Migrálás Azure Machine-Tanulás a Studióból (klasszikus)
Fontos
A Machine Tanulás Studio (klasszikus) támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy a dátumig váltson az Azure Machine Tanulás.
2021 decembere után már nem hozhat létre új (klasszikus) Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Studio-erőforrásokat.
A Studio (klasszikus) dokumentációja megszűnik, és előfordulhat, hogy a jövőben nem frissül.
Megtudhatja, hogyan migrálhat a Machine Tanulás Studióból (klasszikus) az Azure Machine Tanulás. Az Azure Machine Tanulás modernizált adatelemzési platformot biztosít, amely kód nélküli és kódelső megközelítéseket kombinál.
Ez az útmutató végigvezeti a migrálás alapszintű lépésein . Ha optimalizálni szeretne egy meglévő gépi tanulási munkafolyamatot, vagy modernizálni szeretne egy gépi tanulási platformot, tekintse meg az Azure Machine Tanulás bevezetési keretrendszerét további erőforrásokért, beleértve a digitális felmérési eszközöket, munkalapokat és tervezési sablonokat.
A migrálással kapcsolatban forduljon a felhőmegoldás-tervezőjéhez.
Ajánlott megközelítés
Az Azure Machine Tanulás való migráláshoz a következő megközelítést javasoljuk:
- 1. lépés: Az Azure Machine Tanulás értékelése
- 2. lépés: Stratégia és terv meghatározása
- 3. lépés: Kísérletek és webszolgáltatások újraépítése
- 4. lépés: Ügyfélalkalmazások integrálása
- 5. lépés: A Studio (klasszikus) eszközeinek eltávolítása
- 6. lépés: Forgatókönyvek áttekintése és kibontása
1. lépés: Az Azure Machine Tanulás értékelése
Ismerje meg az Azure Machine Tanulás és annak előnyeit, költségeit és architektúráját.
Hasonlítsa össze az Azure Machine Tanulás és a Studio (klasszikus) képességeit.
Az alábbi táblázat összefoglalja a főbb különbségeket.
Szolgáltatás Studio (klasszikus) Azure Machine Learning Húzással használható felület Klasszikus élmény Frissített felület: Azure Machine Tanulás tervező Kód SDK-k Nem támogatott Teljesen integrálva az Azure Machine Tanulás Python és R SDK-kkal Experiment Méretezhető (10 GB-os betanítási adatkorlát) Méretezés számítási célokkal Számítási célok betanítása Védett számítási cél, csak CPU-támogatás Testre szabható betanítási számítási célok széles köre; GPU- és CPU-támogatás Üzembehelyezési számítási célok Védett webszolgáltatás formátuma, nem testreszabható Testre szabható üzembehelyezési számítási célok széles köre; gpu- és CPU-támogatás Gépi tanulási folyamat Nem támogatott Rugalmas, moduláris folyamatok létrehozása munkafolyamatok automatizálásához MLOps Alapszintű modellkezelés és üzembe helyezés; Csak CPU-üzemelő példányok Entitás verziószámozása (modell, adatok, munkafolyamatok), munkafolyamat automatizálása, integráció a CICD-eszközökkel, CPU- és GPU-telepítésekkel stb . Modellformátum Védett formátum, csak a Studio (klasszikus) Több támogatott formátum a betanítási feladat típusától függően Automatizált modellbetanítás és hiperparaméter-finomhangolás Nem támogatott Támogatott
Kódelső és kód nélküli beállításokAdateltolódás észlelése Nem támogatott Támogatott Adatfeliratozási projektek Nem támogatott Támogatott Szerepköralapú hozzáférés-vezérlés (RBAC) Csak közreműködői és tulajdonosi szerepkör Rugalmas szerepkördefiníció és RBAC-vezérlés AI-katalógus Támogatott Nem támogatott
Tudnivalók Python SDK-mintajegyzetfüzetekkelFeljegyzés
Az Azure Machine Tanulás tervező funkciója a Studióhoz (klasszikus) hasonló húzási élményt nyújt. Az Azure Machine Tanulás azonban hatékony, kódelső munkafolyamatokat is kínál alternatívaként. Ez a migrálási sorozat a tervezőre összpontosít, mivel leginkább a Studio (klasszikus) felületéhez hasonlít.
