Что такое Машинное обучение Azure конструктор (Предварительная версия)?What is Azure Machine Learning designer (preview)?

Применимо к: нетБазовый выпуск даКорпоративный выпуск                       (Перейти на выпуск "Корпоративный")APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Машинное обучение Azure конструктор позволяет визуально подключать наборы данных и модули на интерактивном холсте для создания моделей машинного обучения.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. Сведения о том, как приступить к работе с конструктором, см . в разделе Учебник. Прогнозирование цен автомобилей с помощью конструктора.To learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Пример конструктора Машинного обучения Azure

Конструктор использует рабочую область машинное обучение Azure для организации общих ресурсов, таких как:The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Обучение и развертывание моделиModel training and deployment

Конструктор предоставляет визуальное полотно для создания, тестирования и развертывания моделей машинного обучения.The designer gives you a visual canvas to build, test, and deploy machine learning models. С помощью конструктора вы можете:With the designer you can:

  • Перетащите наборы данных и модули на холст.Drag-and-drop datasets and modules onto the canvas.
  • Соедините модули вместе, чтобы создать черновик конвейера.Connect the modules together to create a pipeline draft.
  • Отправьте выполнение конвейера с помощью ресурсов вычислений в рабочей области машинное обучение Azure.Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Преобразуйте обучающие конвейеры в конвейеры вывода.Convert your training pipelines to inference pipelines.
  • Опубликуйте конвейеры в конечной точке конвейера RESTful, чтобы отправить новые запуски конвейера с различными параметрами и наборами данных.Publish your pipelines to a REST pipeline endpoint to submit new pipeline runs with different parameters and datasets.
    • Опубликуйте обучающий конвейер для повторного использования одного конвейера для обучения нескольких моделей при изменении параметров и наборов данных.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Публикация конвейера пакетного вывода для создания прогнозов на основе новых данных с помощью ранее обученной модели.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Развертывание конвейера вывода в режиме реального времени в конечной точке в режиме реального времени для создания прогнозов на основе новых данных в режиме реального времени.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real time.

Схема рабочего процесса для обучения, вывода пакетов и вывода в режиме реального времени в конструкторе

КонвейерPipeline

Конвейер состоит из наборов данных и аналитических модулей, которые соединяются вместе.A pipeline consists of datasets and analytical modules, which you connect together. Конвейеры имеют много использования: можно создать конвейер, который обучает одной модели или одну для моделирования нескольких моделей.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. Можно создать конвейер, выполняющий прогнозы в режиме реального времени или в пакете, или создать конвейер, который только очищает данные.You can create a pipeline that makes predictions in real time or in batch, or make a pipeline that only cleans data. Конвейеры позволяют повторно использовать работу и упорядочивать проекты.Pipelines let you reuse your work and organize your projects.

Черновик конвейераPipeline draft

При редактировании конвейера в конструкторе ход выполнения сохраняется в виде черновика конвейера.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. Черновик конвейера можно изменить в любой момент, добавив или удалив модули, настроив целевые объекты вычислений, создав параметры и т. д.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

Допустимый конвейер имеет следующие характеристики:A valid pipeline has these characteristics:

  • Наборы данных могут подключаться только к модулям.Datasets can only connect to modules.
  • Модули могут подключаться только к наборам данных или другим модулям.Modules can only connect to either datasets or other modules.
  • Все входные порты для модулей должны иметь подключение к потоку данных.All input ports for modules must have some connection to the data flow.
  • Необходимо задать все обязательные параметры для каждого модуля.All required parameters for each module must be set.

Когда вы будете готовы к выполнению черновика конвейера, вы отправляете выполнение конвейера.When you're ready to run your pipeline draft, you submit a pipeline run.

Выполнение конвейераPipeline run

Каждый раз при выполнении конвейера конфигурация конвейера и его результаты сохраняются в рабочей области в виде выполнения конвейера.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. Можно вернуться к любому выполнению конвейера, чтобы проверить его для устранения неполадок или аудита.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Выполните клонирование выполнения конвейера, чтобы создать новый черновик конвейера для редактирования.Clone a pipeline run to create a new pipeline draft for you to edit.

