你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

将机器学习工作室（经典）与 Azure 数据工厂或 Synapse Analytics 配合使用来创建预测管道

项目
08/10/2023

适用于： Azure 数据工厂 Azure Synapse Analytics

提示

试用 Microsoft Fabric 中的数据工厂，这是一种适用于企业的一站式分析解决方案。 Microsoft Fabric 涵盖从数据移动到数据科学、实时分析、商业智能和报告的所有内容。了解如何免费开始新的试用！

重要

对 Azure 机器学习工作室（经典版）的支持将于 2024 年 8 月 31 日结束。建议在该日期之前转换到 Azure 机器学习。

自 2021 年 12 月 1 日起，无法创建新的机器学习工作室（经典版）资源（工作区和 Web 服务计划）。在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典版）试验和 Web 服务。有关详细信息，请参阅：

机器学习工作室（经典版）文档即将停用，未来可能不再更新。

注意

由于在 2021 年 12 月 1 日之后无法再创建机器学习工作室（经典）资源，因此鼓励用户将 Azure 机器学习与机器学习执行管道活动一起使用，而不是使用批处理执行活动来执行机器学习工作室（经典）批处理。

通过 ML 工作室（经典），可生成、测试和部署预测分析解决方案。从高层次的角度来看，这可通过三个步骤完成：

创建训练实验。使用 ML 工作室（经典）执行此步骤。 ML 工作室（经典）是一个协作式可视开发环境，可用于通过训练数据来训练和测试预测分析模型。
将其转换为预测实验。利用现有数据定型模型后，便可将其用于对新数据进行评分，为评分准备并简化实验。
将其部署为 Web 服务。可将评分实验作为 Azure Web 服务发布。可通过此 Web 服务终结点向模型发送数据，并从模型接收结果预测。

将机器学习工作室（经典）与 Azure 数据工厂或 Synapse Analytics 配合使用

借助 Azure 数据工厂和 Synapse Analytics，可轻松创建管道，以便利用已发布的机器学习工作室（经典）Web 服务进行预测分析。使用管道中的批处理执行活动，可调用机器学习工作室（经典）Web 服务成批对数据进行预测。

随着时间的推移，需要使用新的输入数据集来重新训练机器学习工作室（经典）评分实验中的预测模型。可以通过执行以下步骤来重新训练管道中的模型：

将训练实验（非预测实验）作为 Web 服务发布。在 ML 工作室（经典）中，如同在前一方案中将预测实验作为 Web 服务公开那样执行此步骤。
使用 ML 工作室（经典）批处理执行活动调用训练实验的 Web 服务。基本上，可使用 ML 工作室（经典）批处理执行活动调用训练 Web 服务和评分 Web 服务。

完成重新训练后，使用 ML 工作室（经典）更新资源活动通过新的训练模型更新评分 Web 服务（作为 Web 服务公开的预测试验）。有关详细信息，请参阅使用更新资源活动更新模型一文。

ML 工作室（经典）链接服务

需要创建机器学习工作室（经典）链接服务来链接机器学习工作室（经典）Web 服务。该链接服务由机器学习工作室（经典）批处理执行活动和更新资源活动使用。

{
    "type" : "linkedServices",
    "name": "AzureMLLinkedService",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "URL to Azure ML Predictive Web Service",
            "apiKey": {
                "type": "SecureString",
                "value": "api key"
            }
        },
        "connectVia": {
            "referenceName": "<name of Integration Runtime>",
            "type": "IntegrationRuntimeReference"
        }
    }
}

请参阅计算链接服务一文，获取有关 JSON 定义中的属性的说明。

机器学习工作室（经典）支持将经典 Web 服务和新 Web 服务用于预测试验。可以从数据工厂或 Synapse Analytics 选择要使用的合适 Web 服务。若要获取创建机器学习工作室（经典）链接服务所需的信息，请转到 https://services.azureml.net ，其中列出了所有（新式）Web 服务和经典 Web 服务。单击要访问的 Web 服务，然后单击“使用”页。复制主密钥作为 apiKey 属性，复制批处理请求作为 mlEndpoint 属性。

ML Studio (classic) Web Services

ML 工作室（经典）批处理执行活动

以下 JSON 代码片段定义了一个 ML 工作室（经典）批处理执行活动。活动定义包含对先前创建的 ML 工作室（经典）链接服务的引用。

{
    "name": "AzureMLExecutionActivityTemplate",
    "description": "description",
    "type": "AzureMLBatchExecution",
    "linkedServiceName": {
        "referenceName": "AzureMLLinkedService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "webServiceInputs": {
            "<web service input name 1>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path1"
            },
            "<web service input name 2>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path2"
            }
        },
        "webServiceOutputs": {
            "<web service output name 1>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path3"
            },
            "<web service output name 2>": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"path4"
            }
        },
        "globalParameters": {
            "<Parameter 1 Name>": "<parameter value>",
            "<parameter 2 name>": "<parameter 2 value>"
        }
    }
}

