Share via

Co je Návrhář služby Azure Machine Učení (v1)?

  • Článek

Návrhář služby Azure Machine Učení je rozhraní pro přetahování, které slouží k trénování a nasazování modelů ve službě Azure Machine Učení. Tento článek popisuje úkoly, které můžete dělat v návrháři.

Poznámka:

Návrhář podporuje dva typy komponent, klasické předem připravené komponenty (v1) a vlastní komponenty (v2). Tyto dva typy součástí nejsou kompatibilní.

Klasické předem připravené komponenty poskytují předem připravené komponenty pro zpracování dat a tradiční úlohy strojového učení, jako je regrese a klasifikace. Tento typ komponenty se podporuje i nadále, ale nebudou se přidávat žádné nové komponenty.

Vlastní komponenty umožňují zabalit vlastní kód jako součást. Podporuje sdílení komponent mezi pracovními prostory a bezproblémové vytváření v rozhraních Studio, CLI v2 a SDK v2.

Pro nové projekty důrazně doporučujeme používat vlastní komponentu, která je kompatibilní s AzureML V2 a bude nadále přijímat nové aktualizace.

Tento článek se týká klasických předem připravených komponent, které nejsou kompatibilní s rozhraním příkazového řádku v2 a sadou SDK verze 2.

  • Pokud chcete začít s návrhářem, přečtěte si kurz : Trénování regresního modelu bez kódu.
  • Další informace o komponentách dostupných v návrháři najdete v referenčních informacích k algoritmům a komponentám.

GIF of a building a pipeline in the designer.

Návrhář používá váš pracovní prostor Azure Machine Učení k uspořádání sdílených prostředků, například:

Trénování a nasazení modelů

Pomocí vizuálního plátna můžete vytvořit kompletní pracovní postup strojového učení. Trénování, testování a nasazování modelů v návrháři:

  • Datové prostředky a komponenty přetáhněte na plátno.
  • Připojení součástí pro vytvoření konceptu kanálu.
  • Odešlete spuštění kanálu pomocí výpočetních prostředků v pracovním prostoru Azure Machine Učení.
  • Převeďte trénovací kanály na odvozování kanálů.
  • Publikujte kanály do koncového bodu kanálu REST a odešlete nový kanál, který se spouští s různými parametry a datovými prostředky.
    • Publikujte trénovací kanál, abyste mohli znovu použít jeden kanál pro trénování více modelů při změně parametrů a datových prostředků.
    • Publikujte kanál dávkového odvozování, který provede předpovědi na nová data pomocí dříve natrénovaného modelu.
  • Nasaďte kanál odvozování v reálném čase do online koncového bodu, abyste mohli vytvářet předpovědi na nová data v reálném čase.

Workflow diagram for training, batch inference, and real-time inference in the designer.

Kanál

Kanál se skládá z datových prostředků a analytických komponent, které připojíte. Kanály mají mnoho použití: můžete vytvořit kanál, který trénuje jeden model, nebo kanál, který trénuje více modelů. Můžete vytvořit kanál, který provádí předpovědi v reálném čase nebo v dávce, nebo vytvořit kanál, který vyčistí pouze data. Kanály umožňují opakovaně používat svoji práci a organizovat projekty.

Koncept kanálu

Při úpravách kanálu v návrháři se průběh uloží jako koncept kanálu. Koncept kanálu můžete kdykoli upravit tak, že přidáte nebo odeberete komponenty, nakonfigurujete cílové výpočetní objekty, vytvoříte parametry atd.

Platný kanál má tyto vlastnosti:

  • Datové prostředky se můžou připojit jenom k komponentám.
  • komponenty se můžou připojit pouze k datovým prostředkům nebo jiným komponentám.
  • Všechny vstupní porty pro komponenty musí mít určité připojení k toku dat.
  • Musí být nastaveny všechny požadované parametry pro každou komponentu.

Až budete připraveni spustit koncept kanálu, odešlete úlohu kanálu.

Úloha kanálu

Při každém spuštění kanálu se konfigurace kanálu a jeho výsledků uloží do pracovního prostoru jako úloha kanálu. Můžete se vrátit k libovolné úloze kanálu a zkontrolovat, jestli neobsahuje řešení potíží nebo auditování. Naklonujte úlohu kanálu a vytvořte nový koncept kanálu, který můžete upravit.

Úlohy kanálu jsou seskupené do experimentů pro uspořádání historie úloh. Experiment můžete nastavit pro každou úlohu kanálu.

Data

Datový prostředek strojového učení usnadňuje přístup k datům a práci s daty. Několik ukázkových datových prostředků je součástí návrháře, se kterými můžete experimentovat. Podle potřeby můžete zaregistrovat další datové prostředky.

Komponenta

Komponenta je algoritmus, který můžete provádět s daty. Návrhář má různé komponenty s funkcemi pro příchozí přenos dat, ale také pro procesy školení, hodnocení a ověřování.

Komponenta může mít sadu parametrů, které můžete použít ke konfiguraci interních algoritmů komponenty. Když vyberete komponentu na plátně, parametry komponenty se zobrazí v podokně Vlastnosti napravo od plátna. Úpravou parametrů v tomto podokně můžete model optimalizovat. V návrháři můžete nastavit výpočetní prostředky jednotlivých komponent.

Screenshot showing the component properties.

Nápovědu k procházení knihovny dostupných algoritmů strojového učení najdete v tématu Přehled referenčních informací k algoritmům a komponentám. Nápovědu k výběru algoritmu najdete v stručné nápovědě k algoritmům azure Machine Učení.

Výpočetní prostředky

Ke spuštění kanálu a hostování nasazených modelů jako online koncových bodů nebo koncových bodů kanálu (pro dávkové odvozování) použijte výpočetní prostředky z pracovního prostoru. Podporované cílové výpočetní objekty jsou:

Cílový výpočetní objekt Školení Nasazení
Výpočetní Učení azure ✓
Azure Kubernetes Service ✓

Cílové výpočetní objekty jsou připojené k pracovnímu prostoru azure machine Učení. Cílové výpočetní objekty spravujete ve svém pracovním prostoru v studio Azure Machine Learning.

Nasadit

Pokud chcete provést odvozování v reálném čase, musíte kanál nasadit jako online koncový bod. Online koncový bod vytvoří rozhraní mezi externí aplikací a modelem bodování. Volání online koncového bodu vrátí do aplikace výsledky predikce v reálném čase. Pokud chcete volat online koncový bod, předáte klíč rozhraní API vytvořený při nasazení koncového bodu. Koncový bod je založený na rest, oblíbené architektuře pro projekty webového programování.

Online koncové body musí být nasazené do clusteru Azure Kubernetes Service.

Informace o nasazení modelu najdete v kurzu : Nasazení modelu strojového učení pomocí návrháře.

Publikování

Kanál můžete také publikovat do koncového bodu kanálu. Podobně jako u online koncového bodu umožňuje koncový bod kanálu odesílat nové úlohy kanálu z externích aplikací pomocí volání REST. Pomocí koncového bodu kanálu ale nemůžete odesílat ani přijímat data v reálném čase.

Publikované kanály jsou flexibilní, dají se použít k trénování nebo opětovnému trénování modelů, provádění dávkových odvozování, zpracování nových dat a mnoho dalšího. Do jednoho koncového bodu kanálu můžete publikovat více kanálů a určit verzi kanálu, která se má spustit.

Publikovaný kanál běží na výpočetních prostředcích, které definujete v konceptu kanálu pro každou komponentu.

Návrhář vytvoří stejný publikovanýpipeline objekt jako sada SDK.

Další kroky