Ellenőrizze, hogy a kritikus Studio-(klasszikus) modulok támogatottak-e az Azure Machine Tanulás tervezőjében. További információ: Studio (klasszikus) és tervezői összetevő-leképezési táblázat.
Azure Machine Tanulás-munkaterület létrehozása.
2. lépés: Stratégia és terv meghatározása
Üzleti indokok és várható eredmények meghatározása.
Egy végrehajtható Azure Machine-Tanulás bevezetési terv igazítása az üzleti eredményekhez.
Személyek, folyamatok és környezetek előkészítése a változásokra.
A stratégia meghatározásához működjön együtt a felhőmegoldás-tervezővel.
Az erőforrások tervezéséről, beleértve a tervezési dokumentumsablont is, tekintse meg az Azure Machine Tanulás bevezetési keretrendszerét.
3. lépés: Az első modell újraépítése
A stratégia meghatározása után migrálja az első modellt.
Az Azure Machine Tanulás tervezőjével újraépíthet egy kísérletet.
Webszolgáltatás újbóli üzembe helyezéséhez használja az Azure Machine Tanulás tervezőt.
Feljegyzés
Ez az útmutató az Azure Machine Tanulás v1-fogalmakra és funkciókra épül. Az Azure Machine Tanulás cli v2-vel és Python SDK v2-vel rendelkezik. Javasoljuk, hogy a Studio (klasszikus) modelleket v2-sel építse újra a v1 helyett. Kezdje az Azure Machine Tanulás 2-vel.
4. lépés: Ügyfélalkalmazások integrálása
Módosítsa a Studio (klasszikus) webszolgáltatásokat meghívó ügyfélalkalmazásokat az új Azure Machine-Tanulás-végpontok használatára.
5. lépés: A Studio (klasszikus) eszközeinek eltávolítása
A többletköltségek elkerülése érdekében távolítsa el a Studio (klasszikus) eszközeit. Előfordulhat, hogy az azure-beli gépek Tanulás számítási feladatok ellenőrzéséig meg szeretné őrizni az eszközök tartalékként való megőrzését.
6. lépés: Forgatókönyvek áttekintése és kibontása
Tekintse át a modell migrálását az ajánlott eljárásokért, és ellenőrizze a számítási feladatokat.
Bontsa ki a forgatókönyveket, és migráljon további számítási feladatokat az Azure Machine Tanulás.
Studio (klasszikus) és tervezői összetevő-leképezés
Az alábbi táblázatból megismerhető, hogy mely modulokat érdemes használni a Studio (klasszikus) kísérletek Azure Machine Tanulás tervezőjében való újraépítése során.
Fontos
A tervező a modulokat nyílt forráskódú Python-csomagokon keresztül valósítja meg, nem pedig olyan C#-csomagokon keresztül, mint a Studio (klasszikus). A különbség miatt a tervezői összetevők kimenete kissé eltérhet a Studio (klasszikus) megfelelőitől.
Kategória | Studio (klasszikus) modul | Cseretervező összetevő |
---|---|---|
Adatbemenet és -kimenet | – Adatok manuális megadása - Adatok exportálása - Adatok importálása - Betanított modell betöltése - Tömörített adathalmazok kicsomagolása |
– Adatok manuális megadása - Adatok exportálása - Adatok importálása |
Adatformátum átalakítása | - Konvertálás CSV-vé – Konvertálás adatkészletté - Konvertálás ARFF-vé - Konvertálás SVMLight-ra - Konvertálás TSV-vé |
- Konvertálás CSV-vé – Konvertálás adatkészletté |
Adatátalakítás – Manipuláció | – Oszlopok hozzáadása - Sorok hozzáadása – SQL-átalakítás alkalmazása - Hiányzó adatok törlése - Konvertálás mutatóértékekké – Metaadatok szerkesztése – Adatok csatlakoztatása – Ismétlődő sorok eltávolítása – Oszlopok kijelölése az adathalmazban – Oszlopok átalakítása - SMOTE - Kategorikus értékek csoportosítása |
– Oszlopok hozzáadása - Sorok hozzáadása – SQL-átalakítás alkalmazása - Hiányzó adatok törlése - Konvertálás mutatóértékekké – Metaadatok szerkesztése – Adatok csatlakoztatása – Ismétlődő sorok eltávolítása – Oszlopok kijelölése az adathalmazban – Oszlopok átalakítása - SMOTE |
