nasazení webové služby Machine Learning Studio (classic)

platí pro: Machine Learning Studio (Classic) Azure Machine Learning

Machine Learning Studio (Classic) umožňuje sestavit a otestovat prediktivní analytické řešení. Pak můžete řešení nasadit jako webovou službu.

Machine Learning webové služby studia (classic) poskytují rozhraní mezi aplikací a modelem vyhodnocování pracovního postupu pro Machine Learning Studio (classic). externí aplikace může komunikovat s modelem vyhodnocování pracovního postupu Machine Learning studia (classic) v reálném čase. volání webové služby Machine Learning Studio (classic) vrátí výsledky předpovědi do externí aplikace. Webovou službu můžete volat předáním klíče rozhraní API, který se vytvořil při nasazení této webové služby. webová služba Machine Learning Studio (classic) je založená na REST, na základě oblíbené architektury pro projekty webového programování.

Machine Learning Studio (Classic) má dva typy webových služeb:

• Služba Request-Response (RR): nízká latence, vysoce škálovatelná služba, která vyhodnotí jeden datový záznam.
• Služba batch execution (BES): asynchronní služba, která vyrovnává dávku datových záznamů.

Vstup pro BES je podobný datové vstupu, který využívá RRS. Hlavním rozdílem je to, že BES čte blok záznamů z několika různých zdrojů, jako je třeba Azure Blob Storage, Azure Table Storage, Azure SQL Database, HDInsight (dotaz Hive) a zdroje HTTP.

Z hlediska vysoké úrovně si model nasadíte ve třech krocích:

• [Vytvoření výukového experimentu] – v studiu (Classic) můžete vytvářet a testovat model prediktivní analýzy pomocí školicích dat, která zadáte, a to pomocí rozsáhlé sady integrovaných algoritmů strojového učení.
• [Převeďte je na prediktivní experiment] – Jakmile se model vyškole pomocí stávajících dat a jste připraveni ho použít k vyhodnocení nových dat, připravte a Zjednodušte svůj experiment pro předpovědi.
• Nasazení jako [nové webové služby] nebo [klasické webové služby] – při nasazení prediktivního experimentu jako webové služby Azure mohou uživatelé odesílat data do modelu a přijímat předpovědi modelu.

Vytvoření školicí experimentu

chcete-li vytvořit školicí model prediktivní analýzy, použijte Azure Machine Learning Studio (classic) k vytvoření školicího experimentu, ve kterém jsou k disřadě moduly pro načtení dat školení, připravte data podle potřeby, použijte algoritmy strojového učení a vyhodnoťte výsledky. Můžete iterovat na experiment a vyzkoušet různé algoritmy strojového učení pro porovnání a vyhodnocení výsledků.

Proces vytváření a správy pokusů o školení se podrobněji pokryje jinde. Další informace najdete v těchto článcích:

• vytvoření jednoduchého experimentu v Machine Learning studiu (classic)
• vývoj prediktivního řešení pomocí Machine Learning studia (classic)
• Import školicích dat do sady Machine Learning Studio (classic)
• správa iterací experimentů v Machine Learning studiu (classic)

Převod školicího experimentu na prediktivní experiment

Jakmile svůj model provedete, budete připraveni převést svůj školicí experiment na prediktivní experiment, který bude vyhodnocovat skóre nových dat.

Převodem na prediktivní experiment získáte vyškolený model připravený k nasazení jako webovou službu bodování. Uživatelé webové služby mohou odesílat vstupní data do modelu a váš model vrátí zpět výsledky předpovědi. Při převodu na prediktivní experiment mějte na paměti, jak očekáváte, že váš model budou používat jiní uživatelé.

Proces převodu školicího experimentu na prediktivní experiment zahrnuje tři kroky:

1. Nahraďte moduly algoritmu strojového učení vašim vyškolenou modelem.
2. Zkraťte experiment jenom na ty moduly, které jsou potřeba pro vyhodnocování. Školicí experiment zahrnuje řadu modulů, které jsou nezbytné pro školení, ale nejsou potřeba, když je model vyškolený.
3. Definujte, jak bude model přijímat data od uživatele webové služby a jaká data budou vrácena.

