Миграция на Машинное обучение Azure из Студии (классическая версия)

Статья
04/07/2024

Внимание

Поддержка Машинное обучение Studio (классическая) заканчивается 31 августа 2024 г. Мы рекомендуем перейти на Машинное обучение Azure по этой дате.

После декабря 2021 г. вы больше не сможете создавать новые ресурсы Студии (классической версии). До 31 августа 2024 г. можно продолжать использовать существующие ресурсы Студии (классическая версия).

Документация по Студии (классическая) отменяется и может не обновляться в будущем.

Узнайте, как перейти из Машинное обучение Studio (классическая версия) в Машинное обучение Azure. Машинное обучение Azure предоставляет современную платформу обработки и анализа данных, которая объединяет подходы, не требующие написания кода, и подходы, использующие Code First.

В этом руководстве описана базовая миграция по лифту и смене . Если вы хотите оптимизировать существующий рабочий процесс машинного обучения или модернизировать платформу машинного обучения, ознакомьтесь с платформой Машинное обучение Azure Adoption Framework для получения дополнительных ресурсов, включая средства цифрового опроса, листы и шаблоны планирования.

Обратитесь к архитектору облачных решений по миграции.

Рекомендуемый подход

Для перехода на Машинное обучение Azure рекомендуется реализовать следующий подход.

Шаг 1. Оценка Машинного обучения Azure
Шаг 2. Определение стратегии и плана
Шаг 3. Перестроение экспериментов и веб-служб
Шаг 4. Интеграция клиентских приложений
Шаг 5. Очистка ресурсов Студии (классической)
Шаг 6. Проверка и расширение сценариев

Шаг 1. Оценка Машинного обучения Azure

Узнайте о Машинное обучение Azure и его преимуществах, затратах и архитектуре.

Сравните возможности Машинного обучения Azure и Студии (классической).

В следующей таблице приведены основные различия.

Функция	Студия (классическая)	Машинное обучение Azure
Интерфейс перетаскивания	Классический интерфейс	Обновленный интерфейс: конструктор Машинное обучение Azure
Пакеты SDK для кода	Не поддерживается	Полная интеграция с пакетами SDK Машинного обучения Azure для Python и R
Эксперимент	Масштабируемый (ограничение на объем данных для обучения: 10 ГБ)	Масштабирование с помощью целевого объекта вычислений
Обучение целевых объектов вычислений	Собственный целевой объект, поддерживающий только ЦП	Широкий спектр настраиваемых целевых объектов вычислений для обучения; включает поддержку GPU и ЦП.
Развертывание целевых объектов вычислений	Собственный формат веб-службы, без возможности настройки	Широкий спектр настраиваемых целевых объектов вычислений развертывания; включает поддержку GPU и ЦП.
Конвейер машинного обучения	Не поддерживается	Создание гибких, модульных конвейеров для автоматизации рабочих процессов
MLOps	Базовое управление моделями и развертывание; Развертывания только для ЦП	Управление версиями сущностей (модель, данные, рабочие процессы), автоматизация рабочих процессов, интеграция с средствами CICD, развертывания ЦП и GPU и многое другое
Формат модели	Собственный формат, только Студия (классическая)	Несколько поддерживаемых форматов в зависимости от типа задания обучения
Автоматизированное обучение моделей и настройка гиперпараметров	Не поддерживается	Поддерживается Параметры кода и без кода
Обнаружение смещения данных	Не поддерживается	Поддерживается
Проект маркировки данных	Не поддерживается	Поддерживается
Управление доступом на основе ролей (RBAC)	Только роль участника и владельца	Гибкое определение роли и управление RBAC
Коллекция решений ИИ	Поддерживается	Не поддерживается Ознакомьтесь с примерами записных книжек пакета SDK для Python

Примечание.

Функция конструктора в Машинное обучение Azure предоставляет интерфейс перетаскивания, аналогичный Студии (классической). Однако в качестве альтернативы в Машинном обучении Azure также доступны надежные рабочие процессы Code First. В этой серии статьей по миграции основное внимание уделяется конструктору, так как он больше всего похож на среду Студии (классической).

Убедитесь, что в конструкторе Машинного обучения Azure поддерживаются критически важные модули Студии (классической). Дополнительные сведения см. в таблице сопоставления компонентов студии (классической) и конструктора.
Создайте рабочую область Машинного обучения Azure.

Шаг 2. Определение стратегии и плана

Определите бизнес-обоснование и ожидаемые результаты.
Сопоставьте план внедрения Машинного обучения Azure с результатами для бизнеса.
Подготовьте сотрудников, процессы и среды к изменениям.

Обратитесь к архитектору облачных решений, чтобы определить стратегию.

Сведения о планировании ресурсов, включая шаблон документации по планированию, см. в разделе Машинное обучение Azure Adoption Framework.

Шаг 3. Перестроение первой модели

После определения стратегии перенесите первую модель.

