Machine Learning Studio (傳統) 模型如何從實驗進展為 Web 服務
適用於：
Machine Learning 工作室 (傳統)
Azure Machine Learning
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。 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) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
Machine Learning 工作室 (傳統) 提供互動式畫布，可讓您開發、執行、測試及反覆運算代表預測性分析模型的實驗。 有各種可用的模組可以︰
- 將資料輸入到實驗
- 處理資料
- 使用機器學習服務演算法來訓練模型
- 評分模型
- 評估結果
- 輸出最終值
一旦滿意實驗，您就可以將其部署為 Machine Learning (傳統) Web 服務或 Azure Machine Learning Web 服務，讓使用者可以傳送新的資料並接收結果。
在本文中我們將提供機制的概觀，說明 Machine Learning 模型如何從開發實驗進展為實際運作的 Web 服務。
注意
有其他方式可開發和部署機器學習模型，但本文著重在如何使用 Machine Learning Studio (傳統)。 例如，若要閱讀如何使用 R 來建立傳統預測性 Web 服務的說明，請參閱部落格文章使用 RStudio 和 Azure Machine Learning Studio 建置和部署預測性 Web Apps (英文)。
雖然 Machine Learning 工作室 (傳統) 的設計是為了協助您開發及部署 預測性分析模型，但可以使用工作室 (傳統) 來開發未包含預測性分析模型的實驗。 比方說，實驗可能只是輸入資料、操作資料，然後輸出結果。 如同預測性分析實驗，您可以將這個非預測實驗部署為 Web 服務，但此程序更簡單，因為實驗不會對機器學習模型進行定型或計分。 雖然通常不會這樣使用 Studio (傳統)，我們還是將其納入討論，以便提供 Studio (傳統) 運作方式的完整說明。
開發及部署預測性 Web 服務
以下是使用 Machine Learning Studio (傳統) 進行開發及部署時一般解決方案所遵循的階段：
圖 1 - 一般預測性分析模型的階段
訓練實驗
定型實驗為在 Machine Learning 工作室 (傳統) 中開發 Web 服務的初始階段。 訓練實驗的目的是要提供您開發、測試、逐一查看和最終定型機器學習模型的位置。 尋求最佳的解決方案時，您甚至可以同時定型多個模型，但是一旦完成實驗，您將選取單一定型的模型，並從實驗消除其餘部分。 如需開發預測性分析實驗的範例，請參閱 在 Machine Learning 工作室 (傳統) 中為信用風險評估開發預測性分析解決方案。
預測性實驗
當您在定型實驗中產生定型模型之後，請在 Machine Learning 工作室 (傳統) 中按一下 [設定 Web 服務]，並選取 [預測性 Web 服務]，將定型實驗轉換為預測實驗。 預測實驗的目的是要使用您的定型模型對新資料進行計分，以最終目標成為實際運作的 Azure Web 服務。
會透過下列步驟為您完成這項轉換：
- 轉換用於定型成單一模組的模組集，並將它儲存為定型的模型
- 排除與計分無關的任何多餘模組
- 新增最終的 Web 服務將使用的輸入和輸出連接埠
可能有您想要進行的變更，以讓預測實驗備妥供部署為 Web 服務。 例如，如果想要 Web 服務輸出結果的子集，您可以在輸出連接埠之前新增篩選模組。
在此轉換程序中不會捨棄訓練實驗。 程序完成時您在 Studio (傳統) 中將有兩個索引標籤：一個用於訓練實驗，而一個用於預測實驗。 以此方式，在部署您的 Web 服務之前，您可以對訓練實驗進行變更，並重建預測實驗。 或者您可以儲存一份訓練實驗，以開始另一行的實驗。
注意
按一下 [預測性 Web 服務] 時，就會開始自動化的程序，將訓練實驗轉換為預測實驗，而且這在大部分的情況下可正常運作。 如果訓練實驗很複雜 (例如，聯結在一起的訓練有多個路徑)，您可能會想要手動進行這項轉換。 如需詳細資訊，請參閱如何準備您的模型以在 Machine Learning 工作室 (傳統) 中部署。