Adatátalakítás – Skálázás és csökkentés | - Értékek kivágás – Adatok csoportosítása tárolókba - Adatok normalizálása - Fő összetevő elemzése |
- Értékek kivágás – Adatok csoportosítása tárolókba - Adatok normalizálása |
Adatátalakítás – Minta és felosztás | - Partíció és minta – Adatok felosztása |
- Partíció és minta – Adatok felosztása |
Adatátalakítás – Szűrés | – Szűrő alkalmazása - FIR szűrő - IIR-szűrő - Mediánszűrő - Átlagos szűrő áthelyezése - Küszöbérték-szűrő - Felhasználó által definiált szűrő |
|
Adatátalakítás – Tanulás számokkal | - Buildszámlálás átalakítása - Számtábla exportálása - Darabszámtábla importálása - Egyesítési szám átalakítása - A darabszámtábla paramétereinek módosítása |
|
Szolgáltatás kiválasztása | – Szűrőalapú funkció kiválasztása - Fisher lineáris diszkrimináns elemzés – A permutációs funkció fontossága |
– Szűrőalapú funkció kiválasztása – A permutációs funkció fontossága |
Modell – Besorolás | - Többosztályos döntési erdő - Többosztályos döntési dzsungel - Többosztályos logisztikai regresszió - Többosztályos neurális hálózat - Egy és az összes többosztályos - Kétosztályos átlagolt perceptron - Kétosztályos Bayes-pontgép - Kétosztályos emelt szintű döntési fa - Kétosztályos döntési erdő - Kétosztályos döntési dzsungel - Kétosztályos helyi mély SVM - Kétosztályos logisztikai regresszió - Kétosztályos neurális hálózat - Kétosztályos támogató vektorgép |
- Többosztályos döntési erdő - Többosztályos emelt szintű döntési fa - Többosztályos logisztikai regresszió - Többosztályos neurális hálózat - Egy és az összes többosztályos - Kétosztályos átlagolt perceptron - Kétosztályos emelt szintű döntési fa - Kétosztályos döntési erdő - Kétosztályos logisztikai regresszió - Kétosztályos neurális hálózat - Kétosztályos támogató vektorgép |
Modell – Fürtözés | - K-közép fürtözés | - K-közép fürtözés |
Modell – Regresszió | - Bayes-i lineáris regresszió - Megnövelt döntési fa regressziója - Döntési erdő regressziója - Gyors erdők mennyiségi regressziója - Lineáris regresszió - Neurális hálózati regresszió - Ordinális regresszió - Poisson regresszió |
- Megnövelt döntési fa regressziója - Döntési erdő regressziója - Gyors erdők mennyiségi regressziója - Lineáris regresszió - Neurális hálózati regresszió - Poisson regresszió |
Modell – Anomáliadetektálás | - Egyosztályos SVM - PCA-alapú anomáliadetektálás |
- PCA-alapú anomáliadetektálás |
Gépi Tanulás – Értékelés | - Keresztellenőrzési modell - Modell kiértékelése - Az ajánló értékelése |
- Keresztellenőrzési modell - Modell kiértékelése - Az ajánló értékelése |
Gépi Tanulás – Betanítása | - Fürtözés takarítása - Anomáliadetektálási modell betanítása – Fürtözési modell betanítása - Matchbox-ajánló betanítása - Modell betanítása - Modell hiperparamétereinek finomhangolása |
- Anomáliadetektálási modell betanítása – Fürtözési modell betanítása - Modell betanítása - PyTorch-modell betanítása - SvD-ajánló betanítása - Széles és mély ajánló betanítása - Modell hiperparamétereinek finomhangolása |
Gépi Tanulás – Pontszám | - Átalakítás alkalmazása – Adatok hozzárendelése fürtökhöz - Score matchbox recommender - Modell pontszáma |
- Átalakítás alkalmazása – Adatok hozzárendelése fürtökhöz - Képmodell pontszáma - Modell pontszáma - Score SVD recommender - Pontszám széles és mély ajánló |
OpenCV-kódtármodulok | - Képek importálása - Előre betanított kaszkádolt képbesorolás |
|
Python nyelvi modulok | – Python-szkript végrehajtása | – Python-szkript végrehajtása – Python-modell létrehozása |
