Compartir vía


Implementación del modelo de ML en Azure SQL Edge mediante ONNX

Importante

Azure SQL Edge se retirará el 30 de septiembre de 2025. Para obtener más información y opciones de migración, consulte el aviso de retirada.

Nota:

Azure SQL Edge ya no admite la plataforma ARM64.

En la tercera parte de este tutorial de tres partes para predecir impurezas de mineral de hierro en Azure SQL Edge, hará lo siguiente:

  1. Usará Azure Data Studio para conectarse a SQL Database en la instancia de Azure SQL Edge.
  2. Predecirá las impurezas de mineral de hierro con ONNX en Azure SQL Edge.

Componentes claves

  1. La solución usa un valor predeterminado de 500 milisegundos entre cada mensaje enviado al centro de IoT Edge. Este valor se puede cambiar en el archivo Program.cs.

    TimeSpan messageDelay = configuration.GetValue("MessageDelay", TimeSpan.FromMilliseconds(500));
    
  2. La solución generó un mensaje con los siguientes atributos. Agregue o quite los atributos según los requisitos.

    {
        timestamp
        cur_Iron_Feed
        cur_Silica_Feed
        cur_Starch_Flow
        cur_Amina_Flow
        cur_Ore_Pulp_pH
        cur_Flotation_Column_01_Air_Flow
        cur_Flotation_Column_02_Air_Flow
        cur_Flotation_Column_03_Air_Flow
        cur_Flotation_Column_04_Air_Flow
        cur_Flotation_Column_01_Level
        cur_Flotation_Column_02_Level
        cur_Flotation_Column_03_Level
        cur_Flotation_Column_04_Level
        cur_Iron_Concentrate
    }
    

Conexión a SQL Database en la instancia de Azure SQL Edge para entrenar, implementar y probar el modelo de Machine Learning

  1. Abra Azure Data Studio.

  2. En la pestaña Bienvenida, inicie una nueva conexión con los detalles siguientes:

    Campo Value
    Tipo de conexión Microsoft SQL Server
    Server Dirección IP pública mencionada en la VM que se creó para esta demostración.
    Nombre de usuario sa
    Contraseña Contraseña segura que se usó al crear la instancia de Azure SQL Edge.
    Base de datos Valor predeterminado
    Grupo del servidor Valor predeterminado
    Nombre (opcional) Puede proporcionar un nombre opcional.
  3. Seleccione Conectar.

  4. En la sección Archivo, abra /DeploymentScripts/MiningProcess_ONNX.jpynb desde la carpeta en la que ha clonado los archivos de proyecto en la máquina.

  5. Establezca el kernel en Python 3.