Belastningsuttränad modell

Läsa in en webbaserad tränad modell

Kategori: Indata och utdata

Anteckning

Gäller för: Machine Learning Studio (klassisk)

Det här innehållet gäller endast Studio (klassisk). Liknande dra och släpp-moduler har lagts till i Azure Machine Learning designer. Läs mer i den här artikeln om att jämföra de två versionerna.

Modulöversikt

Den här artikeln beskriver hur du använder modulen Load Trained Model (Läs in tränad modell) i Azure Machine Learning Studio (klassisk) för att läsa in en redan tränad modell för användning i ett experiment.

Den här modulen kräver en befintlig tränad modell. Normalt skapar och tränar du modellen i ett annat experiment och sparar sedan modellen antingen på din arbetsyta eller till något av de molnlagringsalternativ som stöds.

Sedan använder du modulen Load Trained model (Läs in tränad modell) för att hämta den tränade modellen och köra den i ett nytt experiment.

Så här använder du inläsningstränad modell

Så här använder du en befintlig modell för att göra förutsägelser för nya data:

  • Modellen måste ha tränats tidigare och sedan sparats i iLearner-format.
  • Modellen måste vara tillgänglig antingen via URL eller i Azure Blob Storage.

I det här avsnittet beskrivs hur du sparar en modell, hämtar en sparad modell och tillämpar en sparad modell.

Spara en tränad modell

Du kan spara modeller med hjälp av Studio-gränssnittet (klassisk) eller med hjälp av ett experiment som körs som en webbtjänst.

Spara en modell med hjälp av en webbtjänst

  1. Skapa ett experiment som tränar eller tränar om modellen som en webbtjänst
  2. Publicera experimentet som en webbtjänst.
  3. När du anropar BES-slutpunkten för träningswebbtjänsten sparar webbtjänsten en tränad modell med hjälp av iLearner-gränssnittet och sparar filen i det Azure Blob Storage-konto som du anger.

Stegvis information om hur du skapar en träningswebbtjänst finns i följande artiklar:

Spara en modell i Studio (klassisk)

  1. Kör experimentet som skapar och tränar modellen.
  2. När träningen är klar högerklickar du på modulen som användes för träning, väljer Tränad modell och klickar sedan på Spara som tränad modell.
  3. Som standard sparas modeller i din Studio-arbetsyta (klassisk). Du kan visa dem med hjälp av Studio-användargränssnittet (klassisk).

Följande moduler kan skapa en sparad modell som använder det iLearner-gränssnitt som krävs:

Anteckning

Godtyckliga modeller stöds inte. modellen måste ha sparats i det binära standardformat som används för att bevara Azure Machine Learning modeller.

Läsa in modellen i ett nytt experiment

  1. Lägg till modulen Load Trained Model (Läs in tränad modell) i experimentet i Studio (klassisk).

  2. För Datakälla anger du platsen för den tränade modellen med något av följande alternativ:

    • Webbadress via HTTP: Ange en URL som pekar på experimentet och filen som representerar den tränade modellen. I Azure Machine Learning sparas tränade modeller som standard i ILearner-format.

    • Azure Blob Storage: Välj bara det här alternativet om du har exporterat den tränade modellen till Azure Storage. Du måste sedan ange kontonamnet och kontonyckeln samt sökvägen till containern, katalogen eller bloben.

  3. Om du vill skapa en Request-Response webbtjänst som baseras på det aktuella experimentet väljer du alternativet Tillåt att använda i RRS. Annars utförs bedömning med hjälp av alternativet Batch Execution Service (BES), vilket rekommenderas. Mer information finns i avsnittet Teknisk information.

  4. Välj alternativet Använd cachelagrade resultat om du vill läsa in den tränade modellen från cachen när cachen är tillgänglig och ifylld. Det här alternativet ignoreras när experimentet har distribuerats som ett webbtjänst-API.

Exempel

Exempel på hur du använder den här modulen finns i Cortana Intelligence Gallery.

  • Läs in en tränad djupinlärningsmodell:Exemplet skapar ett anpassat neuralt nätverk för bildidentifiering. Med hjälp av modulen Load Trained Model (Läs in tränad modell) kan du enkelt använda den här modellen igen utan att behöva träna den, vilket kan vara tidskrävande.

    Den här samlingen innehåller ett träningsexperiment för att skapa modellen och ett förutsägelseexperiment där modellen läses in som en webbtjänst och används för förutsägelser.

Teknisk information

Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor.

Vanliga frågor

Varför är RRS-användning inte aktiverat som standard

Det förväntas vanligtvis att RRS anropar returnerade resultat inom en kort tidsperiod. Men eftersom modulen måste läsa in den tränade modellen i form av en blob från ett Azure Storage-konto eller en fil som finns på en offentlig HTTP-slutpunkt kan filåtgärder leda till oförutsägbara fördröjningar.

Därför rekommenderar vi vanligtvis att webbtjänsten körs i batchkörningsläge (BES). Om du väljer alternativet för .execution med RRS bör du vara medveten om risken för fördröjning. Allmän information om körningstider finns i Azure Machine Learning serviceavtal.

Läses den tränade modellen in snabbare om jag använder alternativet för cachelagrade resultat

Ja, men endast när experimentet körs i Azure Machine Learning Studio (klassisk) och först efter att cachen har fyllts i av den första körningen. När experimentet har distribuerats som webbtjänst ignoreras den här flaggan av webbtjänstkörningen.

Finns det något sätt att automatisera processen?

Du kan använda PowerShell för att förenkla eller automatisera många uppgifter i Azure Machine Learning. Du kan till exempel ladda ned innehållet i ett helt experiment eller en viss modul, exportera definitionen av webbtjänsten eller anropa webbtjänstens körnings-API. Mer information finns i PowerShell-modulen för Microsoft Azure Machine Learning.

Modulparametrar

Name Intervall Typ Standardvärde Description
Tillåt användning i RRS Sant/falskt Boolesk falskt Tillåt att den här modulen körs i webbtjänsten för begäran/svar, vilket kan medföra oförutsägbara fördröjningar
Datakälla Webbadress via HTTP eller Azure Blob Storage T_DataSourceOrSink Azure Blob Storage Datakällan kan vara HTTP eller en fil i Azure Blob Storage (krävs)
För webb-URL via HTTP:
URL för datakälla valfri Sträng URL för HTTP
För Azure Blob Storage:
Account Name valfri Sträng Kontonamn
Kontonyckel valfri SecureString Nyckel som är associerad med Windows Azure Storage konto
Sökväg till container, katalog eller blob valfri Sträng Sökväg till blob eller tabellnamn

Utdata

Namn Typ Description
Tränad modell ILearner-gränssnitt Tränad modell

Undantag

Undantag Description
Fel 0003 Undantag inträffar om en eller flera indata är null eller tomma.

En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.

En lista över API-undantag finns i Machine Learning REST API felkoder.

Se även

Indata och utdata