従来の Studio (クラシック) Web サービスの再トレーニングとデプロイ

[アーティクル]
02/14/2019

適用対象:Machine Learning スタジオ (クラシック) X は適用対象外:

重要

Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。その日までに、Azure Machine Learning に切り替えすることをお勧めします。

2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。

ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
Azure Machine Learning についての詳細を参照してください

ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。

機械学習モデルの再トレーニングは、モデルが正確であり、利用できる最も関連性のあるデータに基づいていることを確認するための 1 つの方法です。この記事では、従来の Studio (クラシック) Web サービスを再トレーニングする方法を示します。新しい Studio (クラシック) Web サービスを再トレーニングする方法のガイドについては、こちらのハウツー記事を参照してください。

前提条件

この記事では、再トレーニング実験と予測実験の両方が既に用意されていることを前提としています。これらの手順については、機械学習モデルの再トレーニングとデプロイに関する記事に説明があります。ただし、機械学習モデルを新しい Web サービスとしてのデプロイするのではなく、予測実験を従来の Web サービスとしてデプロイします。

新しいエンドポイントを追加する

デプロイした予測 Web サービスには、元のトレーニング実験とスコアリング実験のトレーニング済みモデルとの同期が維持された、既定のスコアリングエンドポイントが含まれます。新しいトレーニング済みモデルで Web サービスを更新するには、新しいスコア付けエンドポイントを作成する必要があります。

新しいエンドポイントを Web サービスに追加する方法は 2 つあります。

プログラムを使用する
Azure Web サービスポータルを使用する

Note

エンドポイントは、必ず予測 Web サービスに追加します。トレーニング Web サービスではありません。トレーニング Web サービスと予測 Web サービスの両方を正しくデプロイすると、2 つの Web サービスが個別に表示されます。予測 Web サービスの末尾は "[predictive exp.]" です。

プログラムを使用してエンドポイントを追加する

GitHub リポジトリで提供されているサンプルコードを使用して、スコア付けエンドポイントを追加できます。

Azure Web サービスポータルを使用してエンドポイントを追加する

Machine Learning Studio (クラシック) の左側のナビゲーション列で [Web サービス] をクリックします。
Web サービスダッシュボードの下部で、 [Manage endpoints preview (エンドポイントプレビューの管理)] をクリックします。
[追加] をクリックします。
新しいエンドポイントの名前と説明を入力します。ログレベルとサンプルデータが有効になっているかどうかを選択します。詳細については、「 Machine Learning Web サービスのログ記録の有効化」を参照してください。

追加エンドポイントのトレーニング済みモデルを更新する

PATCH URL を取得する

適切な PATCH URL を Web ポータルを使用して取得するには、次の手順に従います。

Azure Machine Learning Web サービスポータルにサインインします。
上部の [Web サービス] または [Classic Web Services]\(クラシック Web サービス\) をクリックします。
作業中のスコアリング Web サービスをクリックします (Web サービスの既定の名前を変更しなかった場合、その名前の末尾は "[Scoring Exp.]" になります)。
[+新規] をクリックします。
エンドポイントが追加されたら、エンドポイントの名前をクリックします。
パッチ URL の下で、 [API Help]\(API ヘルプ\) をクリックして、パッチ適用のヘルプページを開きます。

Note

エンドポイントを予測 Web サービスではなくトレーニング Web サービスに追加した場合は、 [リソースの更新] リンクをクリックすると、"この機能はサポートされていないか、このコンテキストでは使用できません。この Web サービスには、更新可能なリソースがありません。ご不便をおかけして申し訳ありません。現在、このワークフローの強化に取り組んでいます" というエラーが表示されます。

PATCH ヘルプページには、使用する必要のある PATCH URL が含まれており、これを呼び出すために使用できるサンプルコードが提供されています。

PATCH URL

エンドポイントを更新する

これで、トレーニング済みモデルを使用して、前に作成したスコア付けエンドポイントを更新できます。

次のサンプルコードは、BaseLocation、RelativeLocation、SasBlobToken、および PATCH URL を使用して、エンドポイントを更新する方法を示しています。

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.
        }
    }
}

この呼び出しの apiKey と endpointUrl は、エンドポイントダッシュボードから取得できます。

Resources の Name パラメーターは、予測実験で保存したトレーニング済みモデルのリソース名と一致する必要があります。リソース名を取得するには:

Azure portal にサインインします。
左側のメニューで [Machine Learning] をクリックします。
[名前] でワークスペースをクリックし、 [Web サービス] をクリックします。
[名前] で [Census Model [predictive exp.]] をクリックします。
追加した新しいエンドポイントをクリックします。
エンドポイントダッシュボードで、 [リソースの更新] をクリックします。
Web サービスの [Update Resource API Documentation (リソース API ドキュメントの更新)] ページで、 [Updatable Resource (更新可能なリソース)] の [リソース名] を確認します。

エンドポイントの更新が完了する前に SAS トークンの有効期限が切れる場合は、ジョブ ID を指定して GET を実行し、新しいトークンを取得する必要があります。

コードが正常に実行すると、新しいエンドポイントは、約 30 秒後に再トレーニング済みモデルを使用し始めます。

次のステップ

Web サービスの管理または複数の実験の実行の追跡を行う方法については、次の記事を参照してください。