Запуски конвейеров группируются в эксперименты для Организации журнала выполнения.Pipeline runs are grouped into experiments to organize run history. Вы можете задать эксперимент для каждого выполнения конвейера.You can set the experiment for every pipeline run.

Наборы данныхDatasets

Набор данных машинного обучения облегчает доступ к данным и работу с ними.A machine learning dataset makes it easy to access and work with your data. В конструктор включается ряд образцов наборов данных, с помощью которых можно экспериментировать с.A number of sample datasets are included in the designer for you to experiment with. Вы можете зарегистрировать больше наборов данных по мере необходимости.You can register more datasets as you need them.

модульModule

Модуль — это алгоритм, который можно выполнять с данными.A module is an algorithm that you can perform on your data. В конструкторе имеется ряд модулей, отменяющихся от функций передачи данных до процессов обучения, оценки и проверки.The designer has a number of modules ranging from data ingress functions to training, scoring, and validation processes.

Модуль может иметь ряд параметров, которые можно использовать для настройки внутренних алгоритмов модуля.A module may have a set of parameters that you can use to configure the module's internal algorithms. При выборе модуля на холсте параметры модуля отображаются на панели свойств справа от холста.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. Подстройка модели осуществляется изменением параметров в этой области.You can modify the parameters in that pane to tune your model. Можно задать ресурсы вычислений для отдельных модулей в конструкторе.You can set the compute resources for individual modules in the designer.

Свойства модуля

Дополнительные сведения о работе с библиотекой доступных алгоритмов машинного обучения см. в статье Справочник по алгоритму & модуля .For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview

Ресурсы для вычисленийCompute resources

Используйте COMPUTE Resources из рабочей области для запуска конвейера и размещения развернутых моделей в качестве конечных точек в реальном времени или конечных точек конвейера (для вывода пакета).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). Поддерживаются следующие целевые объекты вычислений:The supported compute targets are:

Целевой объект вычисленияCompute target ОбучениеTraining Развертывание.Deployment
Вычислительная среда Машинного обучения AzureAzure Machine Learning compute
Служба Azure KubernetesAzure Kubernetes Service

Целевые объекты вычислений присоединяются к рабочей области машинное обучение Azure.Compute targets are attached to your Azure Machine Learning workspace. Вы управляете целевыми объектами вычислений в рабочей области в машинное обучение Azure Studio (классическая модель).You manage your compute targets in your workspace in Azure Machine Learning Studio (classic).

РазвертываниеDeploy

Для выполнения запросов в режиме реального времени необходимо развернуть конвейер в качестве конечной точки в режиме реального времени.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. Конечная точка в режиме реального времени создает интерфейс между внешним приложением и моделью оценки.The real-time endpoint creates an interface between an external application and your scoring model. Вызов конечной точки в режиме реального времени возвращает результаты прогноза приложению в режиме реального времени.A call to a real-time endpoint returns prediction results to the application in real time. Чтобы вызвать конечную точку в режиме реального времени, необходимо передать ключ API, созданный при развертывании конечной точки.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. Эта конечная точка основана на популярном варианте архитектуры для проектов веб-программирования.The endpoint is based on REST, a popular architecture choice for web programming projects.

Конечные точки в режиме реального времени должны быть развернуты в кластере службы Azure Kubernetes.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

Сведения о развертывании модели см. в разделе учебник. Развертывание модели машинного обучения с помощью конструктора служб.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

ПубликацияPublish

Вы также можете опубликовать конвейер в конечной точке конвейера.You can also publish a pipeline to a pipeline endpoint. Как и конечная точка в режиме реального времени, конечная точка конвейера позволяет отправлять новые запуски конвейера из внешних приложений с помощью вызовов RESTFUL.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. Однако вы не можете отправлять или получать данные в режиме реального времени с помощью конечной точки конвейера.However, you cannot send or receive data in real-time using a pipeline endpoint.

