Migrace na azure Machine Učení ze studia (Classic)

Článek
04/02/2024

Důležité

Podpora pro Machine Učení Studio (classic) končí 31. srpna 2024. Doporučujeme, abyste do tohoto data přešli na Učení Azure Machine.

Po prosinci 2021 už nemůžete vytvářet nové prostředky studia (classic). Až do 31. srpna 2024 můžete dál používat stávající prostředky studia (classic).

Dokumentace k sadě Studio (Classic) se vyřadí z provozu a v budoucnu se nemusí aktualizovat.

Zjistěte, jak migrovat ze sady Machine Učení Studio (Classic) na Učení Azure Machine. Azure Machine Učení poskytuje modernizovaný platformu pro datové vědy, která kombinuje přístupy bez kódu a kódu.

Tato příručka vás provede základní migrací metodou "lift and shift" . Pokud chcete optimalizovat existující pracovní postup strojového učení nebo modernizovat platformu strojového učení, přečtěte si téma Azure Machine Učení Adoption Framework, kde najdete další prostředky, včetně nástrojů pro digitální průzkum, listy a šablony plánování.

Při migraci spolupracujte se svým architektem cloudového řešení.

Doporučený přístup

Pokud chcete migrovat na službu Azure Machine Učení, doporučujeme následující přístup:

Krok 1: Posouzení služby Azure Machine Učení
Krok 2: Definování strategie a plánu
Krok 3: Opětovné sestavení experimentů a webových služeb
Krok 4: Integrace klientských aplikací
Krok 5: Vyčištění prostředků studia (classic)
Krok 6: Kontrola a rozbalení scénářů

Krok 1: Posouzení služby Azure Machine Učení

Seznamte se se službou Azure Machine Učení a jejími výhodami, náklady a architekturou.

Porovnejte možnosti služby Azure Machine Učení a Studio (classic).

Následující tabulka shrnuje klíčové rozdíly.

Funkce	Studio (Classic)	Azure Machine Learning
Rozhraní podporující přetahování	Klasické prostředí	Aktualizované prostředí: Návrhář služby Azure Machine Učení
Sady SDK kódu	Nepodporováno	Plně integrovaná se službou Azure Machine Učení Python a sadami R SDK
Experiment	Škálovatelné (limit trénovacích dat o velikosti 10 GB)	Škálování s využitím cílového výpočetního objektu
Trénování cílových výpočetních prostředků	Cíle proprietárních výpočetních prostředků, pouze podpora procesoru	Široká škála přizpůsobitelných cílových výpočetních prostředků, včetně podpory GPU a procesoru
Cíle výpočetních prostředků nasazení	Formát proprietární webové služby, nejde přizpůsobit	Široká škála přizpůsobitelných cílových výpočetních prostředků nasazení; zahrnuje podporu GPU a procesoru.
Kanál strojového učení	Nepodporováno	Vytváření flexibilních modulárních kanálů pro automatizaci pracovních postupů
MLOps	Základní správa a nasazení modelů; Nasazení jen pro procesor	Správa verzí entit (model, data, pracovní postupy), automatizace pracovních postupů, integrace s nástroji CICD, nasazení procesoru a GPU a další
Formát modelu	Proprietární formát, Pouze Studio (classic)	Více podporovaných formátů v závislosti na typu trénovací úlohy
Automatizované trénování modelů a ladění hyperparametrů	Nepodporováno	Podporuje se Možnosti kódu první a bez kódu
Detekce posunu dat	Nepodporováno	Podporuje se
Projekty popisování dat	Nepodporováno	Podporuje se
Řízení přístupu na základě role (RBAC)	Pouze role přispěvatele a vlastníka	Flexibilní definice role a řízení RBAC
Galerie AI	Podporuje se	Nepodporováno Seznámení s ukázkovými poznámkovými bloky sady Python SDK

Poznámka:

Funkce návrháře ve službě Azure Machine Učení poskytuje prostředí pro přetahování, které se podobá sadě Studio (classic). Azure Machine Učení ale také poskytuje robustní pracovní postupy první kód jako alternativu. Tato série migrací se zaměřuje na návrháře, protože se nejvíc podobá prostředí Studia (classic).