R nyelvi modulok | - R-szkript végrehajtása - R-modell létrehozása |
- R-szkript végrehajtása |
Statisztikai függvények | – Matematikai művelet alkalmazása - Elemi statisztikák kiszámítása - Lineáris korreláció kiszámítása - Valószínűségfüggvény kiértékelése – Különálló értékek cseréje – Adatok összegzése - Hipotézis tesztelése t-Test használatával |
– Matematikai művelet alkalmazása – Adatok összegzése |
Szövegelemzés | – Nyelvek észlelése – Kulcskifejezések kinyerése szövegből - N-gram-funkciók kinyerve a szövegből - Funkciókivonatok - Látens dirichlet-foglalás - Elnevezett entitásfelismerés - Szöveg előfeldolgozása - A VVowpal Wabbit 7-10-es verziójának pontszáma - Score Vowpal Wabbit version 8 model - Vowpal Wabbit 7-10-es modell betanítása - Vowpal Wabbit 8-es verziójú modell betanítása |
- Word átalakítása vektorsá - N-gram-funkciók kinyerve a szövegből - Funkciókivonatok - Látens dirichlet-foglalás - Szöveg előfeldolgozása - Vowpal Wabbit-modell pontszáma - Vowpal Wabbit-modell betanítása |
Idősor | - Idősor anomáliadetektálása | |
Webszolgáltatás | -Bemenet - Kimenet |
-Bemenet - Kimenet |
Számítógépes látástechnológia | – Képátalakítás alkalmazása - Konvertálás képkönyvtárba - Init image transformation – Képkönyvtár felosztása - DenseNet-rendszerképek besorolása - ResNet-rendszerképek besorolása |
Az egyes tervezői összetevők használatáról további információt az Algoritmus > összetevő referenciában talál.
Mi történik, ha hiányzik egy tervezőösszetevő?
Az Azure Machine Tanulás tervezője a Studio (klasszikus) legnépszerűbb moduljait tartalmazza. Új modulokat is tartalmaz, amelyek a legújabb gépi tanulási technikákat használják ki.
Ha a tervező hiányzó moduljai miatt az áttelepítés le van tiltva, hozzon létre egy támogatási jegyet.
Példa áttelepítésre
Az alábbi migrálási példa kiemeli a Studio (klasszikus) és az Azure Machine Tanulás közötti néhány különbséget.
Adathalmazok
A Studio (klasszikus) alkalmazásban az adathalmazok a munkaterületre lettek mentve, és csak a Studio (klasszikus) használhatja őket.
Az Azure Machine Tanulás az adathalmazok regisztrálva vannak a munkaterületen, és az összes Azure Machine-Tanulás használhatók. Az Azure Machine Tanulás-adathalmazok előnyeiről további információt az Azure Machine Tanulás adatai című témakörben talál.
Folyamat
A Studióban (klasszikus) a kísérletek tartalmazzák a munka feldolgozási logikáját. Kísérleteket hozott létre húzási modulokkal.
Az Azure Machine Tanulás folyamatok tartalmazzák a munka feldolgozási logikáját. Folyamatokat húzási modulokkal vagy kód megírásával hozhat létre.
Webszolgáltatás-végpontok
A Studio (klasszikus) a REQUEST/RESPOND API-t használta valós idejű előrejelzéshez, a BATCH EXECUTION API-t pedig kötegelt előrejelzéshez vagy újratanításhoz.
Az Azure Machine Tanulás valós idejű végpontokat (felügyelt végpontokat) használ valós idejű előrejelzéshez és folyamatvégpontokhoz kötegelt előrejelzéshez vagy újratanításhoz.
Kapcsolódó tartalom
Ebben a cikkben megismerhette az Azure Machine-Tanulás való migrálás magas szintű követelményeit. Részletes lépésekért tekintse meg a Machine Tanulás Studio (klasszikus) migrálási sorozatának további cikkeit:
- Studio (klasszikus) adatkészlet migrálása
- Studio -kísérlet újraépítése (klasszikus)
- Studio (klasszikus) webszolgáltatás újraépítése
- Folyamatvégpontok felhasználása ügyfélalkalmazásokból.
- R-szkriptmodulok migrálása
További migrálási erőforrásokért tekintse meg az Azure Machine Tanulás bevezetési keretrendszerét.