在 Azure Machine Learning 中重建工作室 (傳統) Web 服務
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起,您將無法建立新的 Machine Learning 工作室 (傳統) 資源 (工作區與 Web 服務方案)。 在 2024 年 8 月 31 日之前,您可以繼續使用現有的 Machine Learning 工作室 (傳統) 實驗與 Web 服務。
ML 工作室 (傳統) 文件即將淘汰,未來將不再更新。
在本文中,您會了解如何重建工作室 (傳統) Web 服務,作為 Azure Machine Learning 中的端點。
使用 Azure Machine Learning 管線端點來進行預測、重新定型模型,或執行任何泛型管線。 REST 端點可讓您從任何平台執行管線。
本文是工作室 (傳統) 到 Azure Machine Learning 移轉系列的一部分。 如需移轉至 Azure Machine Learning 的詳細資訊,請參閱移轉概觀文章。
注意
此移轉系列著重於拖放設計工具。 如需以程式設計方式部署模型的詳細資訊,請參閱 在 Azure 中部署機器學習模型。
必要條件
- 具有有效訂用帳戶的 Azure 帳戶。 免費建立帳戶。
- Azure Machine Learning 工作區。 建立工作區資源。
- Azure Machine Learning 定型管線。 如需詳細資訊,請參閱在 Azure Machine Learning 中重建工作室 (傳統) 實驗。
即時端點與管線端點
工作室 (傳統) Web 服務已被 Azure Machine Learning 中的端點取代。 使用下表來選擇要使用的端點類型:
工作室 (傳統) Web 服務 | Azure Machine Learning 取代 |
---|---|
要求/回應 Web 服務 (即時預測) | 即時端點 |
批次 Web 服務 (批次預測) | 管線端點 |
重新定型 Web 服務 (重新定型) | 管線端點 |
部署即時端點
在工作室 (傳統) 中,您已使用 REQUEST/RESPOND Web 服務,來部署模型進行即時預測。 在 Azure Machine Learning 中,您會使用即時端點。
有多種方式可以在 Azure Machine Learning 中部署模型。 其中一種最簡單的方式,就是使用設計工具來自動化部署流程。 使用下列步驟,將模型部署為即時端點:
至少執行一次您完成的定型管線。
在作業完成之後,請在畫布頂端選取 [建立推斷管線]> [即時推斷管線]。
設計工具會將定型管線轉換成即時推斷管線。 類似的轉換也會發生在工作室 (傳統) 中。
在設計工具中,轉換步驟也會將定型的模型註冊到您的 Azure Machine Learning 工作區。
選取 [提交] 以執行即時推斷管線,並驗證其是否成功執行。
在驗證推斷管線之後,請選取 [部署]。
輸入您端點的名稱和計算類型。
下表描述設計工具中的部署計算選項:
計算目標 用於 描述 建立 Azure Kubernetes Service (AKS) 即時推斷 大規模生產環境部署。 快速回應時間和服務自動調整。 使用者建立的。 如需詳細資訊,請參閱建立計算目標。 Azure 容器執行個體 測試或開發 需要少於 48 GB RAM 的小規模 CPU 型工作負載。 由 Azure Machine Learning 自動建立。
測試即時端點
在部署完成之後,您可以查看更多詳細資料並測試您的端點:
移至 [端點] 索引標籤。
選取您的端點。
選取 [測試] 索引標籤。
發佈用於批次預測或重新定型的管線端點
您也可以使用定型管線來建立管線端點,而不是即時端點。 使用管線端點來執行批次預測或重新定型。
管線端點會取代工作室 (傳統) 批次執行端點和重新定型 Web 服務。
發佈用於批次預測的管線端點
發佈批次預測端點類似於即時端點。
請使用下列步驟來發佈用於批次預測的管線端點:
至少執行一次您完成的定型管線。
在作業完成之後,請在畫布頂端選取 [建立推斷管線]> [批次推斷管線]。
設計工具會將定型管線轉換成批次推斷管線。 類似的轉換也會發生在工作室 (傳統) 中。
在設計工具中,此步驟也會將定型的模型註冊到您的 Azure Machine Learning 工作區。
選取 [提交] 以執行批次推斷管線,並驗證其是否成功完成。
在驗證推斷管線之後,請選取 [發佈]。
建立新的管線端點,或選取現有的管線端點。
新的管線端點會為您的管線建立新的 REST 端點。
如果選取現有的管線端點,則您不會覆寫現有的管線。 相反地,Azure Machine Learning 會設定端點中每個管線的版本。 您可以指定要在 REST 呼叫中執行的版本。 如果 REST 呼叫未指定版本,您亦須設定預設管線。
發佈用於重新定型的管線端點
若要發佈用於重新定型的管線端點,您必須已有定型模型的管線草稿。 如需建置定型管線的詳細資訊,請參閱 重建工作室 (傳統) 實驗。
若要重複使用管線端點進行重新定型,您必須為輸入資料集建立管線參數。 這可讓您動態設定您的定型資料集,以便您可以重新定型您的模型。
請使用下列步驟來發佈重新定型管線端點:
至少執行一次您的定型管線。
在執行完成之後,請選取資料集模組。
在模組詳細資料窗格中,選取 [設定為管線參數]。
提供描述性名稱,例如 "InputDataset"。
這會為您的輸入資料集建立管線參數。 呼叫您的管線端點進行定型時,您可以指定新的資料集來重新定型模型。
選取發行。
從工作室呼叫您的管線端點
在建立您的批次推斷或重新定型管線端點之後,您可以直接從瀏覽器呼叫您的端點。
移至 [管線] 索引標籤,然後選取 [管線端點]。
選取您要執行的管線端點。
選取 [提交]。
在選取 [提交] 之後,您可以指定任何管線參數。
下一步
在本文中,您已了解如何在 Azure Machine Learning 中重建工作室 (傳統) Web 服務。 下一步是整合您的 Web 服務與用戶端應用程式。
請參閱工作室 (傳統) 移轉系列中的其他文章:
- 移轉概觀。
- 移轉資料集。
- 重建工作室 (傳統) 定型管線。
- 重建工作室 (傳統) Web 服務。
- 將 Azure Machine Learning Web 服務與用戶端應用程式整合。
- 移轉執行 R 指令碼。