Migrálás Azure Machine Learning a ML Studióból (klasszikus)

Hasznosnak találja ezt az oldalt?

További visszajelzés?

A visszajelzés a Microsoftnak lesz elküldve: ha az Elküld gombra kattint, visszajelzését felhasználjuk a Microsoft termékekeinek és szolgáltatásainak továbbfejlesztéséhez. Adatvédelmi szabályzat.

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.

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

Megtudhatja, hogyan migrálhat a (klasszikus) Studióból a Azure Machine Learning. Azure Machine Learning egy modernizált adatelemzési platformot biztosít, amely ötvözi a kód nélküli és a kódközpontú megközelítéseket.

Ez egy útmutató az alapszintű "átemeléses" migráláshoz. Ha optimalizálni szeretne egy meglévő gépi tanulási munkafolyamatot, vagy modernizálni szeretne egy gépi tanulási platformot, tekintse meg a Azure Machine Learning bevezetési keretrendszerét további forrásokért, beleértve a digitális felmérési eszközöket, munkalapokat és tervezési sablonokat.

A migrálással kapcsolatban forduljon a felhőszolgáltatás-tervezőjéhez.

Ajánlott megközelítés

A Azure Machine Learning való migráláshoz a következő megközelítést javasoljuk:

• 1. lépés: Azure Machine Learning 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 bővítése

1. lépés: Azure Machine Learning értékelése

1. Ismerje meg a Azure Machine Learning; előnyeit, költségeit és architektúráját.

2. Hasonlítsa össze a Azure Machine Learning és a Studio (klasszikus) képességeit.

   Megjegyzés

   A Azure Machine Learning tervező funkciója hasonló húzással használható a Studióhoz (klasszikus). A Azure Machine Learning azonban hatékony kódelső munkafolyamatokat is kínál alternatívaként. Ez a migrálási sorozat a tervezőre összpontosít, mivel leginkább hasonlít a Studio (klasszikus) felületéhez.

   Az alábbi táblázat a ML Studio (klasszikus) és a Azure Machine Learning közötti fő különbségeket foglalja össze.

   Szolgáltatás	ML Studio (klasszikus)	Azure Machine Learning
   Illesztő húzása	Klasszikus élmény	Frissített felület – Azure Machine Learning tervező
   Kód SDK-k	Nem támogatott	Teljesen integrálva Azure Machine Learning Python- és R SDK-kkal
   Experiment	Méretezhető (10 GB-os betanítási adatkorlát)	Skálázás számítási céllal
   Számítási célok betanítása	Saját számítási cél, csak CPU-támogatás	Testre szabható betanítási számítási célok széles választéka. GPU- és CPU-támogatást is tartalmaz
   Üzembehelyezési számítási célok	Saját webszolgáltatás formátuma, nem testreszabható	Testre szabható üzembehelyezési számítási célok széles választéka. GPU- és CPU-támogatást is tartalmaz
   ML folyamat	Nem támogatott	Rugalmas, moduláris folyamatok létrehozása a munkafolyamatok automatizálásához
   MLOps	Alapszintű modellkezelés és üzembe helyezés; Csak processzorhasználatú üzemelő példányok	Entitások verziószámozása (modell, adatok, munkafolyamatok), munkafolyamat-automatizálás, integráció a CICD-eszközökkel, CPU- és GPU-környezetek stb.
   Modellformátum	Saját formátum, csak Studio (klasszikus)	Több támogatott formátum a betanítási feladat típusától függően
   Automatizált modellbetanítás és hiperparaméter-finomhangolás	Nem támogatott	Támogatott. Kódelső és kód nélküli lehetőségek.
   Adateltolódás-észlelés	Nem támogatott	Támogatott
   Adatcímkézési projektek	Nem támogatott	Támogatott
   Szerepköralapú hozzáférés-vezérlés (RBAC)	Csak közreműködői és tulajdonosi szerepkör	Rugalmas szerepkör-definíció és RBAC-vezérlés
   AI-katalógus	Támogatott (https://gallery.azure.ai/)	Nem támogatott Megismerheti a Python SDK-mintajegyzetfüzeteket.

3. Ellenőrizze, hogy a kritikus Studio (klasszikus) moduljai támogatottak-e Azure Machine Learning tervezőben. További információt az alábbi Studio (klasszikus) és tervezői összetevő-leképezési táblázatban talál.

4. Hozzon létre egy Azure Machine Learning-munkaterületet.

2. lépés: Stratégia és terv meghatározása

1. Üzleti indoklások és várható eredmények meghatározása.
2. Végrehajtható Azure Machine Learning bevezetési terv üzleti eredményekhez igazítása.
3. Személyek, folyamatok és környezetek előkészítése a változásokra.

A stratégia meghatározásához forduljon a felhőszolgáltatás-tervezőhöz.

A Azure Machine Learning bevezetési keretrendszerében talál további információt az erőforrások tervezéséről, beleértve a tervezési dokumentumsablont is.

3. lépés: Az első modell újraépítése

Miután meghatározta a stratégiát, migrálja az első modellt.

