Träna om och distribuera en klassisk Studio-webbtjänst (klassisk)

GÄLLER FÖR:  Gäller för. Machine Learning Studio (klassisk)  X som anger nej. Gäller inte för.

Viktigt

Stödet för Machine Learning Studio (klassisk) slutar den 31 augusti 2024. Vi rekommenderar att du övergår till Azure Machine Learning det datumet.

Från och med 1 december 2021 kommer du inte att kunna skapa nya Machine Learning Studio-resurser (klassisk). Till och med den 31 augusti 2024 kan du fortsätta att använda de befintliga Machine Learning Studio-resurserna (klassisk).

ML Studio-dokumentationen (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Omträning av maskininlärningsmodeller är ett sätt att se till att de är korrekta och baseras på de mest relevanta data som är tillgängliga. Den här artikeln visar hur du omtränar en klassisk Studio-webbtjänst (klassisk). En guide om hur du omtränar en ny Studio-webbtjänst (klassisk) finns i den här artikeln.

Förutsättningar

Den här artikeln förutsätter att du redan har både ett omträningsexperiment och ett förutsägelseexperiment. De här stegen beskrivs i Träna om och distribuera en maskininlärningsmodell. Men i stället för att distribuera maskininlärningsmodellen som en ny webbtjänst distribuerar du ditt förutsägelseexperiment som en klassisk webbtjänst.

Lägga till en ny slutpunkt

Den förutsägelsewebbtjänst som du distribuerade innehåller en standardbedömningsslutpunkt som hålls synkroniserad med den ursprungliga tränings- och bedömningsexperimentmodellen. Om du vill uppdatera webbtjänsten till med en ny tränad modell måste du skapa en ny bedömningsslutpunkt.

Du kan lägga till en ny slutpunkt i en webbtjänst på två sätt:

  • Programmässigt
  • Använda Azure Web Services-portalen

Anteckning

Se till att du lägger till slutpunkten i predictive-webbtjänsten, inte i webbtjänsten Training. Om du har distribuerat både en träningstjänst och en förutsägelsewebbtjänst korrekt bör du se två separata webbtjänster i listan. Predictive Web Service bör sluta med "[predictive exp.]".

Lägga till en slutpunkt programmatiskt

Du kan lägga till bedömningsslutpunkter med hjälp av exempelkoden som anges i den här GitHub lagringsplatsen.

Använda Azure Web Services-portalen för att lägga till en slutpunkt

  1. I Machine Learning Studio (klassisk) i den vänstra navigeringskolumnen klickar du på Webbtjänster.
  2. Längst ned på instrumentpanelen för webbtjänsten klickar du på Hantera förhandsgranskning av slutpunkter.
  3. Klicka på Lägg till.
  4. Ange ett namn och en beskrivning för den nya slutpunkten. Välj loggningsnivå och om exempeldata är aktiverade. Mer information om loggning finns i Aktivera loggning för Machine Learning webbtjänster.

Uppdatera den tillagda slutpunktens tränade modell

Hämta KORRIGERINGS-URL

Följ dessa steg för att hämta rätt PATCH-URL med hjälp av webbportalen:

  1. Logga in på Azure Machine Learning Web Services-portalen.
  2. Klicka på Webbtjänster eller Klassiska webbtjänster högst upp.
  3. Klicka på bedömningswebbtjänsten som du arbetar med (om du inte har ändra standardnamnet för webbtjänsten slutar den med "[Scoring Exp.]").
  4. Klicka på +NY.
  5. När slutpunkten har lagts till klickar du på slutpunktens namn.
  6. Under Korrigerings-URL klickar du på API-hjälp för att öppna sidan med korrigeringshjälpen.

Anteckning

Om du har lagt till slutpunkten i webbtjänsten Träning i stället för Predictive Web Service får du följande felmeddelande när du klickar på länken Uppdatera resurs: "Tyvärr, men den här funktionen stöds inte eller är inte tillgänglig i den här kontexten. Den här webbtjänsten har inga uppdatbara resurser. Vi beklagar besväret och arbetar med att förbättra det här arbetsflödet."

Patch-hjälpsidan innehåller den PATCH-URL som du måste använda och innehåller exempelkod som du kan använda för att anropa den.

Korrigerings-URL.

Uppdatera slutpunkten

Nu kan du använda den tränade modellen för att uppdatera bedömningsslutpunkten som du skapade tidigare.

Följande exempelkod visar hur du använder BaseLocation, RelativeLocation, SasBlobToken och PATCH URL för att uppdatera slutpunkten.

private async Task OverwriteModel()
{
    var resourceLocations = new
    {
        Resources = new[]
        {
            new
            {
                Name = "Census Model [trained model]",
                Location = new AzureBlobDataReference()
                {
                    BaseLocation = "https://esintussouthsus.blob.core.windows.net/",
                    RelativeLocation = "your endpoint relative location", //from the output, for example: "experimentoutput/8946abfd-79d6-4438-89a9-3e5d109183/8946abfd-79d6-4438-89a9-3e5d109183.ilearner"
                    SasBlobToken = "your endpoint SAS blob token" //from the output, for example: "?sv=2013-08-15&sr=c&sig=37lTTfngRwxCcf94%3D&st=2015-01-30T22%3A53%3A06Z&se=2015-01-31T22%3A58%3A06Z&sp=rl"
                }
            }
        }
    };

    using (var client = new HttpClient())
    {
        client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", apiKey);

        using (var request = new HttpRequestMessage(new HttpMethod("PATCH"), endpointUrl))
        {
            request.Content = new StringContent(JsonConvert.SerializeObject(resourceLocations), System.Text.Encoding.UTF8, "application/json");
            HttpResponseMessage response = await client.SendAsync(request);

            if (!response.IsSuccessStatusCode)
            {
                await WriteFailedResponse(response);
            }

            // Do what you want with a successful response here.
        }
    }
}

ApiKey och endpointUrl för anropet kan hämtas från slutpunktens instrumentpanel.

Värdet för parametern Name i Resurser ska matcha resursnamnet för den sparade tränade modellen i förutsägelseexperimentet. Så här hämtar du resursnamnet:

  1. Logga in på Azure-portalen.
  2. I den vänstra menyn klickar du på Machine Learning.
  3. Under Namn klickar du på din arbetsyta och sedan på Webbtjänster.
  4. Under Namn klickar du på Census Model [predictive exp.].
  5. Klicka på den nya slutpunkten som du lade till.
  6. Klicka på Uppdatera resurs på instrumentpanelen för slutpunkten.
  7. På sidan Uppdatera resurs-API-dokumentation för webbtjänsten hittar du resursnamnet under Uppdateringsbara resurser.

Om din SAS-token upphör att gälla innan du har uppdaterat slutpunkten måste du utföra en GET med jobb-ID:t för att hämta en ny token.

När koden har körts bör den nya slutpunkten börja använda den omtränade modellen inom cirka 30 sekunder.

Nästa steg

Mer information om hur du hanterar webbtjänster eller håller reda på flera experimentkörningar finns i följande artiklar: