Azure Machine Learning Studio (klasik) web hizmetini dağıtma

AŞAĞıDAKILER IÇIN GEÇERLIDIR:  Bu onay işareti, bu makalenin Machine Learning Studio (klasik) için geçerli olduğu anlamına gelir. Machine Learning Studio (klasik)  Bu bir X'tir; yani bu makale, X için Azure Machine Learning. Azure Machine Learning

Önemli

Machine Learning Studio (klasik) desteği 31 ağustos 2024 tarihinde sona acaktır. bu tarihe göre Azure Machine Learning geçiş yapmanızı öneririz.

1 aralık 2021 ' den başlayarak yeni Machine Learning Studio (klasik) kaynakları oluşturamazsınız. 31 ağustos 2024 ' e kadar, mevcut Machine Learning Studio (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Studio (klasik) belgeler kullanımdan kaldırılıyor ve gelecekte güncelleştirilmemiş olabilir.

Machine Learning Studio (klasik), tahmine dayalı analiz çözümü oluşturma ve test etmenine olanak sağlar. Ardından çözümü bir web hizmeti olarak dağıtabilirsiniz.

Machine Learning Studio (klasik) web hizmetleri, bir uygulama ile Machine Learning Studio (klasik) iş akışı puanlama modeli arasında bir arabirim sağlar. Dış uygulama, Machine Learning Studio (klasik) iş akışı puanlama modeliyle gerçek zamanlı olarak iletişim kurabilir. Machine Learning Studio (klasik) web hizmetine yapılan çağrı, tahmin sonuçlarını dış uygulamaya döndürür. Bir web hizmetine çağrı yapmak için web hizmeti dağıtılırken oluşturulan bir API anahtarını geçirirsiniz. Machine Learning Studio (klasik) web hizmeti, web programlama projeleri için popüler bir mimari seçeneği olan REST'i temel almaktadır.

Machine Learning Studio'da (klasik) iki tür web hizmeti vardır:

  • Request-Response Hizmeti (RRS): Tek bir veri kaydını puanlarken düşük gecikme süresine sahip, yüksek oranda ölçeklenebilir bir hizmettir.
  • Toplu Yürütme Hizmeti (BES): Bir toplu veri kaydı puanını alan zaman uyumsuz bir hizmet.

BES girişi, RRS’nin kullandığı veri girişi gibidir. Aralarındaki temel fark, BES'nin Azure Blob depolama, Azure Tablo depolama, Azure SQL Veritabanı, HDInsight (hive sorgusu) ve HTTP kaynakları gibi çeşitli kaynaklardan bir kayıt bloğunu okumasıdır.

Üst düzey bir görünümden modelinizi üç adımda dağıtabilirsiniz:

  • Eğitim denemesi oluşturma - Studio'da (klasik), çok sayıda yerleşik makine öğrenmesi algoritmasını kullanarak, temin edilen eğitim verilerini kullanarak tahmine dayalı bir analiz modelini eğitebilir ve test edin.
  • [Bunu tahmine dayalı] bir denemeye dönüştürme - Modeliniz mevcut verilerle eğitil ardından ve yeni verileri puanlayacak şekilde kullanmaya hazır olduktan sonra denemenizi tahminler için hazırlar ve basit hale dönüştürürsiniz.
  • Bunu Yeni [web hizmeti] veya Klasik [web] hizmeti olarak dağıtma - Tahmine dayalı denemenizi bir Azure web hizmeti olarak dağıtarak kullanıcılar modelinize veri gönderebilir ve modelinizin tahminlerini edinebilir.

Eğitim denemesi oluşturma

Tahmine dayalı bir analiz modeli eğitmek için Azure Machine Learning Studio(klasik) kullanarak eğitim verilerini yüklemek, verileri gerektiğinde hazırlamak, makine öğrenmesi algoritmalarını uygulamak ve sonuçları değerlendirmek için çeşitli modüller dahil bir eğitim denemesi oluşturabilirsiniz. Bir denemeyi tekrarlar ve sonuçları karşılaştırmak ve değerlendirmek için farklı makine öğrenmesi algoritmalarını denemeniz gerekir.

