Mi az az Azure Machine Learning-tervező?What is Azure Machine Learning designer?

A Azure Machine Learning Designer lehetővé teszi, hogy vizuálisan összekapcsolja az adatkészleteket és a modulokat egy interaktív vásznon a gépi tanulási modellek létrehozásához.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. A tervező megismeréséhez tekintse meg a következő oktatóanyagot: az autó árának előrejelzése a tervezővelTo learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Azure Machine Learning Designer – példa

A tervező a Azure Machine Learning munkaterületet használja a megosztott erőforrások rendszerezéséhez, például:The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Modellek betanítása és üzembe helyezéseModel training and deployment

A tervező a gépi tanulási modellek készítésére, tesztelésére és üzembe helyezésére szolgáló vizualizációs vásznat biztosít.The designer gives you a visual canvas to build, test, and deploy machine learning models. A tervezővel a következőket teheti:With the designer you can:

  • Az adatkészletek és modulok húzása a vászonra.Drag-and-drop datasets and modules onto the canvas.
  • A modulok összekapcsolásával hozzon létre egy folyamat piszkozatot.Connect the modules to create a pipeline draft.
  • A Azure Machine Learning munkaterületen lévő számítási erőforrásokkal elküldheti a folyamat futtatását .Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Alakítsa át a betanítási folyamatokat a folyamatok következtetésére.Convert your training pipelines to inference pipelines.
  • A folyamatokat közzéteheti a REST- folyamat végpontján egy olyan új folyamat elküldéséhez, amely különböző paraméterekkel és adatkészletekkel fut.Publish your pipelines to a REST pipeline endpoint to submit a new pipeline that runs with different parameters and datasets.
    • Közzétételi folyamat közzététele egy folyamat újrafelhasználásához a paraméterek és adatkészletek módosítása során.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Egy korábban betanított modell használatával közzétehet egy Batch-következtetési folyamatot, amellyel előrejelzéseket készíthet az új adatairól.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Valós idejű következtetéseket helyezhet üzembe egy valós idejű végponton, hogy valós időben előrejelzéseket készítsen az új adatelemzésekről.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real-time.

Munkafolyamati diagram képzésekhez, kötegelt következtetésekhez és valós idejű következtetésekhez a Designerben

FolyamatPipeline

A folyamatok adatkészleteket és analitikai modulokból állnak, amelyeket Ön is kapcsolódhat.A pipeline consists of datasets and analytical modules, which you connect. A folyamatok számos felhasználási lehetőséggel rendelkeznek: létrehozhat egy olyan folyamatot, amely egyetlen modellt vagy egy több modellt is betanít.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. Létrehozhat egy olyan folyamatot, amely valós időben vagy kötegben készít előrejelzéseket, vagy olyan folyamatot hoz létre, amely csak az adattisztítást végzi el.You can create a pipeline that makes predictions in real-time or in batch, or make a pipeline that only cleans data. A folyamatok lehetővé teszik a munkafolyamatok újrafelhasználását és a projektek rendszerezését.Pipelines let you reuse your work and organize your projects.

Folyamat piszkozataPipeline draft

Amikor szerkeszt egy folyamatot a tervezőben, a rendszer folyamatként menti az előrehaladást.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. A folyamat piszkozatait bármikor szerkesztheti a modulok hozzáadásával vagy eltávolításával, a számítási célok konfigurálásával, a paraméterek létrehozásával és így tovább.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

Egy érvényes folyamat a következő jellemzőkkel rendelkezik:A valid pipeline has these characteristics:

  • Az adatkészletek csak modulokhoz csatlakozhatnak.Datasets can only connect to modules.
  • A modulok csak adatkészletekhez vagy más modulokhoz csatlakozhatnak.Modules can only connect to either datasets or other modules.
  • A modulok összes bemeneti portjának csatlakoznia kell az adatfolyamhoz.All input ports for modules must have some connection to the data flow.
  • Az egyes modulokhoz szükséges összes paramétert be kell állítani.All required parameters for each module must be set.

Amikor készen áll a folyamat piszkozatának futtatására, elküld egy folyamat futtatását.When you're ready to run your pipeline draft, you submit a pipeline run.

Folyamat futtatásaPipeline run

Minden alkalommal, amikor futtat egy folyamatot, a folyamat és annak eredményei a munkaterületen a folyamat futtatásakor tárolódnak.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. Visszatérhet bármelyik folyamat futtatásához, és megvizsgálhatja a hibaelhárítási és naplózási célokat.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Egy folyamat futásának klónozásával létrehozhat egy új folyamat-piszkozatot a szerkesztéshez.Clone a pipeline run to create a new pipeline draft for you to edit.

A folyamat-futtatások kísérletekbe vannak csoportosítva a futtatási előzmények rendszerezéséhez.Pipeline runs are grouped into experiments to organize run history. Megadhatja a kísérletet minden egyes folyamat futtatásához.You can set the experiment for every pipeline run.

