Ta med dina R-arbetsbelastningar

Det finns ingen Azure Mašinsko učenje SDK för R. I stället använder du antingen CLI eller ett Python-kontrollskript för att köra dina R-skript.

Den här artikeln beskriver de viktigaste scenarierna för R som stöds i Azure Mašinsko učenje och kända begränsningar.

Typiskt R-arbetsflöde

Ett vanligt arbetsflöde för att använda R med Azure Mašinsko učenje:

Utveckla R-skript interaktivt med Hjälp av Jupyter Notebooks på en beräkningsinstans. (Du kan även lägga till Posit eller RStudio i en beräkningsinstans, men du kan för närvarande inte komma åt datatillgångar på arbetsytan från dessa program på beräkningsinstansen. Så för tillfället utförs interaktivt arbete bäst i en Jupyter-anteckningsbok.)
- Läsa tabelldata från en registrerad datatillgång eller ett datalager
- Installera ytterligare R-bibliotek
- Spara artefakter i arbetsytans fillagring
Anpassa skriptet så att det körs som ett produktionsjobb i Azure Mašinsko učenje
- Ta bort all kod som kan kräva användarinteraktion
- Lägg till indataparametrar för kommandoraden i skriptet efter behov
- Inkludera och hämta skriptet azureml_utils.R i samma arbetskatalog för R-skriptet som ska köras
- Använd crate för att paketera modellen
- Inkludera R/MLflow-funktionerna i skriptet för att logga artefakter, modeller, parametrar och/eller taggar till jobbet på MLflow
Skicka asynkrona R-fjärrjobb (du skickar jobb via CLI eller Python SDK, inte R)
- Skapa en miljö
- Loggjobbsartefakter, parametrar, taggar och modeller
Registrera din modell med Hjälp av Azure Mašinsko učenje Studio
Distribuera registrerade R-modeller till hanterade onlineslutpunkter
- Använda de distribuerade slutpunkterna för slutsatsdragning/bedömning i realtid

Begränsning	Gör detta i stället
Det finns ingen R-kontrollplans-SDK.	Använd Azure CLI- eller Python-kontrollskriptet för att skicka jobb.
RStudio som körs som ett anpassat program (till exempel Posit eller RStudio) i en container på beräkningsinstansen kan inte komma åt arbetsytetillgångar eller MLflow.	Använd Jupyter Notebooks med R-kerneln på beräkningsinstansen.
Interaktiv frågekörning av arbetsytans MLflow-register från R stöds inte.
Kapslade MLflow-körningar i R stöds inte.
Parallella jobbsteg stöds inte.	Kör ett skript parallellt `n` med olika indataparametrar. Men du måste metaprogram för att generera `n` YAML- eller CLI-anrop för att göra det.
Programmatisk modell som registrerar/registrerar från ett jobb som körs med R stöds inte.
Nollkodsdistribution (dvs. automatisk distribution) av en R MLflow-modell stöds för närvarande inte.	Skapa en anpassad container med `plumber` för distribution.
Bedömning av en R-modell med batchslutpunkter stöds inte.
Azure Mašinsko učenje onlinedistribution yml kan bara använda avbildnings-URI:er direkt från registret för miljöspecifikationen, inte fördefinierade miljöer från samma Dockerfile.	Följ stegen i Distribuera en registrerad R-modell till en onlineslutpunkt (realtid) för rätt sätt att distribuera.

Läs mer om R i Azure Mašinsko učenje: