Eksportowanie do Azure SQL Database

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

W tym artykule opisano sposób użycia opcji Eksportuj do Azure SQL Database w module Eksportowanie danych w programie Machine Learning Studio (wersja klasyczna). Ta opcja jest przydatna, gdy chcesz wyeksportować dane z eksperymentu uczenia maszynowego do Azure SQL Database lub Azure SQL Data Warehouse.

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Eksportowanie do bazy SQL jest przydatne w wielu scenariuszach uczenia maszynowego: na przykład można przechowywać wyniki pośrednie, zapisywać wyniki lub utrwalać tabele funkcji inżynierowanych. Mimo że przechowywanie danych w usłudze Azure SQL Database lub Azure SQL Data Warehouse może być droższe niż korzystanie z tabel lub obiektów blob na platformie Azure, nie ma żadnych opłat za transakcje SQL baz danych. Ponadto magazyn bazy danych jest idealnym rozwiązaniem do szybkiego zapisywania mniejszych ilości często używanych informacji, udostępniania danych między eksperymentami lub raportowania wyników, przewidywań i metryk.

Z drugiej strony mogą wystąpić ograniczenia ilości danych, które można przechowywać w bazie danych, w zależności od typu subskrypcji. Należy również rozważyć użycie bazy danych i konta, które znajduje się w tym samym regionie co obszar roboczy uczenia maszynowego.

Aby wyeksportować dane, należy podać nazwę wystąpienia i nazwę bazy danych, w której są przechowywane dane, i uruchomić moduł przy użyciu konta z uprawnieniami do zapisu. Należy również określić nazwę tabeli i zamapować kolumny z eksperymentu na kolumny w tabeli.

Jak wyeksportować dane do Azure SQL Database

  1. Dodaj moduł Eksportuj dane do eksperymentu w programie Studio (wersja klasyczna). Ten moduł można znaleźć w kategorii Dane wejściowe i Wyjściowe.

  2. Połączenie eksportuj dane do modułu, który generuje dane, które chcesz wyeksportować.

  3. W przypadku opcji Miejsce docelowedanych wybierz pozycję Azure SQL Database. Ta opcja obsługuje Azure SQL Data Warehouse także.

  4. Wskaż nazwę serwera i bazy danych w Azure SQL Database lub Azure SQL Data Warehouse.

    Nazwa serwera bazy danych: wpisz nazwę serwera wygenerowaną przez platformę Azure. Zazwyczaj ma postać <generated_identifier>.database.windows.net.

    Nazwa bazy danych: wpisz nazwę istniejącej bazy danych na określonym serwerze. Moduł Eksportowanie danych nie może utworzyć bazy danych.

    Nazwa konta użytkownika serwera: wpisz nazwę użytkownika konta z uprawnieniami dostępu do bazy danych.

    Hasło konta użytkownika serwera: podaj hasło dla określonego konta użytkownika.

  5. Określ kolumny do wyeksportowania i jeśli chcesz zmienić ich nazwy.

    Rozdzielana przecinkami lista kolumn do zapisania: wpisz nazwy kolumn z eksperymentu, które chcesz zapisać w bazie danych.

    Nazwa tabeli danych: wpisz nazwę tabeli, w których mają być przechowywane dane.

    Jeśli Azure SQL Database tabela nie istnieje, zostanie utworzona nowa tabela.

    W Azure SQL Data Warehouse tabela musi już istnieć i mieć prawidłowy schemat, dlatego należy ją utworzyć z wyprzedzeniem.

    Rozdzielana przecinkami lista kolumn tabeli danych: wpisz nazwy kolumn, które mają być wyświetlane w tabeli docelowej.

    Na Azure SQL Database można zmienić nazwy kolumn, ale kolumny należy zachować w tej samej kolejności, w których wymieniono kolumny do wyeksportowania, na liście kolumn rozdzielonych przecinkami, które mają zostać zapisane.

    Na Azure SQL Data Warehouse kolumny muszą być zgodne z nazwami już w schemacie tabeli docelowej.

  6. Liczba wierszy zapisywanych na Usługi SQL Azure: ta opcja określa, ile wierszy należy zapisywać w tabeli docelowej w każdej partii.

    Domyślnie wartość jest ustawiona na 50, czyli domyślny rozmiar partii dla Azure SQL Database. Należy jednak zwiększyć tę wartość, jeśli masz dużą liczbę wierszy do zapisu.

    W Azure SQL Data Warehouse zalecamy ustawienie tej wartości na 1. Jeśli używasz większego rozmiaru partii, rozmiar ciągu polecenia wysyłanego do usługi Azure SQL Data Warehouse może przekraczać dozwoloną długość ciągu, powodując błąd.

  7. Użyj buforowanych wyników: wybierz tę opcję, aby uniknąć zapisywania nowych wyników przy każdym uruchomieniu eksperymentu. Jeśli nie ma żadnych innych zmian parametrów modułu, eksperyment zapisuje dane tylko przy pierwszym uruchomieniu modułu. Jednak nowy zapis jest zawsze wykonywany, jeśli w pliku Eksportuj dane zostały zmienione jakiekolwiek parametry, które mogą zmienić wyniki.