Перенос набора данных в Машинное обучение Azure.
Используйте конструктор Машинное обучение Azure для перестроения эксперимента.
Используйте конструктор Машинное обучение Azure для повторного развертывания веб-службы.

Примечание.

Это руководство основано на Машинное обучение Azure концепциях и функциях версии 1. Машинное обучение Azure имеет CLI версии 2 и пакет SDK для Python версии 2. Мы рекомендуем перестроить модели Студии (классической) с помощью версии 2 вместо версии 1. Начните с Машинное обучение Azure версии 2.

Шаг 4. Интеграция клиентских приложений

Измените клиентские приложения, которые вызывают веб-службы Студии (классической) для использования новых конечных точек Машинного обучения Azure.

Шаг 5. Очистка ресурсов Студии (классической)

Чтобы избежать дополнительных расходов, очистите ресурсы Студии (классической версии). Вы можете сохранить ресурсы для резервного восстановления, пока не были проверены Машинное обучение Azure рабочих нагрузок.

Шаг 6. Проверка и расширение сценариев

Проверьте, применяются ли рекомендации к переносу моделей, и проверьте рабочие нагрузки.
Разверните сценарии и перенесите дополнительные рабочие нагрузки в Машинное обучение Azure.

Сравнение компонентов Студии (классической) и конструктора

Ознакомьтесь со следующей таблицей, чтобы узнать, какие модули следует использовать при перестроении экспериментов Студии (классической) в конструкторе Машинное обучение Azure.

Внимание

Конструктор реализует модули через пакеты Python с открытым исходным кодом, а не через пакеты C#, как это делает Студия (классическая). Из-за этой разницы выходные данные компонентов конструктора могут немного отличаться от своих (классических) аналогов Студии.

Категория	Модуль Студии (классической)	Компонент дизайнера «Замена»
Входные и выходные данные	— Введите данные вручную — экспорт данных — импорт данных — Загрузка обученной модели — распаковка zippped наборов данных	— Введите данные вручную — экспорт данных — импорт данных
Преобразование формата данных	— Преобразование в CSV — Преобразование в набор данных — Преобразование в ARFF — Преобразование в SVMLight — Преобразование в TSV	— Преобразование в CSV — Преобразование в набор данных
Преобразование данных — манипуляция	- Добавление столбцов — добавление строк — Применение преобразования SQL — очистка отсутствующих данных — Преобразование в значения индикатора — изменение метаданных — Присоединение данных — удаление повторяющихся строк — Выбор столбцов в наборе данных — Выбор преобразования столбцов -ПОРАЗИЛ — группирование категориальных значений	- Добавление столбцов — добавление строк — Применение преобразования SQL — очистка отсутствующих данных — Преобразование в значения индикатора — изменение метаданных — Присоединение данных — удаление повторяющихся строк — Выбор столбцов в наборе данных — Выбор преобразования столбцов — SMOTE
Преобразование данных — масштабирование и уменьшение масштаба	— Значения клипа — группировать данные в ячейки — нормализация данных — Анализ компонентов субъекта	— Значения клипа — группировать данные в ячейки — нормализация данных
Преобразование данных — пример и разделение	— Секционирование и пример - Разделение данных	— Секционирование и пример - Разделение данных
Преобразование данных — фильтр	— Применить фильтр — фильтр FIR — фильтр IIR — фильтр медиана — Скользящая средняя фильтрация — фильтр пороговых значений — определяемый пользователем фильтр
Преобразование данных — Обучение с подсчетами	— преобразование подсчета сборок — Экспорт таблицы счетчиков — импорт таблицы счетчиков — преобразование счетчика слиянием — Изменение параметров таблицы счетчика
выбор признаков;	— выбор компонента на основе фильтра - Анализ линейного дискриминанта фишера — важность функции перемутации	— выбор компонента на основе фильтра — важность функции перемутации
Модель — классификация	— лес многоклассовых решений - Джунгли многоклассового решения - Многоклассовая логистическая регрессия — многоклассовая нейронная сеть — один и все мультиклассы - Двухклассовые средние перскептроны — двухклассовый компьютер Bayes point - Дерево принятия решений с увеличением двух классов - Лес принятия решений двух классов - Джунгли двухклассовых решений — двухклассовый локальный глубокий SVM - Двухклассовая логистическая регрессия — двухклассовая нейронная сеть — двухклассовый векторный компьютер поддержки	— лес многоклассовых решений - Многоклассовое дерево принятия решений - Многоклассовая логистическая регрессия — многоклассовая нейронная сеть — один и все мультиклассы - Двухклассовые средние перскептроны - Дерево принятия решений с увеличением двух классов - Лес принятия решений двух классов - Двухклассовая логистическая регрессия — двухклассовая нейронная сеть — двухклассовый векторный компьютер поддержки
Модель — кластеризация	— Кластеризация методом K-средних	— Кластеризация методом K-средних
Модель — регрессия	- Байесская линейная регрессия - Повышение регрессии дерева принятия решений — регрессия леса принятия решений - Быстрая регрессия леса - Линейная регрессия — регрессия нейронной сети - Порядковая регрессия - Регрессия Poisson	- Повышение регрессии дерева принятия решений — регрессия леса принятия решений - Быстрая регрессия леса - Линейная регрессия — регрессия нейронной сети - Регрессия Poisson
Модель — обнаружение аномалий	- Один класс SVM — обнаружение аномалий на основе PCA	— обнаружение аномалий на основе PCA
Машинное обучение — оценка	— перекрестная проверка модели — оценка модели — Оценка рекомендуемого средства	— перекрестная проверка модели — оценка модели — Оценка рекомендуемого средства
Машинное обучение — обучение	- Кластеризация - Обучение модели обнаружения аномалий - Обучение модели кластеризация - Обучение рекомендуемого средства сопоставления — Обучение модели — Настройка гиперпараметров модели	- Обучение модели обнаружения аномалий - Обучение модели кластеризация - Обучение модели - Обучение модели PyTorch - Обучение рекомендаций SVD - Обучение широкой и глубокой рекомендации — Настройка гиперпараметров модели
Машинное обучение — оценка	— Применение преобразования — назначение данных кластерам — рекомендуемый средство оценки сопоставления - Оценка модели	— Применение преобразования — назначение данных кластерам - Оценка модели изображений - Оценка модели - Оценка рекомендаций SVD - Оценка широких и глубоких рекомендаций
Модули библиотеки OpenCV	— импорт изображений — предварительно обученная классификация каскадных изображений
Модули языка Python	— Выполнение скрипта Python	— Выполнение скрипта Python — Создание модели Python
Языковые модули R	— Выполнение скрипта R — Создание модели R	— Выполнение скрипта R
Статистические функции	— Применение математической операции — вычисление начальной статистики — линейная корреляция вычислений — оценка функции вероятности — Замена дискретных значений — суммирование данных - Проверка гипотезы с помощью T-Test	— Применение математической операции — суммирование данных
Аналитика текста	— Обнаружение языков — извлечение ключевых фраз из текста — Извлечение признаков N-грамм из текста — хэширование компонентов — латентное выделение дирихлета — распознавание именованных сущностей — текст предварительной обработки — Оценка модели vVowpal Wabbit версии 7-10 — Оценка модели Vowpal Wabbit версии 8 — Обучение модели Vowpal Wabbit версии 7-10 - Обучение модели Vowpal Wabbit версии 8	— Преобразование Word в вектор — Извлечение признаков N-грамм из текста — хэширование компонентов — латентное выделение дирихлета — текст предварительной обработки — Оценка модели Vowpal Wabbit — обучение модели Vowpal Wabbit
Временной ряд	— обнаружение аномалий временных рядов
Веб-служба	-Вход Выходные данные	-Вход Выходные данные
Компьютерное зрение		— Применение преобразования изображения — Преобразование в каталог изображений — преобразование изображения инициализации — Разделенный каталог изображений — Классификация изображений DenseNet — классификация изображений ResNet