Web 服務
一旦您認為您的預測實驗已經就緒，您就可以根據 Azure Resource Manager，將服務部署為傳統 Web 服務或新式 Web 服務。 若要將您的模型部署為傳統 Machine Learning Web 服務來運作，請按一下 [部署 Web 服務]，然後選取 [部署 Web 服務 [傳統]]。 若要部署為新式 Machine Learning Web 服務，請按一下 [部署 Web 服務]，然後選取 [部署 Web 服務 [新式]]。 使用者現在可以使用 Web 服務 REST API 將資料傳送至您的模型中並收回結果。 如需詳細資訊，請參閱如何取用 Machine Learning Web 服務。
非一般的情況：建立非預測性 Web 服務
如果實驗不會訓練預測性分析模型，則您不需要同時建立訓練實驗和評分實驗 - 只有一個實驗，而您可以將其部署為 Web 服務。 Machine Learning Studio (傳統) 可分析您所使用的模組，以偵測您的實驗是否包含預測性模型。
逐一查看實驗並滿足於該實驗之後：
- 按一下 [設定 Web 服務]，並選取 [重新訓練 Web] - 自動會新增輸入和輸出節點
- 按一下 [執行]
- 按一下 [部署 Web 服務]，然後根據您要部署的環境而定，選取 [部署 Web 服務 [傳統]] 或 [部署 Web 服務 [新式]]。
現在已部署您的 Web 服務，而且您可以如同預測性 Web 服務一般存取及管理它。
使用您的 Web 服務
現在您已將實驗部署為 Web 服務，如果需要進行更新，該怎麼做？
視您需要更新的項目而定：
您想要變更輸入或輸出，或您想要修改 Web 服務操縱資料的方式
如果您不變更模型，但只是要變更 Web 服務處理資料的方式，您可以編輯預測實驗，然後按一下 [部署 Web 服務]，再次選取 [部署 Web 服務 [傳統]] 或 [部署 Web 服務 [新式]]。 將會停止 Web 服務、部署已更新的預測實驗，然後重新啟動 Web 服務。
以下是範例：假設您的預測性實驗會傳回整列輸入資料與預測結果。 您可能決定您想要 Web 服務只傳回結果。 因此，您可以在預測性實驗中加入 專案資料行 模組，緊接在輸出連接埠之前，以便排除資料行而非結果。 當您按一下 [部署 Web 服務]，然後再次選取 [部署 Web 服務 [傳統]] 或 [部署 Web 服務 [新式]] 時，Web 服務就會更新。
您想要使用新資料重新定型模型
如果您想要保留您的機器學習模型，但您想要以新的資料重新定型，您有兩個選擇：
Web 服務執行時重新定型模型 - 如果您想要在預測性 Web 服務執行時重新定型模型，您可以藉由對定型實驗進行幾個修改，使它成為重新定型實驗，然後可以將它部署為重新定型 Web 服務。 如需如何執行這項操作的指示，請參閱 以程式設計方式重新定型機器學習服務模型。
返回原始訓練實驗並使用不同的訓練資料來開發您的模型 - 您的預測實驗連結至 Web 服務，但訓練實驗未以這種方式直接連結。 如果您修改原始的訓練實驗，並按一下 [設定 Web 服務]，它會建立新的預測實驗，部署時將會建立新的 Web 服務。 其不只是更新原始的 Web 服務。
如果您需要修改訓練實驗，請開啟它並按一下 [另存新檔] 以製作複本。 這將會原始的訓練實驗、預測實驗和 Web 服務維持不變。 您現在可以利用您的變更建立新的 Web 服務。 部署新的 Web 服務之後，可以再決定是否要停止先前的 Web 服務，或讓其隨著新的服務一起執行。
您想要定型不同的模型
如果您想要對原始預測性實驗進行變更，例如選取不同的機器學習演算法、嘗試不同的定型方法等，則您必須遵循上述用於重新定型模型的第二個程序：開啟訓練實驗、按一下 [另存新檔] 來製作副本，然後開始開發模型的新路徑、建立預測性實驗和部署 Web 服務。 這會建立與原始無關的新 Web 服務 - 您可以決定要繼續執行哪一個或兩者。
後續步驟
如需開發和實驗程序的詳細資訊，請參閱下列文章︰
- 轉換實驗 - 如何準備您的模型以在 Machine Learning 工作室 (傳統) 中部署
- 部署 Web 服務 - 部署 Machine Learning Web 服務
- 重新定型模型 - 以程式設計方式重新定型機器學習服務模型
如需整個程序的範例，請參閱：