Tlačítko nastavit webovou službu

Po spuštění experimentu (klikněte na Run (spustit ) v dolní části plátna experimentu), klikněte na tlačítko nastavit webovou službu (vyberte možnost prediktivní webová služba ). Nastavení webové služby provede za vás tři kroky převodu školicího experimentu na prediktivní experiment:

1. Tento model se uloží do části Proučené modely v paletě modulu (nalevo od plátna experimentu). Pak nahrazuje algoritmus strojového učení a moduly modelu vlaků s uloženým školicím modelem.
2. Analyzuje experiment a odebírá moduly, které byly jasně používány pouze pro školení a již není potřeba.
3. Vloží vstupní a výstupní moduly webové služby do výchozích umístění v experimentu (tyto moduly přijímají a vrátí data uživatelů).

Například následující experiment navlakuje pomocí ukázkového sčítání dat modelem zesíleného rozhodovacího stromu:

Moduly v tomto experimentu provádějí základní čtyři různé funkce:

Když převedete tento experiment školení na prediktivní experiment, některé z těchto modulů už nejsou potřebné nebo teď budou sloužit k jinému účelu:

• Data – data v této ukázkové datové sadě se při vyhodnocování nepoužijí – uživatel webové služby dodá data, která se mají určit skóre. Nicméně metadata z této datové sady, jako jsou například datové typy, používá trained model. Proto je třeba zachovat datovou sadu ve prediktivním experimentu, aby mohla tato metadata poskytnout.

• Příprava – v závislosti na uživatelských datech, která budou odeslána pro vyhodnocování, mohou být tyto moduly nebo nemusí být nezbytné ke zpracování příchozích dat. Tlačítko nastavit webovou službu je nedotykové – musíte se rozhodnout, jak je chcete zpracovat.

  Například v tomto příkladu může mít ukázková datová sada chybějící hodnoty, takže modul Vyčištění chybějících dat byl zahrnut k tomu, aby se s nimi mohla pracovat. Ukázková datová sada také obsahuje sloupce, které nejsou nutné pro výuku modelu. Proto byl zahrnutý modul Výběr sloupců v datové sadě , aby vyloučil tyto nadbytečné sloupce z toku dat. Pokud víte, že data, která budou odeslána pro bodování prostřednictvím webové služby, nebudou obsahovat hodnoty, můžete odebrat modul Vyčištění chybějících dat . Vzhledem k tomu, že modul Výběr sloupců v datové sadě pomáhá definovat sloupce dat, které vyškolený model očekává, musí tento modul zůstat.

• Výuka – tyto moduly se používají ke školení modelu. Když kliknete na nastavit webovou službu, tyto moduly se nahradí jedním modulem, který obsahuje model, který jste vyškole. Tento nový modul je uložený v části s výukou modelů v paletě modulu.

• Skóre – v tomto příkladu se modul rozdělení dat používá k rozdělení datového proudu do testovacích dat a dat školení. Ve prediktivním experimentu už nebudeme školením moct odebrat rozdělená data . Podobně modul s druhým modelem skóre a modul vyhodnocení modelu slouží k porovnání výsledků z testovacích dat, takže tyto moduly nejsou v prediktivním experimentu potřeba. Modul zbývajícího modelu skóre je však potřeba k vrácení výsledku skóre prostřednictvím webové služby.

Tady je postup, jak náš příklad vypadá po kliknutí na nastavit webovou službu:

Práce, kterou provedete pomocí nastavení webové služby , může být dostačující k přípravě experimentu, který chcete nasadit jako webovou službu. Můžete ale chtít udělat další práci, která je specifická pro váš experiment.

Upravit vstupní a výstupní moduly

Ve školicím experimentu jste použili sadu školicích dat a pak nějaké zpracování využívali k získání dat ve formuláři, který algoritmus strojového učení potřebuje. Pokud data, která očekáváte pro příjem prostřednictvím webové služby, nebude potřeba zpracovat, můžete ji obejít: připojit výstup vstupního modulu webové služby k jinému modulu v experimentu. Data uživatele se nyní dostanou do modelu v tomto umístění.

Například ve výchozím nastavení umístí Webová služba Vstupní modul webové služby v horní části toku dat, jak je znázorněno na obrázku výše. Ale můžeme ručně umístit vstup webové služby za moduly zpracování dat:

Vstupní data poskytnutá prostřednictvím webové služby teď budou předávat přímo do modulu bodového modelu bez jakéhokoli předběžného zpracování.

Podobně výchozí nastavení webové služby umístí modul výstupu webové služby do dolní části toku dat. V tomto příkladu se webová služba vrátí uživateli výstup modulu určení skóre modelu , který zahrnuje kompletní vstupní datový vektor a výsledky bodování. Pokud ale dáváte přednost vrácení jiné položky, můžete přidat další moduly před výstupní modul webové služby .

