在 Azure Machine Learning 中重建工作室 (傳統) 實驗
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。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
在本文中，您會了解如何在 Azure Machine Learning 中重建 ML 工作室 (傳統) 實驗。 如需從工作室 (傳統) 移轉的詳細資訊，請參閱移轉概觀文章。
工作室 (傳統) 實驗類似於 Azure Machine Learning 中的管線。 不過，在 Azure Machine Learning 中，管線建置在支援 SDK 的同一後端上。 這表示，您有兩個適用於機器學習開發的選項：拖放設計工具或程式碼優先 SDK。
如需使用 SDK 建置管線的詳細資訊，請參閱什麼是 Azure Machine Learning 管線。
必要條件
- 具有有效訂用帳戶的 Azure 帳戶。 免費建立帳戶。
- Azure Machine Learning 工作區。 建立工作區資源。
- 要移轉的工作室 (傳統) 實驗。
- 將您的資料集上傳至 Azure Machine Learning。
重建管線
在您將資料集移轉至 Azure Machine Learning之後，就可以開始重新建立您的實驗。
在 Azure Machine Learning 中，視覺圖形稱為管線草稿。 在本節中，您會將傳統實驗重新建立為管線草稿。
移至 Azure Machine Learning 工作室 (ml.azure.com)
在左側瀏覽窗格中，選取 [設計工具]>[容易使用的預先建置模組]
使用設計工具元件手動重建您的實驗。
請參閱模組對應表以找出取代模組。 許多工作室 (傳統) 最熱門的模組在設計工具中都有相同的版本。
重要
如果您的實驗使用 [執行 R 指令碼] 模組，您必須執行其他步驟來移轉您的實驗。 如需詳細資訊，請參閱 移轉 R 指令碼模組。
調整參數。
選取每個模組，並在右側的模組設定面板中調整參數。 使用參數來重新建立工作室 (傳統) 實驗的功能。 如需每個模組的詳細資訊，請參閱模組參考。
提交作業並檢查結果
在您重新建立工作室 (傳統) 實驗之後，是時候提交管線作業。
管線作業會在附加至工作區的計算目標上執行。 您可以設定整個管線的預設計算目標，也可以根據每個模組指定計算目標。
一旦您從管線草稿提交了作業，其就會變成管線作業。 每個管線作業都會加以記錄並登入 Azure Machine Learning。
若要設定整個管線的預設計算目標：
- 選取管線名稱旁邊的 [齒輪]
圖示。 - 選取 [選取計算目標]。
- 選取現有的計算，或遵循畫面上的指示來建立新的計算。
現在已設定您的計算目標，您可以提交管線作業：
在畫布頂端，選取 [提交]。
選取 [新建] 以建立新的實驗。
實驗會將類似管線作業組織在一起。 如果您多次執行某個管線，您可以選取相同的實驗進行後續作業。 這有助於記錄和追蹤。
輸入實驗名稱。 然後，選取 [提交]。
第一次作業最多可能需要 20 分鐘。 因為預設計算設定的最小節點大小為 0，所以設計工具必須在閒置之後配置資源。 後續作業所需的時間更少，因為已配置節點。 若要加快執行時間，您可以建立節點大小下限為 1 或更高的計算資源。
作業完成之後，您可以檢查每個模組的結果：
以滑鼠右鍵按一下您想要查看其輸出的模組。
選取 [視覺化]、[檢視輸出] 或 [檢視記錄]。
- 視覺化：預覽結果資料集。
- 檢視輸出：開啟輸出儲存位置的連結。 使用此項來瀏覽或下載輸出。
- 檢視記錄：檢視驅動程式和系統記錄檔。 使用 70_driver_log 來查看與使用者所提交指令碼相關的資訊，例如錯誤和例外狀況。
重要
設計工具元件會使用 開放原始碼 Python 套件來實作機器學習演算法。 不過，工作室 (傳統) 會使用 Microsoft 內部 C# 程式庫。 因此，在設計工具與工作室 (傳統) 之間，預測結果可能會稍有不同。
儲存定型模型以在另一個管線中使用
有時候您可能想要儲存在管線中定型的模型，並在稍後在另一個管線中使用模型。 在 Studio (傳統) 中，所有定型的模型都會儲存在模組清單中的「定型模型」類別中。 在設計工具中，定型的模型會自動註冊為具有系統產生名稱的檔案資料集。 命名慣例遵循「MD - 管線草稿名稱 - 元件名稱 - 定型模型識別碼」模式。
若要為定型的模型提供有意義的名稱，您可以將定型模型元件的輸出註冊為檔案資料集。 指定您想要的名稱，例如 linear-regression-model。
您可以在元件清單中的 [資料集] 類別中找到定型的模型，或依名稱搜尋模型。 然後將定型的模型連接到評分模型元件，以用於預測。
下一步
在本文中，您已了解如何在 Azure Machine Learning 中重建工作室 (傳統) 實驗。 下一步是重建 Azure Machine Learning 中的 Web 服務。
請參閱工作室 (傳統) 移轉系列中的其他文章：
- 移轉概觀。
- 移轉資料集。
- 重建工作室 (傳統) 定型管線。
- 重建工作室 (傳統) Web 服務。
- 將 Azure Machine Learning Web 服務與用戶端應用程式整合。
- 移轉執行 R 指令碼。