Migreren naar Azure Machine Learning
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Meer informatie over het migreren van Studio (klassiek) naar Azure Machine Learning. Azure Machine Learning biedt een gemoderniseerd data science-platform waarin geen code en benaderingen met code als eerste worden gecombineerd.
Dit is een handleiding voor een eenvoudige lift-and-shift-migratie. Als u een bestaande machine learning-werkstroom wilt optimaliseren of een machine learning-platform wilt moderniseren, bekijkt u het Azure Machine Learning Adoption Framework voor aanvullende resources, waaronder digitale enquêtehulpprogramma's, werkbladen en planningssjablonen.
Aanbevolen aanpak
Als u wilt migreren naar Azure Machine Learning, raden we de volgende benadering aan:
- Stap 1: evaluatie Azure Machine Learning
- Stap 2: Een strategie en plan definiëren
- Stap 3: Experimenten en webservices herbouwen
- Stap 4: client-apps integreren
- Stap 5: Studio-assets (klassiek) ops schonen
- Stap 6: scenario's controleren en uitbreiden
Stap 1: evaluatie Azure Machine Learning
Meer informatie over Azure Machine Learning; de voordelen, kosten en architectuur.
Vergelijk de mogelijkheden van Azure Machine Learning Studio (klassiek).
Notitie
De ontwerpfunctie in Azure Machine Learning biedt een vergelijkbare ervaring met slepen en neerzetten als Studio (klassiek). De Azure Machine Learning echter ook robuuste code-first werkstromen als alternatief. Deze migratiereeks is gericht op de ontwerpfunctie, omdat deze het meest lijkt op de Studio-ervaring (klassiek).
De volgende tabel bevat een overzicht van enkele van de belangrijkste verschillen tussen ML Studio (klassiek) en Azure Machine Learning.
Functie ML Studio (klassiek) Azure Machine Learning Interface met slepen en neerzetten Klassieke ervaring Bijgewerkte ervaring - Azure Machine Learning Designer Code-SDK's Niet ondersteund Volledig geïntegreerd met Azure Machine Learning Python en R SDK's Experiment Schaalbaar (max. 10 GB aan trainingsgegevens) Schalen met rekendoel Rekendoelen voor training Eigen rekendoel, alleen CPU-ondersteuning Breed scala aan aanpasbare rekendoelen voor training. Inclusief GPU- en CPU-ondersteuning Rekendoelen voor implementatie Bedrijfseigen webservice-indeling, niet aanpasbaar Breed scala aan aanpasbare rekendoelen voor implementatie. Inclusief GPU- en CPU-ondersteuning ML-pijplijn Niet ondersteund Bouw flexibele, modulaire pijplijnen om werkstromen te automatiseren MLOps Eenvoudig modellen beheren en implementeren; alleen voor CPU-implementaties Versiebeheer voor entiteiten (model, gegevens, werkstromen), werkstroomautomatisering, integratie met CICD-hulpprogramma, CPU- en GPU-implementaties en meer Modelindeling Eigen indeling, alleen Studio (klassiek) Meerdere ondersteunde indelingen, afhankelijk van het type trainingstaak Geautomatiseerde modeltraining en afstemming van hyperparameters Niet ondersteund Ondersteund. Opties voor code-eerst en geen-code. Gegevensdriftdetectie Niet ondersteund Ondersteund Projecten voor gegevenslabels Niet ondersteund Ondersteund RBAC (op rollen gebaseerd toegangsbeheer) Alleen de rol inzender en eigenaar Flexibele roldefinitie en RBAC-beheer AI-galerie Ondersteund ( https://gallery.azure.ai/ ) Niet ondersteund
Leer met Python SDK-voorbeeldnoteboeken.Controleer of uw essentiële Studio-modules (klassiek) worden ondersteund in Azure Machine Learning designer. Zie de onderstaande tabel voor het toewijzen van onderdelen in Studio (klassiek) en designer voor meer informatie.
Stap 2: Een strategie en plan definiëren
- Zakelijke redenen en verwachte resultaten definiëren.
- Een plan voor een Azure Machine Learning afstemmen op bedrijfsresultaten.
- Bereid mensen, processen en omgevingen voor op wijziging.
Zie het Azure Machine Learning Adoption Framework voor het plannen van resources, inclusief een sjabloon voor plannings docs.
Stap 3: uw eerste model herbouwen
Nadat u een strategie hebt gedefinieerd, migreert u uw eerste model.
Gebruik de ontwerpfunctie om experimenten opnieuw te bouwen.
Gebruik de ontwerpfunctie om webservices opnieuw te gebruiken.
Notitie
Azure Machine Learning ondersteunt ook code-first werkstromen voor het migreren van gegevenssets, trainingen implementatie.
Stap 4: client-apps integreren
- Wijzig clienttoepassingen die Studio-webservices (klassiek) aanroepen om uw nieuwe eindpunten Azure Machine Learning gebruiken.
Stap 5: Opschonen van Studio-assets (klassiek)
- Schoon Studio-assets (klassiek) op om extra kosten te voorkomen. Mogelijk wilt u assets bewaren voor terugval totdat u de Azure Machine Learning hebt gevalideerd.