Například chcete-li vrátit pouze výsledky bodování a ne celý vektor vstupních dat, přidejte modul Výběr sloupců v datové sadě , který vyloučí všechny sloupce kromě výsledků bodování. Pak přesuňte modul výstupu webové služby na výstup modulu Výběr sloupců v datové sadě . Experiment vypadá takto:

Přidat nebo odebrat další moduly zpracování dat

Pokud máte v experimentu více modulů, které vás při bodování nebudou potřebovat, můžete je odebrat. Protože jsme například přesunuli modul vstupu webové služby do bodu za moduly zpracování dat, můžeme z prediktivního experimentu odebrat modul Vyčištění chybějících dat .

Náš prediktivní experiment teď vypadá takto:

Přidat volitelné parametry webové služby

V některých případech můžete chtít uživateli webové služby změnit chování modulů, když je služba k dispozici. Tato možnost umožňuje použít parametry webové služby .

Běžným příkladem je nastavení modulu Import dat , aby uživatel nasazené webové služby mohl při použití webové služby zadat jiný zdroj dat. Nebo nakonfigurujete modul Export dat tak, aby bylo možné zadat jiný cíl.

Můžete definovat parametry webové služby a přidružit je k jednomu nebo více parametrům modulu a můžete určit, jestli jsou povinné nebo volitelné. Uživatel webové služby poskytuje při přístupu ke službě hodnoty těchto parametrů a akce modulu se odpovídajícím způsobem upraví.

Další informace o tom, co jsou parametry webové služby a jak je používat, najdete v tématu Machine Learning parametrů webové služby.

Následující kroky popisují nasazení prediktivního experimentu jako nové webové služby. Experiment můžete také nasadit jako webovou službu Classic.

Nasazení jako nové webové služby

Teď, když je prediktivní experiment připravený, ho můžete nasadit jako novou webovou službu (založenou Resource Manager) Azure. Pomocí webové služby mohou uživatelé odesílat data do modelu a model vrátí své předpovědi.

Pokud chcete prediktivní experiment nasadit, klikněte na Spustit v dolní části plátna experimentu. Po dokončení experimentu klikněte na Deploy Web Service (Nasadit webovou službu) a vyberte Deploy Web Service New (Nasadit webovou službu – [nová).] Otevře se stránka nasazení portálu Machine Learning Studio (klasické) webové služby.

Stránka nasazení experimentu na portálu webové služby

Na stránce Nasadit experiment zadejte název webové služby. Vyberte cenový plán. Pokud máte existující cenový plán, můžete ho vybrat, jinak musíte pro službu vytvořit nový cenový plán.

1. V rozevíracím seznamu Price Plan (Cenový plán) vyberte existující plán nebo vyberte možnost Select new plan (Vybrat nový plán).
2. Do pole Plan Name(Název plánu) zadejte název, který bude na vaší fakturě identifikovat plán.
3. Vyberte jednu z úrovní měsíčního plánu. Výchozí úrovně plánu jsou plány pro vaši výchozí oblast a webová služba je nasazená do této oblasti.

Klikněte na Nasadit a otevře se stránka Rychlý start pro vaši webovou službu.

Stránka rychlého startu webové služby poskytuje přístup a pokyny k nejběžnějším úlohám, které budete provádět po vytvoření webové služby. Odtud můžete snadno přistupovat ke stránce Test i Ke spotřebování.

Testování nové webové služby

Pokud chcete novou webovou službu otestovat, klikněte v části Běžné úlohy na Testovat webovou službu. Na stránce Test můžete otestovat webovou službu jako Request-Response Service (RRS) nebo službu Batch Execution (BES).

Na testovací stránce RRS se zobrazí vstupy, výstupy a všechny globální parametry, které jste pro experiment definovali. Pokud chcete webovou službu otestovat, můžete ručně zadat odpovídající hodnoty pro vstupy nebo zadat soubor s hodnotami oddělenými čárkou (CSV) obsahující testovací hodnoty.

Pokud chcete testovat pomocí RRS, v režimu zobrazení seznamu zadejte odpovídající hodnoty pro vstupy a klikněte na Test Request-Response (Otestovat požadavek-odpověď). Výsledky předpovědi se zobrazí ve výstupním sloupci vlevo.

Pokud chcete bes otestovat, klikněte na Batch. Na stránce Batch test klikněte pod vstupem na Procházet a vyberte soubor CSV obsahující příslušné ukázkové hodnoty. Pokud nemáte soubor CSV a prediktivní experiment jste vytvořili pomocí sady Machine Learning Studio (classic), můžete si stáhnout datovou sadu pro prediktivní experiment a použít ji.

