Azure Machine Learning Studio (klasszikus) webszolgáltatás üzembe helyezéseDeploy an Azure Machine Learning Studio (classic) web service

a következőkre vonatkozik:  Ez egy pipa, ami azt jelenti, hogy ez a cikk a Machine Learning Studio (klasszikus) elemre vonatkozik. Machine Learning Studio (klasszikus)  Ez egy X, ami azt jelenti, hogy ez a cikk Azure Machine learningre vonatkozik. Azure Machine Learning APPLIES TO: This is a check mark, which means that this article applies to Machine Learning Studio (classic).Machine Learning Studio (classic) This is an X, which means that this article applies to Azure Machine Learning.Azure Machine Learning

A Azure Machine Learning Studio (klasszikus) lehetővé teszi prediktív elemzési megoldások készítését és tesztelését.Azure Machine Learning Studio (classic) enables you to build and test a predictive analytic solution. Ezután webszolgáltatásként üzembe helyezheti a megoldást.Then you can deploy the solution as a web service.

A Machine Learning Studio (klasszikus) webszolgáltatások felületet biztosítanak egy alkalmazás és egy Machine Learning Studio (klasszikus) munkafolyamat pontozási modellje között.Machine Learning Studio (classic) web services provide an interface between an application and a Machine Learning Studio (classic) workflow scoring model. Egy külső alkalmazás valós időben tud kommunikálni egy Machine Learning Studio (klasszikus) munkafolyamat-pontozási modellel.An external application can communicate with a Machine Learning Studio (classic) workflow scoring model in real time. Egy Machine Learning Studio (klasszikus) webszolgáltatás hívása visszaadja az előrejelzési eredményeket egy külső alkalmazásnak.A call to a Machine Learning Studio (classic) web service returns prediction results to an external application. A webszolgáltatások felé irányuló hívások indításához át kell adnia azt az API-kulcsot, amelyet a webszolgáltatás üzembe helyezésekor hozott létre.To make a call to a web service, you pass an API key that was created when you deployed the web service. A Machine Learning Studio (klasszikus) webszolgáltatás egy REST-alapú, népszerű architektúra a webes programozási projektekhez.A Machine Learning Studio (classic) web service is based on REST, a popular architecture choice for web programming projects.

A Azure Machine Learning Studio (klasszikus) webszolgáltatásoknak két típusa van:Azure Machine Learning Studio (classic) has two types of web services:

  • Request-Response szolgáltatás (ERŐFORRÁSREKORDOK): alacsony késésű, rugalmasan méretezhető szolgáltatás, amely egyetlen adatrekordot mutat be.Request-Response Service (RRS): A low latency, highly scalable service that scores a single data record.
  • Batch végrehajtási szolgáltatás (BES): egy aszinkron szolgáltatás, amely adatrekordok kötegét szerzi be.Batch Execution Service (BES): An asynchronous service that scores a batch of data records.

A BES bemeneti adatai az RRS-ben használt bemeneti adatokhoz hasonlóak.The input for BES is like data input that RRS uses. A fő különbség az, hogy a BES több különböző forrásból olvassa be az adatköteget, például az Azure Blob Storage-ból és Azure Table Storage-ből, az Azure SQL Database-ből, a HDInsightból (Hive-lekérdezés) és HTTP-forrásokból.The main difference is that BES reads a block of records from a variety of sources, such as Azure Blob storage, Azure Table storage, Azure SQL Database, HDInsight (hive query), and HTTP sources.

A magas szintű nézetből három lépésben helyezheti üzembe a modelljét:From a high-level point-of-view, you deploy your model in three steps:

  • [Hozzon létre egy betanítási kísérletet] a Studióban (klasszikus). a prediktív elemzési modellt betaníthatja és tesztelheti a betanítási adataival, és számos beépített gépi tanulási algoritmust használhat.Create a training experiment - In Studio (classic), you can train and test a predictive analytics model using training data that you supply, using a large set of built-in machine learning algorithms.
  • [Alakítsa át prediktív kísérletre] – ha a modell már meglévő adataival lett betanítva, és készen áll arra, hogy új adatgyűjtést végezzen, előkészíti és egyszerűsíti a kísérletet az előrejelzésekhez.Convert it to a predictive experiment - Once your model has been trained with existing data and you're ready to use it to score new data, you prepare and streamline your experiment for predictions.
  • Üzembe helyezés [új webszolgáltatásként] vagy [klasszikus webszolgáltatásként] – ha a prediktív kísérletet Azure webszolgáltatásként helyezi üzembe, a felhasználók elküldhetik az adatait a modellbe, és megkapják a modell előrejelzéseit.Deploy it as a New web service or a Classic web service - When you deploy your predictive experiment as an Azure web service, users can send data to your model and receive your model's predictions.

Képzési kísérlet létrehozásaCreate a training experiment

A prediktív elemzési modellek betanításához Azure Machine Learning Studio (klasszikus) használatával hozzon létre egy képzési kísérletet, ahol különféle modulokat tartalmaz a betanítási adatgyűjtés betöltéséhez, a szükséges, a gépi tanulási algoritmusok alkalmazásához, valamint az eredmények kiértékeléséhez.To train a predictive analytics model, you use Azure Machine Learning Studio (classic) to create a training experiment where you include various modules to load training data, prepare the data as necessary, apply machine learning algorithms, and evaluate the results. Megismételheti a kísérletet, és különböző gépi tanulási algoritmusok kipróbálásával összehasonlíthatja és értékelheti az eredményeket.You can iterate on an experiment and try different machine learning algorithms to compare and evaluate the results.

