Vad är Azure Machine Learning Designer (förhandsversion)?What is Azure Machine Learning designer (preview)?

gäller för:  ingen Basic  -utgåva ja Enterprise Edition                         (Uppgradera till Enterprise)APPLIES TO: noBasic edition yesEnterprise edition                       (Upgrade to Enterprise)

Med Azure Machine Learning Designer kan du visuellt ansluta data uppsättningar och moduler på en interaktiv arbets yta för att skapa maskin inlärnings modeller.Azure Machine Learning designer lets you visually connect datasets and modules on an interactive canvas to create machine learning models. Information om hur du kommer igång med design verktyget finns i Självstudier: förutsäga Automobile-priset med designernTo learn how to get started with the designer, see Tutorial: Predict automobile price with the designer

Exempel på Azure Machine Learning designer

Designern använder din Azure Machine Learning- arbetsyta för att organisera delade resurser, till exempel:The designer uses your Azure Machine Learning workspace to organize shared resources such as:

Modell utbildning och distributionModel training and deployment

Designern ger dig en visuell arbets yta för att bygga, testa och distribuera maskin inlärnings modeller.The designer gives you a visual canvas to build, test, and deploy machine learning models. Med designern kan du:With the designer you can:

  • Dra och släpp data uppsättningar och moduler till arbets ytan.Drag-and-drop datasets and modules onto the canvas.
  • Anslut modulerna för att skapa ett pipeline-utkast.Connect the modules to create a pipeline draft.
  • Skicka en pipeline-körning med beräknings resurserna i Azure Machine Learning-arbetsytan.Submit a pipeline run using the compute resources in your Azure Machine Learning workspace.
  • Omvandla dina utbildnings pipeliner till härlednings pipeliner.Convert your training pipelines to inference pipelines.
  • Publicera pipelines till en rest- slutpunkt för att skicka en ny pipeline som körs med olika parametrar och data uppsättningar.Publish your pipelines to a REST pipeline endpoint to submit a new pipeline that runs with different parameters and datasets.
    • Publicera en utbildnings pipeline för att återanvända en enda pipeline för att träna flera modeller när du ändrar parametrar och data uppsättningar.Publish a training pipeline to reuse a single pipeline to train multiple models while changing parameters and datasets.
    • Publicera en pipeline för batch-härledning för att göra förutsägelser för nya data med hjälp av en tidigare tränad modell.Publish a batch inference pipeline to make predictions on new data by using a previously trained model.
  • Distribuera en härlednings pipeline i real tid till en slut punkt i real tid för att göra förutsägelser om nya data i real tid.Deploy a real-time inference pipeline to a real-time endpoint to make predictions on new data in real-time.

Arbets flödes diagram för utbildning, batch-härledning och real tids härledning i designern

PipelinePipeline

En pipeline består av data uppsättningar och analys moduler som du ansluter till.A pipeline consists of datasets and analytical modules, which you connect. Pipelines har många användnings områden: du kan skapa en pipeline som tågen en enskild modell eller en som har flera modeller.Pipelines have many uses: you can make a pipeline that trains a single model, or one that trains multiple models. Du kan skapa en pipeline som gör förutsägelser i real tid eller i batch eller göra en pipeline som bara rensar data.You can create a pipeline that makes predictions in real-time or in batch, or make a pipeline that only cleans data. Med pipelines kan du återanvända ditt arbete och organisera dina projekt.Pipelines let you reuse your work and organize your projects.

Pipeline-utkastPipeline draft

När du redigerar en pipeline i designern sparas förloppet som ett pipeline-utkast.As you edit a pipeline in the designer, your progress is saved as a pipeline draft. Du kan redigera ett pipeline-utkast när som helst genom att lägga till eller ta bort moduler, konfigurera beräknings mål, skapa parametrar och så vidare.You can edit a pipeline draft at any point by adding or removing modules, configuring compute targets, creating parameters, and so on.

En giltig pipeline har följande egenskaper:A valid pipeline has these characteristics:

  • Data uppsättningar kan bara ansluta till moduler.Datasets can only connect to modules.
  • Moduler kan bara ansluta till antingen data uppsättningar eller andra moduler.Modules can only connect to either datasets or other modules.
  • Alla indataportar för moduler måste ha viss anslutning till data flödet.All input ports for modules must have some connection to the data flow.
  • Alla obligatoriska parametrar för varje modul måste anges.All required parameters for each module must be set.

När du är redo att köra ditt pipeline-utkast skickar du en pipeline-körning.When you're ready to run your pipeline draft, you submit a pipeline run.

Pipeline-körningPipeline run

Varje gången du kör en pipeline lagras konfigurationen av pipelinen och dess resultat i arbets ytan som en pipeline-körning.Each time you run a pipeline, the configuration of the pipeline and its results are stored in your workspace as a pipeline run. Du kan gå tillbaka till alla pipeline-körningar för att kontrol lera fel söknings-eller gransknings syfte.You can go back to any pipeline run to inspect it for troubleshooting or auditing purposes. Klona en pipeline-körning för att skapa ett nytt pipeline-utkast som du kan redigera.Clone a pipeline run to create a new pipeline draft for you to edit.

Pipeline-körningar grupperas i experiment för att organisera körnings historik.Pipeline runs are grouped into experiments to organize run history. Du kan ställa in experimentet för varje pipeline-körning.You can set the experiment for every pipeline run.

