A Machine Learning Studio (klasszikus) modelljeinek frissítése az Erőforrás frissítése tevékenységgel

A következőkre vonatkozik: Azure Data Factory Azure Synapse Analytics

Ez a cikk kiegészíti a Machine Learning Studio (klasszikus) integrációs cikkét: Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) Ha még nem tette meg, tekintse át a fő cikket, mielőtt elolvassa ezt a cikket.

Áttekintés

A Machine Learning Studio (klasszikus) modellek üzembe helyezési folyamatának részeként a modell betanítása és mentése történik. Ezt követően létrehozhat egy prediktív webszolgáltatást. A webszolgáltatás ezután felhasználható webhelyeken, irányítópultokon és mobilalkalmazásokban.

A Machine Learning Studióval (klasszikus) létrehozott modellek általában nem statikusak. Amikor új adatok válnak elérhetővé, vagy amikor az API felhasználója saját adatokkal rendelkezik, a modellt újra kell képezni.

Az újratanítás gyakran előfordulhat. A Batch-végrehajtási tevékenységgel és az Erőforrás frissítése tevékenységgel üzembe helyezheti a Machine Learning Studio (klasszikus) modell újratanítását és a prediktív webszolgáltatás frissítését.

Az alábbi képen a betanítás és a prediktív webszolgáltatások közötti kapcsolat látható.

Machine Learning Studio (klasszikus) erőforrás-tevékenység frissítése

A következő JSON-kódrészlet egy Machine Learning Studio -(klasszikus) Batch-végrehajtási tevékenységet határoz meg.

{
    "name": "amlUpdateResource",
    "type": "AzureMLUpdateResource",
    "description": "description",
    "linkedServiceName": {
        "type": "LinkedServiceReference",
        "referenceName": "updatableScoringEndpoint2"
    },
    "typeProperties": {
        "trainedModelName": "ModelName",
        "trainedModelLinkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "StorageLinkedService"
                },
        "trainedModelFilePath": "ilearner file path"
    }
}

Teljes körű munkafolyamat

A modell újratanításának és a prediktív webszolgáltatások frissítésének teljes folyamata a következő lépéseket foglalja magában:

• A betanítási webszolgáltatás meghívása a Batch-végrehajtási tevékenység használatával. A betanítási webszolgáltatás meghívása ugyanaz, mint a Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) és a Batch-végrehajtási tevékenységgel leírt prediktív webszolgáltatás meghívásával. A betanítási webszolgáltatás kimenete egy iLearner-fájl, amellyel frissítheti a prediktív webszolgáltatást.
• Hívja meg a prediktív webszolgáltatás frissítési erőforrásvégpontját az Erőforrás frissítése tevékenységgel, hogy frissítse a webszolgáltatást az újonnan betanított modellel.

Machine Learning Studio (klasszikus) társított szolgáltatás

Ahhoz, hogy a korábban említett, végpontok közötti munkafolyamat működjön, létre kell hoznia két Machine Learning Studiót (klasszikus) társított szolgáltatást:

1. A Machine Learning Studio (klasszikus) társított szolgáltatása a betanítási webszolgáltatáshoz. Ezt a társított szolgáltatást a Batch-végrehajtási tevékenység ugyanúgy használja, mint a Prediktív folyamatok létrehozása a Machine Learning Studióval (klasszikus) és a Batch-végrehajtási tevékenységgel. A különbség az, hogy a betanítási webszolgáltatás kimenete egy iLearner-fájl, amelyet az Erőforrás frissítése tevékenység használ a prediktív webszolgáltatás frissítéséhez.
2. A Machine Learning Studio (klasszikus) társított szolgáltatása a prediktív webszolgáltatás frissítési erőforrás-végpontjára. Ezt a társított szolgáltatást az Erőforrás frissítése tevékenység használja a prediktív webszolgáltatás frissítéséhez az előző lépésből visszaadott iLearner-fájl használatával.

A második Machine Learning Studio (klasszikus) társított szolgáltatás esetében a konfiguráció eltérő, ha a Machine Learning Studio (klasszikus) webszolgáltatás egy klasszikus webszolgáltatás vagy egy új webszolgáltatás. A különbségeket külön tárgyaljuk a következő szakaszokban.

