Co je Designer (v1) ve službě Azure Machine Learning?

  • Článek

Návrhář služby Azure Machine Learning je rozhraní pro přetahování, které slouží k trénování a nasazování modelů v studio Azure Machine Learning. Tento článek popisuje úkoly, které můžete dělat v návrháři.

Důležité

Návrhář ve službě Azure Machine Learning podporuje dva typy kanálů, které používají klasické předem vytvořené komponenty (v1) nebo vlastní komponenty (v2). Dva typy komponent nejsou kompatibilní v rámci kanálů a návrhář verze 1 není kompatibilní s rozhraním příkazového řádku v2 a sadou SDK v2. Tento článek se týká kanálů, které používají klasické předem připravené komponenty (v1).

  • Klasické předem připravené komponenty (v1) zahrnují typické úlohy zpracování dat a strojového učení, jako je regrese a klasifikace. Azure Machine Learning nadále podporuje stávající předem připravené komponenty Classic, ale nepřidávají se žádné nové předem připravené komponenty. Nasazení klasických předem připravených komponent (v1) také nepodporuje spravované online koncové body (v2).

  • Vlastní komponenty (v2) umožňují zabalit vlastní kód jako komponenty, což umožňuje sdílení mezi pracovními prostory a bezproblémové vytváření v rozhraních studio Azure Machine Learning, CLI v2 a SDK v2. Nejlepší je použít vlastní komponenty pro nové projekty, protože jsou kompatibilní se službou Azure Machine Learning verze 2 a nadále dostávají nové aktualizace. Další informace o vlastních komponentách a Návrháři (v2) najdete v tématu Návrhář služby Azure Machine Learning (v2).

Následující animovaný obrázek GIF ukazuje, jak můžete v Návrháři vizuálně vytvořit kanál přetažením prostředků a jejich propojením.

OBRÁZEK GIF sestavení kanálu v návrháři

Další informace o komponentách dostupných v návrháři najdete v referenčních informacích k algoritmům a komponentám. Pokud chcete začít s návrhářem, přečtěte si kurz : Trénování regresního modelu bez kódu.

Trénování a nasazení modelů

Návrhář používá váš pracovní prostor Azure Machine Learning k uspořádání sdílených prostředků, jako jsou:

Následující diagram znázorňuje, jak můžete pomocí návrháře vytvořit kompletní pracovní postup strojového učení. V rozhraní návrháře můžete trénovat, testovat a nasazovat modely.

Diagram pracovního postupu pro trénování, dávkové odvozování a odvozování v reálném čase v návrháři

  • Přetáhněte datové prostředky a komponenty na plátno vizuálu návrháře a připojte je k vytvoření konceptu kanálu.
  • Odešlete úlohu kanálu, která používá výpočetní prostředky v pracovním prostoru Azure Machine Learning.
  • Převeďte trénovací kanály na odvozování kanálů.
  • Publikujte kanály do koncového bodu kanálu REST a odešlete nové kanály, které běží s různými parametry a datovými prostředky.
    • Publikujte trénovací kanál, abyste mohli znovu použít jeden kanál pro trénování více modelů při změně parametrů a datových prostředků.
    • Publikujte kanál dávkového odvozování, který provede předpovědi na nová data pomocí dříve natrénovaného modelu.
  • Nasaďte kanál odvozování v reálném čase do online koncového bodu, abyste mohli vytvářet předpovědi na nová data v reálném čase.

Data

Datový prostředek strojového učení usnadňuje přístup k datům a práci s daty. Návrhář obsahuje několik ukázkových datových prostředků, se kterými můžete experimentovat. Podle potřeby můžete zaregistrovat další datové prostředky.

Komponenty

Komponenta je algoritmus, který můžete spustit na svých datech. Návrhář má různé komponenty s funkcemi pro příchozí přenos dat, ale také pro procesy školení, hodnocení a ověřování.

Komponenta může mít parametry, které použijete ke konfiguraci interních algoritmů komponenty. Když vyberete komponentu na plátně, parametry komponenty a další nastavení se zobrazí v podokně vlastností napravo od plátna. Parametry můžete upravit a nastavit výpočetní prostředky pro jednotlivé komponenty v daném podokně.

