Co to jest projektant usługi Azure Machine Learning?What is Azure Machine Learning designer?

Projektant Azure Machine Learning umożliwia wizualne łączenie zestawów danych i modułów na interaktywnej kanwie w celu tworzenia modeli uczenia maszynowego.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. Aby dowiedzieć się, jak rozpocząć pracę z projektantem, zobacz Samouczek: przewidywanie ceny za samochód dla urządzeń przenośnych za pomocą projektantaTo learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Przykład projektanta Azure Machine Learning

Projektant używa obszaru roboczego Azure Machine Learning do organizowania zasobów udostępnionych, takich jak:The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Modelowanie szkoleń i wdrożeńModel training and deployment

Projektant umożliwia wizualizację kanwy do kompilowania, testowania i wdrażania modeli uczenia maszynowego.The designer gives you a visual canvas to build, test, and deploy machine learning models. Za pomocą projektanta można:With the designer you can:

  • Przeciągnij i upuść zestawy danych i moduły na kanwę.Drag-and-drop datasets and modules onto the canvas.
  • Połącz moduły, aby utworzyć wersję roboczą potoku.Connect the modules to create a pipeline draft.
  • Prześlij przebieg potoku przy użyciu zasobów obliczeniowych w obszarze roboczym Azure Machine Learning.Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Przekonwertuj potoki szkoleniowe na potoki wnioskowania.Convert your training pipelines to inference pipelines.
  • Opublikuj potoki w punkcie końcowym potoku REST, aby przesłać nowy potok, który jest uruchamiany z innymi parametrami i zestawami danych.Publish your pipelines to a REST pipeline endpoint to submit a new pipeline that runs with different parameters and datasets.
    • Publikuj potok szkoleniowy , aby ponownie wykorzystać pojedynczy potok do uczenia wielu modeli przy zmianie parametrów i zestawów danych.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Publikuj potok wnioskowania o partiach , aby przetworzyć prognozy dotyczące nowych danych przy użyciu wcześniej nauczonego modelu.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Wdróż potok wnioskowania w czasie rzeczywistym do punktu końcowego w czasie rzeczywistym, aby tworzyć prognozy dotyczące nowych danych w czasie rzeczywistym.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real-time.

Diagram przepływu pracy na potrzeby szkoleń, wnioskowania partii i wnioskowania w czasie rzeczywistym w projektancie

PotokPipeline

Potok składa się z zestawów danych i modułów analitycznych, które są połączone.A pipeline consists of datasets and analytical modules, which you connect. Potoki mają wiele użycia: można utworzyć potok, który pociąga za sobą jeden model, lub jeden z wielu modeli.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. Można utworzyć potok, który wykonuje przewidywania w czasie rzeczywistym lub w partii, lub utworzyć potok, który czyści dane.You can create a pipeline that makes predictions in real-time or in batch, or make a pipeline that only cleans data. Potoki umożliwiają ponowne użycie pracy i zorganizowanie projektów.Pipelines let you reuse your work and organize your projects.

Wersja robocza potokuPipeline draft

Podczas edytowania potoku w projektancie postęp jest zapisywany jako wersja robocza potoku.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. Można edytować wersję roboczą potoku w dowolnym momencie przez dodanie lub usunięcie modułów, skonfigurowanie obiektów docelowych obliczeń, utworzenie parametrów itd.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

Prawidłowy potok ma następujące cechy:A valid pipeline has these characteristics:

  • Zestawy danych mogą łączyć się tylko z modułami.Datasets can only connect to modules.
  • Moduły mogą łączyć się tylko z zestawami danych lub innymi modułami.Modules can only connect to either datasets or other modules.
  • Wszystkie porty wejściowe dla modułów muszą mieć połączenie z przepływem danych.All input ports for modules must have some connection to the data flow.
  • Należy ustawić wszystkie wymagane parametry dla każdego modułu.All required parameters for each module must be set.

Gdy wszystko będzie gotowe do uruchomienia potoku, przesyłasz uruchomienie potoku.When you're ready to run your pipeline draft, you submit a pipeline run.

Uruchomienie potokuPipeline run

Za każdym razem, gdy uruchamiasz potok, konfiguracja potoku i jego wyniki są przechowywane w obszarze roboczym jako uruchomienie potoku.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. Można wrócić do dowolnego uruchomienia potoku, aby sprawdzić go pod kątem rozwiązywania problemów lub inspekcji.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Sklonuj uruchomienie potoku, aby utworzyć nową wersję roboczą potoku do edycji.Clone a pipeline run to create a new pipeline draft for you to edit.

Uruchomienia potoków są pogrupowane w eksperymenty w celu zorganizowania historii uruchamiania.Pipeline runs are grouped into experiments to organize run history. Możesz ustawić eksperyment dla każdego uruchomienia potoku.You can set the experiment for every pipeline run.