A képzési kísérletek létrehozásának és kezelésének folyamata máshol még alaposabban szerepel.The process of creating and managing training experiments is covered more thoroughly elsewhere. További információért lásd a következő cikkeket:For more information, see these articles:

A betanítási kísérlet átalakítása prediktív kísérletreConvert the training experiment to a predictive experiment

Ha betanítja a modellt, készen áll arra, hogy a betanítási kísérletet egy prediktív kísérletbe konvertálja, hogy az új adatait felhasználja.Once you've trained your model, you're ready to convert your training experiment into a predictive experiment to score new data.

A prediktív kísérletre való áttéréssel a betanított modell készen áll a pontozási webszolgáltatásként való üzembe helyezésre.By converting to a predictive experiment, you're getting your trained model ready to be deployed as a scoring web service. A webszolgáltatás felhasználói bemeneti adatokat küldhetnek a modellbe, és a modell visszaküldi az előrejelzési eredményeket.Users of the web service can send input data to your model and your model will send back the prediction results. A prediktív kísérletre való áttérés során ne feledje, hogy a modelleket mások is használják.As you convert to a predictive experiment, keep in mind how you expect your model to be used by others.

A betanítási kísérlet prediktív kísérletre való átalakításának folyamata három lépést tesz szükségessé:The process of converting a training experiment to a predictive experiment involves three steps:

  1. Cserélje le a Machine learning-algoritmus moduljait a betanított modellre.Replace the machine learning algorithm modules with your trained model.
  2. A kísérletet csak azokra a modulokra vágja, amelyek a pontozáshoz szükségesek.Trim the experiment to only those modules that are needed for scoring. A betanítási kísérlet több modult is tartalmaz, amelyek szükségesek a képzéshez, de nem szükségesek a modell betanítása után.A training experiment includes a number of modules that are necessary for training but are not needed once the model is trained.
  3. Határozza meg, hogy a modell hogyan fogadja el az adatok elfogadását a webszolgáltatás-felhasználótól, és hogy milyen adatok lesznek visszaadva.Define how your model will accept data from the web service user, and what data will be returned.

Tipp

A betanítási kísérlet során a saját adatai alapján a modell betanításával és pontozásával foglalkozott.In your training experiment, you've been concerned with training and scoring your model using your own data. Az üzembe helyezést követően azonban a felhasználók új adatait küldenek a modellbe, és az előrejelzési eredményeket fogják visszaadni.But once deployed, users will send new data to your model and it will return prediction results. Tehát, ahogy átalakítja a betanítási kísérletet egy prediktív kísérletre, hogy készen álljon az üzembe helyezésre, ne feledje, hogy a modelleket mások is használják.So, as you convert your training experiment to a predictive experiment to get it ready for deployment, keep in mind how the model will be used by others.

Konvertálás pontozási kísérletre

Webszolgáltatás beállítása gombSet Up Web Service button

A kísérlet futtatása után (a kísérlet vászon alján kattintson a Futtatás gombra), kattintson a webszolgáltatás beállítása gombra (válassza ki a prediktív webszolgáltatás lehetőséget).After you run your experiment (click RUN at the bottom of the experiment canvas), click the Set Up Web Service button (select the Predictive Web Service option). A webszolgáltatás beállítása a betanítási kísérlet prediktív kísérletre történő átalakításának három lépését végzi el:Set Up Web Service performs for you the three steps of converting your training experiment to a predictive experiment:

  1. Elmenti a betanított modellt a modul palettájának betanított modellek szakaszában (a kísérlet vászontól balra).It saves your trained model in the Trained Models section of the module palette (to the left of the experiment canvas). Ezután lecseréli a Machine learning-algoritmust és betanítja a modell modulokat a mentett betanított modellel.It then replaces the machine learning algorithm and Train Model modules with the saved trained model.
  2. Elemzi a kísérletet, és eltávolítja azokat a modulokat, amelyeket egyértelműen csak képzésre használtak, és amelyekre már nincs szükség.It analyzes your experiment and removes modules that were clearly used only for training and are no longer needed.
  3. A webszolgáltatások bemeneti és kimeneti moduljait a kísérlet alapértelmezett helyeire szúrja be (ezek a modulok elfogadják és visszaadják a felhasználói adatokat).It inserts Web service input and output modules into default locations in your experiment (these modules accept and return user data).

Az alábbi kísérlet például egy kétosztályos, kibővített döntési famodellt alkalmaz a minta-számbavételi adataival:For example, the following experiment trains a two-class boosted decision tree model using sample census data:

Betanítási kísérlet

A kísérlet moduljai alapvetően négy különböző funkciót látnak el:The modules in this experiment perform basically four different functions:

Modul függvények

Ha ezt a betanítási kísérletet prediktív kísérletre konvertálja, ezeknek a moduloknak már nincs rá szüksége, vagy már más célt szolgálnak:When you convert this training experiment to a predictive experiment, some of these modules are no longer needed, or they now serve a different purpose:

  • Adat – a minta adatkészletben lévő adatokat a rendszer nem használja pontozás közben – a webszolgáltatás felhasználója megadja az adatokat.Data - The data in this sample dataset is not used during scoring - the user of the web service will supply the data to be scored. A betanított modell azonban a metaadatokat, például az adattípusokat használja.However, the metadata from this dataset, such as data types, is used by the trained model. Ezért meg kell őriznie az adatkészletet a prediktív kísérletben, hogy meg tudja adni ezt a metaadatokat.So you need to keep the dataset in the predictive experiment so that it can provide this metadata.