Snímek obrazovky znázorňující vlastnosti komponenty

Další informace o knihovně dostupných algoritmů strojového učení najdete v referenčních informacích k algoritmům a komponentám. Nápovědu k výběru algoritmu najdete v stručné nápovědě k algoritmům služby Azure Machine Learning.

Pipelines

Kanál se skládá z datových prostředků a analytických komponent, které připojíte. Kanály vám pomůžou opakovaně používat práci a organizovat projekty.

Kanály mají mnoho použití. Můžete vytvořit kanály, které:

  • Trénování jednoho modelu
  • Trénování více modelů
  • Vytváření předpovědí v reálném čase nebo v dávkách
  • Vyčistit pouze data.

Koncepty kanálu

Při úpravách kanálu v návrháři se průběh uloží jako koncept kanálu. Koncept kanálu můžete kdykoli upravit přidáním nebo odebráním komponent, konfigurací cílových výpočetních objektů nebo nastavením parametrů.

Platný kanál má následující charakteristiky:

  • Datové prostředky se můžou připojit pouze k komponentám.
  • Komponenty se můžou připojit pouze k datovým prostředkům nebo k jiným komponentám.
  • Všechny vstupní porty pro komponenty musí mít určité připojení k toku dat.
  • Musí být nastaveny všechny požadované parametry pro každou komponentu.

Až budete připraveni spustit koncept kanálu, uložíte kanál a odešlete úlohu kanálu.

Úlohy kanálu

Při každém spuštění kanálu se konfigurace kanálu a jeho výsledků uloží do pracovního prostoru jako úloha kanálu. Úlohy kanálu jsou seskupené do experimentů pro uspořádání historie úloh.

Můžete se vrátit k libovolné úloze kanálu a zkontrolovat, jestli neobsahuje řešení potíží nebo auditování. Naklonujte úlohu kanálu a vytvořte nový koncept kanálu, který se má upravit.

Výpočetní prostředky

Cílové výpočetní objekty jsou připojené k pracovnímu prostoru Služby Azure Machine Learning v studio Azure Machine Learning. Ke spuštění kanálu a hostování nasazených modelů jako online koncových bodů nebo jako koncových bodů kanálu pro dávkové odvozování použijte výpočetní prostředky z pracovního prostoru. Podporované cílové výpočetní objekty jsou následující:

Cílový výpočetní objekt Školení Nasazení
Výpočetní prostředky služby Azure Machine Learning ✓
Azure Kubernetes Service (AKS) ✓

Nasadit

Pokud chcete provést odvozování v reálném čase, musíte kanál nasadit jako online koncový bod. Online koncový bod vytvoří rozhraní mezi externí aplikací a modelem bodování. Koncový bod je založený na rest, oblíbené architektuře pro projekty webového programování. Volání online koncového bodu vrátí do aplikace výsledky predikce v reálném čase.

Pokud chcete volat online koncový bod, předáte klíč rozhraní API vytvořený při nasazení koncového bodu. Online koncové body musí být nasazené do clusteru AKS. Informace o nasazení modelu najdete v kurzu : Nasazení modelu strojového učení pomocí návrháře.

Publikovat

Kanál můžete také publikovat do koncového bodu kanálu. Podobně jako u online koncového bodu umožňuje koncový bod kanálu odesílat nové úlohy kanálu z externích aplikací pomocí volání REST. Pomocí koncového bodu kanálu ale nemůžete odesílat ani přijímat data v reálném čase.

Publikované koncové body kanálu jsou flexibilní a dají se použít k trénování nebo opětovnému trénování modelů, k dávkovému odvozování nebo zpracování nových dat. Do jednoho koncového bodu kanálu můžete publikovat více kanálů a určit verzi kanálu, která se má spustit.

Publikovaný kanál běží na výpočetních prostředcích, které definujete v konceptu kanálu pro každou komponentu. Návrhář vytvoří stejný publikovanýpipeline objekt jako sada SDK.

Související obsah