Klasik Studio (klasik) web hizmetini yeniden eğitme ve dağıtma

Makale
02/14/2019

ŞUNUN IÇIN GEÇERLIDIR: Şunun için geçerlidir. Machine Learning Studio (klasik) Hayır'a işaret eden X. için geçerli değildir.

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning'e taşıma hakkındaki bilgilere bakın.
Azure Machine Learning hakkında daha fazla bilgi edinin

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Makine öğrenmesi modellerini yeniden eğitmek, bunların doğru kalmasını sağlamanın ve mevcut en uygun verileri temel almalarının bir yoludur. Bu makalede, klasik bir Studio (klasik) web hizmetini nasıl yeniden eğiteceğiniz gösterilir. Yeni bir Studio (klasik) web hizmetini yeniden eğitme kılavuzu için bu nasıl yapılır makalesini görüntüleyin.

Önkoşullar

Bu makalede hem yeniden eğitme denemeniz hem de tahmine dayalı bir denemeniz olduğu varsayılır. Bu adımlar, makine öğrenmesi modelini yeniden eğitme ve dağıtma bölümünde açıklanmıştır. Ancak makine öğrenmesi modelinizi yeni bir web hizmeti olarak dağıtmak yerine tahmine dayalı denemenizi klasik bir web hizmeti olarak dağıtacaksınız.

Yeni uç nokta ekleme

Dağıttığınız tahmine dayalı web hizmeti, özgün eğitim ve puanlama denemeleri eğitilen modelle eşitlenmiş olarak tutulan varsayılan bir puanlama uç noktası içerir. Web hizmetinizi yeni bir eğitilmiş modelle olarak güncelleştirmek için yeni bir puanlama uç noktası oluşturmanız gerekir.

Web hizmetine yeni bir uç nokta eklemenin iki yolu vardır:

Programlı olarak
Azure Web Hizmetleri portalını kullanma

Not

Uç noktayı Eğitim Web Hizmeti'ne değil Tahmine Dayalı Web Hizmetine eklediğinizden emin olun. Hem Eğitim hem de Tahmine Dayalı Web Hizmetini doğru dağıttıysanız, iki ayrı web hizmetinin listelendiğini görmeniz gerekir. Tahmine Dayalı Web Hizmeti "[predictive exp.]" ile bitmelidir.

Program aracılığıyla uç nokta ekleme

Bu GitHub deposunda sağlanan örnek kodu kullanarak puanlama uç noktaları ekleyebilirsiniz.

Uç nokta eklemek için Azure Web Hizmetleri portalını kullanma

Machine Learning Studio'da (klasik) sol gezinti sütununda Web Hizmetleri'ne tıklayın.
Web hizmeti panosunun en altında Uç noktaları yönet önizlemesine tıklayın.
Ekle'yi tıklatın.
Yeni uç nokta için bir ad ve açıklama yazın. Günlük düzeyini ve örnek verilerin etkinleştirilip etkinleştirilmediğini seçin. Günlüğe kaydetme hakkında daha fazla bilgi için bkz . Machine Learning web hizmetleri için günlüğe kaydetmeyi etkinleştirme.

Eklenen uç noktanın eğitilmiş modelini güncelleştirme

PATCH URL'sini alma

Web portalını kullanarak doğru PATCH URL'sini almak için şu adımları izleyin:

Azure Machine Learning Web Hizmetleri portalında oturum açın.
Üst kısımdaki Web Hizmetleri'ne veya Klasik Web Hizmetleri'ne tıklayın.
Üzerinde çalıştığınız puanlama web hizmetine tıklayın (web hizmetinin varsayılan adını değiştirmediyseniz, "[Puanlama Deneyimi]" ile biter).
+YENİ'ye tıklayın.
Uç nokta eklendikten sonra uç nokta adına tıklayın.
Düzeltme Eki URL'si altında API Yardımı'na tıklayarak düzeltme eki uygulama yardım sayfasını açın.

Not

Tahmine Dayalı Web Hizmeti yerine Eğitim Web Hizmeti'ne uç noktayı eklediyseniz, Kaynağı Güncelleştir bağlantısına tıkladığınızda şu hatayı alırsınız: "Üzgünüz, ancak bu özellik bu bağlamda desteklenmiyor veya kullanılamıyor. Bu Web Hizmeti'nin güncelleştirilebilir kaynağı yok. Bu sorun için özür dileriz ve bu iş akışını geliştirmek için çalışıyoruz."

PATCH yardım sayfası, kullanmanız gereken PATCH URL'sini içerir ve bunu çağırmak için kullanabileceğiniz örnek kodu sağlar.

Düzeltme eki URL'si.

Uç noktayı güncelleştirme

Artık eğitilen modeli kullanarak daha önce oluşturduğunuz puanlama uç noktasını güncelleştirebilirsiniz.

Aşağıdaki örnek kod, uç noktayı güncelleştirmek için BaseLocation, RelativeLocation, SasBlobToken ve PATCH URL'sini nasıl kullanacağınızı gösterir.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

Çağrı için apiKey ve endpointUrl uç nokta panosundan alınabilir.

Kaynaklar'daki Ad parametresinin değeri, tahmine dayalı denemede kaydedilmiş Eğitilen Modelin Kaynak Adı ile eşleşmelidir. Kaynak Adını almak için:

Azure Portal’ında oturum açın.
Soldaki menüde Makine Öğrenmesi'ne tıklayın.
Ad'ın altında, çalışma alanınıza ve ardından Web Hizmetleri'ne tıklayın.
Ad'ın altında Census Model [predictive exp.] öğesine tıklayın.
Eklediğiniz yeni uç noktaya tıklayın.
Uç nokta panosunda Kaynağı Güncelleştir'e tıklayın.
Web hizmetinin Kaynak API'sini Güncelleştirme Belgeleri sayfasında, Güncelleştirilebilir Kaynaklar altında Kaynak Adı'nı bulabilirsiniz.

Uç noktayı güncelleştirmeden önce SAS belirtecinizin süresi dolarsa, yeni bir belirteç almak için İş Kimliği ile bir GET gerçekleştirmeniz gerekir.

Kod başarıyla çalıştırıldığında, yeni uç nokta yaklaşık 30 saniye içinde yeniden eğitilen modeli kullanmaya başlamalıdır.

Sonraki adımlar

Web hizmetlerini yönetme veya birden çok deneme çalıştırmasını izleme hakkında daha fazla bilgi edinmek için aşağıdaki makalelere bakın:

Aracılığıyla paylaş