Wat is Azure Machine Learning Designer?What is Azure Machine Learning designer?

Met Azure Machine Learning Designer kunt u gegevens sets en modules op een interactief canvas visueel verbinden om machine learning modellen te maken.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. Voor meer informatie over hoe u aan de slag kunt gaan met de ontwerp functie, Zie zelf studie: prijs van auto Mobile voors pellen met de ontwerperTo learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Voorbeeld van ontwerpfunctie van Azure Machine Learning

De ontwerp functie maakt gebruik van uw Azure Machine Learning- werk ruimte voor het organiseren van gedeelde resources zoals:The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Model training en-implementatieModel training and deployment

De Designer biedt u een visueel canvas om machine learning modellen te bouwen, te testen en te implementeren.The designer gives you a visual canvas to build, test, and deploy machine learning models. Met de ontwerp functie kunt u het volgende doen:With the designer you can:

  • Gegevens sets en modules slepen en neerzetten op het canvas.Drag-and-drop datasets and modules onto the canvas.
  • Verbind de modules om een pijp lijn conceptte maken.Connect the modules to create a pipeline draft.
  • Een pijplijn uitvoering verzenden met behulp van de reken resources in uw Azure machine learning-werk ruimte.Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Converteer uw trainings pijplijnen om pijp lijnenaf te leiden.Convert your training pipelines to inference pipelines.
  • Publiceer uw pijp lijnen naar een rest pijplijn-eind punt om een nieuwe pijp lijn te verzenden die wordt uitgevoerd met verschillende para meters en gegevens sets.Publish your pipelines to a REST pipeline endpoint to submit a new pipeline that runs with different parameters and datasets.
    • Publiceer een trainings pijplijn om één pijp lijn te gebruiken voor het trainen van meerdere modellen tijdens het wijzigen van para meters en gegevens sets.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Publiceer een batch-uitstel pijp lijn om voor spellingen te maken op nieuwe gegevens met behulp van een eerder getraind model.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Implementeer een real-time pipeline-pijp lijn naar een realtime-eind punt om voor spellingen te maken op nieuwe gegevens in realtime.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real-time.

Werk stroom diagram voor training, batch deinterferentie en real-time detrainer in de ontwerp functie

PijplijnPipeline

Een pijp lijn bestaat uit gegevens sets en analytische modules, waarmee u verbinding maakt.A pipeline consists of datasets and analytical modules, which you connect. Pijp lijnen hebben veel gebruiks mogelijkheden: u kunt een pijp lijn maken die één model traint of één waarmee meerdere modellen worden getraind.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. U kunt een pijp lijn maken die voor spellingen in realtime of in batch maakt, of een pijp lijn maken die alleen gegevens opschoont.You can create a pipeline that makes predictions in real-time or in batch, or make a pipeline that only cleans data. Met pijp lijnen kunt u uw werk opnieuw gebruiken en uw projecten ordenen.Pipelines let you reuse your work and organize your projects.

Pijp lijn conceptPipeline draft

Wanneer u een pijp lijn in de ontwerp functie bewerkt, wordt uw voortgang opgeslagen als een pijp lijn concept.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. U kunt een pijp lijn concept op elk gewenst moment bewerken door modules toe te voegen of te verwijderen, reken doelen te configureren, para meters te maken, enzovoort.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

Een geldige pijp lijn heeft de volgende kenmerken:A valid pipeline has these characteristics:

  • Gegevens sets kunnen alleen verbinding maken met modules.Datasets can only connect to modules.
  • Modules kunnen alleen verbinding maken met gegevens sets of andere modules.Modules can only connect to either datasets or other modules.
  • Alle invoer poorten voor modules moeten een verbinding met de gegevens stroom hebben.All input ports for modules must have some connection to the data flow.
  • Alle vereiste para meters voor elke module moeten worden ingesteld.All required parameters for each module must be set.

Wanneer u klaar bent voor het uitvoeren van uw pijp lijn concept, verzendt u een pijplijn uitvoering.When you're ready to run your pipeline draft, you submit a pipeline run.

PijplijnuitvoeringPipeline run

Telkens wanneer u een pijp lijn uitvoert, worden de configuratie van de pijp lijn en de resultaten ervan opgeslagen in uw werk ruimte als een pijplijn uitvoering.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. U kunt teruggaan naar elke pijplijn uitvoering om deze te controleren op probleem oplossing of controle doeleinden.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Een pijplijn uitvoering klonen om een nieuw pijp lijn concept te maken dat u kunt bewerken.Clone a pipeline run to create a new pipeline draft for you to edit.

Pijplijn uitvoeringen worden in experimenten gegroepeerd om de uitvoerings geschiedenis te organiseren.Pipeline runs are grouped into experiments to organize run history. U kunt het experiment instellen voor elke pijplijn uitvoering.You can set the experiment for every pipeline run.