Опубликованные конвейеры являются гибкими, они могут использоваться для обучения или повторного обучения моделей, выполнения пакетной обработки, обработки новых данных и многого другого.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. Можно опубликовать несколько конвейеров в одной конечной точке конвейера и указать, какую версию конвейера следует запустить.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

Опубликованный конвейер выполняется для ресурсов вычислений, которые определяются в черновике конвейера для каждого модуля.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

Конструктор создает тот же объект публишедпипелине , что и пакет SDK.The designer creates the same PublishedPipeline object as the SDK.

Перемещение из визуального интерфейса в конструкторMoving from the visual interface to the designer

Визуальный интерфейс (Предварительная версия) обновлен и теперь Машинное обучение Azure конструкторе (Предварительная версия).The visual interface (preview) has been updated and is now Azure Machine Learning designer (preview). Конструктор изменил архитектуру для использования серверной части на основе конвейера, которая полностью интегрируется с другими функциями Машинное обучение Azure.The designer has been rearchitected to use a pipeline-based backend that fully integrates with the other features of Azure Machine Learning.

В результате этих обновлений некоторые понятия и термины визуального интерфейса были изменены или переименованы.As a result of these updates, some concepts and terms for the visual interface have been changed or renamed. Наиболее важные концептуальные изменения см. в таблице ниже.See the table below for the most important conceptual changes.

Понятие в конструктореConcept in the designer Ранее в интерфейсе визуализацииPreviously in the visual interface
Черновик конвейераPipeline draft ЭкспериментExperiment
Конечная точка в режиме реального времениReal-time endpoint Веб-службаWeb service

Миграция в конструкторMigrating to the designer

Вы можете преобразовать существующие эксперименты визуального интерфейса и веб-службы в конвейеры и конечные точки в режиме реального времени в конструкторе.You can convert existing visual interface experiments and web services to pipelines and real-time endpoints in the designer. Чтобы перенести ресурсы визуального интерфейса, выполните следующие действия.Use the following steps to migrate your visual interface assets:

  1. Войдите в машинное обучение Azure Studio.Sign in to Azure Machine Learning studio.

  2. Обновите рабочую область до выпуска Enterprise Edition.Upgrade your workspace to Enterprise edition.

    После обновления все эксперименты с визуальным интерфейсом будут преобразованы в Черновики конвейера в конструкторе.After upgrading, all of your visual interface experiments will convert to pipeline drafts in the designer.

    Примечание

    Для преобразования веб-служб визуального интерфейса в конечные точки в режиме реального времени не требуется выполнять обновление до выпуска Enterprise Edition.You don't need to upgrade to the Enterprise edition to convert visual interface web services to real-time endpoints.

  3. Перейдите в раздел конструктора рабочей области, чтобы просмотреть список черновиков конвейера.Go to the designer section of the workspace to view your list of pipeline drafts.

    Преобразованные веб-службы можно найти, перейдя к конечным точкам > конечные точки в режиме реального времени.Converted web services can be found by navigating to Endpoints > Real-time endpoints.

  4. Выберите черновик конвейера, чтобы открыть его.Select a pipeline draft to open it.

    Если во время процесса преобразования произошла ошибка, появится сообщение об ошибке с инструкциями по устранению проблемы.If there was an error during the conversion process, an error message will appear with instructions to resolve the issue.

Известные проблемыKnown issues

Ниже приведены известные проблемы миграции, которые необходимо решить вручную.Below are known migration issues that need to be addressed manually:

  • Импорт данных или Экспорт модулей данныхImport Data or Export Data modules

    Если в эксперименте имеется модуль Импорт данных или Экспорт данных , необходимо обновить источник данных, чтобы использовать хранилища.If you have an Import Data or Export Data module in the experiment, you need to update the data source to use a datastores. Сведения о создании хранилища данных см. в статье как получить доступ к данным в службах хранилища Azure.To learn how to create a datastore, see How to Access Data in Azure storage services. Сведения об учетной записи облачного хранилища добавлены в комментарии для вашего удобства в комментариях к модулю Импорт данных или Экспорт данных .Your cloud storage account information have been added in the comments of the Import Data or Export Data module for your convenience.

Дальнейшие действияNext steps