從 Studio 遷移至 Azure 機器學習 （傳統）
重要
機器學習 Studio（傳統版）的支援將於 2024 年 8 月 31 日結束。 建議您依該日期轉換至 Azure 機器學習。
在 2021 年 12 月之後，您無法再建立新的 Studio （傳統） 資源。 到 2024 年 8 月 31 日，您可以繼續使用現有的 Studio（傳統版）資源。
Studio （傳統版） 檔即將淘汰，未來可能不會更新。
瞭解如何從 機器學習 Studio （傳統版） 遷移至 Azure 機器學習。 Azure Machine Learning 提供結合無程式碼和程式碼優先方法的現代化資料科學平台。
本指南逐步解說基本 隨即轉移 。 如果您想要優化現有的機器學習工作流程，或將機器學習平臺現代化，請參閱 Azure 機器學習 採用架構以取得更多資源，包括數位問卷工具、工作表和規劃範本。
請與您的雲端解決方案架構師合作進行移轉。
建議的方法
若要遷移至 Azure Machine Learning，建議您採用下列方法：
- 步驟 1：存取 Azure Machine Learning
- 步驟 2：定義策略和計畫
- 步驟 3：重建實驗和 Web 服務
- 步驟 4：整合用戶端應用程式
- 步驟 5：清理工作室 (傳統) 資產
- 步驟 6：檢閱和展開案例
步驟 1：存取 Azure Machine Learning
瞭解 Azure 機器學習 及其優點、成本和架構。
比較 Azure Machine Learning 和工作室 (傳統) 的功能。
下表摘要說明主要差異。
功能 Studio (傳統) Azure Machine Learning 拖放介面 傳統體驗 更新的體驗：Azure 機器學習 設計工具 程式碼 SDK 不支援 與 Azure Machine Learning Python 和 R SDK 完全整合 Experiment 可調整規模 (有 10 GB 的定型資料限制) 使用計算目標進行調整 定型計算目標 專屬計算目標，僅限 CPU 支援 廣泛的可 自定義定型計算目標;包括 GPU 和 CPU 支援 部署計算目標 專屬 Web 服務格式 (不可自訂) 廣泛的可 自定義部署計算目標;包括 GPU 和 CPU 支援 機器學習管線 不支援 建立彈性的模組化管線來自動化工作流程 MLOps 基本模型管理和部署;僅限 CPU 部署 實體版本控制（模型、數據、工作流程）、工作流程自動化、與 CICD 工具、CPU 和 GPU 部署整合等等 模型格式 專屬格式，僅限 Studio (傳統) 視訓練作業類型而定的多種支援格式 自動化模型定型和超參數調整 不支援 支援
程式代碼優先和無程式代碼選項資料漂移偵測 不支援 支援 資料標記專案 不支援 支援 角色型存取控制 (RBAC) 僅限參與者和擁有者角色 彈性的角色定義和 RBAC 控制項 AI 資源庫 支援 不支援
使用 範例 Python SDK 筆記本來學習注意
Azure 機器學習 中的設計工具功能提供類似 Studio （傳統） 的拖放體驗。 不過，Azure Machine Learning 也會提供健全的程式碼優先工作流程做為替代方案。 此移轉系列著重在設計工具，因為其與工作室 (傳統) 體驗最為類似。
確認 Azure Machine Learning 設計工具支援您的重要工作室 (傳統) 模組。 如需詳細資訊，請參閱 Studio（傳統版）和設計工具元件對應 數據表。
步驟 2：定義策略和計畫
定義業務理由和預期的成果。
將可採取動作的 Azure Machine Learning 採用方案與業務成果保持一致。
準備人員、程序和環境以進行變更。
請與您的雲端解決方案架構師合作，以定義您的策略。
如需規劃資源，包括規劃文件範本，請參閱 Azure 機器學習 採用架構。
步驟 3：重建您的第一個模型
定義策略之後，請移轉您的第一個模型。
使用 Azure 機器學習 設計工具重建實驗。
使用 Azure 機器學習 設計工具重新部署 Web 服務。
注意