1. Adathalmazok migrálása Azure Machine Learning.

2. A tervező használatával újraépítheti a kísérleteket.

3. Webszolgáltatások ismételt üzembe helyezése a tervező használatával.

   Megjegyzés

   Azure Machine Learning az adathalmazok, a betanítás és az üzembe helyezés kódközpontú munkafolyamatait is támogatja.

4. lépés: Ügyfélalkalmazások integrálása

1. Módosítsa a Studio (klasszikus) webszolgáltatásait meghívó ügyfélalkalmazásokat az új Azure Machine Learning végpontok használatára.

5. lépés: A Studio (klasszikus) eszközeinek törlése

1. Távolítsa el a Studio (klasszikus) eszközeit a többletköltségek elkerülése érdekében. Előfordulhat, hogy az adategységeket tartalékként szeretné megőrizni, amíg nem érvényesíti Azure Machine Learning számítási feladatokat.

6. lépés: Forgatókönyvek áttekintése és bővítése

1. Tekintse át a modell migrálását az ajánlott eljárásokért és a számítási feladatok ellenőrzéséhez.
2. Bővítse ki a forgatókönyveket, és migráljon további számítási feladatokat Azure Machine Learning.

Studio (klasszikus) és tervezői összetevő-leképezés

Az alábbi táblázatból megtudhatja, hogy mely modulokat érdemes használni a Studio -kísérletek (klasszikus) tervezőben való újraépítése során.

Fontos

A tervező a modulokat nyílt forráskódú Python-csomagokkal valósítja meg, nem pedig olyan C#-csomagokkal, 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-átalakítások	- Konvertálás CSV-vé – Átalakítás adatkészletté – Konvertálás ARFF-vé – Átalakítás SVMLight-ra – Konvertálás TSV-vé	- Konvertálás CSV-vé – Konvertálás adatkészletté
Adatátalakítás – Manipuláció	- Oszlopok hozzáadása – Sorok hozzáadása – SQL átalakítás alkalmazása – Hiányzó adatok törlése – Átalakítás mutatóértékekké – Metaadatok szerkesztése – Adatok összekapcsolása – Ismétlődő sorok eltávolítása – Oszlopok kijelölése az adathalmazban – Oszlopok kijelölése – Átalakítás – SMOTE – Csoport kategorikus értékek	- Oszlopok hozzáadása – Sorok hozzáadása – SQL átalakítás alkalmazása – Hiányzó adatok törlése – Átalakítás mutatóértékekké – Metaadatok szerkesztése – Adatok összekapcsolása – Ismétlődő sorok eltávolítása – Oszlopok kijelölése az adathalmazban – Oszlopok kijelölése – Átalakítás – SMOTE
Adatátalakítás – Skálázás és csökkentés	- Értékek kivágása – Adatok csoportosítása intervallumokba – Adatok normalizálása – Fő összetevő elemzése	- Értékek kivágása – Adatok csoportosítása intervallumokba – Adatok normalizálása
Adatátalakítás – Minta és felosztás	- Partíció és minta – Adatok felosztása	- Partíció és minta – Adatok felosztása
Adatátalakítás – Szűrő	- Szűrő alkalmazása – FIR-szűrő – IIR-szűrő – Mediánszűrő – Mozgóátlag szűrő – Küszöbérték-szűrő – Felhasználó által megadott szűrő
Adatátalakítás – Tanulás darabszámmal	- Buildszámlálási átalakítás – Darabszámtábla exportálása – Darabszámtábla importálása – Egyesítések száma átalakítás – Táblaparaméterek módosítása
Funkció kiválasztása	- Szűrőalapú funkció kiválasztása – Fisher Lineáris diszkrimináns elemzés – Permutációs funkció fontossága	- Szűrőalapú szolgáltatás kiválasztása – A permutációs funkció fontossága
Modell – Besorolás	- Többosztályos döntési erdő – Többosztályos döntési dzsungel – Többosztályos logisztikai regresszió – Többosztályos neurális hálózat – Egy vagy mindenhez többosztályos – Two-Class Átlagos perceptron – Two-Class Bayes-pont gép – Two-Class megnövelt döntési fa – Two-Class döntési erdő – Two-Class döntési dzsungel – Two-Class Locally-Deep SVM – Two-Class logisztikai regresszió – Two-Class neurális hálózat – Two-Class támogató vektorgép	- Többosztályos döntési erdő – Többosztályos döntési fa – Többosztályos logisztikai regresszió – Többosztályos neurális hálózat – Egy vagy mindenhez többosztályos – Two-Class Átlagos perceptron – Two-Class Megnövelt döntési fa – Two-Class döntési erdő – Two-Class logisztikai regresszió – Two-Class neurális hálózat – Two-Class támogatási vektorgép
Modell – Fürtözés	- K-közép fürtözés	- K-közép fürtözés
Modell – Regresszió	- Bayesian Linear Regression - Boosted Decision Tree Regression - Decision Forest Regression - Fast Forest Quantile Regression - Linear Regression - Neural Network Regression - Ordinal Regression Poisson Regression	- Boosted Decision Tree Regression - Decision Forest Regression - Fast Forest Quantile Regression - Linear Regression - Neural Network Regression - Poisson Regression
Modell – Anomáliadetektálás	- One-Class SVM – PCA-Based anomáliadetektálás	- PCA-Based anomáliadetektálás
Machine Learning – Értékelés	- Modell keresztellenőrzése – Modell kiértékelése – Ajánló kiértékelése	- Modell keresztellenőrzése – Modell kiértékelése – Ajánló kiértékelése
Machine Learning – Betanítása	- Takarítási fürtszolgáltatás – 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
Machine Learning – Pontszám	- Átalakítás alkalmazása – Adatok hozzárendelése fürtökhöz – Egyezések ajánlása – Modell pontozása	- Átalakítás alkalmazása – Adatok hozzárendelése fürtökhöz – Képmodell pontozása – Modell pontozása – SVD-ajánló pontozása –Széles és mély ajánló pontozása
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 – Számítási elemi statisztika – Lineáris korreláció kiszámítása – Valószínűségfüggvény kiértékelése – Diszkrét értékek cseréje – Adatok összegzése – Hipotézis tesztelése t-test használatával	- Matematikai művelet alkalmazása – Adatok összegzése
Text Analytics	- Nyelvek észlelése – Kulcskifejezések kinyerése szövegből – N-Gram-funkciók kinyerése szövegből – Funkciókivonat-osztás – Rejtett dirichlet-kiosztás – Nevesített entitásfelismerés – Előfeldolgozási szöveg – Vowpal Wabbit 7–10-es modell pontozása – Vowpal Wabbit 8-as verzió modell pontozása – Vowpal Wabbit 7–10-es modell betanítása – Vowpal Wabbit 8-as verziójának betanítása	- Word konvertálása vektorrá – N-Gram-jellemzők kinyerése szövegből – Funkciókivonat-készítés – Látens dirichlet-kiosztás – Előfeldolgozási szöveg – Vowpal Wabbit-modell pontozása – Vowpal Wabbit-modell betanítása
Idősor	- Time Series Anomáliadetektálás
Webszolgáltatás	- Bemenet – Kimenet	- Bemenet – Kimenet
Computer Vision		- Képátalakítás alkalmazása – Konvertálás képkönyvtárba – Init Image Transformation – Kép felosztása – Sűrű hálózat képbesorolása – ResNet-képbesorolás

