Modello con training del carico

Caricare un modello con training ospitato sul Web

Categoria: Input e output dei dati

Panoramica del modulo

Questo articolo descrive come usare il modulo Load Trained Model in Machine Learning Studio (versione classica) per caricare un modello già con training da usare in un esperimento.

Questo modulo richiede un modello con training esistente. In genere, si crea e quindi si training del modello in un esperimento diverso e quindi si salva il modello nell'area di lavoro o in una delle opzioni di archiviazione cloud supportate.

Usare quindi il modulo Load Trained model per ottenere il modello di cui è stato eseguito il training ed eseguirlo in un nuovo esperimento.

Come usare il modello con training del carico

Per usare un modello esistente per eseguire stime per i nuovi dati:

• Il training del modello deve essere stato precedentemente e quindi salvato nel formato iLearner.
• Il modello deve essere accessibile tramite URL o nell'archivio BLOB di Azure.

Questa sezione descrive come salvare un modello, ottenere un modello salvato e applicare un modello salvato.

Salvare un modello con training

È possibile salvare i modelli usando l'interfaccia di Studio (classica) o un esperimento eseguito come servizio Web.

Salvare un modello usando un servizio Web

1. Creare un esperimento che esegue il training o la nuova training del modello come servizio Web
2. Pubblicare l'esperimento come servizio Web.
3. Quando si chiama l'endpoint BES del servizio Web di training, il servizio Web salva un modello con training usando l'interfaccia iLearner e salva il file nell'account di archiviazione BLOB di Azure specificato.

Per informazioni dettagliate su come creare un servizio Web di training, vedere questi articoli:

• Eseguire nuovamente il training Machine Learning modelli a livello di codice
• Salvataggio di un esperimento come servizio Web

Salvare un modello in Studio (versione classica)

1. Eseguire l'esperimento che compila ed esegue il trains del modello.
2. Al termine del training, fare clic con il pulsante destro del mouse sul modulo usato per il training, selezionare Modello con training e quindi fare clic su Salva come modello con training.
3. Per impostazione predefinita, i modelli vengono salvati nell'area di lavoro di Studio (versione classica). È possibile visualizzarli usando l'interfaccia utente di Studio (versione classica).

I moduli seguenti possono creare un modello salvato che usa l'interfaccia iLearner richiesta:

• Eseguire il training del modello
• Train Clustering Model (Training del modello di clustering)
• Train Anomaly Detection Model (Training modello di rilevamento anomalie)
• Tune Model Hyperparameters (Ottimizza iperparametri del modello)
• Sweep Clustering

Caricare il modello in un nuovo esperimento

1. Aggiungere il modulo Load Trained Model all'esperimento in Studio (versione classica).

2. Per Origine dati indicare la posizione del modello con training usando una delle opzioni seguenti:

   • URL Web tramite HTTP: specificare un URL che punti all'esperimento e al file che rappresenta il modello con training. In Machine Learning i modelli con training vengono salvati per impostazione predefinita nel formato ILearner.

   • Archiviazione BLOB di Azure: selezionare questa opzione solo se il modello con training è stato esportato in Archiviazione di Azure. È quindi necessario specificare il nome dell'account e la chiave dell'account e il percorso del contenitore, della directory o del BLOB.

3. Se si intende creare un Request-Response web basato sull'esperimento corrente, selezionare l'opzione Consenti l'uso in RRS. In caso contrario, l'assegnazione dei punteggi viene eseguita usando l'opzione Del servizio di esecuzione batch ( BES), consigliata. Per informazioni dettagliate, vedere la sezione Note tecniche.

4. Selezionare l'opzione Usa risultati memorizzati nella cache se si vuole caricare il modello con training dalla cache, quando la cache è disponibile e popolata. Questa opzione viene ignorata dopo la distribuzione dell'esperimento come API del servizio Web.

Esempio

Per esempi su come usare questo modulo, vedere la raccolta Cortana Intelligence.

• Caricare un modello deep Learning con training: nell'esempio viene creata una rete neurale personalizzata per il rilevamento delle immagini. Usando il modulo Load Trained Model (Modello con training del carico), è possibile usare facilmente questo modello senza doverlo eseguire il training, operazione che può richiedere molto tempo.

  Questa raccolta include un esperimento di training, per creare il modello e un esperimento predittivo, in cui il modello viene caricato come servizio Web e usato per le stime.

Note tecniche

Questa sezione contiene informazioni dettagliate sull'implementazione, suggerimenti e risposte alle domande frequenti.

Domande frequenti

Perché l'uso di RRS non è abilitato per impostazione predefinita

È in genere previsto che le chiamate RRS restituiranno i risultati entro un breve periodo di tempo. Tuttavia, poiché il modulo deve caricare il modello con training sotto forma di BLOB da un account di archiviazione di Azure o da un file ospitato in un endpoint HTTP pubblico, le operazioni sui file potrebbero introdurre ritardi imprevedibili.

Pertanto, in genere si consiglia di eseguire il servizio Web in modalità di esecuzione batch ( BES). Se si seleziona l'opzione per l'esecuzione con RRS, tenere presente il potenziale ritardo. Per informazioni generali sui tempi di esecuzione, vedere il contratto Machine Learning di servizio.

Il caricamento del modello con training risulta più veloce se si usa l'opzione dei risultati memorizzati nella cache

Sì, ma solo quando l'esperimento viene eseguito in Machine Learning Studio (versione classica) e solo dopo che la cache è stata riempita dalla prima esecuzione. Dopo la distribuzione dell'esperimento come servizio Web, questo flag viene ignorato dall'esecuzione del servizio Web.

Esiste un modo per automatizzare il processo

È possibile usare PowerShell per semplificare o automatizzare molte attività in Machine Learning. Ad esempio, è possibile scaricare il contenuto di un intero esperimento o di un modulo specifico, esportare la definizione del servizio Web o richiamare l'API di esecuzione del servizio Web. Per altre informazioni, vedere Modulo di PowerShell per Microsoft Machine Learning.

Parametri del modulo

Output

Eccezioni

Per un elenco di errori specifici dei moduli di Studio (versione classica), vedere l'Machine Learning codici di errore.

Per un elenco delle eccezioni API, vedere l'Machine Learning di errore dell'API REST.

Vedi anche

Input e output dei dati