Betanított modell betöltése
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 a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Webes környezetben üzemeltetett betanított modell betöltése
Kategória: Adatbemenet és -kimenet
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A modul áttekintése
Ez a cikk azt ismerteti, hogyan használható a Machine Learning Studio (klasszikus) Load Trained Model (Betanított modell betöltése) modulja egy már betanított modell betöltésére egy kísérletben való használatra.
Ehhez a modulhoz egy meglévő betanított modellre van szükség. A modellt általában egy másik kísérletben hozza létre, majd betanítja, majd a modellt a munkaterületre vagy a támogatott felhőalapú tárolási lehetőségek egyikére menti.
Ezután a Betanított terheléses modell modullal lekérte és futtatta a betanított modellt egy új kísérletben.
A terheléses betanított modell használata
Meglévő modell használata új adatok előrejelzéséhez:
- A modellnek korábban már betanítva kell lennie, majd iLearner formátumban kell mentenie.
- A modellnek elérhetőnek kell lennie URL-cím vagy azure blobtároló használatával.
Ez a szakasz a modellek mentését, a mentett modellek lekért és a mentett modellek alkalmazását ismerteti.
Betanított modell mentése
A modelleket mentheti a Studio (klasszikus) felületével vagy egy webszolgáltatásként futó kísérlettel.
Modell mentése webszolgáltatás használatával
- Kísérlet létrehozása a modell webszolgáltatásként való betanítása vagy újraképezése során
- Tegye közzé a kísérletet webszolgáltatásként.
- Amikor a betanító webszolgáltatás BES-végpontját hívja meg, a webszolgáltatás elment egy betanított modellt az iLearner felület használatával, és menti a fájlt a megadott Azure Blob Storage-fiókba.
A betanító webszolgáltatás létrehozásáról az alábbi cikkekben talál részletes információt:
Modell mentése a Studióban (klasszikus)
- Futtassa a modellt felépítő és beképező kísérletet.
- Ha a betanítás befejeződött, kattintson a jobb gombbal a betanításhoz használt modulra, válassza a Betanított modell lehetőséget, majd kattintson a Mentés betanított modellként lehetőségre.
- Alapértelmezés szerint a modellek a Studio (klasszikus) munkaterületére vannak mentve. Ezeket a Studio (klasszikus) felhasználói felületén lehet megtekinteni.
A következő modulok olyan mentett modellt hozhatnak létre, amely a szükséges iLearner felületet használja:
- Modell betanítása
- Csoportosítási modell betanítása
- Rendellenesség-észlelési modell betanítása
- Modell-hiperparaméterek hangolása
- Fürtszolgáltatás siklása
Megjegyzés
Tetszőleges modellek nem támogatottak; A modellt az alapértelmezett bináris formátumban kell menteni, amely a modell Machine Learning megőrzésére.
A modell betöltése egy új kísérletbe
Adja hozzá a Betanított modell betöltése modult a kísérlethez a Studióban (klasszikus).
Az Adatforrás mezőben adja meg a betanított modell helyét az alábbi lehetőségek egyikével:
Webes URL-cím HTTP-n keresztül: Adjon meg egy URL-címet, amely a kísérletre mutat, valamint a betanított modellt képviselő fájl. A Machine Learning modellek alapértelmezés szerint ILearner formátumban vannak mentve.
Azure Blob Storage: Ezt a lehetőséget csak akkor válassza, ha exportálta a betanított modellt az Azure Storage-ba. Ezután meg kell adnia a fióknevet és a fiókkulcsot, valamint a tároló, a címtár vagy a blob elérési útját.
Ha olyan webes Request-Response kíván létrehozni, amely az aktuális kísérleten alapul, válassza az RRS-hez való használat engedélyezése lehetőséget. Ellenkező esetben a pontozás a Kötegelt végrehajtási szolgáltatás (BES) lehetőséggel történik, ami ajánlott. A részletekért tekintse meg a Műszaki megjegyzések szakaszt.
