你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

从工作室（经典版）迁移到 Azure 机器学习

重要

对机器学习工作室（经典版）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。

2021 年 12 月之后，无法再创建新的工作室（经典版）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的工作室（经典版）资源。

工作室（经典版）文档即将停用，未来可能不再更新。

了解如何从机器学习工作室（经典版）迁移到 Azure 机器学习。 Azure 机器学习提供了一个现代化的数据科学平台，该平台将无代码和代码优先方法相结合。

本指南将介绍基本的直接迁移过程。 若要优化现有的机器学习工作流或实现机器学习平台的现代化，请参阅 Azure 机器学习采用框架以获得更多资源，包括数字调查工具、工作表和计划模板。

请与云解决方案架构师合作进行迁移。

推荐的方法

若要迁移到 Azure 机器学习，我们建议采用以下方法：

• 步骤 1：评估 Azure 机器学习
• 步骤 2：定义策略和计划
• 步骤 3：重新生成试验和 Web 服务
• 步骤 4：集成客户端应用
• 步骤 5：清理工作室（经典）资产
• 步骤 6：查看并扩展方案

步骤 1：评估 Azure 机器学习

1. 了解 Azure 机器学习及其优势、成本和体系结构。

2. 将 Azure 机器学习和工作室（经典）的功能进行比较。

   下表总结主要区别。

   功能	工作室（经典版）	Azure 机器学习
   拖放界面	经典体验	更新的体验：Azure 机器学习设计器
   代码 SDK	不支持	与 Azure 机器学习 Python 和 R SDK 完全集成
   试验	可缩放（10 GB 训练数据限制）	使用计算目标进行缩放
   训练计算目标	专用计算目标，仅限 CPU 支持	各种可自定义的训练计算目标；包括 GPU 和 CPU 支持
   部署计算目标	专用 Web 服务格式，不可自定义	各种可自定义的部署计算目标；包括 GPU 和 CPU 支持
   机器学习管道	不支持	生成灵活的模块化管道，用于自动完成工作流
   MLOps	基本模型管理和部署；仅限 CPU 的部署	实体版本控制（模型、数据、工作流）、工作流自动化、与 CICD 工具集成、CPU 和 GPU 部署，等等
   模型格式	专用格式，仅限工作室（经典）	多个受支持的格式，具体取决于训练作业类型
   自动化模型训练和超参数优化	不支持	支持 代码优先和无代码选项
   数据偏移检测	不支持	支持
   数据标签项目	不支持	支持
   基于角色的访问控制 (RBAC)	仅“参与者”和“所有者”角色	灵活的角色定义和 RBAC 控制
   AI 库	支持	不支持 通过示例 Python SDK 笔记本进行了解

   注意

   Azure 机器学习中的设计器功能提供与工作室（经典版）类似的拖放体验。 但是，Azure 机器学习还提供了可靠的代码优先工作流作为替代方法。 此迁移系列重点介绍了设计器，因为它与工作室（经典）体验最为相似。

3. 验证你的关键工作室（经典）模块在 Azure 机器学习设计器中是否受支持。 有关详细信息，请参阅工作室（经典）和设计器组件映射表。

4. 创建 Azure 机器学习工作区。

步骤 2：定义策略和计划

1. 定义业务理由和预期的成果。

2. 让可操作的 Azure 机器学习采用计划与业务结果一致。

3. 准备人员、流程和环境以进行更改。

请与云解决方案架构师合作来定义策略。

如需获取计划资源（包括计划文档模板），请参阅 Azure 机器学习采用框架。

步骤 3：重新生成第一个模型

定义策略后，请迁移第一个模型。

1. 将数据集迁移到 Azure 机器学习。

2. 使用 Azure 机器学习设计器来重新生成试验。

3. 使用 Azure 机器学习设计器来重新部署 Web 服务。

   注意

   本指南是基于 Azure 机器学习 v1 的概念和功能。 Azure 机器学习具有 CLI v2 和 Python SDK v2。 建议使用 v2（而不是 v1）来重新生成工作室（经典版）模型。 请从 Azure 机器学习 v2 开始入手。