Zestawy danychDatasets

Zestaw danych uczenia maszynowego ułatwia uzyskiwanie dostępu do danych i korzystanie z nich.A machine learning dataset makes it easy to access and work with your data. W projektancie dołączono kilka przykładowych zestawów danych.Several sample datasets are included in the designer for you to experiment with. W razie potrzeby możesz zarejestrować więcej zestawów danych.You can register more datasets as you need them.

ModułModule

Moduł jest algorytmem, który można wykonać na danych.A module is an algorithm that you can perform on your data. Projektant ma kilka modułów z przedziału od funkcji transferu danych do szkoleń, oceniania i weryfikacji.The designer has several modules ranging from data ingress functions to training, scoring, and validation processes.

Moduł może zawierać zestaw parametrów, za pomocą których można konfigurować wewnętrzne algorytmy modułu.A module may have a set of parameters that you can use to configure the module's internal algorithms. Po wybraniu modułu na kanwie parametry tego modułu są wyświetlane w okienku Properties (Właściwości) po prawej stronie kanwy.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. Te parametry można modyfikować w okienku, aby dostosowywać model.You can modify the parameters in that pane to tune your model. Można ustawić zasoby obliczeniowe dla poszczególnych modułów w projektancie.You can set the compute resources for individual modules in the designer.

Właściwości modułu

Aby uzyskać pomoc dotyczącą przechodzenia przez bibliotekę dostępnych algorytmów uczenia maszynowego, zobacz Omówienie algorytmu & modułu.For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview. Aby uzyskać pomoc dotyczącą wybierania algorytmu, zobacz arkusz Azure Machine Learning Algorithm Ściągawka.For help choosing an algorithm, see the Azure Machine Learning Algorithm Cheat Sheet.

Zasoby obliczenioweCompute resources

Użyj zasobów obliczeniowych z obszaru roboczego, aby uruchomić potok i hostować wdrożone modele jako punkty końcowe w czasie rzeczywistym lub punkty końcowe potoku (na potrzeby wnioskowania wsadowego).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). Obsługiwane elementy docelowe obliczeń są następujące:The supported compute targets are:

Docelowy zasób obliczeniowyCompute target SzkoleniaTraining WdrożenieDeployment
Azure Machine Learning obliczeńAzure Machine Learning compute
Wystąpienie obliczeniowe usługi Azure Machine LearningAzure Machine Learning compute instance
Azure Kubernetes ServiceAzure Kubernetes Service

Elementy docelowe obliczeń są dołączone do obszaru roboczego Azure Machine Learning.Compute targets are attached to your Azure Machine Learning workspace. Obiektami docelowymi obliczeń można zarządzać w obszarze roboczym w programie Azure Machine Learning Studio.You manage your compute targets in your workspace in the Azure Machine Learning studio.

WdróżDeploy

Aby wykonać inferencing w czasie rzeczywistym, należy wdrożyć potok jako punkt końcowy w czasie rzeczywistym.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. Punkt końcowy w czasie rzeczywistym tworzy interfejs między aplikacją zewnętrzną a modelem oceniania.The real-time endpoint creates an interface between an external application and your scoring model. Wywołanie punktu końcowego w czasie rzeczywistym zwraca wyniki prognozowania do aplikacji w czasie rzeczywistym.A call to a real-time endpoint returns prediction results to the application in real-time. Aby wykonać wywołanie do punktu końcowego w czasie rzeczywistym, należy przekazać klucz interfejsu API, który został utworzony podczas wdrażania punktu końcowego.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. Punkt końcowy jest oparty na pozostałej, popularnej architekturze dla projektów programowania w sieci Web.The endpoint is based on REST, a popular architecture choice for web programming projects.

Punkty końcowe w czasie rzeczywistym muszą zostać wdrożone w klastrze usługi Azure Kubernetes Service.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

Aby dowiedzieć się, jak wdrożyć model, zobacz Samouczek: Wdrażanie modelu uczenia maszynowego za pomocą projektanta.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

PublikowaniePublish

Możesz również opublikować potok w punkcie końcowym potoku.You can also publish a pipeline to a pipeline endpoint. Podobnie jak w przypadku punktu końcowego w czasie rzeczywistym, punkt końcowy potoku umożliwia przesyłanie nowych uruchomień potoków z aplikacji zewnętrznych przy użyciu wywołań REST.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. Nie można jednak wysyłać ani odbierać danych w czasie rzeczywistym za pomocą punktu końcowego potoku.However, you cannot send or receive data in real-time using a pipeline endpoint.

Opublikowane potoki są elastyczne, ale mogą być używane do uczenia lub ponownego uczenia modeli, wykonywania zadań wsadowych inferencing, przetwarzania nowych danych i wiele innych.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. Można opublikować wiele potoków w jednym punkcie końcowym potoku i określić, która wersja potoku ma zostać uruchomiona.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

Opublikowany potok jest uruchamiany na zasobach obliczeniowych zdefiniowanych w wersji roboczej potoku dla każdego modułu.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

Projektant tworzy ten sam obiekt PublishedPipeline , co zestaw SDK.The designer creates the same PublishedPipeline object as the SDK.

Następne krokiNext steps