  • PREP – attól függően, hogy milyen felhasználói adat lesz elküldve a pontozáshoz, ezek a modulok esetleg nem szükségesek a bejövő adat feldolgozásához.Prep - Depending on the user data that will be submitted for scoring, these modules may or may not be necessary to process the incoming data. A webszolgáltatás beállítása gomb nem érinti ezeket – el kell döntenie, hogyan szeretné kezelni őket.The Set Up Web Service button doesn't touch these - you need to decide how you want to handle them.

    Ebben a példában például a minta adatkészlet hiányzó értékekkel rendelkezhet, ezért a rendszer egy tiszta hiányzó adatmodult tartalmazott a velük való kezeléshez.For instance, in this example the sample dataset may have missing values, so a Clean Missing Data module was included to deal with them. Emellett a minta adatkészlet olyan oszlopokat is tartalmaz, amelyek nem szükségesek a modell betanításához.Also, the sample dataset includes columns that are not needed to train the model. Így az adatkészlet modul Select oszlopai is kizárhatók a további oszlopoknak az adatfolyamatból való kizárásával.So a Select Columns in Dataset module was included to exclude those extra columns from the data flow. Ha tudja, hogy a webszolgáltatáson keresztüli pontozásra elküldött adatok nem rendelkeznek hiányzó értékekkel, akkor eltávolíthatja a hiányzó adatok törlése modult.If you know that the data that will be submitted for scoring through the web service will not have missing values, then you can remove the Clean Missing Data module. Mivel azonban az adatkészlet modul Select oszlopai segítenek meghatározni a betanított modell által várt adatoszlopokat, a modulnak meg kell maradnia.However, since the Select Columns in Dataset module helps define the columns of data that the trained model expects, that module needs to remain.

  • Betanítás – ezek a modulok a modell betanítására szolgálnak.Train - These modules are used to train the model. Ha a webszolgáltatás beállítása elemre kattint, a rendszer lecseréli ezeket a modulokat egyetlen modulra, amely tartalmazza a betanított modellt.When you click Set Up Web Service, these modules are replaced with a single module that contains the model you trained. Ezt az új modult a modul paletta betanított modellek szakasza menti.This new module is saved in the Trained Models section of the module palette.

  • Pontszám – ebben a példában az adatstreamek a tesztelési és a betanítási adatként való felosztására szolgálnak.Score - In this example, the Split Data module is used to divide the data stream into test data and training data. A prediktív kísérletben nem dolgozunk fel többé, ezért a felosztott adatvesztést el lehet távolítani.In the predictive experiment, we're not training anymore, so Split Data can be removed. Hasonlóképpen, a második pontszámot modellező modul és a modell kiértékelése modul a vizsgálati adatok eredményeinek összehasonlítására szolgál, így ezek a modulok nem szükségesek a prediktív kísérlet során.Similarly, the second Score Model module and the Evaluate Model module are used to compare results from the test data, so these modules are not needed in the predictive experiment. A fennmaradó pontszám modell modulnak azonban a webszolgáltatáson keresztüli pontszám eredményét kell visszaadnia.The remaining Score Model module, however, is needed to return a score result through the web service.

A példa a webszolgáltatás beállítása elemre való kattintás után a következőképpen néz ki:Here is how our example looks after clicking Set Up Web Service:

Átalakított prediktív kísérlet

A webszolgáltatások beállításával végzett munka elegendő lehet a kísérlet webszolgáltatásként való üzembe helyezésének előkészítéséhez.The work done by Set Up Web Service may be sufficient to prepare your experiment to be deployed as a web service. Azonban érdemes lehet elvégezni egy további, a kísérlethez kapcsolódó munkát.However, you may want to do some additional work specific to your experiment.

Bemeneti és kimeneti modulok módosításaAdjust input and output modules

A betanítási kísérlet során a betanítási adatkészletet használta, majd elvégezte a feldolgozást, hogy a gépi tanulási algoritmust igénylő űrlapon beolvassa az adatait.In your training experiment, you used a set of training data and then did some processing to get the data in a form that the machine learning algorithm needed. Ha a webszolgáltatásban várhatóan megjelenő adatokra nem lesz szükség a feldolgozásra, megkerülheti azt: a webszolgáltatások bemeneti moduljának kimenetét a kísérlet egy másik moduljának összekapcsolásával is elvégezheti.If the data you expect to receive through the web service will not need this processing, you can bypass it: connect the output of the Web service input module to a different module in your experiment. A felhasználó ekkor megérkezik a modellbe ezen a helyen.The user's data will now arrive in the model at this location.

