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。

在 Azure 机器学习中重新生成工作室（经典）试验

重要

对 Azure 机器学习工作室（经典）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）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）试验和 Web 服务。有关详细信息，请参阅：

机器学习工作室（经典）文档即将停用，并且将来可能不会更新。

本文介绍如何在 Azure 机器学习中重新生成 ML 工作室（经典）试验。有关从工作室（经典）迁移的详细信息，请参阅迁移概述一文。

工作室（经典）试验与 Azure 机器学习中的管道类似。但是，在 Azure 机器学习中，管道建立在支持 SDK 的相同后端上。这意味着，可以使用两个选项来进行机器学习开发：拖放设计器或代码优先 SDK。

有关通过 SDK 生成管道的详细信息，请参阅什么是 Azure 机器学习管道。

先决条件

将数据集迁移到 Azure 机器学习后，便可以重新创建试验。

在 Azure 机器学习中，可视关系图称为“管道草稿”。在本部分中，将在管道草稿中重新创建经典试验。

重新创建工作室（经典）试验后，就可以提交“管道作业”了。

管道作业在附加到工作区的“计算目标”上执行。可以为整个管道设置默认计算目标，也可以基于每个模块指定计算目标。

从管道草稿提交作业后，它将变为“管道作业”。每个管道作业都记录在 Azure 机器学习中。

设置整个管道的默认计算目标：

完成计算目标设置后，便可以提交管道作业了：

在画布顶部选择“提交”。
选择“新建”以创建新试验。

试验将相似的管道作业组合在一起。如果多次运行管道，则可以为连续作业选择相同的试验。这对于日志记录和跟踪非常有用。
输入试验名称。然后，选择“提交”。

第一次作业可能需要 20 分钟。由于默认计算设置中的最小节点大小为 0，因此设计器必须在空闲后分配资源。连续作业所需的时间更少，因为已经分配了节点。为了提高运行速度，可以创建最小节点大小为 1 或更大的计算资源。

作业完成后，可以检查每个模块的结果：

右键单击要查看其输出的模块。
选择“可视化”、“查看输出”或“查看日志”。
- 可视化：预览结果数据集。
- 查看输出：打开指向输出存储位置的链接。可借此浏览或下载输出。
- 查看日志：查看驱动程序和系统日志。使用 70_driver_log 查看与用户提交的脚本相关的信息（如错误和异常）。

重要

设计器组件使用开放源代码 Python 包来实现机器学习算法。但是，工作室（经典）使用 Microsoft 内部 C# 库。因此，在设计器和工作室（经典）中，预测结果可能略有不同。

有时，你可能想要保存在管道中训练的模型，并稍后在另一个管道中使用该模型。在工作室（经典）中，所有已训练的模型都保存在模块列表的“已训练模型”类别中。在设计器中，已训练的模型会自动注册为具有系统生成名称的文件数据集。命名约定遵循“MD - 管道草稿名称 - 组件名称 - 已训练模型 ID”模式。

若要为已训练的模型指定有意义的名称，可以将“已训练模型”组件的输出注册为“文件数据集”。为它指定你想要的名称（例如 linear-regression-model）。

Screenshot showing how to save trained model.

可以在组件列表中的“数据集”类别中找到已训练的模型，或按名称进行搜索。然后将已训练模型连接到“评分模型”组件，以将其用于预测。

本文介绍如何在 Azure 机器学习中重新生成工作室（经典）试验。下一步是在 Azure 机器学习中重新生成 Web 服务。

请参阅工作室（经典）迁移系列中的其他文章：