Stap 6: scenario's controleren en uitbreiden
- Bekijk de modelmigratie voor best practices en valideer workloads.
- Vouw scenario's uit en migreert extra workloads naar Azure Machine Learning.
Studio -componenttoewijzing (klassiek) en designer
Raadpleeg de volgende tabel om te zien welke modules u kunt gebruiken bij het herbouwen van Studio-experimenten (klassiek) in de ontwerpfunctie.
Belangrijk
De ontwerpfunctie implementeert modules via opensource Python-pakketten in plaats van C#-pakketten zoals Studio (klassiek). Vanwege dit verschil kan de uitvoer van designeronderdelen enigszins verschillen van de tegenhangers van Studio (klassiek).
| Categorie | Studio-module (klassiek) | Onderdeel vervangingsontwerper |
|---|---|---|
| Invoer en uitvoer van gegevens | - Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren - Getraind model laden - Uitgepakte gegevenssets uitpakken | - Gegevens handmatig invoeren - Gegevens exporteren - Gegevens importeren |
| Conversies van gegevensindelingen | - Converteren naar CSV - Converteren naar gegevensset - Converteren naar ARFF - Converteren naar SVMLight - Converteren naar TSV | - Converteren naar CSV - Converteren naar gegevensset |
| Gegevenstransformatie - Manipulatie | - Kolommen toevoegen - Rijen toevoegen - Een SQL toepassen - Ontbrekende gegevens ops cleaning - Converteren naar indicatorwaarden - Metagegevens bewerken - Join-gegevens - Dubbele rijen verwijderen - Kolommen in gegevensset selecteren - Kolommen transformeren selecteren - SMOTE - Categorische waarden groeperen | - Kolommen toevoegen - Rijen toevoegen - Een SQL toepassen - Ontbrekende gegevens ops cleaning - Converteren naar indicatorwaarden - Metagegevens bewerken - Join-gegevens - Dubbele rijen verwijderen - Kolommen in gegevensset selecteren - Kolommen transformeren selecteren - SMOTE |
| Gegevenstransformatie : schalen en verminderen | - Clipwaarden - Gegevens groepeert in opslaglocaties - Gegevens normaliseren - Analyse van hoofdcomponenten | - Clipwaarden - Gegevens groepeert in opslaglocaties - Gegevens normaliseren |
| Gegevenstransformatie : voorbeeld en splitsen | - Partitie en voorbeeld - Gegevens splitsen | - Partitie en voorbeeld - Gegevens splitsen |
| Gegevenstransformatie – Filteren | - Filter toepassen - FIR-filter - IIR-filter - Mediaanfilter - Gemiddeld bewegend filter - Drempelfilter - Door de gebruiker gedefinieerd filter | |
| Gegevenstransformatie : Learning met tellingen | - Build-teltransformator - Tabel aantal exporteren - Tabel aantal importeren - Transformatie aantal samenvoegen - Tabelparameters aantal wijzigen | |
| Functieselectie | - Functieselectie op basis van filters - Linear Linear Discriminant Analysis - Belang van permutatiefunctie | - Functieselectie op basis van filters - Belang van permutatiefunctie |
| Model - Classificatie | - Beslissings forest met meerdere klasse - Beslissing met meerdere klasses - Logistieke regressie met meerdere klasses - Neuraal netwerk met meerdere klasse - One-vs-All Multiclass - Two-Class Averaged Perceptron - Two-Class Bayes Point Machine - Two-Class Boosted Decision Tree - Two-Class Decision Forest - Two-Class Decision Two-Class - Two-Class Locally-Deep SVM - Two-Class logistieke regressie - Two-Class Neural Network - Two-Class Support Vector Machine | - Beslissings forest met meerdere klasse - Beslissingsstructuur met meerdere klasses - Logistieke regressie met meerdere klasses - Neuraal netwerk met meerdere klasse - One-vs-All Multiclass - Two-Class Averaged Perceptron - Two-Class Boosted Decision Tree - Two-Class Decision Forest - Two-Class Logistieke regressie - Two-Class Neural Network - Two-Class Support Vector Machine |
| Model - Clustering | - K-means-clustering | - K-means-clustering |
| Model - Regressie | - Bayesiaanse lineaire regressie - Boosted Decision Tree Regression - Regressie van beslissings forest - Fast Forest Quantile Regression - Lineaire regressie - Neurale netwerk regressie - Rangtellijke regressie Poisson-regressie | - Boosted Decision Tree Regression - Regressie van beslissings forest - Fast Forest Quantile Regression - Lineaire regressie - Neurale netwerk regressie - Poisson-regressie |
| Model : anomaliedetectie | - One-Class SVM - PCA-Based anomaliedetectie | - PCA-Based anomaliedetectie |
| Machine Learning – Evalueren | - Model kruis valideren - Model evalueren - Aanbevelingsdeser evalueren | - Model kruis valideren - Model evalueren - Aanbevelingsdeser evalueren |