Alapértelmezés szerint például a webszolgáltatás beállítása a webszolgáltatás bemeneti modulját az adatfolyamat tetején helyezi el, ahogy az a fenti ábrán is látható.For example, by default Set Up Web Service puts the Web service input module at the top of your data flow, as shown in the figure above. Azonban manuálisan is elhelyezheti a webszolgáltatás bemenetét az adatfeldolgozó moduloknál:But we can manually position the Web service input past the data processing modules:

Webszolgáltatás bemenetének áthelyezése

A webszolgáltatáson keresztül megadott bemeneti adatok mostantól közvetlenül a pontszám modell modulba kerülnek, előfeldolgozás nélkül.The input data provided through the web service will now pass directly into the Score Model module without any preprocessing.

Hasonlóképpen, alapértelmezés szerint a webszolgáltatás az adatfolyam alján helyezi üzembe a webszolgáltatás kimeneti modulját.Similarly, by default Set Up Web Service puts the Web service output module at the bottom of your data flow. Ebben a példában a webszolgáltatás visszaadja a felhasználónak a pontszám modell modul kimenetét, amely magában foglalja a teljes bemeneti adatvektort, valamint a pontozás eredményét.In this example, the web service will return to the user the output of the Score Model module, which includes the complete input data vector plus the scoring results. Ha azonban inkább egy másikat szeretne visszaadni, akkor a webszolgáltatás kimeneti modulja előtt további modulokat is hozzáadhat.However, if you would prefer to return something different, then you can add additional modules before the Web service output module.

Ha például csak a pontozás eredményét szeretné visszaadni, és nem a bemeneti adatok teljes vektorát, vegyen fel egy Select oszlopot az adatkészlet modulban az összes oszlop kizárásához, kivéve a pontozás eredményét.For example, to return only the scoring results and not the entire vector of input data, add a Select Columns in Dataset module to exclude all columns except the scoring results. Ezután helyezze át a webszolgáltatás kimeneti modulját a Select oszlopok kimenetére az adatkészlet modulban.Then move the Web service output module to the output of the Select Columns in Dataset module. A kísérlet így néz ki:The experiment looks like this:

Webszolgáltatás kimenetének áthelyezése

További adatfeldolgozási modulok hozzáadása vagy eltávolításaAdd or remove additional data processing modules

Ha a kísérletben több modul is van, de nem lesz szükség a pontozásra, ezeket a rendszer eltávolítja.If there are more modules in your experiment that you know will not be needed during scoring, these can be removed. Mivel például áthelyezte a webszolgáltatás bemeneti modulját az adatfeldolgozási modulok utáni pontra, eltávolíthatja a tiszta hiányzó adatmodult a prediktív kísérletből.For example, because we moved the Web service input module to a point after the data processing modules, we can remove the Clean Missing Data module from the predictive experiment.

A prediktív kísérlet így néz ki:Our predictive experiment now looks like this:

További modul eltávolítása

Opcionális webszolgáltatás-paraméterek hozzáadásaAdd optional Web Service Parameters

Bizonyos esetekben előfordulhat, hogy lehetővé szeretné tenni a webszolgáltatás felhasználójának, hogy megváltoztassa a modulok viselkedését a szolgáltatás elérésekor.In some cases, you may want to allow the user of your web service to change the behavior of modules when the service is accessed. A webszolgáltatás paraméterei lehetővé teszik ezt.Web Service Parameters allow you to do this.

Gyakori példa egy adatimportálási modul beállítása, hogy a telepített webszolgáltatás felhasználója más adatforrást is megadhat a webszolgáltatáshoz való hozzáféréskor.A common example is setting up an Import Data module so the user of the deployed web service can specify a different data source when the web service is accessed. Vagy az exportálási modul konfigurálása, hogy egy másik célhely is megadható legyen.Or configuring an Export Data module so that a different destination can be specified.

Meghatározhatja a webszolgáltatás paramétereit, és társíthatja azokat egy vagy több modul-paraméterrel, és megadhatja, hogy kötelező vagy opcionális-e.You can define Web Service Parameters and associate them with one or more module parameters, and you can specify whether they are required or optional. A webszolgáltatás felhasználója ezeket a paramétereket adja meg, ha a szolgáltatás elérhető, és a modul műveletei ennek megfelelően módosulnak.The user of the web service provides values for these parameters when the service is accessed, and the module actions are modified accordingly.

A webszolgáltatás-paraméterekkel és azok használatának módjával kapcsolatos további információkért lásd: Azure Machine learning webszolgáltatás paramétereinek használata.For more information about what Web Service Parameters are and how to use them, see Using Azure Machine Learning Web Service Parameters.

A következő lépések leírják, hogyan helyezhet üzembe egy prediktív kísérletet új webszolgáltatásként.The following steps describe deploying a predictive experiment as a New web service. A kísérletet klasszikus webszolgáltatásként is üzembe helyezheti.You can also deploy the experiment as Classic web service.

Üzembe helyezés új webszolgáltatáskéntDeploy it as a New web service

Most, hogy előkészítette a prediktív kísérletet, üzembe helyezheti új (Resource Manager-alapú) Azure-webszolgáltatásként.Now that the predictive experiment has been prepared, you can deploy it as a new (Resource Manager-based) Azure web service. A webszolgáltatás használatával a felhasználók elküldhetik az adatait a modellbe, és a modell visszaadja az előrejelzéseit.Using the web service, users can send data to your model and the model will return its predictions.