Eğitim denemeleri oluşturma ve yönetme süreci başka bir yerde daha kapsamlı olarak ele almaktadır. Daha fazla bilgi için şu makalelere bakın:

Eğitim denemelerini tahmine dayalı bir denemeye dönüştürme

Modelinizi eğittiniz mi, yeni verileri puanlarken eğitim denemenizi tahmine dayalı bir denemeye dönüştürmeye hazır oluruz.

Tahmine dayalı bir denemeye dönüştürerek eğitilmiş modelinizi puanlama web hizmeti olarak dağıtılacak şekilde hazır hale etmiş oluruz. Web hizmetinin kullanıcıları modelinize giriş verileri gönderebilir ve modeliniz tahmin sonuçlarını geri gönderir. Tahmine dayalı bir denemeye dönüştürürken modelinizin başkaları tarafından nasıl kullanılmaya devam etmek zorunda olduğunu unutmayın.

Eğitim denemelerini tahmine dayalı bir denemeye dönüştürme işlemi üç adımdan oluşur:

  1. Makine öğrenmesi algoritması modüllerini eğitilmiş modeliniz ile değiştirin.
  2. Denemeyi yalnızca puanlama için gereken modüllere göre kırpabilirsiniz. Eğitim denemesi, eğitim için gerekli olan ancak model eğitil edildiklerinde gerekli olan birkaç modül içerir.
  3. Modelinizin web hizmeti kullanıcılarından gelen verileri nasıl kabul eder ve hangi verilerin döndürüleceklerini tanımlayın.

İpucu

Eğitim denemesinde kendi verilerinizi kullanarak modelinizi eğiterek ve puanlamayla ilgili endişeleriniz var. Ancak dağıtıldıktan sonra kullanıcılar modelinize yeni veriler gönderir ve tahmin sonuçları gönderir. Bu nedenle, eğitim denemenizi dağıtıma hazır hale gelecek şekilde tahmine dayalı bir denemeye dönüştürürken modelin başkaları tarafından nasıl kullanıla olacağını unutmayın.

Puanlama denemesi dönüştürme

Web Hizmetini Ayarla düğmesi

Denemenizi çalıştırdikten sonra (deneme tuvali alt kısmında ÇALıŞTıR'a tıklayın), Web Hizmetini Ayarla düğmesine tıklayın (Tahmine Dayalı Web Hizmeti seçeneğini belirleyin). Web Hizmetini Ayarla, eğitim denemenizi tahmine dayalı bir denemeye dönüştürmenin üç adımını sizin için gerçekleştirir:

  1. Eğitilen modelinizi modül paletinin Eğitilen Modeller bölümüne (deneme tuvalinin sol tarafından) kaydeder. Ardından makine öğrenmesi algoritmasını ve Modeli Eğitma modüllerini kayıtlı eğitilen modelle değiştirir.
  2. Denemenizi analiz eder ve yalnızca eğitim için açıkça kullanılan ve artık gerekli olan modülleri kaldırır.
  3. Web hizmeti giriş ve çıkış modüllerini denemenizin varsayılan konumlarına ekler (bu modüller kullanıcı verilerini kabul eder ve geri alır).

Örneğin, aşağıdaki deneme örnek sayım verilerini kullanarak iki sınıflı artırlı karar ağacı modeli eğitiyor:

Eğitim denemesi

Bu denemenin modülleri temelde dört farklı işlev gerçekleştirir:

Modül işlevleri

Bu eğitim denemelerini tahmine dayalı bir denemeye dönüştürdüğünde, bu modüllerden bazıları artık gerekli değildir veya artık farklı bir amaca hizmet eder:

  • Veri - Bu örnek veri kümesinde veriler puanlama sırasında kullanılmaz; web hizmetinin kullanıcısı puanlama için verileri sağlar. Ancak, bu veri kümesinden gelen veri türleri gibi meta veriler eğitilen model tarafından kullanılır. Bu nedenle veri kümesi, bu meta verileri sağlay için tahmine dayalı denemede tutmanız gerekir.