GegevenssetsDatasets

Met een machine learning-gegevensset kunt u eenvoudig toegang krijgen tot uw gegevens en deze gebruiken.A machine learning dataset makes it easy to access and work with your data. De ontwerper bevat een aantal voor beelden van gegevens sets waarmee u kunt experimenteren.Several sample datasets are included in the designer for you to experiment with. U kunt meer gegevens sets registreren wanneer u ze nodig hebt.You can register more datasets as you need them.

ModuleModule

Een module is een algoritme dat u met uw gegevens kunt uitvoeren.A module is an algorithm that you can perform on your data. De designer heeft verschillende modules die variëren van functies voor het inkomen van gegevens in de processen training, Score en validatie.The designer has several modules ranging from data ingress functions to training, scoring, and validation processes.

Een module kan een reeks parameters hebben waarmee u de interne algoritmen van de module kunt configureren.A module may have a set of parameters that you can use to configure the module's internal algorithms. Wanneer u een module op het canvas selecteert, worden de parameters van de module weergegeven in het deelvenster Properties, rechts van het canvas.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. U kunt de parameters in dit deelvenster wijzigen om het model af te stemmen.You can modify the parameters in that pane to tune your model. U kunt de reken resources voor afzonderlijke modules in de ontwerp functie instellen.You can set the compute resources for individual modules in the designer.

Eigenschappen van module

Zie voor meer informatie over de beschik bare bibliotheek met machine learning algoritmen overzicht van algoritme & module.For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview. Zie het overzicht van Azure machine learning Algorithm Cheatvoor meer informatie over het kiezen van een algoritme.For help choosing an algorithm, see the Azure Machine Learning Algorithm Cheat Sheet.

Reken resourcesCompute resources

Gebruik reken resources van uw werk ruimte om uw pijp lijn uit te voeren en uw geïmplementeerde modellen als realtime-eind punten of pijplijn eindpunten te hosten (voor batch-deinterferentie).Use compute resources from your workspace to run your pipeline and host your deployed models as real-time endpoints or pipeline endpoints (for batch inference). De ondersteunde Compute-doelen zijn:The supported compute targets are:

RekendoelCompute target TrainingTraining ImplementatieDeployment
Azure Machine Learning computeAzure Machine Learning compute
Azure Machine Learning-rekeninstantieAzure Machine Learning compute instance
Azure Kubernetes ServiceAzure Kubernetes Service

Reken doelen zijn gekoppeld aan uw Azure machine learning-werk ruimte.Compute targets are attached to your Azure Machine Learning workspace. U beheert uw reken doelen in uw werk ruimte in de Azure machine learning Studio.You manage your compute targets in your workspace in the Azure Machine Learning studio.

ImplementerenDeploy

Als u real-time-interferentie wilt uitvoeren, moet u een pijp lijn als een real-time-eind puntimplementeren.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. Het real-time eind punt maakt een interface tussen een externe toepassing en uw score model.The real-time endpoint creates an interface between an external application and your scoring model. Een aanroep van een real-time-eind punt retourneert Voorspellings resultaten voor de toepassing in realtime.A call to a real-time endpoint returns prediction results to the application in real-time. Als u een real-time eind punt wilt aanroepen, geeft u de API-sleutel door die is gemaakt tijdens het implementeren van het eind punt.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. Het eind punt is gebaseerd op REST, een populaire architectuur keuze voor webprogrammeer projecten.The endpoint is based on REST, a popular architecture choice for web programming projects.

Realtime-eind punten moeten worden geïmplementeerd in een Azure Kubernetes-service cluster.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

Zie zelf studie: een machine learning model implementeren met de ontwerp functievoor meer informatie over het implementeren van uw model.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

PublicerenPublish

U kunt ook een pijp lijn publiceren naar een pijplijn eindpunt.You can also publish a pipeline to a pipeline endpoint. Net als bij een real-time-eind punt kunt u met een pijplijn eindpunt nieuwe pijp lijn uitvoeringen vanuit externe toepassingen verzenden met behulp van REST-aanroepen.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. U kunt echter geen gegevens in realtime verzenden of ontvangen met behulp van een pijplijn eindpunt.However, you cannot send or receive data in real-time using a pipeline endpoint.

Gepubliceerde pijp lijnen zijn flexibel, ze kunnen worden gebruikt om modellen te trainen of opnieuw te trainen, een batch-detraining uit te voeren, nieuwe gegevens te verwerken en nog veel meer.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. U kunt meerdere pijp lijnen naar één pijp lijn-eind punt publiceren en opgeven welke pijplijn versie moet worden uitgevoerd.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

Een gepubliceerde pijp lijn wordt uitgevoerd op de reken resources die u in de pijp lijn concept voor elke module definieert.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

De Designer maakt hetzelfde PublishedPipeline -object als de SDK.The designer creates the same PublishedPipeline object as the SDK.

Volgende stappenNext steps