Pokud chcete stáhnout datovou sadu, otevřete Machine Learning Studio (Classic). Otevřete prediktivní experiment a klikněte pravým tlačítkem na vstup experimentu. V místní nabídce vyberte dataset (datová sada) a pak vyberte Download (Stáhnout).

Klikněte na Test. Stav úlohy Batch Execution se zobrazí napravo v části Testovací úlohy služby Batch.

Na stránce KONFIGURACE můžete změnit popis, název, aktualizovat klíč účtu úložiště a povolit ukázková data pro webovou službu.

Přístup k nové webové službě

Po nasazení webové služby z Machine Learning Studia (classic) můžete do služby odesílat data a dostávat odpovědi prostřednictvím kódu programu.

Stránka Consume (Spotřeba) poskytuje všechny informace, které potřebujete pro přístup k webové službě. Klíč rozhraní API je například poskytn pro povolení autorizovaného přístupu ke službě.

Další informace o přístupu k webové službě Machine Learning Studio (classic) najdete v tématu Jak využívat webovou službu Machine Learning Studio (classic).

Správa nové webové služby

Nové webové služby můžete spravovat pomocí portálu Machine Learning Studio (classic). Na hlavní stránce portálu kliknětena Webové služby. Na stránce webových služeb můžete službu odstranit nebo zkopírovat. Pokud chcete monitorovat konkrétní službu, klikněte na službu a pak klikněte na Řídicí panel. Pokud chcete monitorovat dávkové úlohy přidružené k webové službě, klikněte na Protokol požadavků služby Batch.

Nasazení nové webové služby do několika oblastí

Novou webovou službu můžete snadno nasadit do více oblastí, aniž byste potřebovali více předplatných nebo pracovních prostorů.

Ceny jsou specifické pro jednotlivé oblasti, takže musíte definovat fakturační plán pro každou oblast, ve které nasadíte webovou službu.

Vytvoření plánu v jiné oblasti

1. Přihlaste se k Machine Learning Web Services.
2. Klikněte na možnost nabídky Plány.
3. Na stránce Plans over view (Plány nad zobrazením) klikněte na New (Nový).
4. V rozevíracím seznamu Předplatné vyberte předplatné, ve kterém se bude nový plán nacházet.
5. V rozevíracím seznamu Oblast vyberte oblast pro nový plán. Možnosti plánu pro vybranou oblast se zobrazí na stránce v části Možnosti plánu.
6. V rozevíracím seznamu Skupina prostředků vyberte skupinu prostředků pro plán. Další informace o skupinách prostředků najdete v Azure Resource Manager přehledu prostředků.
7. Do pole Název plánu zadejte název plánu.
8. V části Možnosti plánu klikněte na úroveň fakturace nového plánu.
9. Klikněte na Vytvořit.

Nasazení webové služby do jiné oblasti

1. Na stránce Machine Learning Webové služby klikněte na možnost nabídky Webové služby.
2. Vyberte webovou službu, kterou nasazujete do nové oblasti.
3. Klikněte na Kopírovat.
4. Do pole Název webové služby zadejte nový název webové služby.
5. Do pole Popis webové služby zadejte popis webové služby.
6. V rozevíracím seznamu Předplatné vyberte předplatné, ve kterém se bude nová webová služba nacházet.
7. V rozevíracím seznamu Skupina prostředků vyberte skupinu prostředků pro webovou službu. Další informace o skupinách prostředků najdete v Azure Resource Manager přehledu prostředků.
8. V rozevíracím seznamu Oblast vyberte oblast, do které chcete webovou službu nasadit.
9. V Storage účtu úložiště vyberte účet úložiště, do kterého chcete webovou službu uložit.
10. V rozevíracím seznamu Price Plan (Cenový plán) vyberte plán v oblasti, kterou jste vybrali v kroku 8.
11. Klikněte na Kopírovat.

Nasazení jako klasické webové služby

Teď, když je prediktivní experiment dostatečně připravený, ho můžete nasadit jako webovou službu Azure Classic. Pomocí webové služby mohou uživatelé odesílat data do modelu a model vrátí své předpovědi.

Pokud chcete nasadit prediktivní experiment, klikněte na Spustit v dolní části plátna experimentu a pak klikněte na Deploy Web Service (Nasadit webovou službu). Webová služba je nastavená a nacházíte se na řídicím panelu webové služby.