A prediktív kísérlet üzembe helyezéséhez kattintson a Run (Futtatás ) gombra a kísérlet vászon alján.To deploy your predictive experiment, click Run at the bottom of the experiment canvas. A kísérlet befejezését követően kattintson a webszolgáltatás üzembe helyezése lehetőségre, és válassza a webszolgáltatás újtelepítése lehetőséget.Once the experiment has finished running, click Deploy Web Service and select Deploy Web Service New. Megnyílik a Machine Learning Studio (klasszikus) webszolgáltatás-portál üzembe helyezés lapja.The deployment page of the Machine Learning Studio (classic) Web Service portal opens.

Megjegyzés

Új webszolgáltatás telepítéséhez megfelelő engedélyekkel kell rendelkeznie ahhoz az előfizetéshez, amelyhez a webszolgáltatást telepíti.To deploy a New web service you must have sufficient permissions in the subscription to which you deploying the web service. További információ: webszolgáltatások kezelése a Azure Machine learning webszolgáltatások portálján.For more information see, Manage a Web service using the Azure Machine Learning Web Services portal.

Webszolgáltatási portál üzembe helyezési kísérlet lapjaWeb Service portal Deploy Experiment Page

A kísérlet telepítése lapon adja meg a webszolgáltatás nevét.On the Deploy Experiment page, enter a name for the web service. Válasszon árképzési tervet.Select a pricing plan. Ha meglévő díjszabási csomaggal rendelkezik, akkor kiválaszthatja azt, ellenkező esetben létre kell hoznia egy új díjcsomagot a szolgáltatáshoz.If you have an existing pricing plan you can select it, otherwise you must create a new price plan for the service.

  1. Az árlista legördülő menüben válasszon ki egy meglévő csomagot, vagy válassza az új csomag kiválasztása lehetőséget.In the Price Plan drop down, select an existing plan or select the Select new plan option.
  2. A csomag neve mezőben adjon meg egy nevet, amely azonosítja a csomagot a számlán.In Plan Name, type a name that will identify the plan on your bill.
  3. Válassza ki a havi díjcsomag egyikét.Select one of the Monthly Plan Tiers. A csomag alapértelmezett értéke az alapértelmezett régió csomagjai, a webszolgáltatás pedig az adott régióban van üzembe helyezve.The plan tiers default to the plans for your default region and your web service is deployed to that region.

Kattintson a telepítés elemre, és megnyílik a webszolgáltatás rövid útmutató lapja.Click Deploy and the Quickstart page for your web service opens.

A webszolgáltatás gyors üzembe helyezése oldalon a webszolgáltatás létrehozása után elvégezhető leggyakoribb feladatokhoz férhet hozzá.The web service Quickstart page gives you access and guidance on the most common tasks you will perform after creating a web service. Innen könnyedén elérheti a tesztoldal és a használat oldalát is.From here, you can easily access both the Test page and Consume page.

Az új webszolgáltatás teszteléseTest your New web service

Az új webszolgáltatás teszteléséhez kattintson a gyakori feladatok területen a webszolgáltatás tesztelése elemre.To test your new web service, click Test web service under common tasks. A teszt lapon tesztelheti a webszolgáltatást Request-Response szolgáltatásként (RR) vagy kötegelt végrehajtási szolgáltatásként (BES).On the Test page, you can test your web service as a Request-Response Service (RRS) or a Batch Execution service (BES).

Az ERŐFORRÁSREKORDOK tesztelése oldalon megjelennek a kísérlethez megadott bemenetek, kimenetek és a globális paraméterek.The RRS test page displays the inputs, outputs, and any global parameters that you have defined for the experiment. A webszolgáltatás teszteléséhez manuálisan megadhatja a bemenetek megfelelő értékeit, vagy megadhatja a tesztelési értékeket tartalmazó vesszővel tagolt (CSV) formátumú fájlt.To test the web service, you can manually enter appropriate values for the inputs or supply a comma separated value (CSV) formatted file containing the test values.

Ha az ERŐFORRÁSREKORDOK használatával szeretne tesztelni, a listanézet módból írja be a megfelelő értékeket a bemenetekhez, és kattintson a kérelem-válasz tesztelése elemre.To test using RRS, from the list view mode, enter appropriate values for the inputs and click Test Request-Response. Az előrejelzés eredményei a kimenet oszlopban a bal oldalon jelennek meg.Your prediction results display in the output column to the left.

Adja meg a megfelelő értékeket a webszolgáltatás teszteléséhez

A BES teszteléséhez kattintson a Batch elemre.To test your BES, click Batch. A Batch test lapon kattintson a Tallózás elemre a bevitel alatt, és válasszon ki egy CSV-fájlt, amely tartalmazza a megfelelő értékeket.On the Batch test page, click Browse under your input and select a CSV file containing appropriate sample values. Ha nem rendelkezik CSV-fájllal, és létrehozta a prediktív kísérletet Machine Learning Studio (klasszikus) használatával, letöltheti az adatkészletet a prediktív kísérlethez, és használhatja azt.If you don't have a CSV file, and you created your predictive experiment using Machine Learning Studio (classic), you can download the data set for your predictive experiment and use it.

