Migrera till Azure Machine Learning
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Lär dig hur du migrerar från Studio (klassisk) till Azure Machine Learning. Azure Machine Learning en moderniserad datavetenskapsplattform som kombinerar metoder utan kod och kod först.
Det här är en guide för en grundläggande "lift and shift"-migrering. Om du vill optimera ett befintligt arbetsflöde för maskininlärning eller modernisera en maskininlärningsplattform kan du gå till ramverket för Azure Machine Learning-implementering för ytterligare resurser, inklusive verktyg för digital undersökning, kalkylblad och planeringsmallar.
Rekommenderad metod
Om du vill Azure Machine Learning till en ny metod rekommenderar vi följande metod:
- Steg 1: Utvärdera Azure Machine Learning
- Steg 2: Definiera en strategi och en plan
- Steg 3: Återskapa experiment och webbtjänster
- Steg 4: Integrera klientappar
- Steg 5: Rensa Studio-tillgångar (klassisk)
- Steg 6: Granska och expandera scenarier
Steg 1: Utvärdera Azure Machine Learning
Läs mer om Azure Machine Learning; dess fördelar, kostnader och arkitektur.
Jämför funktionerna i Azure Machine Learning studio (klassisk).
Anteckning
Designerfunktionen i Azure Machine Learning ger en liknande dra och släpp-upplevelse till Studio (klassisk). Men Azure Machine Learning även robusta kodbaserade arbetsflöden som ett alternativ. Den här migreringsserien fokuserar på designern eftersom den mest liknar Studio-upplevelsen (klassisk).
I följande tabell sammanfattas de viktigaste skillnaderna mellan ML Studio (klassisk) och Azure Machine Learning.
Funktion ML Studio (klassisk) Azure Machine Learning Dra och släpp-gränssnitt Klassisk upplevelse Uppdaterad upplevelse – Azure Machine Learning designer Kod-SDK:er Stöds inte Helt integrerad med Azure Machine Learning Python- och RDK:er Experiment Skalbar (gräns för träningsdata på 10 GB) Skala med beräkningsmål Träningsbearbetningsmål Tillverkarspecifikt beräkningsmål, endast processorstöd En mängd olika anpassningsbara träningsbearbetningsmål. Inkluderar GPU- och CPU-stöd Beräkningsmål för distribution Egenutvecklat webbtjänstformat, inte anpassningsbart En mängd olika anpassningsbara mål för distributionsbearbetning. Inkluderar GPU- och CPU-stöd ML pipeline Stöds inte Skapa flexibla, modulära pipelines för att automatisera arbetsflöden MLOps Grundläggande modellhantering och -distribution; Distributioner med endast CPU Versionshantering av entiteter (modell, data, arbetsflöden), arbetsflödesautomation, integrering med CICD-verktyg, CPU- och GPU-distributioner med mera Modellformat Upphovsrättsskyddad format, Studio (klassisk) endast Flera format som stöds beroende på typ av träningsjobb Automatiserad modellträning och justering av hyperparametrar Stöds inte Stöds. Alternativ för kod först och utan kod. Identifiering av dataavdrift Stöds inte Stöds Dataetiketteringsprojekt Stöds inte Stöds Rollbaserad åtkomstkontroll (RBAC) Endast deltagar- och ägarroll Flexibel rolldefinition och RBAC-kontroll AI-galleri Stöds ( https://gallery.azure.ai/ ) Stöd saknas
Lär dig med Python SDK-exempelanteckningsböcker.Kontrollera att dina kritiska Studio-moduler (klassisk) stöds i Azure Machine Learning designer. Mer information finns i tabellerna Studio (klassisk) och designerkomponentmappning nedan.
Steg 2: Definiera en strategi och en plan
- Definiera affärsberättiganden och förväntade resultat.
- Anpassa en åtgärdsbar Azure Machine Learning till affärsresultat.
- Förbered människor, processer och miljöer för förändring.
Se Azure Machine Learning Adoption Framework för planeringsresurser, inklusive en mall för planeringsdokument.
Steg 3: Återskapa din första modell
När du har definierat en strategi migrerar du din första modell.
Använd designern för att återskapa experiment.
Använd designern för att distribuera om webbtjänster.
Anteckning
Azure Machine Learning har också stöd för kod först-arbetsflöden för migrering av datauppsättningar, träningoch distribution.
Steg 4: Integrera klientappar
- Ändra klientprogram som anropar Studio-webbtjänster (klassiska) så att de använder Azure Machine Learning slutpunkter.
Steg 5: Cleanup Studio-tillgångar (klassisk)
- Rensa Studio-tillgångar (klassisk) för att undvika extra avgifter. Du kanske vill behålla tillgångar tills du har verifierat Azure Machine Learning arbetsbelastningar.
