Stüdyo'daki (klasik) R Betiği Yürütme modüllerini geçirme
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.mapOutputPort
arabirimlerini 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_main
değiştirildiğine 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:
- Geçişe genel bakış.
- Veri kümesini geçirme.
- Studio (klasik) eğitim işlem hattını yeniden oluşturun.
- Bir Studio (klasik) web hizmetini yeniden oluşturun.
- Machine Learning web hizmetini istemci uygulamalarıyla tümleştirme.
- R Betiği Yürütme modüllerini geçirme.