  • Hazırlık - Puanlama için gönderilen kullanıcı verilerine bağlı olarak, bu modüller gelen verileri işlemeye gerek olabilir veya gerekli değildir. Web Hizmetini Ayarla düğmesi bunlara dokunmaz; bunları nasıl işlemek istediğinize karar verebilirsiniz.

    Örneğin, bu örnekte örnek veri kümesinde eksik değerler olabilir, bu nedenle bu veri kümeleriyle başa olmak için Bir Eksik Verileri Temizleme modülü dahil edildi. Ayrıca, örnek veri kümesi modeli eğitmek için gerekli olan sütunları içerir. Bu nedenle bu ek sütunları veri akışından dışlamak için Veri Kümesinde Sütunları Seçme modülü ekti. Web hizmeti aracılığıyla puanlama için gönderilen verilerin eksik değerlere sahip olmadığını biliyorsanız Eksik Verileri Temizleme modülünü kaldırabilirsiniz. Ancak, Veri Kümesinde Sütunları Seçme modülü eğitilen modelin beklediğiniz veri sütunlarını tanımlamaya yardımcı olduğu için bu modülün kalması gerekir.

  • Eğit - Bu modüller modeli eğitmek için kullanılır. Web Hizmetini Ayarla'ya tıklarken, bu modüller eğitilen modeli içeren tek bir modülle değiştirilir. Bu yeni modül, modül paletinin Eğitilen Modeller bölümüne kaydedilir.

  • Puan - Bu örnekte, veri akışını test verilerine ve eğitim verilerine bölmek için Verileri Bölme modülü kullanılır. Tahmine dayalı denemede artık eğitmiyoruz, bu nedenle Verileri Bölme kaldırılabilir. Benzer şekilde, test verilerinden elde edilen sonuçları karşılaştırmak için ikinci Modeli Puanla modülü ve Modeli Değerlendirme modülü kullanılır, bu nedenle bu modüller tahmine dayalı denemede gerekli değildir. Ancak kalan Modeli Puanla modülü, web hizmeti aracılığıyla bir puan sonucu dönmek için gereklidir.

Örneğimiz, Web Hizmetini Ayarla'ya tıklarken şu şekilde görünüyor:

Tahmine dayalı deneme dönüştürme

Web Hizmetini Ayarlama tarafından yapılan çalışmalar, denemenizi web hizmeti olarak dağıtılacak şekilde hazırlamak için yeterli olabilir. Ancak, denemenize özgü bazı ek işler yapmak da iyi olabilir.

Giriş ve çıkış modüllerini ayarlama

Eğitim denemesinde bir dizi eğitim verisi kullandınız ve ardından verileri makine öğrenmesi algoritmasının ihtiyaç olduğu bir formda almak için bazı işlemler tamamladınız. Web hizmeti aracılığıyla almak beklediğiniz veriler bu işleme gerektirmayacaksa atlayarak Web hizmeti giriş modülünün çıkışını denemenizin farklı bir modülüne bağlamanız gerekir. Kullanıcının verileri artık modele bu konumdan gelecektir.

Örneğin, varsayılan olarak Web Hizmetini Ayarla, web hizmeti giriş modülünü yukarıdaki şekilde gösterildiği gibi veri akışınızı en üst düzeye koyar. Ancak Web hizmeti girişini veri işleme modüllerini el ile konumlandırmak için:

Web hizmeti girişini taşıma

Web hizmeti aracılığıyla sağlanan giriş verileri artık herhangi bir ön işleme olmadan doğrudan Modeli Puanlama modülüne geçer.

Benzer şekilde, Varsayılan olarak Web Hizmetini Ayarla, Web hizmeti çıkış modülünü veri akışınıza en alta koyar. Bu örnekte, web hizmeti kullanıcıya tam giriş veri vektörünü ve puanlama sonuçlarını içeren Modeli Puanlama modülünün çıkışını geri verir. Ancak, farklı bir şey iade etmek isterseniz, Web hizmeti çıkış modülü öncesinde ek modüller eklemek isterseniz.