AdathalmazokDatasets

A Machine learning-adatkészlet megkönnyíti az adataihoz való hozzáférést és azokkal való munkavégzést.A machine learning dataset makes it easy to access and work with your data. A tervezőben több minta adatkészletet is tartalmaz, hogy kísérletezzen a használatával.Several sample datasets are included in the designer for you to experiment with. A szükségesnél több adatkészletet is regisztrálhat .You can register more datasets as you need them.

ModulModule

A modulok az adatokon végezhető algoritmusok.A module is an algorithm that you can perform on your data. A tervező több modult is tartalmaz az adatok beáramlása funkcióból a képzésre, a pontozásra és az érvényesítési folyamatokra.The designer has several modules ranging from data ingress functions to training, scoring, and validation processes.

A modul rendelkezhet a belső algoritmusok konfigurálásához használható paraméterek készletével.A module may have a set of parameters that you can use to configure the module's internal algorithms. Amikor kiválaszt egy modult a vásznon, a modul paraméterei megjelennek a Tulajdonságok panelen a vászontól jobbra.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. A modell hangolásához módosíthatja a paramétereket a panelen.You can modify the parameters in that pane to tune your model. A tervezőben beállíthatja az egyes modulok számítási erőforrásait.You can set the compute resources for individual modules in the designer.

Modul tulajdonságai

Ha segítségre van az elérhető gépi tanulási algoritmusok könyvtárában, tekintse át a következő témakört: algoritmus & modul-hivatkozás áttekintése.For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview. Az algoritmus kiválasztásával kapcsolatos segítségért tekintse meg a Azure Machine learning algoritmust ismertető lapot.For help choosing an algorithm, see the Azure Machine Learning Algorithm Cheat Sheet.

Számítási erőforrásokCompute resources

A munkaterületen lévő számítási erőforrások használatával futtathatja a folyamatot, és üzemeltetheti a telepített modelleket valós idejű végpontok vagy folyamat-végpontok (a Batch-következtetések esetében).Use compute resources from your workspace to run your pipeline and host your deployed models as real-time endpoints or pipeline endpoints (for batch inference). A támogatott számítási célok a következők:The supported compute targets are:

Számítási célCompute target KépzésTraining Üzembe helyezésDeployment
Azure Machine Learning számításAzure Machine Learning compute
Azure Machine Learning számítási példányAzure Machine Learning compute instance
Azure Kubernetes ServiceAzure Kubernetes Service

A számítási célok a Azure Machine learning munkaterülethezvannak csatolva.Compute targets are attached to your Azure Machine Learning workspace. A számítási célokat a Azure Machine learning Studióbana munkaterületen kezelheti.You manage your compute targets in your workspace in the Azure Machine Learning studio.

Üzembe helyezésDeploy

A valós idejű következtetések elvégzéséhez a folyamatot valós idejű végpontként kell üzembe helyezni.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. A valós idejű végpont egy külső alkalmazás és a pontozási modell közötti felületet hoz létre.The real-time endpoint creates an interface between an external application and your scoring model. A valós idejű végpontra irányuló hívás valós időben adja vissza az előrejelzési eredményeket az alkalmazásnak.A call to a real-time endpoint returns prediction results to the application in real-time. A valós idejű végpontok hívásához át kell adni a végpont üzembe helyezésekor létrehozott API-kulcsot.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. A végpont egy REST-alapú, népszerű architektúra a webes programozási projektekhez.The endpoint is based on REST, a popular architecture choice for web programming projects.

A valós idejű végpontokat egy Azure Kubernetes Service-fürtre kell telepíteni.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

A modell üzembe helyezésével kapcsolatos további információkért lásd : oktatóanyag: Machine learning-modell üzembe helyezése a Designerhasználatával.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

KözzétételPublish

A folyamat egy folyamat végpontján is közzétehető.You can also publish a pipeline to a pipeline endpoint. A valós idejű végponthoz hasonlóan a folyamat végpontja lehetővé teszi, hogy az új folyamat külső alkalmazásokból is fusson REST-hívásokat használva.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. Azonban a folyamat végpontján keresztül nem lehet valós időben elküldeni vagy fogadni az adataikat.However, you cannot send or receive data in real-time using a pipeline endpoint.

A közzétett folyamatok rugalmasak, felhasználhatók modellek betanítására és újraképzésére, kötegelt következtetések elvégzésére, új adatok feldolgozására és sok más lehetőségre.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. Több folyamatot is közzétehet egyetlen folyamat-végponton, és megadhatja, hogy melyik folyamat melyik verzióját szeretné futtatni.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

A közzétett folyamat az egyes modulokhoz tartozó folyamat piszkozatában definiált számítási erőforrásokon fut.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

A tervező létrehoz egy PublishedPipeline -objektumot, mint az SDK-t.The designer creates the same PublishedPipeline object as the SDK.

Következő lépésekNext steps