Az adathalmaz letöltéséhez nyissa meg Machine Learning Studio (klasszikus).To download the data set, open Machine Learning Studio (classic). Nyissa meg a prediktív kísérletet, és kattintson a jobb gombbal a kísérlethez tartozó bemenetre.Open your predictive experiment and right click the input for your experiment. A helyi menüben válassza az adatkészlet elemet, majd válassza a Letöltés lehetőséget.From the context menu, select dataset and then select Download.

Az adatkészlet letöltése a Studio (klasszikus) vászonról

Kattintson a teszt gombra.Click Test. A Batch-végrehajtási feladat állapota a teszt batch-feladatok területen a jobb oldalon jelenik meg.The status of your Batch Execution job displays to the right under Test Batch Jobs.

A Batch-végrehajtási feladatok tesztelése a webszolgáltatás-portálon

A konfiguráció lapon módosíthatja a leírást, a címet, a Storage-fiók kulcsát, és engedélyezheti a webszolgáltatáshoz tartozó mintaadatok beküldését.On the CONFIGURATION page, you can change the description, title, update the storage account key, and enable sample data for your web service.

Webszolgáltatás konfigurálása

Hozzáférés az új webszolgáltatáshozAccess your New web service

Miután telepítette a webszolgáltatását a Machine Learning Studioról (klasszikus), elküldheti az adatait a szolgáltatásnak, és programozott módon fogadhatja a válaszokat.Once you deploy your web service from Machine Learning Studio (classic), you can send data to the service and receive responses programmatically.

A felhasználat oldal a webszolgáltatáshoz való hozzáféréshez szükséges összes információt tartalmazza.The Consume page provides all the information you need to access your web service. Az API-kulcs például a szolgáltatáshoz való jogosult hozzáférés engedélyezésére szolgál.For example, the API key is provided to allow authorized access to the service.

A Machine Learning Studio (klasszikus) webszolgáltatás elérésével kapcsolatos további információkért lásd: Azure Machine learning Studio (klasszikus) webszolgáltatás felhasználása.For more information about accessing a Machine Learning Studio (classic) web service, see How to consume an Azure Machine Learning Studio (classic) Web service.

Az új webszolgáltatás kezeléseManage your New web service

Az új webszolgáltatásokat Machine Learning Studio (klasszikus) webszolgáltatási portál használatával kezelheti.You can manage your New web services using Machine Learning Studio (classic) Web Services portal. A fő portál laponkattintson a webszolgáltatások elemre.From the main portal page, click Web Services. A webszolgáltatások lapon törölheti vagy másolhatja a szolgáltatást.From the web services page, you can delete or copy a service. Egy adott szolgáltatás figyeléséhez kattintson a szolgáltatásra, majd az irányítópult elemre.To monitor a specific service, click the service and then click Dashboard. A webszolgáltatáshoz társított batch-feladatok figyeléséhez kattintson a Batch-kérelmek naplója elemre.To monitor batch jobs associated with the web service, click Batch Request Log.

Az új webszolgáltatás üzembe helyezése több régióbanDeploy your New web service to multiple regions

Egyszerűen üzembe helyezhet egy új webszolgáltatást több régióban, anélkül, hogy több előfizetést vagy munkaterületet kellene használnia.You can easily deploy a New web service to multiple regions without needing multiple subscriptions or workspaces.

A díjszabás régió-specifikus, ezért meg kell határoznia egy számlázási tervet minden olyan régióhoz, amelyben telepíteni fogja a webszolgáltatást.Pricing is region specific, so you need to define a billing plan for each region in which you will deploy the web service.

Csomag létrehozása egy másik régióbanCreate a plan in another region

  1. Jelentkezzen be Microsoft Azure Machine learning webszolgáltatásba.Sign in to Microsoft Azure Machine Learning Web Services.
  2. Kattintson a csomagok menüpontra.Click the Plans menu option.
  3. A megjelenő csomagok nézet lapon kattintson az új elemre.On the Plans over view page, click New.
  4. Az előfizetés legördülő listából válassza ki azt az előfizetést, amelyben az új terv fog szerepelni.From the Subscription dropdown, select the subscription in which the new plan will reside.
  5. A régió legördülő listából válassza ki az új csomag régióját.From the Region dropdown, select a region for the new plan. A kiválasztott régióhoz tartozó csomag beállításai a lap csomag beállításai szakaszában jelennek meg.The Plan Options for the selected region will display in the Plan Options section of the page.
  6. Az erőforráscsoport legördülő listából válassza ki a csomaghoz tartozó erőforráscsoportot.From the Resource Group dropdown, select a resource group for the plan. További információ az erőforráscsoportok használatáról: Azure Resource Manager Overview (áttekintés).From more information on resource groups, see Azure Resource Manager overview.
  7. A csomag neve mezőbe írja be a csomag nevét.In Plan Name type the name of the plan.
  8. A terv beállításai területen kattintson az új csomag számlázási szintjére.Under Plan Options, click the billing level for the new plan.
  9. Kattintson a Létrehozás lehetőségre.Click Create.

