Migrer les modules Exécuter un script R dans Studio (classique)
Important
La prise en charge d’Azure Machine Learning Studio (classique) prendra fin le 31 août 2024. Nous vous recommandons d’effectuer la transition vers Azure Machine Learning avant cette date.
Depuis le 1er décembre 2021, vous ne pouvez plus créer de ressources Machine Learning Studio (classique) (espace de travail et plan de service web). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les expériences et les services web Machine Learning Studio (classique) existants. Pour plus d’informations, consultez l’article suivant :
- Migrer vers Azure Machine Learning à partir de Machine Learning Studio (classique)
- Qu'est-ce que Microsoft Azure Machine Learning ?
La documentation de Machine Learning Studio (classique) est en train d’être mise hors service, et ne sera peut-être pas mise à jour à l’avenir.
Dans cet article, vous allez apprendre à reconstruire un module Exécuter un script R de Studio (classique) dans Azure Machine Learning.
Pour plus d’informations sur la migration à partir de Studio (classique), consultez l’article de présentation sur la migration.
Exécuter un script R
Le concepteur d’Azure Machine Learning s’exécute désormais sous Linux. Studio (classique) s’exécute sous Windows. En raison du changement de plateforme, vous devez ajuster votre module Exécuter un script R pendant la migration, sinon le pipeline échouera.
Pour migrer un module Exécuter un script R à partir de Studio (classique), vous devez remplacer les interfaces maml.mapInputPort
maml.mapOutputPort
par des fonctions standard.
Le tableau suivant récapitule les modifications apportées au module Exécuter un script R :
Fonctionnalité | Studio (classique) | Concepteur Azure Machine Learning |
---|---|---|
Interface de script | maml.mapInputPort et maml.mapOutputPort |
Interface de fonction |
Plateforme | Windows | Linux |
Accès à l’Internet | Non | Oui |
Mémoire | 14 Go | Dépend du SKU de calcul |
Comment mettre à jour l’interface de script R
Voici le contenu d’un exemple de module Exécuter un script R dans Studio (classique) :
# Map 1-based optional input ports to variables
dataset1 <- maml.mapInputPort(1) # class: data.frame
dataset2 <- maml.mapInputPort(2) # class: data.frame
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Select data.frame to be sent to the output Dataset port
maml.mapOutputPort("data.set");
Voici le contenu mis à jour dans le concepteur. Notez que maml.mapInputPort
et maml.mapOutputPort
ont été remplacées par l’interface de fonction standard azureml_main
.
azureml_main <- function(dataframe1, dataframe2){
# Use the parameters dataframe1 and dataframe2 directly
dataset1 <- dataframe1
dataset2 <- dataframe2
# Contents of optional Zip port are in ./src/
# source("src/yourfile.R");
# load("src/yourData.rdata");
# Sample operation
data.set = rbind(dataset1, dataset2);
# You'll see this output in the R Device port.
# It'll have your stdout, stderr and PNG graphics device(s).
plot(data.set);
# Return datasets as a Named List
return(list(dataset1=data.set))
}
Pour plus d’informations, consultez la référence du module Exécuter un script R du concepteur.
Installer des packages R à partir d’Internet
Le concepteur d’Azure Machine Learning vous permet d’installer des packages directement à partir de CRAN.
Il s’agit d’une amélioration par rapport à Studio (classique). Dans la mesure où Studio (classique) s’exécute dans un environnement de bac à sable sans accès Internet, vous deviez charger des scripts dans un pack zip pour installer d’autres packages.
Utilisez le code suivant pour installer les packages CRAN dans le module Exécuter un script R du concepteur :
if(!require(zoo)) {
install.packages("zoo",repos = "http://cran.us.r-project.org")
}
library(zoo)
Étapes suivantes
Dans cet article, vous avez appris à migrer des modules Exécuter un script R vers Azure Machine Learning.
Consultez les autres articles de la série sur la migration Studio (classique) :