Örneğin, giriş verisi vektörünün tamamını değil yalnızca puanlama sonuçlarını almak için, puanlama sonuçları dışındaki tüm sütunları dışlamak için Veri Kümesinde Sütunları Seçme modülü ekleyin. Ardından Web hizmeti çıkış modülünü Veri Kümesinde Sütunları Seçme modülünün çıkışına taşımanız gerekir. Deneme şu şekildedir:

Web hizmeti çıkışını taşıma

Ek veri işleme modülleri ekleme veya kaldırma

Denemenize puanlama sırasında ihtiyaç duyulmayacak daha fazla modül varsa bunlar kaldırılabilir. Örneğin, Veri işleme modüllerinden sonra Web hizmeti giriş modülünü bir noktaya taşıdık, tahmine dayalı denemeden Eksik Verileri Temizleme modülünü kaldırabiliriz.

Tahmine dayalı denememiz şimdi şöyle görünüyor:

Ek modülü kaldırma

İsteğe bağlı Web Hizmeti Parametreleri ekleme

Bazı durumlarda, web hizmetinizin kullanıcısına hizmete erişilirken modüllerin davranışını değiştirmesine izin vermek istiyor olabilirsiniz. Web Hizmeti Parametreleri bunu yapmana olanak sağlar.

Yaygın bir örnek olarak, dağıtılan web hizmetinin kullanıcısı web hizmetine erişilirken farklı bir veri kaynağı belirtesin diye Verileri İçeri Aktarma modülü ayarlanamıyor. Veya farklı bir hedefin belirtilebilir olması için Bir Verileri Dışarı Aktar modülünü yapılandırabilirsiniz.

Web Hizmeti Parametrelerini tanımlayabilir ve bunları bir veya daha fazla modül parametresiyle ilişkilendirilerek bunların gerekli mi yoksa isteğe bağlı mı olduğunu belirtabilirsiniz. Web hizmetinin kullanıcısı hizmete erişildiğinde bu parametreler için değerler sağlar ve modül eylemleri buna göre değiştirilir.

Web Hizmeti Parametrelerinin ne olduğu ve nasıl kullanılaları hakkında daha fazla bilgi için bkz. Machine Learning Web Hizmeti Parametrelerini Kullanma.

Aşağıdaki adımlarda tahmine dayalı bir denemenin Yeni web hizmeti olarak dağıtımı açıkmektedir. Denemeyi Klasik web hizmeti olarak da dağıtabilirsiniz.

Bunu Yeni web hizmeti olarak dağıtma

Tahmine dayalı deneme hazırlanmıştır. Şimdi bunu yeni (Resource Manager tabanlı) bir Azure web hizmeti olarak dağıtabilirsiniz. Kullanıcılar web hizmetini kullanarak modelinize veri gönderebilir ve model tahminlerini geri gönderir.

Tahmine dayalı denemenizi dağıtmak için deneme tuvali altındaki Çalıştır'a tıklayın. Denemenin çalıştırması tamam olduktan sonra Web Hizmetini Dağıt'a tıklayın ve Yeni Web Hizmeti Dağıt'ı [seçin.] Machine Learning Studio (klasik) Web Hizmeti portalının dağıtım sayfası açılır.

Not

Yeni bir web hizmeti dağıtmak için, web hizmetini dağıtan abonelikte yeterli izinlere sahipsiniz. Daha fazla bilgi için bkz. Web Hizmetleri portalını Machine Learning Web hizmetini yönetme.

Web Hizmeti portalı Deneme Dağıtma Sayfası

Denemeyi Dağıt sayfasında web hizmeti için bir ad girin. Bir fiyatlandırma planı seçin. Mevcut bir fiyatlandırma planınız varsa bunu seçin, aksi takdirde hizmet için yeni bir fiyat planı oluşturmanız gerekir.

  1. Fiyat Planı açılan listesinde var olan bir planı seçin veya Yeni plan seç seçeneğini belirleyin.
  2. Plan Adı'nın altında, faturanıza göre planı tanımacak bir ad yazın.
  3. Aylık Plan Katmanlarından birini seçin. Plan katmanları varsayılan olarak varsayılan bölgenize göre planlarınızı kullanır ve web hizmetiniz bu bölgeye dağıtılır.