步骤 4：集成客户端应用

修改调用工作室（经典）Web 服务的客户端应用程序，以使用新的 Azure 机器学习终结点。

步骤 5：清理工作室（经典）资产

为了避免产生额外费用，请清理工作室（经典版）资产。 在验证 Azure 机器学习工作负载之前，你可能需要保留资产以进行回退。

步骤 6：查看并扩展方案

1. 查看模型迁移的最佳做法并验证工作负载。

2. 扩展方案并将其他工作负载迁移到 Azure 机器学习。

工作室（经典）和设计器组件映射

请参阅下表，了解在 Azure 机器学习设计器中重新生成工作室（经典版）试验时要使用的模块。

重要

设计器通过开源 Python 包而不是工作室（经典）等 C# 包实现模块。 由于存在这种差异，设计器组件的输出可能会略微不同于其工作室（经典版）对应项。

类别	工作室（经典）模块	替换设计器组件
数据输入和输出	- 手动输入数据 - 导出数据 - 导入数据 - 加载已训练的模型 - 解压缩已压缩的数据集	- 手动输入数据 - 导出数据 - 导入数据
数据格式转换	- 转换为 CSV - 转换为数据集 - 转换为 ARFF - 转换为 SVMLight - 转换为 TSV	- 转换为 CSV - 转换为数据集
数据转换 - 操作	- 添加列 - 添加行 - 应用 SQL 转换 - 清理缺失的数据 - 转换为指示器值 - 编辑元数据 - 联接数据 - 删除重复的行 - 选择数据集中的列 - 选择列转换 - SMOTE - 组分类值	- 添加列 - 添加行 - 应用 SQL 转换 - 清理缺失的数据 - 转换为指示器值 - 编辑元数据 - 联接数据 - 删除重复的行 - 选择数据集中的列 - 选择列转换 - SMOTE
数据转换 – 缩放和减少	- 剪切值 - 将数据分组到箱中 - 使数据标准化 - 主体组件分析	- 剪切值 - 将数据分组到箱中 - 使数据标准化
数据转换 – 采样和拆分	- 分区和采样 - 拆分数据	- 分区和采样 - 拆分数据
数据转换 – 筛选	- 应用筛选器 - FIR 筛选器 - IIR 筛选器 - 中间值筛选器 - 移动平均筛选器 - 阈值筛选器 - 用户定义的筛选器
数据转换 – 通过计数进行学习	- 生成计数转换 - 导出计数表 - 导入计数表 - 合并计数转换 - 修改计数表参数
功能选择	- 基于筛选器的特征选择 - 费舍尔线性判别分析 - 排列特征重要性	- 基于筛选器的特征选择 - 排列特征重要性
模型 - 分类	- 多类决策林 - 多类决策森林 - 多类逻辑回归 - 多类神经网络 -“一对多”多类 - 双类平均感知器 - 双类贝叶斯点机 - 双类提升决策树 - 双类决策林 - 双类决策森林 - 双类局部深层 SVM - 双类逻辑回归 - 双类神经网络 - 双类支持向量机	- 多类决策林 - 多类提升决策树 - 多类逻辑回归 - 多类神经网络 -“一对多”多类 - 双类平均感知器 - 双类提升决策树 - 双类决策林 - 双类逻辑回归 - 双类神经网络 - 双类支持向量机
模型 - 聚类分析	- K-Means 群集	- K-Means 群集
模型 - 回归	- 贝叶斯线性回归 - 提升决策树回归 - 决策林回归 - 快速林分位数回归 - 线性回归 - 神经网络回归 - 顺序回归 - 泊松回归	- 提升决策树回归 - 决策林回归 - 快速林分位数回归 - 线性回归 - 神经网络回归 - 泊松回归
模型 – 异常情况检测	- 单类 SVM - 基于 PCA 的异常情况检测	- 基于 PCA 的异常情况检测
机器学习 - 评估	- 交叉验证模型 - 评估模型 - 评估推荐器	- 交叉验证模型 - 评估模型 - 评估推荐器
机器学习 - 训练	- 扫描聚类分析 - 训练异常情况检测模型 - 训练聚类分析模型 - 训练 matchbox 推荐器 - 定型模型 - 优化模型超参数	- 训练异常情况检测模型 - 训练聚类分析模型 - 训练模型 - 训练 PyTorch 模型 - 训练 SVD 推荐器 - 训练 Wide and Deep 推荐器 - 优化模型超参数
机器学习 - 评分	- 应用转换 - 将数据分配到聚类 - 为 matchbox 推荐器评分 - 为模型评分	- 应用转换 - 将数据分配到聚类 - 为图像模型评分 - 为模型评分 - 为 SVD 推荐器评分 - 为 Wide and Deep 推荐器评分
OpenCV 库模块	- 导入图像 - 预先训练的级联图像分类
Python 语言模块	- 执行 Python 脚本	- 执行 Python 脚本 - 创建 Python 模型
R 语言模块	- 执行 R 脚本 - 创建 R 模型	- 执行 R 脚本
统计函数	- 应用数学运算 - 计算基础统计信息 - 计算线性相关性 - 评估概率函数 - 替换离散值 - 汇总数据 - 使用 t 测试来测试假设	- 应用数学运算 - 汇总数据
\文本分析	- 检测语言 - 从文本中提取关键短语 - 从文本中提取 N 元语法特征 - 特征哈希 - 隐含狄利克雷分布 - 命名实体识别 - 预处理文本 - 为 vVowpal Wabbit 版本 7-10 模型评分 - 为 Vowpal Wabbit 版本 8 模型评分 - 训练 Vowpal Wabbit 版本 7-10 模型 - 训练 Vowpal Wabbit 版本 8 模型	- 将单词转换为向量 - 从文本中提取 N 元语法特征 - 特征哈希 - 隐含狄利克雷分布 - 预处理文本 - 为 Vowpal Wabbit 模型评分 - 训练 Vowpal Wabbit 模型
Time series (时序)	- 时序异常情况检测
Web 服务	- 输入 - Output（输出）	- 输入 - Output（输出）
计算机视觉		- 应用图像转换 - 转换为图像目录 - 初始化图像转换 - 拆分图像目录 - DenseNet 图像分类 - ResNet 图像分类