Testování klasické webové služby

Webovou službu můžete otestovat na portálu webových služeb Machine Learning Studio (classic) nebo Machine Learning Studio (Classic).

Webovou službu Request Response otestujte kliknutím na tlačítko Test na řídicím panelu webové služby. Zobrazí se dialogové okno s dotazem na vstupní data pro službu. Toto jsou sloupce očekávané hodnoticím experimentem. Zadejte sadu dat a klikněte na OK. Výsledky vygenerované webovou službou se zobrazí v dolní části řídicího panelu.

Můžete kliknout na odkaz Testovat náhled a otestovat službu na portálu webových služeb Machine Learning Studia (klasického), jak je znázorněno dříve v části Nová webová služba.

Pokud chcete otestovat službu Batch Execution Service, klikněte na odkaz Test preview . Na stránce Batch test klikněte pod vstupem na Procházet a vyberte soubor CSV obsahující příslušné ukázkové hodnoty. pokud nemáte soubor CSV a vytvořili jste prediktivní experiment pomocí Machine Learning studia (classic), můžete si stáhnout datovou sadu pro svůj prediktivní experiment a použít ho.

Na stránce Konfigurace můžete změnit zobrazovaný název služby a zadat pro něj popis. Název a popis se zobrazí v Azure Portal , kde spravujete své webové služby.

Zadáním řetězce pro každý sloupec v části vstupní schéma, výstupní schéma a parametr webové služby můžete zadat popis pro vstupní data, výstupní data a parametry webové služby. Tyto popisy se používají v dokumentaci k ukázkovému kódu, která je k dispozici pro webovou službu.

Protokolování můžete povolit, chcete-li diagnostikovat všechny chyby, které vidíte, když máte k dispozici webovou službu. další informace najdete v tématu povolení protokolování pro webové služby Machine Learning Studio (classic).

koncovým bodům webové služby můžete také nakonfigurovat na portálu Machine Learning web Services podobným postupem, který jste použili dříve v části nová webová služba. Možnosti se liší, můžete přidat nebo změnit popis služby, povolit protokolování a povolit ukázková data pro testování.

Přístup k klasické webové službě

po nasazení webové služby z Machine Learning studia (classic) můžete odesílat data do služby a programově přijímat odpovědi.

Řídicí panel poskytuje všechny informace, které potřebujete pro přístup k webové službě. Například klíč rozhraní API je k dispozici pro povolení oprávněného přístupu ke službě a k dispozici jsou stránky s nápovědami k rozhraní API, které vám pomohou začít psát kód.

další informace o přístupu k webové službě Machine Learning studia (classic) najdete v tématu jak používat webovou službu Machine Learning studio (classic).

Správa klasické webové služby

Existují různé akce, které můžete provést k monitorování webové služby. Můžete ho aktualizovat a odstranit. Kromě výchozího koncového bodu, který je vytvořen při jeho nasazení, můžete také přidat další koncové body do klasické webové služby.

další informace najdete v tématu správa pracovního prostoru aplikace Machine Learning studio (classic) a správa webové služby pomocí portálu web Services pro Machine Learning Studio (classic).

Aktualizace webové služby

Můžete provádět změny webové služby, jako je třeba aktualizace modelu pomocí dalších školicích dat, a znovu ho nasadit a přepsat původní webovou službu.

Chcete-li aktualizovat webovou službu, otevřete původní prediktivní experiment, který jste použili k nasazení webové služby, a proveďte upravitelnou kopii kliknutím na možnost Uložit jako. Proveďte změny a potom klikněte na nasadit webovou službu.

Vzhledem k tomu, že jste tento experiment nasadili dřív, zobrazí se dotaz, jestli chcete přepsat existující službu (klasickou webovou službu) nebo aktualizovat (novou webovou službu). Kliknutím na Ano nebo aktualizovat zastavíte existující webovou službu a nasadíme nový prediktivní experiment, který se nasadí na místo.

Jednou z možností aktualizace webové služby je přeučení modelu prostřednictvím kódu programu. další informace najdete v tématu přeučení modelů Machine Learning Studio (classic) prostřednictvím kódu programu.

Další kroky

• další technické informace o tom, jak funguje nasazení, najdete v tématu jak model Machine Learning Studio (classic) postupuje z experimentu na provozní webovou službu.

• podrobnosti o tom, jak model připravit k nasazení, najdete v tématu příprava modelu pro nasazení v Machine Learning studiu (classic).

• Existuje několik způsobů, jak využít REST API a komunikovat s webovou službou. podívejte se, jak využívat webovou službu Machine Learning Studio (classic).