属性	描述	必需
name	管道中活动的名称	是
description	描述活动用途的文本。	否
type	对于 Data Lake Analytics U-SQL 活动，活动类型是 AzureMLBatchExecution。	是
linkedServiceName	ML 工作室（经典）链接服务的链接服务。若要了解此链接服务，请参阅计算链接服务一文。	是
webServiceInputs	映射 ML 工作室（经典）Web 服务输入名称的键/值对。键必须与已发布 ML 工作室（经典）Web 服务中定义的输入参数匹配。值是 Azure 存储链接服务和指定输入 Blob 位置的 FilePath 属性对。	否
webServiceOutputs	映射 ML 工作室（经典）Web 服务输出名称的键/值对。键必须与已发布 ML 工作室（经典）Web 服务中定义的输出参数匹配。值是 Azure 存储链接服务和指定输出 Blob 位置的 FilePath 属性对。	否
globalParameters	要传递到 ML 工作室（经典）批处理执行服务终结点的键/值对。键必须与已发布 ML 工作室（经典）中定义的 Web 服务参数名称匹配。值在 ML 工作室（经典）批处理执行请求的 GlobalParameters 属性中传递	否

方案 1：使用 Web 服务输入/输出（引用 Azure Blob 存储中的数据）的试验

在本方案中，机器学习工作室（经典）Web 服务使用 Azure Blob 存储中某文件的数据进行预测，并将预测结果存储在 Blob 存储中。以下 JSON 定义了包含 AzureMLBatchExecution 活动的管道。使用 LinkedName 和 FilePath 对引用 Azure Blog 存储中的输入和输出数据。在本示例中，输入和输出的链接服务是不同的，可对服务的每个输入/输出使用不同的链接服务，以便能够选取合适的文件并将其发送到机器学习工作室（经典）Web 服务。

重要

在 ML 工作室（经典）试验中，Web 服务输入和输出端口及全局参数具有可自定义的默认名称（“input1”、“input2”）。用于 webServiceInputs、webServiceOutputs 和 globalParameters 设置的名称必须与实验中的名称完全匹配。可在 ML 工作室（经典）终结点的“批处理执行帮助”页上查看示例请求有效负载，验证预期映射。

{
    "name": "AzureMLExecutionActivityTemplate",
    "description": "description",
    "type": "AzureMLBatchExecution",
    "linkedServiceName": {
        "referenceName": "AzureMLLinkedService",
        "type": "LinkedServiceReference"
    },
    "typeProperties": {
        "webServiceInputs": {
            "input1": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest/input/in1.csv"
            },
            "input2": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService1",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest/input/in2.csv"
            }
        },
        "webServiceOutputs": {
            "outputName1": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest2/output/out1.csv"
            },
            "outputName2": {
                "LinkedServiceName":{
                    "referenceName": "AzureStorageLinkedService2",
                    "type": "LinkedServiceReference"
                },
                "FilePath":"amltest2/output/out2.csv"
            }
        }
    }
}

方案 2：使用读取器/写入器模块引用各种存储中的数据的试验

创建 ML 工作室（经典）试验时，另一种常见方案是使用“导入数据”和“输出数据”模块。 “导入数据”模块用于将数据加载到试验，“输出数据”模块用于保存试验中的数据。有关“导入数据”和“输出数据”模块的详细信息，请参阅 MSDN 库中的导入数据和输出数据主题。

使用“导入数据”和“输出数据”模块时，最好对这些模块的每个属性使用 Web 服务参数。使用这些 Web 参数，可在运行时配置值。例如，可通过使用 Azure SQL 数据库 XXX.database.windows.net 的“导入数据”模块创建试验。部署 Web 服务后，需要让 Web 服务使用者能够指定另一个名为 YYY.database.windows.net 的逻辑 SQL Server。 Web 服务参数可用于允许配置此值。

注意

Web 服务输入和输出与 Web 服务参数不同。在第一个方案中，已了解了可为 ML 工作室（经典）Web 服务指定输入和输出的方法。在此方案中，为 Web 服务传递对应于“导入数据”/“输出数据”模块属性的参数。

我们来看看使用 Web 服务参数的情况。有一个已部署的 ML 工作室（经典）Web 服务，它使用读取器模块从 ML 工作室（经典）支持的一个数据源（例如：Azure SQL 数据库）读取数据。完成批处理执行后，使用读取器模块（Azure SQL 数据库）写入结果。实验中未定义任何 Web 服务输入和输出。在此情况下，建议为读取器和编写器模块配置相关的 Web 服务参数。此配置允许在使用 AzureMLBatchExecution 活动时配置读取器/编写器模块。在活动 JSON 中的 globalParameters 部分指定 Web 服务参数，如下所示。

"typeProperties": {
    "globalParameters": {
        "Database server name": "<myserver>.database.windows.net",
        "Database name": "<database>",
        "Server user account name": "<user name>",
        "Server user account password": "<password>"
    }
}

注意

Web 服务参数区分大小写，因此请确保活动 JSON 中指定的名称与 Web 服务公开的名称相匹配。

参阅以下文章了解如何以其他方式转换数据：