Eğitilen modeli yükle

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 öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
• Azure Machine Learninghakkında daha fazla bilgi edinin.

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

Web 'de barındırılan eğitilen model yükleme

Kategori: veri girişi ve çıkışı

Not

uygulama hedefi: yalnızca Machine Learning Studio (klasik)

benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.

Modüle genel bakış

bu makalede, deneme sürümünde kullanılmak üzere zaten eğitilen bir modeli yüklemek için Machine Learning Studio 'da (klasik) yük eğitilen model modülünün nasıl kullanılacağı açıklanır.

Bu modül, mevcut bir eğitilen model gerektiriyor. Genellikle, modeli farklı bir deneyde oluşturup eğitmeniz ve sonra modeli çalışma alanınıza ya da desteklenen bulut depolama seçeneklerinden birine kaydetmeniz gerekir.

Daha sonra, eğitilen modeli almak ve bunu yeni bir deneyle çalıştırmak için eğitilen model yükleme modülünü kullanırsınız.

Yük eğitilen modeli kullanma

Yeni veriler için tahminleri yapmak üzere mevcut bir modeli kullanmak için:

• Modelin daha önce eğitilmeli ve sonra iLearner biçiminde kaydedilmiş olması gerekir.
• Modele URL veya Azure Blob depolama alanı ile erişilebilir olması gerekir.

Bu bölüm, bir modelin nasıl kaydedileceğini, kaydedilmiş bir modelin nasıl alınacağını ve kaydedilmiş bir modelin nasıl uygulanacağını açıklar.

Eğitilen bir modeli kaydetme

Modeli, Studio (klasik) arabirimini kullanarak veya bir Web hizmeti olarak çalışan bir deneme kullanarak kaydedebilirsiniz.

Web hizmeti kullanarak bir modeli kaydetme

1. Modelin Web hizmeti olarak eğitimini veya yeniden eğitimine yönelik bir deneme oluşturun
2. Bu denemeyi bir Web hizmeti olarak yayımlayın.
3. Eğitim Web hizmetinin BES uç noktasını çağırdığınızda, Web hizmeti iLearner arabirimini kullanarak eğitilen bir modeli kaydeder ve dosyayı belirttiğiniz Azure Blob depolama hesabına kaydeder.

Eğitim Web hizmeti oluşturma hakkında adım adım bilgiler için şu makalelere bakın:

• Machine Learning modellerini programlı bir şekilde yeniden eğitme
• Bir deneme Web hizmeti olarak kaydediliyor

Bir modeli Studio 'Ya kaydetme (klasik)

1. Modeli oluşturan ve sağlayan denemeyi çalıştırın.
2. Eğitim tamamlandığında eğitim için kullanılan modüle sağ tıklayın, eğitilen model' i seçin ve ardından eğitilen model olarak kaydet ' e tıklayın.
3. Modeller, varsayılan olarak Studio (klasik) çalışma alanınıza kaydedilir. Bunları, Studio (klasik) Kullanıcı arabirimini kullanarak görüntüleyebilirsiniz.

Aşağıdaki modüller gereken Ilearner arabirimini kullanan bir kaydedilmiş model oluşturabilir:

• Model Eğitme
• Kümeleme Modelini Eğitme
• Anomali Algılama Modeli Eğitme
• Model Hiper Parametrelerini Ayarlama
• Tarama Kümelemesi

Not

Rastgele modeller desteklenmez; modelin kalıcı Machine Learning modelleri için kullanılan varsayılan ikili biçimde kaydedilmiş olması gerekir.

Modeli yeni bir deneye yükle

1. Eğitim için eğitilen model modülünü Studio 'daki deneymenize ekleyin (klasik).

2. Veri kaynağıiçin, aşağıdaki seçeneklerden birini kullanarak eğitilen modelin konumunu belirtin:

   • Http aracılığıyla Web URL 'si: denemeyi ve eğitilen modeli temsil eden dosyayı gösteren bir URL sağlayın. Machine Learning, eğitilen modeller varsayılan olarak ilearner biçiminde kaydedilir.

   • Azure Blob Depolama: bu seçeneği yalnızca eğitilen modeli Azure depolama 'ya aktardıysanız seçin. Daha sonra hesap adını ve hesap anahtarını ve kapsayıcının, dizin veya Blobun yolunu sağlamanız gerekir.

