Co je návrhář služby Azure Machine Learning?

Azure Machine Learning designer je rozhraní přetažení používané k učení a nasazení modelů v Azure Machine Learning. Tento článek popisuje úlohy, které můžete provádět v návrháři.

• Informace o tom, jak začít s návrhářem, najdete v tématu kurz: výuka regresního modelu bez kódu.
• Další informace o součástech, které jsou k dispozici v návrháři, naleznete v tématu algoritmus a Reference k komponentám.

návrhář používá pracovní prostor Azure Machine Learning k uspořádání sdílených prostředků, jako jsou:

• Pipelines
• Datové sady
• Výpočetní prostředky
• Registrované modely
• Publikované kanály
• Koncové body v reálném čase

Školení a nasazení modelu

Pomocí vizuálního plátna sestavíte kompletní pracovní postup strojového učení. Analýza, testování a nasazení modelů v Návrháři:

• Datové sady a součásti přetáhněte na plátno.
• Připojení komponenty pro vytvoření konceptu kanálu.
• odešlete běh kanálu pomocí výpočetních prostředků ve vašem pracovním prostoru Azure Machine Learning.
• Převeďte školicí kanály na odvozené kanály.
• Publikování kanálů do koncového bodu kanálu REST pro odeslání nového kanálu, který běží s různými parametry a datovými sadami.
  • Publikování výukového kanálu pro opakované použití jednoho kanálu pro výuku více modelů při změně parametrů a datových sad.
  • Publikování kanálu odvození dávky , aby se předpovědi na nová data pomocí dříve poučeného modelu.

1. Nasaďte kanál pro odvození v reálném čase do koncového bodu v reálném čase, abyste mohli předpovědi na nová data v reálném čase.

Kanál

Kanál se skládá z datových sad a analytických komponent, ke kterým se připojujete. Pipelines mít spoustu použití: můžete vytvořit kanál, který bude vlakem používat jeden model, nebo jeden, který bude vlakem více modelů. Můžete vytvořit kanál, který bude předpovědi v reálném čase nebo v dávce, nebo vytvořit kanál, který pouze čistí data. Pipelines vám umožní opakovaně používat práci a organizovat vaše projekty.

Koncept kanálu

Při úpravách kanálu v návrháři je průběh uložen jako koncept kanálu. Koncept kanálu můžete upravovat kdykoli, když přidáváte nebo odebíráte komponenty, nakonfigurujete výpočetní cíle, vytváříte parametry a tak dále.

Platný kanál má tyto vlastnosti:

• Datové sady se mohou připojit pouze k součástem.
• komponenty se mohou připojit pouze k datovým sadám nebo jiným součástem.
• Všechny vstupní porty pro součásti musí mít připojení k toku dat.
• Musí být nastaveny všechny požadované parametry každé součásti.

Až budete připraveni spustit koncept kanálu, odešlete spuštění kanálu.

Spuštění kanálu

Při každém spuštění kanálu se konfigurace kanálu a jeho výsledků ukládají do vašeho pracovního prostoru jako spuštění kanálu. Můžete se vrátit k libovolnému spuštění kanálu a zkontrolovat ho pro účely řešení potíží nebo auditování. Naklonujte spuštění kanálu, abyste mohli vytvořit novou koncept kanálu, který můžete upravit.

Spuštění kanálu jsou seskupena do experimentů , aby bylo možné uspořádat historii spuštění. Můžete nastavit experiment pro každé spuštění kanálu.

Datové sady

Datová sada Machine Learning usnadňuje přístup k datům a práci s nimi. V návrháři je zahrnutých několik ukázkových datových sad , které můžete experimentovat s nástrojem. Můžete zaregistrovat více datových sad, jak je potřebujete.

Součást

Komponenta je algoritmus, který můžete provádět na vašich datech. Návrhář má několik komponent od vstupních funkcí dat až po procesy školení, bodování a ověřování.

Komponenta může mít sadu parametrů, které můžete použít ke konfiguraci vnitřních algoritmů součásti. Když vyberete komponentu na plátně, parametry komponenty se zobrazí v podokně vlastnosti napravo od plátna. Úpravou parametrů v tomto podokně můžete model optimalizovat. Můžete nastavit výpočetní prostředky pro jednotlivé komponenty v návrháři.

Další nápovědu k dispozici v knihovně strojového učení, najdete v tématu věnovaném přehledu o komponentách & algoritmu. nápovědu k výběru algoritmu najdete v tahákm listu s algoritmem Azure Machine Learning.

Výpočetní prostředky

Pomocí výpočetních prostředků z pracovního prostoru můžete spustit kanál a hostovat nasazené modely jako koncové body v reálném čase nebo koncové body kanálu (pro odvození dávky). Podporované cíle výpočtů:

cíle výpočetní služby jsou připojeny k vašemu pracovnímu prostoru Azure Machine Learning. výpočetní cíle můžete spravovat ve vašem pracovním prostoru v Azure Machine Learning studiu.

Nasadit

Chcete-li provést Inferencing v reálném čase, je nutné nasadit kanál jako koncový bod v reálném čase. Koncový bod v reálném čase vytvoří rozhraní mezi externí aplikací a modelem bodování. Volání koncového bodu v reálném čase vrátí výsledky předpovědi do aplikace v reálném čase. Pro volání koncového bodu v reálném čase předáte klíč rozhraní API, který byl vytvořen při nasazení koncového bodu. Koncový bod je založený na REST, oblíbené architektuře, která je vhodná pro projekty webového programování.

Koncové body v reálném čase musí být nasazeny do clusteru služby Azure Kubernetes.

Informace o tom, jak model nasadit, najdete v tématu kurz: nasazení modelu strojového učení pomocí návrháře.

Publikovat

Kanál můžete také publikovat na koncový bod kanálu. Podobně jako koncový bod v reálném čase umožňuje koncový bod kanálu odeslat z externích aplikací spuštění nového kanálu pomocí volání REST. Pomocí koncového bodu kanálu ale nemůžete data v reálném čase odesílat nebo přijímat.

Publikované kanály jsou flexibilní, dají se využít ke školení a reučení modelů, provádění dávkových Inferencing, zpracování nových dat a mnohem víc. Můžete publikovat více kanálů do jednoho koncového bodu kanálu a určit, která verze kanálu se má spustit.

Publikovaný kanál běží na výpočetních prostředcích, které definujete v konceptu kanálu pro jednotlivé komponenty.

Návrhář vytvoří stejný objekt PublishedPipeline jako sadu SDK.

Další kroky

• Seznamte se se základy prediktivní analýzy a strojového učení s využitím kurzu: předpověď ceny automobilu pomocí návrháře
• Naučte se, jak upravit existující ukázky Návrháře a přizpůsobit je vašim potřebám.