Webszolgáltatás üzembe helyezése egy másik régióbanDeploy the web service to another region

  1. A Microsoft Azure Machine Learning webszolgáltatások lapon kattintson a webszolgáltatások menüpontra.On the Microsoft Azure Machine Learning Web Services page, click the Web Services menu option.
  2. Válassza ki az új régióba telepítendő webszolgáltatást.Select the Web Service you are deploying to a new region.
  3. Kattintson a Másolás gombra.Click Copy.
  4. A webszolgáltatás neve mezőbe írja be a webszolgáltatás új nevét.In Web Service Name, type a new name for the web service.
  5. A webszolgáltatás leírása mezőbe írja be a webszolgáltatás leírását.In Web service description, type a description for the web service.
  6. Az előfizetés legördülő listából válassza ki azt az előfizetést, amelyben az új webszolgáltatást tárolni fogja.From the Subscription dropdown, select the subscription in which the new web service will reside.
  7. Az erőforráscsoport legördülő menüben válasszon ki egy erőforráscsoportot a webszolgáltatáshoz.From the Resource Group dropdown, select a resource group for the web service. További információ az erőforráscsoportok használatáról: Azure Resource Manager Overview (áttekintés).From more information on resource groups, see Azure Resource Manager overview.
  8. A régió legördülő listából válassza ki azt a régiót, amelyben a webszolgáltatást telepíteni kívánja.From the Region dropdown, select the region in which to deploy the web service.
  9. A Storage-fiók legördülő listából válassza ki azt a Storage-fiókot, amelyben a webszolgáltatást tárolni szeretné.From the Storage account dropdown, select a storage account in which to store the web service.
  10. Az árlista legördülő menüben válasszon ki egy csomagot a 8. lépésben kiválasztott régióban.From the Price Plan dropdown, select a plan in the region you selected in step 8.
  11. Kattintson a Másolás gombra.Click Copy.

Üzembe helyezés klasszikus webszolgáltatáskéntDeploy it as a Classic web service

Most, hogy a prediktív kísérlet megfelelően elkészült, telepítheti klasszikus Azure-alapú webszolgáltatásként.Now that the predictive experiment has been sufficiently prepared, you can deploy it as a Classic Azure web service. A webszolgáltatás használatával a felhasználók elküldhetik az adatait a modellbe, és a modell visszaadja az előrejelzéseit.Using the web service, users can send data to your model and the model will return its predictions.

A prediktív kísérlet üzembe helyezéséhez kattintson a Futtatás gombra a kísérlet vászon alján, majd kattintson a webszolgáltatás telepítése parancsra.To deploy your predictive experiment, click Run at the bottom of the experiment canvas and then click Deploy Web Service. A webszolgáltatás be van állítva, és a webszolgáltatás irányítópultra kerül.The web service is set up and you are placed in the web service dashboard.

Webszolgáltatások üzembe helyezése a studióból (klasszikus)

A klasszikus webszolgáltatás teszteléseTest your Classic web service

A webszolgáltatást a Machine Learning Studio (klasszikus) webszolgáltatások portálon vagy Machine Learning Studio (klasszikus) is tesztelheti.You can test the web service in either the Machine Learning Studio (classic) Web Services portal or Machine Learning Studio (classic).

A kérelem válasz webszolgáltatásának teszteléséhez kattintson a teszt gombra a webszolgáltatás irányítópultján.To test the Request Response web service, click the Test button in the web service dashboard. Megjelenik egy párbeszédpanel, amely rákérdez a szolgáltatás bemeneti adatára.A dialog pops up to ask you for the input data for the service. Ezek a pontozási kísérlet által várt oszlopok.These are the columns expected by the scoring experiment. Adjon meg egy adatkészletet, majd kattintson az OK gombra.Enter a set of data and then click OK. A webszolgáltatás által generált eredmények az irányítópult alján jelennek meg.The results generated by the web service are displayed at the bottom of the dashboard.

A tesztelési előnézet hivatkozásra kattintva tesztelheti a szolgáltatást a Azure Machine learning Studio (klasszikus) webszolgáltatások portálján, ahogyan az az új webszolgáltatás szakaszban is látható.You can click the Test preview link to test your service in the Azure Machine Learning Studio (classic) Web Services portal as shown previously in the New web service section.

A Batch-végrehajtási szolgáltatás teszteléséhez kattintson a teszt előnézet hivatkozásra.To test the Batch Execution Service, click Test preview link . A Batch test lapon kattintson a Tallózás elemre a bevitel alatt, és válasszon ki egy CSV-fájlt, amely tartalmazza a megfelelő értékeket.On the Batch test page, click Browse under your input and select a CSV file containing appropriate sample values. Ha nem rendelkezik CSV-fájllal, és létrehozta a prediktív kísérletet Machine Learning Studio (klasszikus) használatával, letöltheti az adatkészletet a prediktív kísérlethez, és használhatja azt.If you don't have a CSV file, and you created your predictive experiment using Machine Learning Studio (classic), you can download the data set for your predictive experiment and use it.

A webszolgáltatás tesztelése

A konfiguráció lapon módosíthatja a szolgáltatás megjelenítendő nevét, és megadhatja a leírását.On the CONFIGURATION page, you can change the display name of the service and give it a description. A név és a leírás a webszolgáltatások kezelése Azure Portalban jelenik meg.The name and description is displayed in the Azure portal where you manage your web services.

Megadhatja a bemeneti adatok, a kimeneti adatok és a webszolgáltatás paramétereinek leírását, ha megad egy karakterláncot minden oszlophoz a bemeneti séma, a kimeneti séma és a webszolgáltatás paraméter alatt.You can provide a description for your input data, output data, and web service parameters by entering a string for each column under INPUT SCHEMA, OUTPUT SCHEMA, and Web SERVICE PARAMETER. Ezeket a leírásokat a webszolgáltatáshoz megadott mintakód-dokumentációban lehet használni.These descriptions are used in the sample code documentation provided for the web service.