Ověřte, že jsou v návrháři azure Machine Učení podporované důležité moduly sady Studio (Classic). Další informace najdete v tabulce mapování komponent v sadě Studio (classic) a návrháři.
Vytvořte pracovní prostor azure machine Učení.

Krok 2: Definování strategie a plánu

Definujte obchodní odůvodnění a očekávané výsledky.
Sladění akčního plánu přechodu na azure machine Učení s obchodními výsledky
Připravte lidi, procesy a prostředí na změnu.

Spolupracujte se svým architektem cloudového řešení a definujte strategii.

Informace o plánování prostředků, včetně šablony dokumentace k plánování, najdete v rozhraní Azure Machine Učení Adoption Framework.

Krok 3: Opětovné sestavení prvního modelu

Po definování strategie migrujte svůj první model.

Migrace datové sady do služby Azure Machine Učení
K opětovnému sestavení experimentu použijte návrháře služby Azure Machine Učení.
Pomocí návrháře azure Machine Učení nasaďte webovou službu znovu.

Poznámka:

Tyto pokyny jsou založené na konceptech a funkcích azure Machine Učení v1. Azure Machine Učení má cli v2 a Python SDK v2. Doporučujeme, abyste místo verze 1 znovu sestavily modely studia (classic) s použitím v2. Začněte s Azure Machine Učení v2.

Krok 4: Integrace klientských aplikací

Upravte klientské aplikace, které volají webové služby Studio (Classic), aby používaly nové koncové body azure machine Učení.

Krok 5: Vyčištění prostředků studia (classic)

Abyste se vyhnuli dodatečným poplatkům, vyčistěte prostředky studia (classic). Můžete chtít zachovat prostředky pro náhradní použití, dokud neověříte úlohy azure machine Učení.

Krok 6: Kontrola a rozbalení scénářů

Projděte si migraci modelu, kde najdete osvědčené postupy a ověřte úlohy.
Rozbalte scénáře a migrujte další úlohy do služby Azure Machine Učení.

Studio (klasické) a mapování komponent návrháře

V následující tabulce najdete informace o modulech, které se mají použít při opětovném sestavení experimentů studia (Classic) v návrháři služby Azure Machine Učení.

Důležité

Návrhář implementuje moduly prostřednictvím opensourcových balíčků Pythonu místo balíčků jazyka C#, jako je Studio (classic). Vzhledem k tomuto rozdílu se výstup komponent návrháře může mírně lišit od jejich studio (klasických) protějšků.

Kategorie	Modul Studio (Classic)	Náhradní komponenta návrháře
Vstup a výstup dat	– Ruční zadávání dat - Export dat – Import dat – Načíst natrénovaný model - Rozbalení zazipovaných datových sad	– Ruční zadávání dat - Export dat – Import dat
Převody formátů dat	– Převést na CSV – Převod na datovou sadu – Převod na ARFF - Převést na SVMLight - Převod na TSV	– Převést na CSV – Převod na datovou sadu
Transformace dat – manipulace	- Přidání sloupců - Přidat řádky – Použití transformace SQL – Vyčištění chybějících dat - Převést na hodnoty ukazatele - Upravit metadata - Spojení dat - Odebrat duplicitní řádky – Výběr sloupců v datové sadě - Výběr transformace sloupců - SMOTE - Seskupit kategorické hodnoty	- Přidání sloupců - Přidat řádky – Použití transformace SQL – Vyčištění chybějících dat - Převést na hodnoty ukazatele - Upravit metadata - Spojení dat - Odebrat duplicitní řádky – Výběr sloupců v datové sadě - Výběr transformace sloupců - SMOTE
Transformace dat – škálování a redukce	- Hodnoty klipů - Seskupte data do přihrádek. – Normalizovat data - Analýza hlavních komponent	- Hodnoty klipů - Seskupte data do přihrádek. – Normalizovat data
Transformace dat – ukázka a rozdělení	– Rozdělení a ukázka - Rozdělení dat	– Rozdělení a ukázka - Rozdělení dat
Transformace dat – filtr	- Použít filtr - Filtr FIR - Filtr IIR - Medián filtru - Filtr klouzavého průměru - Filtr prahových hodnot – Filtr definovaný uživatelem
Transformace dat – Učení s počty	– Transformace počítání sestavení - Export count table - Tabulka počtu importů – Sloučení transformace počtu - Úprava parametrů tabulky počtu
Výběr součástí	- Výběr funkcí založených na filtru - Fisherová lineární discriminantní analýza – Důležitost funkce permutace	- Výběr funkcí založených na filtru – Důležitost funkce permutace
Model – klasifikace	– Rozhodovací doménová struktura s více třídami - Vícetřídová rozhodovací džungle - Logistická regrese s více třídami - Vícetřídní neurální síť - One-vs-all multiclass - Průměrní perceptron se dvěma třídami - Dvoutřídní bayesový bodový stroj - Dvoutřídní zesílený rozhodovací strom – Rozhodovací doménová struktura se dvěma třídami - Dvoutřídní rozhodovací džungle – Dvoutřídní místně hluboké SVM - Logistická regrese ve dvou třídách - Neurální síť se dvěma třídami - Dvoutřídní podpůrný vektorový stroj	– Rozhodovací doménová struktura s více třídami - Vícetřídový rozhodovací strom - Logistická regrese s více třídami - Vícetřídní neurální síť - One-vs-all multiclass - Průměrní perceptron se dvěma třídami - Dvoutřídní zesílený rozhodovací strom – Rozhodovací doménová struktura se dvěma třídami - Logistická regrese ve dvou třídách - Neurální síť se dvěma třídami - Dvoutřídní podpůrný vektorový stroj
Model – Clustering	- Clustering K-means	- Clustering K-means
Model – regrese	- Bayesian lineární regrese - Zvýšení regrese rozhodovacího stromu - Regrese rozhodovacího doménového struktury – Rychlá regrese kvantových struktur - Lineární regrese - Regrese neurální sítě - Pořadová regrese - Poissonova regrese	- Zvýšení regrese rozhodovacího stromu - Regrese rozhodovacího doménového struktury – Rychlá regrese kvantových struktur - Lineární regrese - Regrese neurální sítě - Poissonova regrese
Model – detekce anomálií	– SVM s jednou třídou – Detekce anomálií založená na PCA	– Detekce anomálií založená na PCA
Učení stroje – vyhodnocení	– Křížové ověření modelu – Vyhodnocení modelu - Vyhodnocení doporučeného	– Křížové ověření modelu – Vyhodnocení modelu - Vyhodnocení doporučeného
Učení stroje – trén	- Uklidit shlukování – Trénování modelu detekce anomálií – Trénování modelu clusteringu - Train matchbox recommender - Trénování modelu - Ladění hyperparametrů modelu	– Trénování modelu detekce anomálií – Trénování modelu clusteringu - Trénování modelu - Trénování modelu PyTorch - Trénujte doporučovač SVD - Trénujte široký a hluboký doporučovač - Ladění hyperparametrů modelu
Strojový Učení – skóre	– Použití transformace – Přiřazení dat ke clusterům - Určení skóre doporučeného pro matchbox - Určení skóre modelu	– Použití transformace – Přiřazení dat ke clusterům - Určení skóre modelu obrázků - Určení skóre modelu - Určení skóre doporučovače SVD - Skóre širokých a hlubokých doporučovačů
Moduly knihovny OpenCV	– Import obrázků – Předem natrénovaná kaskádová klasifikace obrázků
Jazykové moduly Pythonu	– Spuštění skriptu Pythonu	– Spuštění skriptu Pythonu – Vytvoření modelu Pythonu
Jazykové moduly jazyka R	– Spuštění skriptu jazyka R – Vytvoření modelu R	– Spuštění skriptu jazyka R
Statistické funkce	– Použití matematické operace - Výpočet základní statistiky – Výpočet lineární korelace - Vyhodnocení funkce pravděpodobnosti - Nahrazení diskrétních hodnot - Shrnutí dat - Testování hypotézy pomocí t-Test	– Použití matematické operace - Shrnutí dat
Analýza textu	– Rozpoznání jazyků - Extrakce klíčových frází z textu - Extrahování n-gramových funkcí z textu - Hashování funkcí - Latent dirichlet přidělení – Rozpoznávání pojmenovaných entit - Předběžné zpracování textu - Určení skóre modelu vVowpal Wabbit verze 7-10 - Určení skóre modelu Vowpal Wabbit verze 8 - Trénování modelu Vowpal Wabbit verze 7-10 - Trénování modelu Vowpal Wabbit verze 8	- Převést Word na vektor - Extrahování n-gramových funkcí z textu - Hashování funkcí - Latent dirichlet přidělení - Předběžné zpracování textu - Určení skóre modelu Vowpal Wabbit - Trénování modelu Vowpal Wabbit
Časové řady	- Detekce anomálií časových řad
Webová služba	-Vstupní - Výstup	-Vstupní - Výstup
Počítačové zpracování obrazu		– Použití transformace obrázku - Převést do adresáře obrázků - Inicializační transformace obrázků - Split image directory - DenseNet image classification – Klasifikace obrázků ResNet

