Share via

Používání úloh R

  • Článek

PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Sada Python SDK azure-ai-ml v2 (aktuální)

Pro R neexistuje žádná sada Azure Machine Learning SDK. Místo toho ke spuštění skriptů jazyka R použijete řídicí skript rozhraní příkazového řádku nebo Pythonu.

Tento článek popisuje klíčové scénáře pro jazyk R, které jsou podporovány ve službě Azure Machine Learning, a známá omezení.

Typický pracovní postup jazyka R

Typický pracovní postup pro použití jazyka R se službou Azure Machine Learning:

  • Vyvíjejte skripty jazyka R interaktivně pomocí poznámkových bloků Jupyter ve výpočetní instanci. (I když můžete do výpočetní instance přidat také Posit nebo RStudio, v současné době nemůžete přistupovat k datovým prostředkům v pracovním prostoru z těchto aplikací ve výpočetní instanci. Interaktivní práce se prozatím nejlépe provádí v poznámkovém bloku Jupyter.)

    • Čtení tabulkových dat z registrovaného datového prostředku nebo úložiště dat
    • Instalace dalších knihoven jazyka R
    • Ukládání artefaktů do úložiště souborů pracovního prostoru

  • Přizpůsobení skriptu ke spuštění jako produkční úlohy ve službě Azure Machine Learning

    • Odeberte veškerý kód, který může vyžadovat interakci uživatele.
    • Podle potřeby přidejte do skriptu vstupní parametry příkazového řádku.
    • Zahrnutí a zdroj azureml_utils.R skriptu ve stejném pracovním adresáři skriptu jazyka R, který se má spustit
    • Použití crate k zabalení modelu
    • Zahrnutí funkcí R/MLflow do skriptu pro protokolování artefaktů, modelů, parametrů nebo značek do úlohy v MLflow

  • Odesílání vzdálených asynchronních úloh R (úlohy se odesílaly prostřednictvím rozhraní příkazového řádku nebo pythonové sady SDK, ne R)

    • Vytvoření prostředí
    • Artefakty, parametry, značky a modely úloh protokolování

  • Registrace modelu pomocí studio Azure Machine Learning

  • Nasazení registrovaných modelů R do spravovaných online koncových bodů

    • Použití nasazených koncových bodů pro odvozování a vyhodnocování v reálném čase

Známá omezení

 

Omezení Udělejte to místo toho.
Neexistuje žádná sada SDK řídicí roviny jazyka R. K odesílání úloh použijte řídicí skript Azure CLI nebo Python.
RStudio spuštěné jako vlastní aplikace (například Posit nebo RStudio) v kontejneru ve výpočetní instanci nemá přístup k prostředkům pracovního prostoru nebo MLflow. Používejte poznámkové bloky Jupyter s jádrem R na výpočetní instanci.
Interaktivní dotazování registru MLflow pracovního prostoru z jazyka R se nepodporuje.
Vnořená spuštění MLflow v R se nepodporují.
Paralelní krok úlohy se nepodporuje. Spusťte skript paralelně n pomocí různých vstupních parametrů. K vygenerování n volání YAML nebo ROZHRANÍ příkazového řádku ale budete muset provést metaprogram.
Registrace nebo záznam ze spuštěné úlohy pomocí jazyka R programového modelu se nepodporuje.
Nulové nasazení kódu (tj. automatické nasazení) modelu R MLflow se v současné době nepodporuje. Vytvořte vlastní kontejner s plumber nástrojem pro nasazení.
Bodování modelu R pomocí dávkových koncových bodů se nepodporuje.
Online nasazení služby Azure Machine Learning yml může pro specifikaci prostředí používat pouze identifikátory URI imagí přímo z registru. ne předem sestavená prostředí ze stejného souboru Dockerfile. Správný způsob nasazení najdete v tématu Postup nasazení zaregistrovaného modelu R do online koncového bodu (v reálném čase).

Další kroky

Další informace o jazyce R ve službě Azure Machine Learning: