Integrieren Ihrer R-Workloads
GILT FÜR:Azure CLI ML-Erweiterung v2 (aktuell)Python SDK azure-ai-ml v2 (aktuell)
Für R steht kein Azure Machine Learning SDK zur Verfügung. Verwenden Sie stattdessen entweder die CLI oder ein Python-Steuerelementskript, um Ihre R-Skripts auszuführen.
In diesem Artikel werden die wichtigsten Szenarien für R beschrieben, die in Azure Machine Learning unterstützt werden, und Sie erhalten Informationen zu bekannten Einschränkungen.
Typischer R-Workflow
Ein typischer Workflow für die Verwendung von R mit Azure Machine Learning sieht wie folgt aus:
Entwickeln Sie R-Entwicklung interaktiv mithilfe von Jupyter Notebook-Instanzen in einer Compute-Instanz. (Sie können einer Compute-Instanz zwar auch Posit oder RStudio hinzufügen, derzeit aber nicht über diese Anwendungen in der Compute-Instanz auf Datenressourcen im Arbeitsbereich zugreifen. Für die interaktive Verwendung ist daher eine Jupyter Notebook-Instanz momentan die beste Option.)
- Lesen Sie Tabellendaten aus einer registrierten Datenressource oder einem Datenspeicher.
- Installieren Sie zusätzliche R-Bibliotheken.
- Speichern Sie Artefakte im Dateispeicher des Arbeitsbereichs.
Passen Sie Ihr Skript an, damit es als Produktionsauftrag in Azure Machine Learning ausgeführt wird.
- Entfernen Sie sämtlichen Code, der eine Benutzerinteraktion erfordert.
- Fügen Sie dem Skript ggf. Befehlszeileneingabeparameter hinzu.
- Schließen Sie das Skript
azureml_utils.R
in das gleiche Arbeitsverzeichnis ein, in dem sich auch das auszuführende R-Skript befindet, und binden Sie es ein. - Verwenden Sie
crate
, um das Modell zu verpacken. - Schließen Sie die R/MLflow-Funktionen in das Skript ein, um Artefakte, Modelle, Parameter und/oder Tags für den Auftrag in MLflow zu protokollieren.
Übermitteln Sie asynchrone R-Remoteaufträge (über die CLI oder das Python SDK, nicht über R).
- Erstellen Sie eine Umgebung.
- Protokollieren Sie Auftragsartefakte, Parameter, Tags und Modelle.
Registrieren Sie Ihr Modell beim Azure Machine Learning Studio.
Stellen Sie registrierte R-Modelle bereit (für verwaltete Onlineendpunkte).
- Verwenden Sie die bereitgestellten Endpunkte für Rückschlüsse/Bewertungen in Echtzeit.
Bekannte Einschränkungen
Einschränkung | Vorgehensweise |
---|---|
Es steht kein R SDK auf Steuerungsebene zur Verfügung. | Verwenden Sie die Azure CLI oder das Python-Steuerungsskript, um Aufträge zu übermitteln. |
Wenn RStudio als benutzerdefinierte Anwendung (z. B. Posit oder RStudio) in einem Container in der Compute-Instanz ausgeführt wird, kann weder auf Arbeitsbereichsressourcen noch auf MLflow zugegriffen werden. | Verwenden Sie Jupyter Notebook-Instanzen mit dem R-Kernel in der Compute-Instanz. |
Interaktives Abfragen der MLflow-Registrierung des Arbeitsbereichs über R wird nicht unterstützt. | |
Geschachtelte MLflow-Ausführungen in R werden nicht unterstützt. | |
Parallele Auftragsschritte werden nicht unterstützt. | Führen Sie ein Skript n Mal parallel mit verschiedenen Eingabeparametern aus. Es ist allerdings eine Metaprogrammierung erforderlich, um n YAML- oder CLI-Aufrufe zu generieren. |
Die Registrierung/Erfassung eines programmgesteuerten Modells über einen ausgeführten Auftrag mit R wird nicht unterstützt. | |
Die Bereitstellung ohne Programmierung (automatische Bereitstellung) eines R-MLflow-Modells wird derzeit nicht unterstützt. | Erstellen Sie einen benutzerdefinierten Container mit plumber für die Bereitstellung. |
Die Bewertung eines R-Modells mit Batchendpunkten wird nicht unterstützt. | |
In der YML-Datei für die Azure Machine Learning-Onlinebereitstellung können nur Image-URIs direkt aus der Registrierung für die Umgebungsspezifikation verwendet werden. Die Verwendung vordefinierter Umgebungen aus dem gleichen Dockerfile ist nicht möglich. | Führen Sie die Schritte aus, die unter How to deploy a registered R model to an online (real time) endpoint (Bereitstellen eines registrierten R-Modells für einen (Echtzeit-)Onlineendpunkt) beschrieben Schritte sind, um die richtige Art der Bereitstellung zu finden. |
Nächste Schritte
Weitere Informationen zu R in Azure Machine Learning finden Sie hier:
- Interaktive R-Entwicklung
- Anpassen Ihres R-Skripts für die Ausführung in der Produktion
- Ausführen eines R-Auftrags zum Trainieren eines Modells
- How to deploy a registered R model to an online (real time) endpoint (Bereitstellen eines registrierten R-Modells für einen (Echtzeit-)Onlineendpunkt)