Stüdyo'daki (klasik) R Betiği Yürütme modüllerini geçirme

  • Makale

Önemli

Azure Machine Learning Studio (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021 itibarıyla yeni Machine Learning Studio (klasik) kaynakları (çalışma alanı ve web hizmeti planı) oluşturamazsınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Studio (klasik) denemelerini ve web hizmetlerini kullanmaya devam edebilirsiniz. Daha fazla bilgi için bkz.

Machine Learning Studio (klasik) belgeleri kullanımdan kaldırılıyor ve gelecekte güncelleştirilmeyebilir.

Bu makalede, Azure Machine Learning'de Bir Studio (klasik) R Betiği Yürütme modülünü yeniden oluşturmayı öğreneceksiniz.

Studio'dan (klasik) geçiş hakkında daha fazla bilgi için geçişe genel bakış makalesine bakın.

R Betiği yürütme

Azure Machine Learning tasarımcısı artık Linux üzerinde çalışıyor. Studio (klasik) Windows üzerinde çalışır. Platform değişikliği nedeniyle geçiş sırasında R Betiğini Yürüt'ünüzü ayarlamanız gerekir, aksi takdirde işlem hattı başarısız olur.

Bir R Betiği Yürütme modülünü Studio'dan (klasik) geçirmek için ve maml.mapOutputPortarabirimlerini standart işlevlerle değiştirmeniz maml.mapInputPort gerekir.

Aşağıdaki tabloda R Betiği modülündeki değişiklikler özetlemektedir:

Özellik Studio (klasik) Azure Machine Learning tasarımcısı
Betik Arabirimi maml.mapInputPort ve maml.mapOutputPort İşlev arabirimi
Platform Windows Linux
İnternet'e Erişilebilir Hayır Evet
Bellek 14 GB İşlem SKU'slarına bağımlı

R betik arabirimini güncelleştirme

Studio'da örnek R Betiği Yürütme modülünün (klasik) içeriği aşağıda verilmiştir:

# Map 1-based optional input ports to variables 
dataset1 <- maml.mapInputPort(1) # class: data.frame 
dataset2 <- maml.mapInputPort(2) # class: data.frame 

# Contents of optional Zip port are in ./src/ 
# source("src/yourfile.R"); 
# load("src/yourData.rdata"); 

# Sample operation 
data.set = rbind(dataset1, dataset2); 

 
# You'll see this output in the R Device port. 
# It'll have your stdout, stderr and PNG graphics device(s). 

plot(data.set); 

# Select data.frame to be sent to the output Dataset port 
maml.mapOutputPort("data.set");

Tasarımcıdaki güncelleştirilmiş içerikler aşağıdadır. ve maml.mapOutputPort değerinin maml.mapInputPort standart işlev arabirimiyle azureml_maindeğiştirildiğine dikkat edin.

azureml_main <- function(dataframe1, dataframe2){ 
    # Use the parameters dataframe1 and dataframe2 directly 
    dataset1 <- dataframe1 
    dataset2 <- dataframe2 

    # Contents of optional Zip port are in ./src/ 
    # source("src/yourfile.R"); 
    # load("src/yourData.rdata"); 

    # Sample operation 
    data.set = rbind(dataset1, dataset2); 


    # You'll see this output in the R Device port. 
    # It'll have your stdout, stderr and PNG graphics device(s). 
    plot(data.set); 

  # Return datasets as a Named List 

  return(list(dataset1=data.set)) 
}

Daha fazla bilgi için bkz. Tasarımcı R Betiği Yürütme modülü başvurusu.

R paketlerini internetten yükleme

Azure Machine Learning tasarımcısı paketleri doğrudan CRAN'dan yüklemenize olanak tanır.

Bu, Studio 'ya (klasik) göre bir geliştirmedir. Studio (klasik) İnternet erişimi olmayan bir korumalı alan ortamında çalıştığından, daha fazla paket yüklemek için komut dosyalarını bir zip paketine yüklemeniz gerekiyordu.

Tasarımcının R Betiği Yürütme modülünde CRAN paketlerini yüklemek için aşağıdaki kodu kullanın:

  if(!require(zoo)) { 
      install.packages("zoo",repos = "http://cran.us.r-project.org") 
  } 
  library(zoo)

Sonraki adımlar

Bu makalede R Betiği Yürütme modüllerini Azure Machine Learning'e geçirmeyi öğrendiniz.

Studio (klasik) geçiş serisindeki diğer makalelere bakın:

  1. Geçişe genel bakış.
  2. Veri kümesini geçirme.
  3. Studio (klasik) eğitim işlem hattını yeniden oluşturun.
  4. Bir Studio (klasik) web hizmetini yeniden oluşturun.
  5. Machine Learning web hizmetini istemci uygulamalarıyla tümleştirme.
  6. R Betiği Yürütme modüllerini geçirme.