Köra batchförutsägelser med Azure Machine Learning designer

I den här artikeln får du lära dig hur du använder designern för att skapa en pipeline för batchförutsägelse. Med Batch-förutsägelse kan du kontinuerligt poängs stora datauppsättningar på begäran med hjälp av en webbtjänst som kan utlösas från alla HTTP-bibliotek.

I den här i vilken du lär dig att utföra följande uppgifter:

  • Skapa och publicera en batch-slutsatsledningspipeline
  • Använda en pipelineslutpunkt
  • Hantera slutpunktsversioner

Information om hur du ställer in batchbedömningstjänster med SDK finns i tillhörande -sats.

Anteckning

Azure Machine Learning slutpunkter (förhandsversion) ger en förbättrad och enklare distributionsupplevelse. Slutpunkter stöder både realtids- och batchslutsatsscenarier. Slutpunkter tillhandahåller ett enhetligt gränssnitt för att anropa och hantera modelldistributioner mellan beräkningstyper. Se Vad är Azure Machine Learning slutpunkter (förhandsversion)?.

Förutsättningar

Den här iledningen förutsätter att du redan har en träningspipeline. För en guidad introduktion till designern slutför du del ett av självstudien om designern.

Viktigt

Om du inte ser grafiska element som nämns i det här dokumentet, till exempel knappar i Studio eller Designer, kanske du inte har rätt behörighetsnivå för arbetsytan. Kontakta din Azure-prenumerationsadministratör för att verifiera att du har beviljats rätt åtkomstnivå. Mer information finns i Hantera användare och roller.

Skapa en pipeline för batch-slutsatsledning

Din träningspipeline måste köras minst en gång för att kunna skapa en härledningspipeline.

  1. Gå till fliken Designer på din arbetsyta.

  2. Välj den träningspipeline som tränar modellen som du vill använda för att göra förutsägelser.

  3. Skicka pipelinen.

    Skicka pipelinen

Nu när träningspipelinen har körts kan du skapa en batch-inferenspipeline.

  1. Bredvid Skicka väljerdu den nya listrutan Skapa slutsatsledningspipeline.

  2. Välj Batch-härledningspipeline.

    Skapa batch-slutsatsledningspipeline

Resultatet är en standardpipeline för batchinferens.

Lägga till en pipelineparameter

Om du vill skapa förutsägelser för nya data kan du antingen manuellt ansluta en annan datauppsättning i den här pipelineutkastsvyn eller skapa en parameter för din datauppsättning. Med parametrar kan du ändra beteendet för batch-inferensprocessen vid körning.

I det här avsnittet skapar du en datamängdsparameter för att ange en annan datauppsättning att göra förutsägelser på.

  1. Välj datamängdskomponenten.

  2. Ett fönster visas till höger om arbetsytan. Längst ned i fönstret väljer du Ange som pipelineparameter.

    Ange ett namn för parametern eller acceptera standardvärdet.

    Ange datauppsättning som pipelineparameter

Publicera din batch-härledningspipeline

Nu är du redo att distribuera slutsatsledningspipelinen. Detta distribuerar pipelinen och gör den tillgänglig för andra att använda.

  1. Välj sedan knappen Publicera.

  2. I dialogrutan som visas expanderar du listrutan för PipelineEndpointoch väljer Ny pipelineEndpoint.

  3. Ange ett slutpunktsnamn och en valfri beskrivning.

    Längst ned i dialogrutan kan du se parametern som du konfigurerade med standardvärdet för det datauppsättnings-ID som användes under träningen.

  4. Välj Publicera.

Publicera en pipeline

Använda en slutpunkt

Nu har du en publicerad pipeline med en datamängdsparameter. Pipelinen använder den tränade modellen som skapats i träningspipelinen för att poängdöma datauppsättningen som du anger som en parameter.

Skicka en pipelinekörning

I det här avsnittet ska du konfigurera en manuell pipelinekörning och ändra pipelineparametern för att poängse nya data.

  1. När distributionen är klar går du till avsnittet Slutpunkter.

  2. Välj Pipelineslutpunkter.

  3. Välj namnet på den slutpunkt som du skapade.

Slutpunktslänk

  1. Välj Publicerade pipelines.

    Den här skärmen visar alla publicerade pipelines som publicerats under den här slutpunkten.

  2. Välj den pipeline som du publicerade.

    Sidan med pipelineinformation visar en detaljerad körningshistorik och information om anslutningssträngen för din pipeline.

  3. Välj Skicka för att skapa en manuell körning av pipelinen.

    Pipelineinformation

  4. Ändra parametern för att använda en annan datauppsättning.

  5. Välj Skicka för att köra pipelinen.

Använda REST-slutpunkten

Du hittar information om hur du använder pipelineslutpunkter och publicerad pipeline i avsnittet Slutpunkter.

DU hittar REST-slutpunkten för en pipelineslutpunkt i översiktspanelen för körning. Genom att anropa slutpunkten använder du dess publicerade standardpipeline.

Du kan också använda en publicerad pipeline på sidan Publicerade pipelines. Välj en publicerad pipeline så hittar du REST-slutpunkten i den publicerade pipelineöversiktspanelen till höger om diagrammet.

Om du vill göra ett REST-anrop behöver du ett autentiseringshuvud av OAuth 2.0-typ. I följande självstudieavsnitt finns mer information om hur du ställer in autentisering till din arbetsyta och gör ett parametriserat REST-anrop.

Versionshanteringsslutpunkter

Designern tilldelar en version till varje efterföljande pipeline som du publicerar till en slutpunkt. Du kan ange den pipelineversion som du vill köra som en parameter i REST-anropet. Om du inte anger något versionsnummer använder designern standardpipelinen.

När du publicerar en pipeline kan du välja att göra den till den nya standardpipelinen för den slutpunkten.

Ange standardpipeline

Du kan också ange en ny standardpipeline på fliken Publicerade pipelines i slutpunkten.

Ange standardpipeline på sidan för publicerad pipeline

Begränsningar

Om du gör några ändringar i din träningspipeline bör du skicka träningspipelinen igen, uppdatera slutsatsledningspipelinen och köra slutsatsledningspipelinen igen.

Observera att endast modeller kommer att uppdateras i härledningspipelinen, medan datatransformering inte kommer att uppdateras.

Om du vill använda den uppdaterade pipelinen för transformering i slutsatsledning måste du registrera transformeringsutdata för transformeringskomponenten som datauppsättning.

Skärmbild som visar hur du registrerar datauppsättningen för transformering

Ersätt sedan TD-komponenten i slutsatsledningspipelinen manuellt med den registrerade datauppsättningen.

Skärmbild som visar hur du ersätter transformeringskomponenten

Sedan kan du skicka slutsatsledningspipelinen med den uppdaterade modellen och omvandlingen och publicera.

Nästa steg

Följ självstudien om designern för att träna och distribuera en regressionsmodell.

Information om hur du publicerar och kör en publicerad pipeline med SDK finns i den här artikeln.