DatauppsättningarDatasets

En Machine Learning-datauppsättning gör det enkelt att komma åt och arbeta med dina data.A machine learning dataset makes it easy to access and work with your data. Det finns flera exempel data uppsättningar i designern som du kan experimentera med.Several sample datasets are included in the designer for you to experiment with. Du kan Registrera fler data uppsättningar när du behöver dem.You can register more datasets as you need them.

ModulModule

En modul är en algoritm som du kan tillämpa på dina data.A module is an algorithm that you can perform on your data. Designern har flera moduler som sträcker sig från data ingångs funktioner till inlärnings-, poängsättnings-och validerings processer.The designer has several modules ranging from data ingress functions to training, scoring, and validation processes.

En modul kan ha en uppsättning parametrar som du kan använda för att konfigurera modulens interna algoritmer.A module may have a set of parameters that you can use to configure the module's internal algorithms. När du väljer en modul på arbetsytan modulens visas modulens parametrar i fönstret Egenskaper på arbetsytans högra sida.When you select a module on the canvas, the module's parameters are displayed in the Properties pane to the right of the canvas. Du kan ändra parametrarna i det här fönstret för att finjustera din modell.You can modify the parameters in that pane to tune your model. Du kan ställa in beräknings resurser för enskilda moduler i designern.You can set the compute resources for individual modules in the designer.

Egenskaper för modul

För viss hjälp att navigera genom biblioteket med Machine Learning-algoritmer tillgängliga, se algoritmen & module Reference Overview.For some help navigating through the library of machine learning algorithms available, see Algorithm & module reference overview. Information om hur du väljer en algoritm finns i lathund-bladet Azure Machine Learning algorithm.For help choosing an algorithm, see the Azure Machine Learning Algorithm Cheat Sheet.

Beräknings resurserCompute resources

Använd beräknings resurser från din arbets yta för att köra din pipeline och vara värd för dina distribuerade modeller som real tids slut punkter eller pipelines slut punkter (för batch-härledning).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). De beräknings mål som stöds är:The supported compute targets are:

BeräkningsmålCompute target UtbildningTraining DistributionDeployment
Azure Machine Learning ComputeAzure Machine Learning compute
Azure Machine Learning beräknings instansAzure Machine Learning compute instance
Azure Kubernetes ServiceAzure Kubernetes Service

Compute-målen är kopplade till din Azure Machine Learning-arbetsyta.Compute targets are attached to your Azure Machine Learning workspace. Du hanterar dina beräknings mål i din arbets yta i Azure Machine Learning Studio.You manage your compute targets in your workspace in the Azure Machine Learning studio.

DistribueraDeploy

För att utföra inferencing i real tid måste du distribuera en pipeline som en slut punkt i real tid.To perform real-time inferencing, you must deploy a pipeline as a real-time endpoint. Slut punkten för Real tid skapar ett gränssnitt mellan ett externt program och din bedömnings modell.The real-time endpoint creates an interface between an external application and your scoring model. Ett anrop till en slut punkt i real tid returnerar förutsägelse resultat till programmet i real tid.A call to a real-time endpoint returns prediction results to the application in real-time. För att anropa en slut punkt för Real tid skickar du den API-nyckel som skapades när du distribuerade slut punkten.To make a call to a real-time endpoint, you pass the API key that was created when you deployed the endpoint. Slut punkten baseras på REST, ett populärt arkitektur val för webb program projekt.The endpoint is based on REST, a popular architecture choice for web programming projects.

Real tids slut punkter måste distribueras till ett Azure Kubernetes service-kluster.Real-time endpoints must be deployed to an Azure Kubernetes Service cluster.

Information om hur du distribuerar din modell finns i Självstudier: Distribuera en maskin inlärnings modell med designern.To learn how to deploy your model, see Tutorial: Deploy a machine learning model with the designer.

PubliceraPublish

Du kan också publicera en pipeline till en pipeline-slutpunkt.You can also publish a pipeline to a pipeline endpoint. På samma sätt som en slut punkt i real tid kan du skicka nya pipeline-körningar från externa program med hjälp av REST-anrop för en pipeline-slutpunkt.Similar to a real-time endpoint, a pipeline endpoint lets you submit new pipeline runs from external applications using REST calls. Du kan dock inte skicka eller ta emot data i real tid med hjälp av en pipeline-slutpunkt.However, you cannot send or receive data in real-time using a pipeline endpoint.

Publicerade pipelines är flexibla, de kan användas för att träna eller träna modeller, utföra batch-inferencing, bearbeta nya data och mycket mer.Published pipelines are flexible, they can be used to train or retrain models, perform batch inferencing, process new data, and much more. Du kan publicera flera pipelines till en enda pipeline-slutpunkt och ange vilken pipeline-version som ska köras.You can publish multiple pipelines to a single pipeline endpoint and specify which pipeline version to run.

En publicerad pipeline körs på de beräknings resurser som du definierar i pipeline-utkastet för varje modul.A published pipeline runs on the compute resources you define in the pipeline draft for each module.

Designern skapar samma PublishedPipeline -objekt som SDK: n.The designer creates the same PublishedPipeline object as the SDK.

Nästa stegNext steps