Az egyes tervezőösszetevők használatáról további információt a tervezői összetevők referenciaanyagában talál.

Mi történik, ha hiányzik egy tervezőösszetevő?

Azure Machine Learning tervező a Studio (klasszikus) legnépszerűbb moduljait tartalmazza. Új modulokat is tartalmaz, amelyek a legújabb gépi tanulási technikákat használják ki.

Ha a tervező hiányzó moduljai miatt a migrálás le van tiltva, hozzon létre egy támogatási jegyet.

Példa áttelepítésre

Az alábbi kísérlet migrálása kiemeli a Studio (klasszikus) és a Azure Machine Learning közötti különbségeket.

Adathalmazok

A (klasszikus) Studióban az adathalmazok a munkaterületre lettek mentve, és csak a Studio (klasszikus) használhatta őket.

A Azure Machine Learning az adathalmazok regisztrálva vannak a munkaterületen, és az összes Azure Machine Learning használhatók. Az Azure Machine Learning adathalmazok előnyeiről további információt a Biztonságos adathozzáférés című témakörben talál.

Folyamat

A (klasszikus) Studióban a kísérletek tartalmazzák a munka feldolgozási logikáját. Drag-and-drop modulokkal létrehozott kísérleteket.

A Azure Machine Learning folyamatok tartalmazzák a munka feldolgozási logikáját. Folyamatokat húzási modulokkal vagy kód megírásával hozhat létre.

Webszolgáltatás-végpont

A Studio (klasszikus) a REQUEST/RESPOND API-t használta valós idejű előrejelzéshez, a BATCH EXECUTION API-t pedig kötegelt előrejelzéshez vagy újratanításhoz.

Azure Machine Learning valós idejű végpontokat használ a valós idejű előrejelzéshez, a folyamatvégpontokat pedig kötegelt előrejelzéshez vagy újratanításhoz.

Következő lépések

Ebben a cikkben megismerhette a Azure Machine Learning való migrálás magas szintű követelményeit. A részletes lépésekért tekintse meg a Studio (klasszikus) migrálási sorozatának további cikkeit:

1. A migrálás áttekintése.
2. Adathalmaz migrálása.
3. Studio (klasszikus) betanítási folyamat újraépítése.
4. Studio (klasszikus) webszolgáltatás újraépítése.
5. Azure Machine Learning webszolgáltatás integrálása ügyfélalkalmazásokkal.
6. Az R-szkript migrálása.

További migrálási erőforrásokért lásd a Azure Machine Learning bevezetési keretrendszerét.