A webszolgáltatás új Azure Resource Manager-webszolgáltatás

Ha a webszolgáltatás az Azure Resource Manager-végpontot elérhetővé tevő új webszolgáltatás, akkor nem kell hozzáadnia a második nem alapértelmezett végpontot. A csatolt szolgáltatás updateResourceEndpoint formátuma a következő:

https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview

A helyőrzők értékeit az URL-címben kaphatja meg, amikor lekérdezi a webszolgáltatást az Azure Machine Learning Studióban.

A frissítési erőforrás-végpont új típusa szolgáltatásnév-hitelesítést igényel. A szolgáltatásnév-hitelesítés használatához regisztráljon egy alkalmazásentitást a Microsoft Entra-azonosítóban, és adja meg neki az előfizetés vagy annak az erőforráscsoportnak a közreműködői vagy tulajdonosi szerepkörét, amelyhez a webszolgáltatás tartozik. Megtudhatja , hogyan hozhat létre egyszerű szolgáltatást, és hogyan rendelhet hozzá engedélyeket az Azure-erőforrások kezeléséhez. Jegyezze fel az alábbi értékeket, amelyeket a társított szolgáltatás definiálásához használ:

• Pályázat azonosítója
• Alkalmazáskulcs
• Bérlőazonosító

Íme egy társított szolgáltatásdefiníció mintája:

{
    "name": "AzureMLLinkedService",
    "properties": {
        "type": "AzureML",
        "description": "The linked service for AML web service.",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/0000000000000000	000000000000000000000/services/0000000000000000000000000000000000000/jobs?api-version=2.0",
            "apiKey": {
                "type": "SecureString",
                "value": "APIKeyOfEndpoint1"
            },
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearning/webServices/{web-service-name}?api-version=2016-05-01-preview",
            "servicePrincipalId": "000000000-0000-0000-0000-0000000000000",
            "servicePrincipalKey": {
                "type": "SecureString",
                "value": "servicePrincipalKey"
            },
            "tenant": "mycompany.com"
        }
    }
}

Az alábbi forgatókönyv további részleteket tartalmaz. Példa a Machine Learning Studio (klasszikus) modellek folyamatból való újratanítására és frissítésére.

Minta: Machine Learning Studio-modell (klasszikus) újratanítása és frissítése

Ez a szakasz egy mintafolyamatot tartalmaz, amely az Azure Machine Learning Studio (klasszikus) Batch Execution tevékenységével tanít át egy modellt. A folyamat az Azure Machine Learning Studio (klasszikus) frissítési erőforrás-tevékenységével is frissíti a modellt a pontozó webszolgáltatásban. A szakasz JSON-kódrészleteket is tartalmaz a példában szereplő összes társított szolgáltatáshoz, adatkészlethez és folyamathoz.

Azure Blob Storage társított szolgáltatás:

Az Azure Storage a következő adatokat tárolja:

• betanítási adatok. A Machine Learning Studio (klasszikus) betanítási webszolgáltatás bemeneti adatai.
• iLearner-fájl. A Machine Learning Studio (klasszikus) betanítási webszolgáltatás kimenete. Ez a fájl az Erőforrás frissítése tevékenység bemenete is.

A csatolt szolgáltatás JSON-definíciójának mintája a következő:

{
    "name": "StorageLinkedService",
    "properties": {
        "type": "AzureStorage",
        "typeProperties": {
            "connectionString": "DefaultEndpointsProtocol=https;AccountName=name;AccountKey=key"
        }
    }
}

Társított szolgáltatás a Machine Learning Studio (klasszikus) betanítási végpontja számára

Az alábbi JSON-kódrészlet egy Machine Learning Studio -hoz (klasszikus) társított szolgáltatást definiál, amely a betanítási webszolgáltatás alapértelmezett végpontjára mutat.

{
    "name": "trainingEndpoint",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/xxx/services/--training experiment--/jobs",
            "apiKey": "myKey"
        }
    }
}

Az Azure Machine Learning Studióban (klasszikus) tegye a következőket az mlEndpoint és az apiKey értékeinek lekéréséhez:

1. Válassza a WEBSZOLGÁLTATÁSOK lehetőséget a bal oldali menüben.
2. Válassza ki a betanítási webszolgáltatást a webszolgáltatások listájában.
3. Válassza a másolást az API-kulcs szövegmezője mellett. Illessze be a kulcsot a vágólapra a Data Factory JSON-szerkesztőjébe.
4. Az Azure Machine Learning Studióban (klasszikus) válassza a BATCH EXECUTION hivatkozást.
5. Másolja ki a Kérelem URI-t a Kérelem szakaszból, és illessze be a JSON-szerkesztőbe.

