使用更新資源活動更新 Machine Learning 工作室 (傳統) 模型

發行項
04/26/2024

適用於：Azure Data Factory Azure Synapse Analytics

提示

試用 Microsoft Fabric 中的 Data Factory，這是適用於企業的全方位分析解決方案。 Microsoft Fabric 涵蓋從資料移動到資料科學、即時分析、商業智慧和報告的所有項目。了解如何免費開始新的試用！

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源 (工作區與 Web 服務方案)。在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 實驗與 Web 服務。

請參閱將機器學習專案從 ML 工作室 (傳統) 移至 Azure Machine Learning 的相關資訊。
深入了解 Azure Machine Learning

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

注意

由於 2021 年 12 月 1 日以後再也無法建立 Machine Learning 工作室 (傳統) 資源，因此建議使用者搭配使用 Azure Machine Learning 與 Machine Learning 執行管線活動，而不是使用更新資源活動來更新 Machine Learning 工作室 (傳統) 模型。

本文補充主要 Machine Learning 工作室 (傳統) 整合文章：使用 Machine Learning 工作室 (傳統) 建立預測管線。如果您尚未檢閱主要文件，請在閱讀這篇文章之前先這麼做。

概觀

進行 Machine Learning 工作室 (傳統) 模型的實作程序時，需要定型並儲存您的模型。接著，使用它來建立預測性 Web 服務。接著才能在網站、儀表板及行動應用程式取用 Web 服務。

您使用 Machine Learning 工作室 (傳統) 建立的模型通常不是靜態。因為當有新資料或 API 取用者有自己的資料時，模型就必須重新定型。

重新定型可能經常會發生。使用批次執行活動與更新資源活動，您可以實作 Machine Learning 工作室 (傳統) 模型重新定型，並更新預測 Web 服務。

下圖描述定型與預測 Web 服務之間的關聯性。

Web services

Machine Learning Studio (傳統) 更新資源活動

下列 JSON 程式碼片段定義 Machine Learning 工作室 (傳統) 批次執行活動。

{
    "name": "amlUpdateResource",
    "type": "AzureMLUpdateResource",
    "description": "description",
    "linkedServiceName": {
        "type": "LinkedServiceReference",
        "referenceName": "updatableScoringEndpoint2"
    },
    "typeProperties": {
        "trainedModelName": "ModelName",
        "trainedModelLinkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "StorageLinkedService"
                },
        "trainedModelFilePath": "ilearner file path"
    }
}

屬性	描述	必要
NAME	管線中的活動名稱	Yes
description	說明活動用途的文字。	No
type	對於 Machine Learning 工作室 (傳統) 更新資源活動，活動類型為 AzureMLUpdateResource。	Yes
linkedServiceName	包含 updateResourceEndpoint 屬性的 Machine Learning 工作室 (傳統) 連結服務。	Yes
trainedModelName	要更新之 Web 服務實驗中的「定型模型」模組名稱	Yes
trainedModelLinkedServiceName	具備由更新作業上傳之 ilearner 檔案的 Azure 儲存體連結服務名稱	Yes
trainedModelFilePath	trainedModelLinkedService 中的相對檔案路徑，表示由更新作業上傳的 ilearner 檔案	Yes

端對端工作流程

實作重新定型模組和更新預測 Web 服務的整個程序會叫用下列步驟：

使用批次執行活動叫用定型 Web 服務。叫用定型 Web 服務與使用 Machine Learning 工作室 (傳統) 和批次執行活動建立預測管線中說明的叫用預測 Web 服務相同。定型 Web 服務的輸出是 iLearner 檔案，您可以使用該檔案來更新預測 Web 服務。
您可以使用 [更新資源活動] 來叫用預測 Web 服務的更新資源端點，以將 Web 服務更新為新定型的模型。

Machine Learning 工作室 (傳統) 連結服務

對於上述的端對端工作流程，您必須建立兩個 Machine Learning 工作室 (傳統) 連結服務：

Machine Learning 工作室 (傳統) 連結服務至定型 Web 服務，此連結服務以使用 Machine Learning 工作室 (傳統) 和批次執行活動建立預測管線中所述的相同方式，由批次執行活動使用。差別在於定型 Web 服務的輸出是 iLearner 檔案，更新資源活動使用該檔案以更新預測 Web 服務。
Machine Learning 工作室 (傳統) 連結服務至預測 Web 服務的更新資源端點。更新資源活動會使用此連結服務，以利用上述步驟傳回的 iLearner 檔案，更新預測 Web 服務。

對於第二個 Machine Learning 工作室 (傳統) 連結服務，當您的 Machine Learning 工作室 (傳統) Web 服務是傳統的 Web 服務或新的 Web 服務時，設定是不同的。差異會在下列各節分別進行討論。

Web 服務是新的 Azure Resource Manager Web 服務

如果 Web 服務是會公開 Azure Resource Manager 端點的新 Web 服務類型，您不需要新增第二個「非預設」端點。連結服務中 updateResourceEndpoint 的格式如下︰

https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview

在 Machine Learning 工作室 (傳統) Web 服務入口網站上查詢 Web 服務時，您可以取得 URL 中預留位置的值。

新類型的更新資源端點需要服務主體驗證。若要使用服務主體驗證，請在 Microsoft Entra ID 中註冊應用程式實體，並授與 Web 服務所屬之訂用帳戶或資源群組的參與者或擁有者角色。請參閱如何建立服務主體及指派權限來管理 Azure 資源。請記下以下的值，您可以使用這些值來定義連結服務：