Válassza a Gyorsítótárazott eredmények használata lehetőséget, ha a betanított modellt a gyorsítótárból szeretné betölteni, amikor a gyorsítótár elérhető és ki van töltve. Ezt a beállítást a rendszer figyelmen kívül hagyja a kísérlet webszolgáltatás API-ként való üzembe helyezése után.
Példák
A modul használatára vonatkozó példákért tekintse meg a Cortana Intelligence Galleryt.
Betanított mély Tanulás modell betöltése: A példa egy egyéni neurális hálózatot hoz létre a képészleléshez. A Terheléses betanított modell modullal könnyedén újra felhasználhatja ezt a modellt betanítás nélkül, ami időigényes lehet.
Ez a gyűjtemény tartalmaz egy betanításos kísérletet a modell létrehozásához, valamint egy prediktív kísérletet, amelyben a modell betöltődik webszolgáltatásként, és előrejelzésekhez lesz használva.
Technikai megjegyzések
Ez a szakasz az implementáció részleteit, a tippeket és a gyakori kérdésekre adott válaszokat tartalmazza.
Gyakori kérdések
Miért nincs alapértelmezés szerint engedélyezve az RRS használata?
Az RRS-hívások általában rövid időn belül visszaadják az eredményeket. Mivel azonban a modulnak blob formájában kell betöltenie a betanított modellt egy Azure Storage-fiókból vagy egy nyilvános HTTP-végponton tárolt fájlból, a fájlműveletek kiszámíthatatlan késéseket okozhatnak.
Ezért általában azt javasoljuk, hogy a webszolgáltatás kötegelt végrehajtási módban (BES) fusson. Ha az RRS-sel való .execution lehetőséget választja, vegye figyelembe a késés lehetséges lehetőségeit. A végrehajtási időkre vonatkozó általános információkért tekintse meg a Machine Learning SLA-t.
Gyorsabban betölt a betanított modell, ha a gyorsítótárazott eredményeket választom
Igen, de csak akkor, ha a kísérletet a Machine Learning Studio (klasszikus) alkalmazásában futtatják, és csak azután, hogy az első futtatás kitöltötte a gyorsítótárat. A kísérlet webszolgáltatásként való üzembe helyezése után a webszolgáltatás végrehajtása figyelmen kívül hagyja ezt a jelzőt.
Van mód a folyamat automatizálására?
A PowerShell használatával számos feladatot leegyszerűsíthet vagy automatizálhat a Machine Learning. Letöltheti például egy teljes kísérlet vagy egy adott modul tartalmát, exportálhatja a webszolgáltatás definícióját, vagy meghívhatja a webszolgáltatás végrehajtási API-ját. További információ: PowerShell-modul a Microsoft Machine Learning.
Modulparaméterek
Name | Tartomány | Típus | Alapértelmezett | Description |
---|---|---|---|---|
Használat engedélyezése az RRS-hez | Igaz/Hamis | Logikai | hamis | A modul futásának engedélyezése a kérés-válasz webszolgáltatásban, ami kiszámíthatatlan késéseket okozhat |
Adatforrás | Webes URL-cím HTTP-n keresztül vagy Azure Blob Storage | T_DataSourceOrSink | Azure Blob Storage | Az adatforrás lehet HTTP vagy egy Azure Blob Storage-fájl (kötelező) |
Webes URL-cím HTTP-n keresztül: | ||||
Adatforrás URL-címe | bármelyik | Sztring | HTTP URL-címe | |
További Azure Blob Storage: | ||||
Fiók neve | bármelyik | Sztring | Fióknév | |
Fiókkulcs | bármelyik | SecureString (Biztonságos karakterlánc) | Az Azure Windows-fiókhoz Storage kulcs | |
Tároló, könyvtár vagy blob elérési útja | bármelyik | Sztring | Blob elérési útja vagy a tábla neve |
Kimenetek
Név | Típus | Description |
---|---|---|
Betanított modell | ILearner interfész | Betanított modell |
Kivételek
Kivétel | Description |
---|---|
0003-as hiba | Kivétel akkor fordul elő, ha egy vagy több bemenet null vagy üres. |
A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.
Az API-kivételek listáját a hibakódok Machine Learning REST API.