執行 R 工作來定型模型

發行項
03/25/2024

適用於：Azure CLI ml 延伸模組 v2 (目前)

本文說明如何採用您調整為在生產環境中執行的 R 指令碼，並使用 Azure Machine Learning CLI V2 將它設定為以 R 工作的形式執行。

注意

雖然本文的標題是指定型模型，但只要符合調整文章中所列的需求，您就能實際執行任何類型的 R 指令碼。

必要條件

Azure Machine Learning 工作區。
訓練作業所使用的已註冊數據資產。
已安裝的 Azure CLI 和 ml 延伸模組。或者，在工作區中使用計算執行個體，此執行個體已預先安裝 CLI。
要執行定型工作的計算叢集或計算執行個體。
計算叢集用來執行工作的 R 環境。

使用此結構建立資料夾

為您的專案建立此資料夾結構：

📁 r-job-azureml
├─ src
│  ├─ azureml_utils.R
│  ├─ r-source.R
├─ job.yml

重要

全部原始碼都會在 src 目錄中。

r 來源。R 檔案是您適應在生產環境中執行的 R 腳稿。請確定您遵循步驟來建立模型，並在此腳本中記錄您的模型。
需要 azureml_utils.R 檔案。將此原始碼用於檔案的內容。

準備工作 YAML

Azure Machine Learning CLI v2 針對不同的作業有不同的 YAML 結構描述。您可以使用作業 YAML 架構，在屬於此專案的job.yml檔案中提交作業。

您需要收集要放入 YAML 的特定資訊片段：

您用來作為資料輸入的已註冊資料資產名稱（含版本）： azureml:<REGISTERED-DATA-ASSET>:<VERSION>
您建立的環境名稱 (含版本)：azureml:<R-ENVIRONMENT-NAME>:<VERSION>
計算叢集的名稱：azureml:<COMPUTE-CLUSTER-NAME>

提示

針對需要版本 (資料資產、環境) 的 Azure Machine Learning 成品，如果您不需要設定特定版本，您可以使用捷徑 URI azureml:<AZUREML-ASSET>@latest 取得該成品的最新版本。

提交工作的範例 YAML 結構描述

編輯您的 job.yml 檔案，以包含下列內容。請務必取代顯示 <IN-BRACKETS-AND-CAPS> 的值，並移除括弧。

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
# the Rscript command goes in the command key below. Here you also specify 
# which parameters are passed into the R script and can reference the input
# keys and values further below
# Modify any value shown below <IN-BRACKETS-AND-CAPS> (remove the brackets)
command: >
Rscript <NAME-OF-R-SCRIPT>.R
--data_file ${{inputs.datafile}}  
--other_input_parameter ${{inputs.other}}
code: src   # this is the code directory
inputs:
  datafile: # this is a registered data asset
    type: uri_file
    path: azureml:<REGISTERED-DATA-ASSET>@latest
  other: 1  # this is a sample parameter, which is the number 1 (as text)
environment: azureml:<R-ENVIRONMENT-NAME>@latest
compute: azureml:<COMPUTE-CLUSTER-OR-INSTANCE-NAME>
experiment_name: <NAME-OF-EXPERIMENT>
description: <DESCRIPTION>

提交作業

在本節中的下列命令中，您可能需要知道：

Azure Machine Learning 工作區名稱
工作區所在的資源群組名稱
工作區所在的訂用帳戶

從 Azure Machine Learning 工作室中找到這些值：

登入並開啟您的工作區。
在右上方的 Azure Machine Learning 工作室工具列中，選取您的工作區名稱。
您可以從出現的區段複製值。

若要提交工作，請在終端機視窗中執行下列命令：

將目錄變更為 r-job-azureml。
```
cd r-job-azureml
```
登入Azure。如果您要從 Azure Machine Learning 計算執行個體執行此作業，請使用：
```
az login --identity
```
如果您不在計算執行個體上，請省略 --identity 並遵循提示以開啟瀏覽器視窗進行驗證。
確定您有最新版的 CLI 和 ml 延伸模組：
```
az upgrade
```
如果您有多個 Azure 訂用帳戶，請將作用中的訂用帳戶設定為您用於工作區的訂用帳戶。 (如果您只有單一訂用帳戶的存取權，則可略過此步驟。)以您的訂用帳戶名稱取代 <SUBSCRIPTION-NAME>。也請移除方括號 <>。
```
az account set --subscription "<SUBSCRIPTION-NAME>"
```
現在，使用 CLI 提交工作。如果您在工作區中的計算執行個體上執行此動作，您可以使用工作區名稱和資源群組的環境變數，如下列程式代碼所示。如果您不在計算執行個體上，請將這些值取代為您的工作區名稱和資源群組。
```
az ml job create -f job.yml  --workspace-name $CI_WORKSPACE --resource-group $CI_RESOURCE_GROUP
```

提交工作之後，您可以在 Studio 中檢查狀態和結果：

登入 Azure Machine Learning Studio。
如果工作區未載入，請選取您的工作區。
在左側導覽中，選取 [工作]。
選取您用來定型模型的實驗名稱。
選取工作的顯示名稱，以檢視工作的詳細資料和成品，包括計量、影像、子工作、輸出、記錄和程式碼。

註冊模型

最後，完成定型工作之後，如果您想要部署模型，請註冊模型。從頁面開始顯示您的工作詳細資料。

工作完成後，請選取 [輸出 + 記錄] 以檢視工作的輸出。
開啟 models 資料夾，以確認 crate.bin 和 MLmodel 存在。如果沒有，請檢查記錄以查看是否有錯誤。
在頂端的工具列上，選取 [+ 註冊模型]。
請勿使用 MLflow 模型類型，即使偵測到它也一樣。將模型類型從預設 MLflow 變更為未指定的類型。將它保留為 MLflow 會導致錯誤。
針對 [工作輸出]，選取 [模型]，即包含模型的資料夾。
選取 [下一步]。
提供您想要用於模型的名稱。如有需要，請新增 [描述]、[版本] 和 [標記]。
選取 [下一步]。
檢閱資訊。
選取註冊。

在頁面頂端，您會看到確認模型已註冊。確認看起來如下所示：

顯示成功註冊範例的螢幕快照。

如果您想要檢視已註冊的模型詳細資料，選取 [請按這裡以前往此模型]。

下一步

現在您已擁有已註冊的模型，請瞭解如何將 R 模型部署到線上 (即時) 端點。