  8. Uruchom eksperyment.

Przykłady

Przykłady użycia modułu Eksportowanie danych można znaleźć w Azure AI Gallery:

  • Prognozowanie handlu detalicznego — krok 1 z 6 — przetwarzanie wstępne danych: szablon prognozowania handlu detalicznego ilustruje zadanie uczenia maszynowego na podstawie danych przechowywanych w usłudze Azure SQLDB. Przedstawia ona przydatne techniki, takie jak używanie bazy danych usługi Azure SQL do przekazania zestawów danych między eksperymentami na różnych kontach, zapisywanie i łączenie prognoz oraz tworzenie bazy danych Azure SQL tylko dla uczenia maszynowego.

  • Kompilowanie i wdrażanie modelu uczenia maszynowego przy użyciu usługi SQL Server na maszynie wirtualnej platformy Azure: w tym artykule o ile baza danych usługi SQL Server hostowana na maszynie wirtualnej platformy Azure jest źródłem do przechowywania danych szkoleniowych i przewidywań. Ilustruje również sposób, w jaki można użyć relacyjnej bazy danych do inżynierii cech i wyboru funkcji.

  • Jak używać usługi Azure ML z Azure SQL Data Warehouse: pokazuje użycie danych z usługi Azure SQL Data Warehouse do tworzenia modelu klastrowania.

  • Używanie Machine Learning z SQL Data Warehouse: pokazuje, jak utworzyć model regresji w celu przewidywania cen przy użyciu danych w Azure SQL Data Warehouse.

Uwagi techniczne

Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.

Często zadawane pytania

Używanie bazy danych w innym regionie geograficznym

Jeśli Azure SQL Database lub SQL Data Warehouse znajduje się w innym regionie niż konto uczenia maszynowego, zapis może być wolniejszy.

Ponadto opłaty są naliczane za ruch przychodzący i wychodzący danych w subskrypcji, jeśli węzeł obliczeniowy znajduje się w innym regionie niż konto magazynu.

Dlaczego niektóre znaki w danych wyjściowych nie są prawidłowo wyświetlane

Machine Learning obsługuje kodowanie UTF-8. Jeśli kolumny ciągów w bazie danych używają innego kodowania, znaki mogą nie zostać zapisane poprawnie.

Ponadto Machine Learning danych wyjściowych, takich jak money.

Parametry modułu

Nazwa Zakres Typ Domyślny Opis
Źródło danych Lista Źródło danych lub ujścia Azure Blob Storage Źródłem danych może być protokół HTTP, FTP, anonimowy protokół HTTPS lub FTPS, plik w usłudze Azure BLOB Storage, tabela platformy Azure, tabela Azure SQL Database lub Azure SQL Data Warehouse, tabela programu Hive lub punkt końcowy OData.
Nazwa serwera bazy danych dowolny Ciąg brak
Nazwa bazy danych dowolny Ciąg brak
Nazwa konta użytkownika serwera dowolny Ciąg brak
Hasło konta użytkownika serwera brak
Rozdzielana przecinkami lista kolumn do zapisania brak
Nazwa tabeli danych dowolny Ciąg brak
Rozdzielana przecinkami lista kolumn tabeli danych String (ciąg) String (ciąg) brak Ciąg
Liczba wierszy zapisywanych na Usługi SQL Azure operacji Ciąg Liczba całkowita 50 Ciąg
Używanie buforowanych wyników PRAWDA/FAŁSZ Wartość logiczna FALSE Moduł jest wykonywany tylko wtedy, gdy nie istnieje prawidłowa pamięć podręczna; w przeciwnym razie użyj danych buforowanych z wcześniejszego wykonania.

Wyjątki

Wyjątek Opis
Błąd 0027 Wyjątek występuje, gdy dwa obiekty muszą mieć ten sam rozmiar, ale nie.
Błąd 0003 Wyjątek występuje, jeśli co najmniej jeden element wejściowy ma wartość null lub jest pusty.
Błąd 0029 Wyjątek występuje, gdy zostanie przekazany nieprawidłowy identyfikator URI.
Błąd 0030 występuje wyjątek w programie , gdy nie jest możliwe pobranie pliku.
Błąd 0002 Wyjątek występuje, jeśli co najmniej jeden parametr nie może być analizowany lub konwertowany z określonego typu na typ wymagany przez metodę docelową.
Błąd 0009 Wyjątek występuje, jeśli nazwa konta usługi Azure Storage lub nazwa kontenera jest niepoprawnie określona.
Błąd 0048 Wyjątek występuje, gdy nie jest możliwe otwarcie pliku.
Błąd 0015 Jeśli połączenie z bazą danych nie powiodło się, wystąpi wyjątek.
Błąd 0046 Wyjątek występuje, gdy nie jest możliwe utworzenie katalogu w określonej ścieżce.
Błąd 0049 Wyjątek występuje, gdy nie jest możliwe analizowanie pliku.

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kody błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).

Zobacz też

Importowanie danych
Eksportowanie danych
Eksportowanie do Azure Blob Storage
Eksportowanie do zapytania Hive
Eksportowanie do tabeli platformy Azure