3. Geçerli denemeyi temel alan bir Request-Response Web hizmeti oluşturmayı düşünüyorsanız, RR 'lerde kullanılmasına Izin verseçeneğini belirleyin. Aksi takdirde, Puanlama toplu yürütme hizmeti (BES) seçeneği kullanılarak gerçekleştirilir ve bu önerilir. Ayrıntılar için Teknik notlar bölümüne bakın.

4. Önbellek kullanılabilir olduğunda ve doldurulduğunda, eğitilen modeli önbellekten yüklemek istiyorsanız önbelleğe alınmış sonuçları kullan seçeneğini belirleyin. Deneme bir Web hizmeti API 'SI olarak dağıtıldıktan sonra bu seçenek yoksayılır.

Örnekler

bu modülün nasıl kullanılacağına ilişkin örnekler için Cortana Intelligence Gallerybakın.

• eğitilen derinlemesine bir Learning modeli yükleyin: örnek, görüntü algılama için özel bir sinir ağı oluşturur. Eğitilen model yükleme modülünü kullanarak bu modeli eğitmenize gerek kalmadan kolayca yeniden kullanabilirsiniz; Bu, zaman alıcı olabilir.

  Bu koleksiyon, modeli oluşturmak için bir eğitim denemesi ve modelin Web hizmeti olarak yüklendiği ve tahmine dayalı olarak kullanıldığı bir tahmine dayalı deney içerir.

Teknik notlar

Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.

Sık sorulan sorular

RR 'lerin kullanımı neden varsayılan olarak etkin değil

Genellikle RR çağrılarının sonuçları kısa bir süre içinde döndürmesi beklenir. Bununla birlikte, modülün eğitilen modeli bir Azure depolama hesabından veya ortak bir HTTP uç noktasında barındırılan bir dosyadan blob biçiminde yüklemesi gerektiğinden, dosya işlemleri öngörülemeyen gecikmeleri ortaya çıkarabilir.

Bu nedenle, genellikle Web hizmetinin Batch yürütme modu 'nda (BES) çalıştırılmasını tavsiye ederiz. RR 'leri kullanarak. Execution seçeneğini belirlerseniz, gecikme olasılığını unutmayın. yürütme süreleri hakkında genel bilgi için, bkz Machine Learning SLA.

Önbelleğe alınmış sonuçlar seçeneğini kullanırsam eğitim modeli daha hızlı yüklenir

evet, ancak deneme yalnızca Machine Learning Studio 'da (klasik) çalıştırıldığında ve yalnızca önbellek ilk çalıştırma tarafından doldurulduktan sonra. Deneme Web hizmeti olarak dağıtıldıktan sonra, bu bayrak Web hizmeti yürütmesi tarafından yok sayılır.

İşlemi otomatik hale getirmenin bir yolu var

Machine Learning ' de birçok görevi basitleştirmek veya otomatikleştirmek için PowerShell 'i kullanabilirsiniz. Örneğin, tüm denemeler veya belirli bir modülün içeriğini indirebilir, Web hizmeti tanımını dışarı aktarabilir veya Web hizmeti yürütme API 'sini çağırabilirsiniz. Daha fazla bilgi için bkz. Microsoft Machine Learning Için PowerShell modülü.

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
RR 'lerde kullanılmasına izin ver	True/False	Boole	yanlış	Bu modülün istek-yanıt Web hizmetinde çalışmasına izin verir, bu da öngörülemeyen gecikmeleri etkileyebilir
Veri kaynağı	HTTP veya Azure Blob Depolama Web URL 'si	T_DataSourceOrSink	Azure Blob Depolama	Veri kaynağı, Azure Blob depolamada HTTP veya bir dosya olabilir (gerekli)
Http aracılığıyla Web URL 'siiçin:
Veri kaynağı URL 'SI	herhangi biri	Dize		HTTP URL 'SI
Azure Blob Depolamaiçin:
Hesap Adı	herhangi biri	Dize		Hesap adı
Hesap anahtarı	herhangi biri	SecureString		Windows Azure Depolama hesabıyla ilişkili anahtar
Kapsayıcının veya dizin ya da blob yolu	herhangi biri	Dize		Blobun veya tablo adının yolu

Çıkışlar

Ad	Tür	Description
Eğitilen model	ILearner arabirimi	Eğitilen model

Özel durumlar

Özel durum	Description
Hata 0003	Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Ayrıca bkz.

Veri girişi ve çıkışı