Další informace o tom, jak používat jednotlivé komponenty návrháře, najdete v referenčních informacích k algoritmům a komponentám.

Co když chybí komponenta návrháře?

Návrhář služby Azure Machine Učení obsahuje nejoblíbenější moduly ze studia (classic). Obsahuje také nové moduly, které využívají nejnovější techniky strojového učení.

Pokud je migrace zablokovaná kvůli chybějícím modulům v návrháři, kontaktujte nás vytvořením lístku podpory.

Příklad migrace

Následující příklad migrace zvýrazňuje některé rozdíly mezi sadou Studio (Classic) a azure machine Učení.

Datové sady

V sadě Studio (Classic) byly datové sady uloženy ve vašem pracovním prostoru a dají se používat jenom v sadě Studio (classic).

V azure Machine Učení se datové sady registrují do pracovního prostoru a dají se použít ve všech Učení počítačů Azure. Další informace o výhodách datových sad azure Machine Učení najdete v tématu Data v Učení Azure Machine.

Kanál

Experimenty v sadě Studio (klasické) obsahovaly logiku zpracování pro vaši práci. Vytvořili jste experimenty s přetahováním modulů.

V Učení Azure Machine obsahují kanály logiku zpracování pro vaši práci. Kanály můžete vytvářet buď pomocí modulů přetažení, nebo napsáním kódu.

Koncové body webové služby

Studio (classic) používalo rozhraní API POŽADAVKU/ODPOVĚDI pro predikci v reálném čase a rozhraní API DÁVKOVÉHO SPOUŠTĚNÍ pro dávkové předpovědi nebo opětovné trénování.

Azure Machine Učení používá koncové body v reálném čase (spravované koncové body) pro predikce v reálném čase a koncové body kanálu pro dávkové předpovědi nebo opětovné natrénování.

V tomto článku jste se seznámili s požadavky vysoké úrovně pro migraci na službu Azure Machine Učení. Podrobné kroky najdete v dalších článcích řady migrace machine Učení Studio (Classic):

Další prostředky migrace najdete v rozhraní Azure Machine Učení Adoption Framework.