Steg 6: Granska och expandera scenarier
- Granska modellmigrering för bästa praxis och validera arbetsbelastningar.
- Expandera scenarier och migrera ytterligare arbetsbelastningar till Azure Machine Learning.
Komponentmappning i Studio (klassisk) och designer
I följande tabell kan du se vilka moduler som ska användas vid återskapande av Studio-experiment (klassisk) i designern.
Viktigt
Designern implementerar moduler via Python-paket med öppen källkod i stället för C#-paket som Studio (klassisk). På grund av den här skillnaden kan utdata från designerkomponenter skilja sig något från deras motsvarigheter i Studio (klassisk).
| Kategori | Studio-modul (klassisk) | Komponent för ersättningsdesigner |
|---|---|---|
| Indata och utdata | – Ange data manuellt – Exportera data – Importera data – Läsa in tränad modell – Packa upp komprimerade datauppsättningar | – Ange data manuellt – Exportera data – Importera data |
| Dataformatkonverteringar | – Konvertera till CSV – Konvertera till datauppsättning – Konvertera till ARFF – Konvertera till SVMLight – Konvertera till TSV | – Konvertera till CSV – Konvertera till datauppsättning |
| Datatransformering – manipulering | - Lägg till kolumner - Lägg till rader – Tillämpa SQL transformering – Rensa data som saknas – Konvertera till indikatorvärden – Redigera metadata – Koppla data – Ta bort dubblettrader – Välj kolumner i datauppsättning – Välj kolumntransform – SMOTE – Gruppera kategoriska värden | - Lägg till kolumner - Lägg till rader – Tillämpa SQL transformering – Rensa data som saknas – Konvertera till indikatorvärden – Redigera metadata – Koppla data – Ta bort dubblettrader – Välj kolumner i datauppsättning – Välj kolumntransform – SMOTE |
| Datatransformering – skala och minska | – Clip-värden – Gruppera data i lagerplatser – Normalisera data – Huvudkomponentanalys | – Clip-värden – Gruppera data i lagerplatser – Normalisera data |
| Datatransformering – exempel och delning | – Partitionering och exempel – Dela data | – Partitionering och exempel – Dela data |
| Datatransformering – filter | – Använd filter – FIR-filter – IIR-filter – Medianfilter – Glidande medelvärdesfilter – Tröskelvärdesfilter – Användardefinierat filter | |
| Datatransformering – Learning med antal | – Byggräkningstransform – Tabell för antal exporter – Antal importtabeller – Sammanslå antal transformeringar – Ändra tabellparametrar för antal | |
| Funktionsval | – Filtrera baserat funktionsval – Linjär diskriminant analys från Fisher – Permutationsfunktions prioritet | – Filtrera baserat funktionsval – Permutationsfunktions prioritet |
| Modell – klassificering | – Beslutsskog med flera klasser – Beslutsklass med flera klasser – Logistisk regression med flera klasser – Neural Network med flera klasser – En-mot-alla – multiklass - Two-Class genomsnittlig perceptron - Two-Class Bayes Point Machine – Two-Class ökat beslutsträd – Two-Class beslutsskog – Two-Class Decision– - Two-Class Locally-Deep SVM - Two-Class Logistic Regression – Two-Class neurala nätverk - Two-Class dator för vektorstöd | – Beslutsskog med flera klasser – Beslutsträd för Boost med flera klasser – Logistisk regression med flera klasser – Neural Network med flera klasser – En-mot-alla – multiklass - Two-Class genomsnittlig perceptron – Two-Class ökat beslutsträd – Two-Class beslutsskog - Two-Class Logistic Regression – Two-Class neurala nätverk - Two-Class dator för vektorstöd |
| Modell – klustring | – K-means-klustring | – K-means-klustring |
| Modell – regression | – Bayesiansk linjär regression – Boosted Decision Tree Regression (Förstärkt regression för beslutsträd) – Beslutsskogs regression – Snabb regression av skogskvantil – Linjär regression – Regression för neuralt nätverk – Regression med ordningstals regression | – Boosted Decision Tree Regression (Förstärkt regression för beslutsträd) – Beslutsskogs regression – Snabb regression av skogskvantil – Linjär regression – Regression för neuralt nätverk – Poisson-regression |
| Modell – avvikelseidentifiering | - One-Class SVM - PCA-Based avvikelseidentifiering | - PCA-Based avvikelseidentifiering |
| Machine Learning – Utvärdera | – Korsre verifiera modell – Utvärdera modell – Utvärdera rekommenderare | – Korsre verifiera modell – Utvärdera modell – Utvärdera rekommenderare |