Engedélyezheti a naplózást a webszolgáltatás elérésekor észlelt hibák diagnosztizálásához.You can enable logging to diagnose any failures that you're seeing when your web service is accessed. További információt a Machine learning Studio (klasszikus) webszolgáltatások naplózásának engedélyezésecímű témakörben talál.For more information, see Enable logging for Machine Learning Studio (classic) web services.

A naplózás engedélyezése a webszolgáltatások portálján

A webszolgáltatáshoz tartozó végpontokat a Azure Machine Learning webszolgáltatások portálon is konfigurálhatja, hasonlóan az új webszolgáltatás szakaszban bemutatott eljáráshoz.You can also configure the endpoints for the web service in the Azure Machine Learning Web Services portal similar to the procedure shown previously in the New web service section. A lehetőségek különbözőek, hozzáadhat vagy módosíthat a szolgáltatás leírását, engedélyezheti a naplózást, és engedélyezheti a mintaadatok tesztelését.The options are different, you can add or change the service description, enable logging, and enable sample data for testing.

Hozzáférés a klasszikus webszolgáltatáshozAccess your Classic web service

Miután telepítette a webszolgáltatását a Azure Machine Learning Studioról (klasszikus), elküldheti az adatait a szolgáltatásnak, és programozott módon fogadhatja a válaszokat.Once you deploy your web service from Azure Machine Learning Studio (classic), you can send data to the service and receive responses programmatically.

Az irányítópulton a webszolgáltatáshoz való hozzáféréshez szükséges összes információ elérhető.The dashboard provides all the information you need to access your web service. Az API-kulcs például lehetővé teszi, hogy engedélyezze a hozzáférést a szolgáltatáshoz, és az API-Súgó lapjai segítséget nyújtanak a kód megírásában.For example, the API key is provided to allow authorized access to the service, and API help pages are provided to help you get started writing your code.

A Machine Learning Studio (klasszikus) webszolgáltatás elérésével kapcsolatos további információkért lásd: Azure Machine learning Studio (klasszikus) webszolgáltatás felhasználása.For more information about accessing a Machine Learning Studio (classic) web service, see How to consume an Azure Machine Learning Studio (classic) Web service.

A klasszikus webszolgáltatás kezeléseManage your Classic web service

A webszolgáltatás figyeléséhez számos művelet hajtható végre.There are various of actions you can perform to monitor a web service. Frissítheti, és törölheti is.You can update it, and delete it. Emellett további végpontokat is hozzáadhat egy klasszikus webszolgáltatáshoz, a központi telepítéskor létrehozott alapértelmezett végpont mellett.You can also add additional endpoints to a Classic web service in addition to the default endpoint that is created when you deploy it.

További információ: Azure Machine learning Studio (klasszikus) munkaterület kezelése és webszolgáltatás kezelése a Azure Machine learning Studio (klasszikus) webszolgáltatások portálján.For more information, see Manage an Azure Machine Learning Studio (classic) workspace and Manage a web service using the Azure Machine Learning Studio (classic) Web Services portal.

Webszolgáltatás frissítéseUpdate the web service

Módosíthatja a webszolgáltatást, például frissítheti a modellt további betanítási adataival, és újra telepítheti az eredeti webszolgáltatás felülírásával.You can make changes to your web service, such as updating the model with additional training data, and deploy it again, overwriting the original web service.

A webszolgáltatás frissítéséhez nyissa meg a webszolgáltatás üzembe helyezéséhez használt eredeti prediktív kísérletet, és végezze el a szerkeszthető másolást a Mentés másként lehetőségre kattintva.To update the web service, open the original predictive experiment you used to deploy the web service and make an editable copy by clicking SAVE AS. Végezze el a módosításokat, majd kattintson a webszolgáltatás üzembe helyezése lehetőségre.Make your changes and then click Deploy Web Service.

Mivel korábban már üzembe helyezte ezt a kísérletet, a rendszer megkérdezi, hogy szeretné-e felülírni (klasszikus webszolgáltatás) vagy a meglévő szolgáltatás frissítését (új webszolgáltatás).Because you've deployed this experiment before, you are asked if you want to overwrite (Classic Web Service) or update (New web service) the existing service. Az Igen vagy a frissítés gombra kattintva leállítja a meglévő webszolgáltatást, és üzembe helyezi az új prediktív kísérletet.Clicking YES or Update stops the existing web service and deploys the new predictive experiment is deployed in its place.

Megjegyzés

Ha módosította az eredeti webszolgáltatás konfigurációjának módosításait, például egy új megjelenítendő név vagy leírás beírását, akkor újra meg kell adnia ezeket az értékeket.If you made configuration changes in the original web service, for example, entering a new display name or description, you will need to enter those values again.

A webszolgáltatás frissítésének egyik lehetősége a modell programozott módon történő újratanítása.One option for updating your web service is to retrain the model programmatically. További információ: Machine learning Studio (klasszikus) modellek programozott módon történő átképzése.For more information, see Retrain Machine Learning Studio (classic) models programmatically.

Következő lépésekNext steps