Dağıt'a tıklar ve web hizmetinizin Hızlı Başlangıç sayfası açılır.

Web hizmeti Hızlı Başlangıç sayfası, bir web hizmeti oluşturduk sonra gerçekleştireceğimiz en yaygın görevlere erişme ve rehberlik sağlar. Buradan hem Test sayfasına hem de Tüket sayfasına kolayca erişebilirsiniz.

Yeni web hizmetinizi test edin

Yeni web hizmetinizi test etmek için ortak görevler altında Web hizmetini test edin'e tıklayın. Test sayfasında, web hizmetinizi bir Request-Response Hizmeti (RRS) veya Batch Yürütme hizmeti (BES) olarak test edebilirsiniz.

RRS test sayfasında deneme için tanımlandığı gibi girişler, çıkışlar ve genel parametreler görüntülenir. Web hizmetini test etmek için girişlere uygun değerleri el ile girebilirsiniz veya test değerlerini içeren virgülle ayrılmış değer (CSV) biçimli bir dosya sekleyebilirsiniz.

RRS kullanarak test etmek için, liste görünümü modunda girişler için uygun değerleri girin ve İstek-Yanıtını Test'e tıklayın. Tahmin sonuçlarınız, sol tarafta çıkış sütununda görüntülenir.

Web hizmetinizi test etmek için uygun değerleri girin

BES'nizi test etmek için Batch'e tıklayın. Batch testi sayfasında, girdinizin altında Gözat'a tıklayın ve uygun örnek değerleri içeren bir CSV dosyası seçin. Csv dosyanız yoksa ve tahmine dayalı denemenizi Machine Learning Studio (klasik) kullanarak oluşturduysanız, tahmine dayalı denemeniz için veri kümesi indirip kullanabilirsiniz.

Veri kümesi indirmek için Machine Learning Studio(klasik) açın. Tahmine dayalı denemenizi açın ve denemenizin girişine sağ tıklayın. Bağlam menüsünden veri kümesi'nin ardından İndir'i seçin.

Veri kümenizi Studio (klasik) tuvalden indirin

Test 'e tıklayın. Batch Yürütme işnizin durumu, Toplu İşleri Test Altında sağdan görüntülenir.

Batch Yürütme işinizi web hizmeti portalıyla test edin

YAPıLANDıRMA sayfasında açıklamayı, başlığı değiştirebilir, depolama hesabı anahtarını güncelleştirebilirsiniz ve web hizmetiniz için örnek verileri etkinleştirebilirsiniz.

Web hizmetinizi yapılandırma

Yeni web hizmetinize erişme

Web hizmetinizi Machine Learning Studio'dan (klasik) dağıttıktan sonra hizmete veri gönderebilir ve program aracılığıyla yanıtlar gönderebilirsiniz.

Tüket sayfası, web hizmetinize erişmek için ihtiyacınız olan tüm bilgileri sağlar. Örneğin API anahtarı, hizmete yetkili erişim izni vermek için sağlanır.

Machine Learning Studio (klasik) web hizmetine erişme hakkında daha fazla bilgi için bkz. Machine Learning Studio (klasik) Web hizmetini tüketme.

Yeni web hizmetinizi yönetme

Machine Learning Studio (klasik) Web Hizmetleri portalını kullanarak Yeni web hizmetlerinizi yönetebilirsiniz. Ana portal sayfasında Web Hizmetleri'ne tıklayın. Web hizmetleri sayfasından bir hizmeti silebilir veya kopyaleyebilirsiniz. Belirli bir hizmeti izlemek için hizmete ve ardından Pano'ya tıklayın. Web hizmetiyle ilişkili toplu işleri izlemek için Batch İstek Günlüğü'ne tıklayın.

Yeni web hizmetinizi birden çok bölgeye dağıtma

Yeni web hizmetini birden fazla abonelik veya çalışma alanına gerek kalmadan kolayca birden çok bölgeye dağıtabilirsiniz.

Fiyatlandırma bölgeye özgü olduğundan, web hizmetini dağıtacak her bölge için bir faturalama planı tanımlamanız gerekir.

