Klasszikus (klasszikus) Studio-webszolgáltatás újratanítása és üzembe helyezése

HATÓKÖR: A Machine Learning Studio (klasszikus) Nem vonatkozik.

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• További információ a gépi tanulási projektek ML Studióból (klasszikus) Azure Machine Learningbe való áthelyezéséről.
• További információ az Azure Machine Learningről

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

A gépi tanulási modellek újratanítása az egyik módja annak, hogy pontosak maradjanak, és a leginkább releváns adatok alapján legyenek elérhetők. Ez a cikk bemutatja, hogyan lehet újratanulni egy klasszikus (klasszikus) Studio-webszolgáltatást. Az új (klasszikus) Studio-webszolgáltatások újratanításával kapcsolatos útmutatóért tekintse meg ezt az útmutatót.

Előfeltételek

Ez a cikk feltételezi, hogy már rendelkezik újratanítási és prediktív kísérletekkel. Ezeket a lépéseket a gépi tanulási modell újratanításában és üzembe helyezésében ismertetjük. A gépi tanulási modell új webszolgáltatásként való üzembe helyezése helyett azonban klasszikus webszolgáltatásként fogja üzembe helyezni a prediktív kísérletet.

Új végpont hozzáadása

Az üzembe helyezett prediktív webszolgáltatás egy alapértelmezett pontozási végpontot tartalmaz, amely szinkronban van az eredeti betanítási és pontozási kísérletek betanított modelljével. Ha a webszolgáltatást egy új betanított modellel szeretné frissíteni, létre kell hoznia egy új pontozási végpontot.

Kétféleképpen adhat hozzá új végpontot egy webszolgáltatáshoz:

• Programozott módon
• Az Azure Web Services portál használata

Megjegyzés

Győződjön meg arról, hogy a végpontot nem a betanítási webszolgáltatáshoz, hanem a prediktív webszolgáltatáshoz ad hozzá. Ha megfelelően telepített egy betanítást és egy prediktív webszolgáltatást is, két külön webszolgáltatásnak kell megjelennie a listában. A prediktív webszolgáltatásnak a következővel kell végződnie: "[prediktív exp.]".

Végpont programozott hozzáadása

Pontozási végpontokat az ebben a GitHub-adattárban található mintakóddal adhat hozzá.

Végpont hozzáadása az Azure Web Services portál használatával

1. A (klasszikus) Machine Learning Studióban a bal oldali navigációs oszlopban kattintson a WebSzolgáltatások elemre.
2. A webszolgáltatás irányítópultjának alján kattintson a Végpontok kezelése előzetes verzióra.
3. Kattintson a Hozzáadás parancsra.
4. Írja be az új végpont nevét és leírását. Válassza ki a naplózási szintet, és hogy engedélyezve legyenek-e a mintaadatok. A naplózásról további információt a Machine Learning webszolgáltatások naplózásának engedélyezése című témakörben talál.

A hozzáadott végpont betanított modelljének frissítése

PATCH URL-címének lekérése

Kövesse az alábbi lépéseket a patch URL-cím webportálon történő lekéréséhez:

1. Jelentkezzen be az Azure Machine Learning Web Services portálra.
2. Kattintson felül a WebSzolgáltatások vagy a Klasszikus webszolgáltatások elemre.
3. Kattintson arra a pontozási webszolgáltatásra, amellyel dolgozik (ha nem módosította a webszolgáltatás alapértelmezett nevét, akkor a következő lesz a vége: "[Pontozási kifejezés]").
4. Kattintson az +ÚJ gombra.
5. A végpont hozzáadása után kattintson a végpont nevére.
6. A Javítás URL-cím alatt kattintson az API súgójára a javítás súgóoldalának megnyitásához.

Megjegyzés

Ha a végpontot a prediktív webszolgáltatás helyett a Betanítás webszolgáltatáshoz adta hozzá, a következő hibaüzenet jelenik meg, amikor az Erőforrás frissítése hivatkozásra kattint: "Sajnáljuk, de ez a funkció ebben a környezetben nem támogatott vagy nem érhető el. Ez a webszolgáltatás nem rendelkezik frissíthető erőforrásokkal. Elnézést kérünk a kellemetlenségért, és dolgozunk a munkafolyamat fejlesztésén."

A PATCH súgóoldala tartalmazza a patch URL-címet, amelyet használnia kell, és a hívásához használható mintakódot biztosít.

A végpont frissítése

Most már a betanított modellel frissítheti a korábban létrehozott pontozási végpontot.

Az alábbi mintakód bemutatja, hogyan frissítheti a végpontot a BaseLocation, a RelativeLocation, a SasBlobToken és a PATCH URL használatával.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

A hívás apiKey és endpointUrl elemét a végpont irányítópultjáról szerezheti be.

Az Erőforrásoknév paraméterének meg kell egyeznie a prediktív kísérletben mentett betanított modell erőforrásnevével. Az erőforrás nevének lekérése:

1. Jelentkezzen be az Azure Portalra.
2. A bal oldali menüben kattintson a Machine Learning elemre.
3. A Név területen kattintson a munkaterületre, majd a Webszolgáltatások elemre.
4. A Név területen kattintson a Census Model [predictive exp.].
5. Kattintson a hozzáadott új végpontra.
6. A végpont irányítópultján kattintson az Erőforrás frissítése elemre.
7. A webszolgáltatás Erőforrás-frissítési API dokumentációs lapján az Erőforrás neve a Frissíthető erőforrások területen található.

Ha az SAS-jogkivonat a végpont frissítése előtt lejár, a friss jogkivonat beszerzéséhez get műveletet kell végrehajtania a feladatazonosítóval.

Ha a kód sikeresen lefutott, az új végpontnak körülbelül 30 másodpercen belül el kell kezdenie az újratanított modell használatát.

Következő lépések

A webszolgáltatások kezeléséről és a több kísérlet futtatásának nyomon követéséről a következő cikkekben talál további információt:

• A Web Services portál felfedezése
• Kísérletismétlések kezelése