Getraind model laden

Een door het web gehoste getrainde model laden

Categorie: gegevens invoer en uitvoer

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt beschreven hoe u de module voor het laden van getrainde modellen in azure machine learning Studio (klassiek) kunt gebruiken voor het laden van een al getraind model voor gebruik in een experiment.

Voor deze module is een bestaand getraind model vereist. Doorgaans maakt en traint u het model in een ander experiment en slaat u het model vervolgens op in uw werk ruimte of op een van de ondersteunde opties voor Cloud opslag.

Vervolgens gebruikt u de module getrainde model laden om het getrainde model op te halen en uit te voeren in een nieuw experiment.

Het gebruik van het model load getraind gebruiken

Als u een bestaand model wilt gebruiken om voor spellingen voor nieuwe gegevens te maken:

  • Het model moet eerder zijn getraind en vervolgens worden opgeslagen in de iLearner-indeling.
  • Het model moet toegankelijk zijn via een URL of in Azure Blob-opslag.

In deze sectie wordt beschreven hoe u een model opslaat, een opgeslagen model krijgt en een opgeslagen model toepast.

Een getraind model opslaan

U kunt modellen opslaan met behulp van de Studio-interface (klassiek) of een experiment gebruiken dat als een webservice wordt uitgevoerd.

Een model opslaan met een webservice

  1. Een experiment maken dat de training of het opnieuw trainen van het model als een webservice doet
  2. Publiceer dat experiment als een webservice.
  3. Wanneer u het BES-eind punt van de training-webservice aanroept, slaat de webservice een getraind model op met behulp van de iLearner-interface en slaat het bestand op in het Azure Blob Storage-account dat u opgeeft.

Zie de volgende artikelen voor stapsgewijze informatie over het maken van een training-webservice:

Een model opslaan in Studio (klassiek)

  1. Voer het experiment uit dat het model bouwt en traint.
  2. Wanneer de training is voltooid, klikt u met de rechter muisknop op de module die is gebruikt voor training, selecteert u getraind modelen klikt u vervolgens op Opslaan als getraind model.
  3. Modellen worden standaard opgeslagen in uw studio-werk ruimte (klassiek). U kunt deze weer geven met behulp van de gebruikers interface van Studio (klassiek).

De volgende modules kunnen een opgeslagen model maken dat gebruikmaakt van de vereiste iLearner -Interface:

Notitie

Wille keurige modellen worden niet ondersteund; het model moet zijn opgeslagen in de standaard binaire indeling die wordt gebruikt voor het persistent maken van Azure Machine Learning modellen.

Het model in een nieuw experiment laden

  1. Voeg de module getrainde model laden toe aan uw experiment in Studio (klassiek).

  2. Geef voor gegevens bronde locatie op van het getrainde model met een van de volgende opties:

    • Web-URL via http: Geef een URL op die verwijst naar het experiment en het bestand dat het getrainde model voor stelt. In Azure Machine Learning worden getrainde modellen standaard opgeslagen in de ILearner -indeling.

    • Azure Blob Storage: Selecteer deze optie alleen als u het getrainde model hebt geëxporteerd naar Azure Storage. Vervolgens moet u de account naam en de account sleutel en het pad naar de container, map of BLOB opgeven.

  3. Als u van plan bent een Request-Response-webservice te maken die is gebaseerd op het huidige experiment, selecteert u de optie, toestaan om te gebruiken in bron records. Anders wordt de Score uitgevoerd met de optie voor batch Execution Service (BES), die wordt aanbevolen. Zie de sectie technische opmerkingen voor meer informatie.

  4. Selecteer de optie in cache opgeslagen resultaten gebruiken als u het getrainde model uit de cache wilt laden wanneer de cache beschikbaar is en is gevuld. Deze optie wordt genegeerd nadat het experiment is geïmplementeerd als een webservice-API.

Voorbeelden

Zie de Cortana Intelligence Galleryvoor voor beelden van het gebruik van deze module.

  • Een getraind diep leer model laden: in het voor beeld wordt een aangepast Neural-netwerk gemaakt voor het detecteren van installatie kopieën. Met de module voor het laden van een getrainde model kunt u dit model eenvoudig opnieuw gebruiken zonder dat dit hoeft te worden getraind. Dit kan tijdrovend zijn.

    Deze verzameling bevat een trainings experiment, voor het maken van het model en een voorspellend experiment waarin het model wordt geladen als een webservice en wordt gebruikt voor voor spellingen.

Technische opmerkingen

Deze sectie bevat implementatie details, tips en antwoorden op veelgestelde vragen.

Veelgestelde vragen

Waarom wordt gebruik van bron records niet standaard ingeschakeld

Over het algemeen werd verwacht dat bron records binnen korte tijd retour resultaten aanroept. Omdat de module echter het getrainde model moet laden in de vorm van een BLOB van een Azure-opslag account of een bestand dat wordt gehost op een openbaar HTTP-eind punt, kunnen bestands bewerkingen onvoorspelbare vertragingen veroorzaken.

Daarom adviseren we over het algemeen dat de webservice wordt uitgevoerd in de batch-uitvoerings modus (BES). Als u de optie voor uitvoert. met behulp van RR'S kunt u zich bewust zijn van de mogelijke vertraging. Zie de Azure machine learning Slavoor algemene informatie over uitvoerings tijden.

Laadt het getrainde model sneller als ik de optie resultaten in cache gebruik

Ja, maar alleen wanneer het experiment wordt uitgevoerd in Azure Machine Learning Studio (klassiek) en pas nadat de cache is gevuld door de eerste uitvoering. Nadat het experiment als webservice is geïmplementeerd, wordt deze vlag genegeerd door de webservice-uitvoering.

Is er een manier om het proces te automatiseren

U kunt Power shell gebruiken om veel taken in Azure Machine Learning te vereenvoudigen of te automatiseren. U kunt bijvoorbeeld de inhoud van een volledig experiment of een bepaalde module downloaden, de definitie van de webservice exporteren of de API voor het uitvoeren van webservices aanroepen. Zie Power shell-module voor Microsoft Azure machine learningvoor meer informatie.

Module parameters

Naam Bereik Type Standaard Beschrijving
Gebruiken in bron records toestaan Waar/onwaar Boolean-waarde onjuist Toestaan dat deze module wordt uitgevoerd in de aanvraag-antwoord-webservice, wat kan leiden tot onvoorspelbare vertragingen
Gegevensbron Web-URL via HTTP of Azure Blob Storage T_DataSourceOrSink Azure Blob Storage De gegevens bron kan HTTP zijn of een bestand in Azure Blob Storage (vereist)
Voor Web-URL via http:
URL van de gegevens bron alle Tekenreeks URL voor HTTP
Voor Azure Blob Storage:
Accountnaam alle Tekenreeks Accountnaam
Accountsleutel alle SecureString Sleutel die is gekoppeld aan het Windows Azure Storage-account
Pad naar container of map of BLOB alle Tekenreeks Pad naar de BLOB of de naam van de tabel

Outputs

Naam Type Beschrijving
Getraind model ILearner-interface Getraind model

Uitzonderingen

Uitzondering Beschrijving
Fout 0003 Uitzonde ring treedt op als een of meer invoer waarden null of leeg zijn.

Zie machine learning fout codesvoor een lijst met fouten die specifiek zijn voor Studio-modules (Classic).

Zie Machine Learning rest API fout codesvoor een lijst met API-uitzonde ringen.

Zie ook

Gegevens invoer en-uitvoer