| Machine Learning – Trainen | - Clustering opsommen - Anomaliedetectiemodel trainen - Clusteringmodel trainen - Matchbox-aanbeveling trainen - Model trainen - Model hyperparameters afstemmen | - Anomaliedetectiemodel trainen - Clusteringmodel trainen - Model trainen - - PyTorch-model trainen - Aanbevelingser voor SVD trainen - Wide and Deep Recommender trainen - Model hyperparameters afstemmen |
| Machine Learning : score | - Transformatie toepassen - Gegevens toewijzen aan clusters - Aanbeveling voor scorematchbox - Scoremodel | - Transformatie toepassen - Gegevens toewijzen aan clusters - Afbeeldingsmodel scoren - Scoremodel - SVD-aanbevelingsscore -Score Wide and Deep Recommender |
| OpenCV-bibliotheekmodules | - Afbeeldingen importeren - Vooraf getrainde cascade-afbeeldingsclassificatie | |
| Python-taalmodules | - Python-script uitvoeren | - Python-script uitvoeren - Python-model maken |
| R-taalmodules | - R-script uitvoeren - R-model maken | - R-script uitvoeren |
| Statistische functies | - Wiskundige bewerking toepassen - Elementaire statistieken berekenen - Lineaire correlatie berekenen - Waarschijnlijkheidsfunctie evalueren - Discrete waarden vervangen - Gegevens samenvatten - Hypothese testen met behulp van t-Test | - Wiskundige bewerking toepassen - Gegevens samenvatten |
| Text Analytics | - Talen detecteren - Sleuteltermen extraheren uit tekst - N-Gram-functies extraheren uit tekst - Functie-hashing - Latente diraglet-toewijzing - Herkenning van benoemde entiteiten - Tekst voorverwerken - Vowpal Wabbit-versie 7-10-model scoren - Score Vowpal Wabbit Version 8 Model - Vowpal Wabbit-versie 7-10-model trainen - Vowpal Wabbit versie 8-model trainen | - Word converteren naar vector - N-Gram-functies extraheren uit tekst - Functie-hashing - Latente diraglet-toewijzing - Tekst voorverwerken - Score Vowpal Wabbit Model - Vowpal Wabbit-model trainen |
| Tijdreeks | - Anomaliedetectie voor tijdreeksen | |
| Webservice | - Invoer - Uitvoer | - Invoer - Uitvoer |
| Computer Vision | - Afbeeldingstransformatie toepassen - Converteren naar afbeeldingsmap - Afbeeldingstransformatie initen - Map voor splitsen van afbeelding - DenseNet-afbeeldingsclassificatie - ResNet-afbeeldingsclassificatie |
Zie de naslaginformatie voor designeronderdelen voor meer informatie over het gebruik van afzonderlijke ontwerponderdelen.
Wat gebeurt er als er een designeronderdeel ontbreekt?
Azure Machine Learning designer bevat de populairste modules van Studio (klassiek). Het bevat ook nieuwe modules die profiteren van de nieuwste machine learning technieken.
Als uw migratie is geblokkeerd vanwege ontbrekende modules in de ontwerpfunctie, kunt u contact met ons opnemen door een ondersteuningsticket te maken.
Voorbeeldmigratie
In de volgende experimentmigratie worden enkele verschillen tussen Studio (klassiek) en Azure Machine Learning.
Gegevenssets
In Studio (klassiek) zijn gegevenssets opgeslagen in uw werkruimte en konden ze alleen worden gebruikt door Studio (klassiek).
In Azure Machine Learning worden gegevenssets geregistreerd bij de werkruimte en kunnen ze worden gebruikt voor alle Azure Machine Learning. Zie Beveiligde gegevenstoegang voor meer informatie Azure Machine Learning voordelen van gegevenssets.
Pijplijn
In Studio (klassiek) bevatten experimenten de verwerkingslogica voor uw werk. U hebt experimenten gemaakt met modules met slepen en neerzetten.
In Azure Machine Learning bevatten pijplijnen de verwerkingslogica voor uw werk. U kunt pijplijnen maken met modules met slepen en neerzetten of door code te schrijven.
Webservice-eindpunt
Studio (klassiek) gebruikte REQUEST/RESPOND API voor realtime voorspelling en BATCH EXECUTION API voor batchvoorspelling of opnieuw trainen.
Azure Machine Learning maakt gebruik van realtime-eindpunten voor realtime voorspelling en pijplijn-eindpunten voor batchvoorspelling of opnieuw trainen.
Volgende stappen
In dit artikel hebt u de vereisten op hoog niveau geleerd voor migratie naar Azure Machine Learning. Zie de andere artikelen in de studiomigratiereeks (klassiek) voor gedetailleerde stappen:
- Migratieoverzicht.
- Gegevensset migreren.
- Bouw een Studio-trainingspijplijn (klassiek) opnieuwop.
- Bouw een Studio-webservice (klassiek) opnieuw.
- Integreer een Azure Machine Learning webservice met client-apps.
- Migreert R-script uitvoeren.
Zie het Azure Machine Learning Adoption Framework voor aanvullende migratiebronnen.