机器学习工作室（经典）模型如何从试验逐步演变为 Web 服务
适用于：
机器学习工作室（经典）
Azure 机器学习
重要
对机器学习工作室（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。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 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）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
机器学习工作室（经典）提供交互式画布，使你能开发、运行、测试和迭代表示预测分析模型的试验。 有大量各种不同的模块可用于：
- 将数据输入到实验
- 操作该数据
- 使用机器学习算法训练模型
- 为模型评分
- 评估结果
- 输出最终值
对试验感到满意后，可以将其部署为机器学习（经典）Web 服务或 Azure 机器学习 Web 服务，以便用户可以向其发送新的数据，并接收返回的结果。
在本文中，我们提供了有关机器学习模型如何从开发实验逐步进展为运营 Web 服务的机制概述。
注意
还有其他方法可用于开发和部署机器学习模型，但本文的重点是如何使用机器学习工作室（经典）。 例如，若要阅读如何使用 R 创建经典预测 Web 服务的说明，请参阅博客文章使用 RStudio 和 Azure 机器学习工作室生成和部署预测 Web 应用。
虽然机器学习工作室（经典版）主要是用于帮助你开发和部署预测分析模型，但也可以使用它来开发不包括预测分析模型的试验。 例如，实验可能只是输入数据，对其进行操作，并输出结果。 就像预测分析试验一样，可以将此非预测试验部署为 Web 服务，但它是一个更简单的过程，因为试验不会对机器学习模型进行训练或评分。 尽管这不是使用工作室（经典）的典型方法，但我们会在讨论中探讨它，以便可以提供有关工作室（经典）工作原理的完整说明。
开发和部署预测性 Web 服务
以下是在使用机器学习工作室（经典）进行开发和部署时典型解决方案所遵循的各个阶段：
图 1 - 典型预测分析模型的各个阶段
训练实验
训练实验是在机器学习工作室（经典）中开发 Web 服务的初始阶段。 训练实验的目的是提供一个开发、测试、循环访问和最终定型机器学习模型的环境。 在寻找最佳解决方案时，甚至可以同时训练多个模型，但完成实验后，你将选择一个已训练的模型，并去除实验中的其余部分。 有关开发预测分析实验的示例，请参阅在机器学习工作室（经典版）中开发用于信用风险评估的预测分析解决方案。
预测性实验
在训练实验中具有已训练的模型后，在机器学习工作室（经典）中单击“设置 Web 服务”，然后选择“预测性 Web 服务”，以启动将训练实验转换为预测性实验的过程 。 预测性实验旨在使用定型模型对新数据进行评分，目的是为了最终变得如 Azure Web 服务一样具备可操作性。
会通过以下步骤完成该转换：
- 将用于训练的模块集转换为单个模块，并将其另存为定型模型
- 去除任何与评分不相关的多余模块
- 添加最终 Web 服务将使用的输入和输出端口
可能你会有想要执行的其他更改，以使预测试验准备好部署为 Web 服务。 例如，如果想要 Web 服务仅输出结果的一部分，可以在输出端口前添加筛选模块。
在此转换过程中，不会放弃训练实验。 该过程完成后，工作室（经典）中有两个选项卡：一个用于训练实验，一个用于预测实验。 通过此方法，在部署 Web 服务之前，可以更改训练实验，并重新生成预测实验。 也可以保存一份训练实验副本，以开始另一行的实验。
注意
单击“预测 Web 服务”时，会启动将训练实验转换为预测实验的自动进程，并且这在大多数情况下可正常运行。 如果训练实验过于复杂（例如，有多种联合使用的训练途径），可能需要手动执行此转换。 有关详细信息，请参阅如何准备模型以便在机器学习工作室（经典版）中进行部署。
