om en eller flera parametrar inte kunde parsas eller konverteras från den angivna typen till den typ som krävs av målmetoden.
Fel 0009	Ett undantag inträffar om namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt.
Fel 0048	Ett undantag inträffar när det inte går att öppna en fil.
Fel 0015	Ett undantag inträffar om databasanslutningen har misslyckats.
Fel 0046	Ett undantag inträffar när det inte går att skapa en katalog på den angivna sökvägen.
Fel 0049	Ett undantag inträffar när det inte går att parsa en fil.

En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.

En lista över API-undantag finns i Machine Learning REST API felkoder.

Se även

Importera data
Exportera data
Exportera till Azure Blob Storage
Exportera till Hive-fråga
Exportera till Azure Table

Dela via