Társított szolgáltatás az Azure Machine Learning Studióhoz (klasszikus) frissíthető pontozási végponthoz:

Az alábbi JSON-kódrészlet egy Azure Machine Learning Studio (klasszikus) társított szolgáltatást határoz meg, amely a pontozó webszolgáltatás frissíthető végpontjára mutat.

{
    "name": "updatableScoringEndpoint2",
    "properties": {
        "type": "AzureML",
        "typeProperties": {
            "mlEndpoint": "https://ussouthcentral.services.azureml.net/workspaces/00000000eb0abe4d6bbb1d7886062747d7/services/00000000026734a5889e02fbb1f65cefd/jobs?api-version=2.0",
            "apiKey": "sooooooooooh3WvG1hBfKS2BNNcfwSO7hhY6dY98noLfOdqQydYDIXyf2KoIaN3JpALu/AKtflHWMOCuicm/Q==",
            "updateResourceEndpoint": "https://management.azure.com/subscriptions/ffffffff-eeee-dddd-cccc-bbbbbbbbbbb0/resourceGroups/Default-MachineLearning-SouthCentralUS/providers/Microsoft.MachineLearning/webServices/myWebService?api-version=2016-05-01-preview",
            "servicePrincipalId": "fe200044-c008-4008-a005-94000000731",
            "servicePrincipalKey": "zWa0000000000Tp6FjtZOspK/WMA2tQ08c8U+gZRBlw=",
            "tenant": "mycompany.com"
        }
    }
}

Folyamat

A folyamat két tevékenységgel rendelkezik: AzureMLBatchExecution és AzureMLUpdateResource. A Batch-végrehajtási tevékenység bemenetként használja a betanítási adatokat, és kimenetként egy iLearner-fájlt hoz létre. Az Erőforrás frissítése tevékenység ezután ezt az iLearner-fájlt használja a prediktív webszolgáltatás frissítéséhez.

{
    "name": "LookupPipelineDemo",
    "properties": {
        "activities": [
            {
                "name": "amlBEGetilearner",
                "description": "Use AML BES to get the ilearner file from training web service",
                "type": "AzureMLBatchExecution",
                "linkedServiceName": {
                    "referenceName": "trainingEndpoint",
                    "type": "LinkedServiceReference"
                },
                "typeProperties": {
                    "webServiceInputs": {
                        "input1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        },
                        "input2": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/input"
                        }
                    },
                    "webServiceOutputs": {
                        "output1": {
                            "LinkedServiceName":{
                                "referenceName": "StorageLinkedService",
                                "type": "LinkedServiceReference"
                            },
                            "FilePath":"azuremltesting/output"
                        }
                    }
                }
            },
            {
                "name": "amlUpdateResource",
                "type": "AzureMLUpdateResource",
                "description": "Use AML Update Resource to update the predict web service",
                "linkedServiceName": {
                    "type": "LinkedServiceReference",
                    "referenceName": "updatableScoringEndpoint2"
                },
                "typeProperties": {
                    "trainedModelName": "ADFV2Sample Model [trained model]",
                    "trainedModelLinkedServiceName": {
                        "type": "LinkedServiceReference",
                        "referenceName": "StorageLinkedService"
                    },
                    "trainedModelFilePath": "azuremltesting/output/newModelForArm.ilearner"
                },
                "dependsOn": [
                    {
                        "activity": "amlbeGetilearner",
                        "dependencyConditions": [ "Succeeded" ]
                    }
                ]
            }
        ]
    }
}

Kapcsolódó tartalom

Tekintse meg az alábbi cikkeket, amelyekből megtudhatja, hogyan alakíthat át adatokat más módokon:

• U-SQL-tevékenység
• Hive-tevékenység
• Sertés tevékenység
• MapReduce-tevékenység
• Hadoop Streaming-tevékenység
• Spark-tevékenység
• .NET egyéni tevékenység
• Tárolt eljárástevékenység