Web 服务
预测实验准备就绪让你感到满意后，即可基于 Azure 资源管理器将服务部署为经典 Web 服务或新的 Web 服务。 要通过将其部署为经典机器学习 Web 服务来实施模型，请单击“部署 Web 服务”，然后选择“部署 Web 服务[经典] ”。 要作为新的机器学习 Web 服务进行部署，请单击“部署 Web 服务”，并选择“部署 Web 服务[新] ”。 用户现在可以使用 Web 服务 REST API 将数据发送到模型并接收返回的结果。 有关详细信息，请参阅如何使用机器学习 Web 服务。
非典型情况：创建一个非预测性的 Web 服务
如果实验没有对预测分析模型进行训练，则无需创建训练实验和评分实验 - 只有一个实验，并且可以将其部署为 Web 服务。 机器学习工作室（经典）可通过分析所使用的模块，检测实验是否包含预测性模型。
在迭代实验并感到满意后：
- 单击“设置 Web 服务”，然后选择“重新训练 Web 服务” - 会自动添加输入和输出节点
- 单击“运行”
- 单击“部署 Web 服务”，并选择“部署 Web 服务[经典] ”或“部署 Web 服务[新] ”，具体取决于要部署的环境。
Web 服务现已部署，并且可以像预测的 Web 服务一样对其进行访问和管理。
更新 Web 服务
至此，已经将实验部署为 Web 服务，如果需要更新它呢？
这取决于需要更新的内容：
是要更改输入或输出，还是要修改 Web 服务操作数据的方式
如果不更改该模型，而只是更改 Web 服务处理数据的方式，则可以编辑预测试验，然后单击“部署 Web 服务”，再次选择“部署 Web 服务[经典]”或“部署 Web 服务[新]”。 Web 服务将停止，会对更新的预测实验进行部署，并重新启动 Web 服务。
下面是一个示例：假设预测试验返回输入数据的整个行与预测结果。 可能决定想要 Web 服务只返回结果。 那么，可以在预测实验中添加项目列，紧接在输出端口前，以排除除了结果之外的列。 单击“部署 Web 服务”时，并再次选择“部署 Web 服务[经典] ”或“部署 Web 服务[新] ”，Web 服务将更新。
想要使用新数据重新训练模型
如果要保留机器学习模型，但希望使用新数据对其进行重新训练，有两个选择：
在 Web 服务运行时重新训练模型 - 如果要在预测 Web 服务正在运行时重新训练模型，可以对训练实验进行一些修改，使其成为一个重新训练实验，然后就可以将其部署为一个重新训练 Web 服务。 有关如何执行此操作的说明，请参阅以编程方式重新训练机器学习模型。
返回原始训练实验并使用不同的训练数据来开发模型 - 预测实验链接到 Web 服务，但训练实验不是以此方式直接链接。 如果修改原始训练实验并单击“设置 Web 服务”，它将创建一个新的预测实验，该实验在部署时会创建一项新的 Web 服务。 它不只是更新原始 Web 服务。
如果需要修改训练实验，请打开它并单击“另存为”以制作副本。 这会使原始训练实验、预测实验和 Web 服务保持不变。 现在可以使用更改来创建新的 Web 服务。 部署了新的 Web 服务后，可以决定是否要停止以前的 Web 服务，或使其与新的服务一起运行。
想要训练不同的模型
如果想更改原始预测实验，如选择不同的计算机学习算法、尝试不同的训练方法等，则需要按照上述重新训练模型的第二个过程：打开培训实验，单击“另存为”来创建一个副本，并在新路径下开始开发模型、创建预测实验和部署 Web 服务。 这会创建一个与原始 Web 服务无关的新的 Web 服务 - 可以决定运行其中一个，或两个都保持运行。
后续步骤
有关开发和实验过程的详细信息，请参阅以下文章：
- 转换实验 - 如何准备模型以便在机器学习工作室（经典版）中进行部署
- 部署 Web 服务 - 部署机器学习 Web 服务
- 重新训练模型 - 以编程方式重新训练机器学习模型
有关整个过程的示例，请参阅：