若要详细了解如何使用各个设计器组件，请参阅算法和组件参考。

如果缺少设计器组件，该怎么办？

Azure 机器学习设计器包含工作室（经典）最热门的模块。 它还包括可利用最新机器学习技术的新模块。

如果由于设计器中缺少模块而阻止了迁移，请通过创建支持票证联系我们。

迁移示例

以下迁移示例重点介绍了工作室（经典版）和 Azure 机器学习之间的一些区别。

数据集

在工作室（经典）中，数据集保存在你的工作区中，仅供工作室（经典）使用。

在 Azure 机器学习中，数据集注册在工作区中，并且可以在所有 Azure 机器学习中使用。 有关 Azure 机器学习数据集的优势的详细信息，请参阅 Azure 机器学习中的数据。

管道

在工作室（经典）中，试验包含工作的处理逻辑。 你已使用拖放模块创建了试验。

在 Azure 机器学习中，管道包含工作的处理逻辑。 可以使用拖放模块或通过编写代码来创建管道。

Web 服务终结点

工作室（经典）使用 REQUEST/RESPOND API 进行实时预测，使用 BATCH EXECUTION API 进行批量预测或重新训练 。

Azure 机器学习使用实时终结点（托管终结点）进行实时预测，使用管道终结点进行批量预测或重新训练。

相关内容

本文介绍了迁移到 Azure 机器学习的高级要求。 有关详细步骤，请参阅机器学习工作室（经典版）迁移系列中的其他文章：

• 迁移工作室（经典版）数据集
• 重新生成工作室（经典版）试验
• 重新生成工作室（经典版）Web 服务
• 使用客户端应用程序中的管道终结点。
• 迁移“执行 R 脚本”模块

有关更多迁移资源，请参阅 Azure 机器学习采用框架。