使用 ONNX 在 Azure SQL Edge 上部署 ML 模型
重要
Azure SQL Edge 不再支援 ARM64 平台。
在此教學課程三部曲的第三部分中,若要在 Azure SQL Edge 中預測鐵礦中的雜質含量,您必須:
- 使用 Azure Data Studio 連線到 Azure SQL Edge 執行個體中的 SQL Database。
- 使用 Azure SQL Edge 中的 ONNX 來預測鐵礦中的雜質含量。
主要元件
解決方案在傳送至 Edge 中樞的每個訊息之間使用預設的 500 毫秒。 這可以在 Program.cs 檔案中變更
TimeSpan messageDelay = configuration.GetValue("MessageDelay", TimeSpan.FromMilliseconds(500));
解決方案產生了具有下列屬性的訊息。 依據需求新增或移除屬性。
{ timestamp cur_Iron_Feed cur_Silica_Feed cur_Starch_Flow cur_Amina_Flow cur_Ore_Pulp_pH cur_Flotation_Column_01_Air_Flow cur_Flotation_Column_02_Air_Flow cur_Flotation_Column_03_Air_Flow cur_Flotation_Column_04_Air_Flow cur_Flotation_Column_01_Level cur_Flotation_Column_02_Level cur_Flotation_Column_03_Level cur_Flotation_Column_04_Level cur_Iron_Concentrate }
連線到 Azure SQL Edge 執行個體中的 SQL Database,以定型、部署及測試 ML 模型
開啟 Azure Data Studio。
在歡迎使用索引標籤中,使用下列詳細資料開始新的連線:
欄位 值 連線類型 Microsoft SQL Server 伺服器 在此示範中建立的 VM 中提到的公用 IP 位址 使用者名稱 sa 密碼 建立 Azure SQL Edge 執行個體時所使用的強式密碼 Database 預設 伺服器群組 預設 名稱 (選擇性) 提供選用的名稱 選取 Connect。
在 [檔案] 區段中,從您在機器上複製專案檔的資料夾中開啟
/DeploymentScripts/MiningProcess_ONNX.jpynb
。將核心設定為 Python 3。
下一步
- 如需在 Azure SQL Edge 中使用 ONNX 模型的詳細資訊,請參閱在 SQL Edge 中使用 ONNX 的機器學習和 AI。