Başka bir bölgede plan oluşturma

  1. Web Hizmetleri'Machine Learning oturum açma.
  2. Planlar menü seçeneğine tıklayın.
  3. Görünüm üzerinden planlar sayfasında Yeni'ye tıklayın.
  4. Abonelik açılan listesinden, yeni planın içinde yer alan aboneliği seçin.
  5. Bölge açılan listesinden yeni plan için bir bölge seçin. Seçilen bölge için Plan Seçenekleri, sayfanın Plan Seçenekleri bölümünde görüntülenir.
  6. Kaynak Grubu açılan listesinden plan için bir kaynak grubu seçin. Kaynak grupları hakkında daha fazla bilgi için bkz. Azure Resource Manager genel bakış.
  7. Plan Adı'nın altında planın adını yazın.
  8. Plan Seçenekleri'nin altında, yeni planın faturalama düzeyine tıklayın.
  9. Oluştur’a tıklayın.

Web hizmetini başka bir bölgeye dağıtma

  1. Web Machine Learning Sayfasında Web Hizmetleri menü seçeneğine tıklayın.
  2. Yeni bir bölgeye dağıtmakta olduğunu Web Hizmeti'i seçin.
  3. Kopyala'ya tıklayın.
  4. Web Hizmeti Adı'nın altında, web hizmeti için yeni bir ad yazın.
  5. Web hizmeti açıklaması'nın içinde, web hizmeti için bir açıklama yazın.
  6. Abonelik açılan listesinden, yeni web hizmetinin içinde yer alan aboneliği seçin.
  7. Kaynak Grubu açılan listesinden web hizmeti için bir kaynak grubu seçin. Kaynak grupları hakkında daha fazla bilgi için bkz. Azure Resource Manager genel bakış.
  8. Bölge açılan listesinden, web hizmetinin dağıtılal olduğu bölgeyi seçin.
  9. Hesap Depolama açılan listesinden, web hizmetinin depolanması için bir depolama hesabı seçin.
  10. Fiyat Planı açılan listesinde, 8. adımda seçtiğiniz bölgede bir plan seçin.
  11. Kopyala'ya tıklayın.

Klasik web hizmeti olarak dağıtma

Tahmine dayalı deneme yeterince hazırlanmıştır. Şimdi bunu Klasik Azure web hizmeti olarak dağıtabilirsiniz. Kullanıcılar web hizmetini kullanarak modelinize veri gönderebilir ve model tahminlerini geri gönderir.

Tahmine dayalı denemenizi dağıtmak için deneme tuvali alt kısmında Çalıştır'a ve ardından Web Hizmetini Dağıt'a tıklayın. Web hizmeti ayarlanır ve web hizmeti panosuna yerleştirilirsiniz.

Web hizmetinizi Studio'dan dağıtma (klasik)

Klasik web hizmetinizi test edin

Web hizmetini Machine Learning Studio (klasik) Web Hizmetleri portalında veya Machine Learning Studio'da (klasik) test edebilirsiniz.

İstek Yanıtı web hizmetini test etmek için web hizmeti panosunda Test düğmesine tıklayın. Hizmet için giriş verilerini istemek için bir iletişim kutusu açılır. Bunlar puanlama denemesi tarafından beklenen sütunlardır. Bir veri kümesi girin ve ardından Tamam'a tıklayın. Web hizmeti tarafından oluşturulan sonuçlar panonun alt kısmında görüntülenir.

Hizmetinizi daha önce Yeni web hizmeti bölümünde gösterildiği gibi Machine Learning Studio (klasik) Web Hizmetleri portalında test etmek için Önizlemeyi test edin bağlantısına tıklarsınız.

Batch Yürütme Hizmetini test etmek için Önizlemeyi sına bağlantısına tıklayın. Batch testi sayfasında, girdinizin altında Gözat'a tıklayın ve uygun örnek değerleri içeren bir CSV dosyası seçin. bir CSV dosyanız yoksa ve Machine Learning Studio 'yu (klasik) kullanarak tahmine dayalı denemeniz oluşturduysanız, tahmine dayalı denemenize yönelik veri kümesini indirebilir ve kullanabilirsiniz.