Дополнительные сведения об использовании отдельных компонентов конструктора см. в справочнике по алгоритму и компонентам.

Что делать, если компонент конструктора отсутствует?

Конструктор Машинного обучения Azure содержит самые популярные модули из Студии (классической). Он также предоставляет новые модули, в которых реализованы новейшие методы машинного обучения.

Если миграция заблокирована из-за отсутствия модулей в конструкторе, свяжитесь с нами, создав запрос в службу поддержки.

Пример миграции

В следующем примере миграции рассматриваются некоторые различия между Студией (классической) и Машинное обучение Azure.

Наборы данных

В Студии (классической) наборы данных сохранялись в рабочей области и могли использоваться только в самой Студии (классической).

В Машинном обучении Azure наборы данных регистрируются в рабочей области и могут использоваться во всей среде Машинного обучения Azure. Дополнительные сведения о преимуществах наборов данных Машинное обучение Azure см. в Машинное обучение Azure данных.

Pipeline

В Студии (классической) эксперименты содержали логику обработки для вашей работы. Вы создавали эксперименты с помощью перетаскивания модулей.

В Машинном обучении Azure конвейеры содержат логику обработки для вашей работы. Вы можете создавать конвейеры с помощью модулей перетаскивания или путем написания кода.

Конечные точки веб-службы

В Студии (классической версии) использовался API запросов и ответов для прогнозирования в реальном времени и API пакетного выполнения для пакетного прогнозирования или переобучения.

Машинное обучение Azure использует конечные точки для прогнозирования в реальном времени (управляемые конечные точки) для прогнозирования в реальном времени и конечные точки конвейера для пакетного прогнозирования или переобучения.

В этой статье вы узнали о высокоуровневых требованиях к переходу на Машинное обучение Azure. Подробные инструкции см. в других статьях серии миграций Машинное обучение Studio (классическая модель):

Дополнительные ресурсы миграции см. в разделе Машинное обучение Azure Adoption Framework.