Migrálás Azure Machine Learning a ML Studióból (klasszikus)

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.

Azure ML adoption framework

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.

automobile-price-classic-dataset

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.

automobile-price-aml-dataset

Folyamat

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

automobile-price-classic-experiment

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

automobile-price-aml-pipeline

Webszolgáltatás-végpont

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

automobile-price-classic-webservice

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

automobile-price-aml-endpoint

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.