本指南是以 Azure 機器學習 v1 概念和功能為基礎所建置。 Azure Machine Learning 具有 CLI v2 和 Python SDK v2。 建議您使用 v2 來重建 Studio（傳統版）模型，而不是 v1。 從 Azure 機器學習 v2 開始。
步驟 4：整合用戶端應用程式
修改叫用工作室 (傳統) Web 服務的用戶端應用程式，以使用新的 Azure Machine Learning 端點。
步驟 5：清理工作室 (傳統) 資產
若要避免額外費用， 請清除 Studio （傳統） 資產。 在驗證 Azure 機器學習 工作負載之前，您可能會想要保留資產以進行後援。
步驟 6：檢閱和展開案例
請檢閱模型移轉以取得最佳做法，並驗證工作負載。
展開案例，並將更多工作負載遷移至 Azure 機器學習。
工作室 (傳統) 和設計工具元件對應
請參閱下表，以查看在 Azure 機器學習 設計工具中重建 Studio（傳統）實驗時要使用的模組。
重要
設計工具會透過開放原始碼 Python 套件 (而非 C# 套件，例如工作室 (傳統)) 來實作模組。 由於這項差異，設計工具元件的輸出可能會與其 Studio（傳統）對應專案稍有不同。
| 類別 | 工作室 (傳統) 模組 | 取代設計工具元件 |
|---|---|---|
| 資料輸入和輸出 | - 手動輸入數據 - 匯出數據 - 匯入數據 - 載入定型模型 - 解壓縮壓縮的數據集 |
- 手動輸入數據 - 匯出數據 - 匯入數據 |
| 數據格式轉換 | - 轉換成 CSV - 轉換成數據集 - 轉換成 ARFF - 轉換成 SVMLight - 轉換成 TSV |
- 轉換成 CSV - 轉換成數據集 |
| 數據轉換 – 操作 | - 新增數據行 - 新增數據列 - 套用 SQL 轉換 - 清除遺漏的數據 - 轉換成指標值 - 編輯元數據 - 聯結數據 - 移除重複的數據列 - 選取資料集中的數據行 - 選取資料行轉換 -擊打 - 群組類別值 |
- 新增數據行 - 新增數據列 - 套用 SQL 轉換 - 清除遺漏的數據 - 轉換成指標值 - 編輯元數據 - 聯結數據 - 移除重複的數據列 - 選取資料集中的數據行 - 選取資料行轉換 -擊打 |
| 數據轉換 – 調整和減少 | - 裁剪值 - 將數據分組到量化 - 正規化數據 - 主體元件分析 |
- 裁剪值 - 將數據分組到量化 - 正規化數據 |
| 數據轉換 – 範例和分割 | - 資料分割和範例 - 分割數據 |
- 資料分割和範例 - 分割數據 |
| 數據轉換 – 篩選 | - 套用篩選 - FIR 篩選 - IIR 篩選 - 中間值篩選 - 移動平均篩選 - 臨界值篩選 - 使用者定義的篩選 |
|
| 數據轉換 – 使用計數學習 | - 建置計數轉換 - 匯出計數數據表 - 匯入計數數據表 - 合併計數轉換 - 修改計數數據表參數 |
|
| 特徵選取 | - 篩選型特徵選取 - 費舍爾線性辨別分析 - 排列特徵重要性 |
- 篩選型特徵選取 - 排列特徵重要性 |
| 模型 – 分類 | - 多類別決策樹系 - 多元決策叢林 - 多類別羅吉斯回歸 - 多類別類神經網路 - 一對多類別 - 雙類別平均感知器 - 兩級貝氏點機 - 雙類別提升判定樹 - 雙類別判定樹系 - 兩級決策叢林 - 兩個類別的本機深層 SVM - 雙類別羅吉斯回歸 - 雙類別類神經網路 - 雙類別支援向量機器 |
- 多類別決策樹系 - 多類別提升判定樹 - 多類別羅吉斯回歸 - 多類別類神經網路 - 一對多類別 - 雙類別平均感知器 - 雙類別提升判定樹 - 雙類別判定樹系 - 雙類別羅吉斯回歸 - 雙類別類神經網路 - 雙類別支援向量機器 |
| 模型 – 叢集 | - K-Means 叢集 | - K-Means 叢集 |
| 模型 – 回歸 | - 貝氏線性回歸 - 提升式判定樹回歸 - 決策樹系回歸 - 快速樹系分位數回歸 - 線性回歸 - 類神經網路回歸 - 序數回歸 - 波氏回歸 |
- 提升式判定樹回歸 - 決策樹系回歸 - 快速樹系分位數回歸 - 線性回歸 - 類神經網路回歸 - 波氏回歸 |
| 模型 – 異常偵測 | - 一級 SVM - PCA 型異常偵測 |
- PCA 型異常偵測 |
| 機器學習 - 評估 | - 交叉驗證模型 - 評估模型 - 評估推薦程式 |