| Machine Learning – Träna | – Rensa klustring – Träna avvikelseidentifieringsmodellen – Träna klustringsmodell – Träna Matchbox-rekommenderare – Träningsmodell – Finjustera modellens hyperparametrar | – Träna avvikelseidentifieringsmodellen – Träna klustringsmodell – Träna modell – – Träna PyTorch-modell – Träna SVD-rekommenderaren – Träna Wide and Deep Recommender – Finjustera modellens hyperparametrar |
| Machine Learning – Poäng | – Tillämpa transformering – Tilldela data till kluster – Poängmatchningbox-rekommenderare – Poängmodell | – Tillämpa transformering – Tilldela data till kluster – Poängbildmodell – Poängmodell – Poäng för SVD-rekommenderare – Poängrekommendation vid och djuprekommendation |
| OpenCV-biblioteksmoduler | – Importera avbildningar – Förtränad bildklassificering för Kaskad | |
| Python-språkmoduler | – Köra Python-skript | – Köra Python-skript – Skapa Python-modell |
| R-språkmoduler | – Köra R-skript – Skapa R-modell | – Köra R-skript |
| Statistiska funktioner | – Tillämpa matematisk åtgärd – Beräkna elementär statistik – Beräkna linjär korrelation – Utvärdera sannolikhetsfunktionen – Ersätt diskreta värden – Sammanfatta data – Testhypotes med t-test | – Tillämpa matematisk åtgärd – Sammanfatta data |
| Textanalys | – Identifiera språk – Extrahera nyckelfraser från text – Extrahera N-Gram-funktioner från text – Funktionshashing – Latent Dirichlet-allokering – Igenkänning av namngiven entitet – Förbearbeta text – Poäng för Vowpal Wabbit Version 7–10-modell – Poängse vowpal Wabbit version 8-modell – Träna Vowpal Wabbit Version 7-10-modellen – Träna Vowpal Wabbit Version 8-modell | – Konvertera Word till vektor – Extrahera N-Gram-funktioner från text – Funktionshashing – Latent Dirichlet-allokering – Förbearbeta text – Poängse vowpal Wabbit-modell – Träna Vowpal Wabbit-modellen |
| Tidsserier | – Avvikelseidentifiering i tidsserier | |
| Webbtjänst | – Indata – Utdata | – Indata - Utdata |
| Visuellt innehåll | – Använda bildtransformering – Konvertera till bildkatalog – Bildtransformering i Init – Dela bildkatalog – DenseNet-bildklassificering – Bildklassificering i ResNet |
Mer information om hur du använder enskilda designerkomponenter finns i referensen för designerkomponenter.
Vad händer om en designerkomponent saknas?
Azure Machine Learning designern innehåller de mest populära modulerna från Studio (klassisk). Den innehåller också nya moduler som utnyttjar de senaste maskininlärningsteknikerna.
Om migreringen blockeras på grund av att moduler saknas i designern kontaktar du oss genom att skapa en supportbiljett.
Exempelmigrering
Följande experimentmigrering visar några av skillnaderna mellan Studio (klassisk) och Azure Machine Learning.
Datauppsättningar
I Studio (klassisk) sparades datauppsättningar i din arbetsyta och kunde bara användas av Studio (klassisk).
I Azure Machine Learning registreras datauppsättningar på arbetsytan och kan användas i alla Azure Machine Learning. Mer information om fördelarna med att Azure Machine Learning datauppsättningar finns i Säker dataåtkomst.
Pipeline
I Studio (klassisk) innehöll experiment bearbetningslogiken för ditt arbete. Du har skapat experiment med dra och släpp-moduler.
I Azure Machine Learning innehåller pipelines bearbetningslogiken för ditt arbete. Du kan skapa pipelines med dra och släpp-moduler eller genom att skriva kod.
Webbtjänstslutpunkt
Studio (klassisk) använde REQUEST/RESPOND API för förutsägelse i realtid och BATCH EXECUTION API för batchförutsägelse eller omträning.
Azure Machine Learning använder realtidsslutpunkter för förutsägelse i realtid och pipelineslutpunkter för batchförutsägelse eller omträning.
Nästa steg
I den här artikeln har du lärt dig de avancerade kraven för att migrera till Azure Machine Learning. Detaljerade anvisningar finns i de andra artiklarna i studiomigreringsserien (klassisk):
- Migreringsöversikt.
- Migrera datauppsättningen.
- Återskapa en Studio-träningspipeline (klassisk).
- Återskapa en Studio-webbtjänst (klassisk).
- Integrera en Azure Machine Learning-webbtjänst med klientappar.
- Migrera Kör R-skript.
Se Azure Machine Learning Adoption Framework för ytterligare migreringsresurser.