Application ID
應用程式金鑰
租用戶識別碼

以下是連結服務定義範例︰

{
    "name": "AzureMLLinkedService",
    "properties": {
        "type": "AzureML",
        "description": "The linked service for AML web service.",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/0000000000000000	000000000000000000000/services/0000000000000000000000000000000000000/jobs?api-version=2.0",
            "apiKey": {
                "type": "SecureString",
                "value": "APIKeyOfEndpoint1"
            },
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview",
            "servicePrincipalId": "000000000-0000-0000-0000-0000000000000",
            "servicePrincipalKey": {
                "type": "SecureString",
                "value": "servicePrincipalKey"
            },
            "tenant": "mycompany.com"
        }
    }
}

下列案例提供更多詳細資料，其中包含從管線重新訓練和更新 Machine Learning 工作室 (傳統) 模型的範例。

範例：重新定型和更新 Machine Learning 工作室 (傳統) 模型

本節提供一個使用 Azure Machine Learning 工作室 (傳統) 批次執行活動來重新訓練模型的範例管線。此管線也會使用 Azure Machine Learning 工作室 (傳統) 更新資源活動來更新評分 Web 服務中的模型。本節還會提供範例中所有連結服務、資料集和管線的 JSON 程式碼片段。

Azure Blob 儲存體連結服務：

Azure 儲存體會保留下列資料：

訓練資料。 Machine Learning 工作室 (傳統) 定型 Web 服務的輸入資料。
iLearner 檔案。 Machine Learning 工作室 (傳統) 定型 Web 服務的輸出。此檔案也是更新資源活動的輸入。

以下是連結服務的範例 JSON 定義：

{
    "name": "StorageLinkedService",
    "properties": {
        "type": "AzureStorage",
        "typeProperties": {
            "connectionString": "DefaultEndpointsProtocol=https;AccountName=name;AccountKey=key"
        }
    }
}

Machine Learning 工作室 (傳統) 定型端點的已連結服務

下列 JSON 程式碼片段定義的 Machine Learning 工作室 (傳統) 連結服務可指向訓練 Web 服務的預設端點。

{
    "name": "trainingEndpoint",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/xxx/services/--training experiment--/jobs",
            "apiKey": "myKey"
        }
    }
}

在 Azure Machine Learning 工作室 (傳統) 中，依下列方式取得 mlEndpoint 和 apiKey 的值：

按一下左功能表中的 [ Web 服務 ]。
按一下 Web 服務清單中的 訓練 Web 服務 。
按一下 [API 金鑰] 文字方塊旁的 [複製]。將剪貼簿中的金鑰貼到 Data Factory JSON 編輯器中。
在 Azure Machine Learning 工作室 (傳統) 中，按一下 [批次執行] 連結。
從 [要求] 區段複製 [要求 URI] 並將其貼到 JSON 編輯器中。

Azure Machine Learning 工作室 (傳統) 可更新評分端點的已連結服務：

下列 JSON 程式碼片段定義 Azure Machine Learning 工作室 (傳統) 連結服務可指向評分 Web 服務的可更新端點。

{
    "name": "updatableScoringEndpoint2",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/00000000eb0abe4d6bbb1d7886062747d7/services/00000000026734a5889e02fbb1f65cefd/jobs?api-version=2.0",
            "apiKey": "sooooooooooh3WvG1hBfKS2BNNcfwSO7hhY6dY98noLfOdqQydYDIXyf2KoIaN3JpALu/AKtflHWMOCuicm/Q==",
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/00000000-0000-0000-0000-000000000000/resourceGroups/Default-MachineLearning-SouthCentralUS/providers/Microsoft.MachineLearning/webServices/myWebService?api-version=2016-05-01-preview",
            "servicePrincipalId": "fe200044-c008-4008-a005-94000000731",
            "servicePrincipalKey": "zWa0000000000Tp6FjtZOspK/WMA2tQ08c8U+gZRBlw=",
            "tenant": "mycompany.com"
        }
    }
}

管線

管線有兩個活動：AzureMLBatchExecution 和 AzureMLUpdateResource。批次執行活動會以定型資料作為輸入，並產生 iLearner 檔案作為輸出。接著，更新資源活動會採用該 iLearner 檔案來更新預測 Web 服務。

{
    "name": "LookupPipelineDemo",
    "properties": {
        "activities": [
            {
                "name": "amlBEGetilearner",
                "description": "Use AML BES to get the ileaner file from training web service",
                "type": "AzureMLBatchExecution",
                "linkedServiceName": {
                    "referenceName": "trainingEndpoint",
                    "type": "LinkedServiceReference"
                },
                "typeProperties": {
                    "webServiceInputs": {
                        "input1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        },
                        "input2": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        }
                    },
                    "webServiceOutputs": {
                        "output1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/output"
                        }
                    }
                }
            },
            {
                "name": "amlUpdateResource",
                "type": "AzureMLUpdateResource",
                "description": "Use AML Update Resource to update the predict web service",
                "linkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "updatableScoringEndpoint2"
                },
                "typeProperties": {
                    "trainedModelName": "ADFV2Sample Model [trained model]",
                    "trainedModelLinkedServiceName": {
                        "type": "LinkedServiceReference",
                        "referenceName": "StorageLinkedService"
                    },
                    "trainedModelFilePath": "azuremltesting/output/newModelForArm.ilearner"
                },
                "dependsOn": [
                    {
                        "activity": "amlbeGetilearner",
                        "dependencyConditions": [ "Succeeded" ]
                    }
                ]
            }
        ]
    }
}

請參閱下列文章，其說明如何以其他方式轉換資料：