- 交叉驗證模型 - 評估模型 - 評估推薦程式 |
| 機器學習 - 定型 | - 掃掠叢集 - 定型異常偵測模型 - 定型叢集模型 - 訓練 matchbox 建議工具 - 定型模型 - 微調模型超參數 |
- 定型異常偵測模型 - 定型叢集模型 - 定型模型 - 定型 PyTorch 模型 - 訓練 SVD 推薦工具 - 訓練寬和深層推薦 - 微調模型超參數 |
| 機器學習 - 計分 | - 套用轉換 - 將數據指派給叢集 - 分數比對方塊推薦 - 評分模型 |
- 套用轉換 - 將數據指派給叢集 - 評分影像模型 - 評分模型 - 評分 SVD 推薦程式 - 分數寬和深層推薦 |
| OpenCV 連結庫模組 | - 匯入影像 - 預先定型的串聯影像分類 |
|
| Python 語言模組 | - 執行 Python 腳稿 | - 執行 Python 腳稿 - 建立 Python 模型 |
| R 語言模組 | - 執行 R 文稿 - 建立 R 模型 |
- 執行 R 文稿 |
| 統計函式 | - 套用數學運算 - 計算基本統計數據 - 計算線性相互關聯 - 評估機率函數 - 取代離散值 - 摘要數據 - 使用 t-Test 測試假設 |
- 套用數學運算 - 摘要數據 |
| 文字分析 | - 偵測語言 - 從文字擷取關鍵片語 - 從文字擷取 N-gram 特徵 - 功能哈希 - 延遲 dirichlet 配置 - 具名實體辨識 - 前置處理文字 - 評分 vVowpal Wabbit 7-10 版模型 - 評分 Vowpal Wabbit 第 8 版模型 - 定型 Vowpal Wabbit 7-10 版模型 - 定型 Vowpal Wabbit 第 8 版模型 |
- 將 Word 轉換成向量 - 從文字擷取 N-gram 特徵 - 功能哈希 - 延遲 dirichlet 配置 - 前置處理文字 - 評分 Vowpal Wabbit 模型 - 定型 Vowpal Wabbit 模型 |
| 時間序列 | - 時間序列異常偵測 | |
| Web 服務 | -輸入 - Output |
-輸入 - Output |
| 電腦視覺 | - 套用影像轉換 - 轉換成映像目錄 - Init 影像轉換 - 分割映像目錄 - DenseNet 影像分類 - ResNet 影像分類 |
如需如何使用個別設計工具元件的詳細資訊，請參閱 演算法和元件參考。
如果遺漏設計工具元件，該怎麼辦？
Azure Machine Learning 設計工具包含工作室 (傳統) 中最受歡迎的模組。 其也包含新的模組，可利用最新的機器學習技術。
如果您的移轉由於設計工具中遺漏模組而遭到封鎖，請建立支援票證來與我們聯絡。
範例移轉
下列移轉範例會醒目提示 Studio （傳統） 與 Azure 機器學習 之間的一些差異。
資料集
在工作室 (傳統) 中，[資料集] 已儲存在您的工作區中，且只有工作室 (傳統) 可以使用。
在 Azure Machine Learning 中，[資料集] 會註冊到工作區，並可在所有 Azure Machine Learning 上使用。 如需 Azure 機器學習 數據集優點的詳細資訊，請參閱 Azure 機器學習 中的數據。
管線
在工作室 (傳統) 中，[實驗] 包含工作的處理邏輯。 您使用拖放模組來建立實驗。
在 Azure Machine Learning 中，[管線] 包含工作的處理邏輯。 您可以使用拖放模組或撰寫程式碼來建立管線。
Web 服務端點
工作室 (傳統) 使用 [REQUEST/RESPOND API] 來進行即時預測，以及使用 [BATCH EXECUTION API] 來進行批次預測或重新定型。
Azure Machine Learning 會使用即時端點 (受控端點) 來進行即時預測，以及使用 管線端點來進行批次預測或重新訓練。
相關內容
在本文中，您已了解遷移至 Azure Machine Learning 的高階需求。 如需詳細步驟，請參閱 機器學習 Studio （傳統） 移轉系列中的其他文章：
如需更多移轉資源，請參閱 Azure 機器學習 採用架構。