Web hizmetini test etme

Yapılandırma sayfasında, hizmetin görünen adını değiştirebilir ve bir açıklama verebilirsiniz. Ad ve açıklama, Web hizmetlerinizi yönettiğiniz Azure Portal görüntülenir.

Giriş şeması, Çıkış ŞEMASı ve Web hizmeti parametresi altındaki her bir sütun için bir dize girerek giriş verileriniz, çıkış verileriniz ve Web hizmeti parametreleriniz için bir açıklama sağlayabilirsiniz. Bu açıklamalar, Web hizmeti için sunulan örnek kod belgelerinde kullanılır.

Web hizmetinize erişildiğinde gördüğünüz herhangi bir başarısızlığı tanılamak için günlüğe kaydetmeyi etkinleştirebilirsiniz. daha fazla bilgi için bkz. Machine Learning Studio (klasik) web hizmetleri için günlüğü etkinleştirme.

Web Hizmetleri portalında günlüğü etkinleştir

web hizmeti için uç noktalarını, daha önce yeni web hizmeti bölümünde gösterilen yordama benzer Machine Learning web hizmetleri portalında da yapılandırabilirsiniz. Seçenekler farklıdır, hizmet açıklaması ekleyebilir veya değiştirebilir, günlüğe kaydetmeyi etkinleştirebilir ve test için örnek verileri etkinleştirebilirsiniz.

Klasik Web hizmetinize erişin

web hizmetinizi Machine Learning Studio 'dan (klasik) dağıttıktan sonra, hizmete veri gönderebilir ve yanıtları programlı bir şekilde alabilirsiniz.

Pano, Web hizmetinize erişmek için gereken tüm bilgileri sağlar. Örneğin, API anahtarı hizmete yetkisiz erişime izin vermek için sağlanır ve kodunuzu yazmaya başlamanıza yardımcı olmak için API Yardım sayfaları sağlanır.

Machine Learning studio (klasik) web hizmetine erişme hakkında daha fazla bilgi için bkz. Machine Learning Studio (klasik) web hizmeti kullanma.

Klasik Web hizmetinizi yönetme

Bir Web hizmetini izlemek için gerçekleştirebileceğiniz çeşitli eylemler vardır. Güncelleştirebilir ve silebilirsiniz. Ayrıca, dağıtırken oluşturulan varsayılan uç noktaya ek olarak klasik bir Web hizmetine ek uç noktalar ekleyebilirsiniz.

daha fazla bilgi için bkz. Machine Learning studio (klasik) çalışma alanını yönetme ve Machine Learning Studio (klasik) web hizmetleri portalını kullanarak bir web hizmetini yönetme.

Web hizmetini güncelleştirme

Web hizmetinizde, modeli ek eğitim verileriyle güncelleştirmek ve özgün Web hizmetinin üzerine yazarak yeniden dağıtmak gibi değişiklikler yapabilirsiniz.

Web hizmetini güncelleştirmek için, Web hizmetini dağıtmak için kullandığınız özgün tahmine dayalı denemeyi açın ve farklı kaydet' e tıklayarak düzenlenebilir bir kopya oluşturun. Değişikliklerinizi yapın ve ardından Web Hizmeti Dağıt' a tıklayın.

Bu denemeyi daha önce dağıttığınıza göre, mevcut hizmeti (Klasik Web hizmeti) veya güncelleştirme (yeni Web hizmeti) üzerine yazmak isteyip istemediğiniz sorulur. Evet veya Güncelleştir ' i tıklatmak, mevcut Web hizmetini sonlandırır ve yeni tahmine dayalı denemeyi dağıttığı yerde dağıtılır.

Not

Özgün Web hizmetinde yapılandırma değişiklikleri yaptıysanız (örneğin, yeni bir görünen ad veya açıklama girdiğinizde), bu değerleri yeniden girmeniz gerekir.

Web hizmetinizi güncelleştirmek için bir seçenek, modeli programlı bir şekilde yeniden eğitmenize yöneliktir. daha fazla bilgi için bkz. Machine Learning Studio (klasik) modellerini programlama yoluyla yeniden eğitme.

Sonraki adımlar