Exécuter des scripts d’apprentissage automatique Python dans Machine Learning Studio (classique)
S’APPLIQUE À : 
Machine Learning Studio (classique) 
Azure Machine Learning
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Python est un précieux outil dans le coffre à outils de nombreux scientifiques de données. Il est utilisé à chaque étape des flux de travail d’apprentissage automatique typiques, y compris l'exploration des données, l'extraction des fonctionnalités, la formation, la validation et le déploiement de modèles.
Cet article explique comment utiliser le module Exécuter le script Python pour utiliser du code Python dans vos expériences Machine Learning Studio (classique) et vos services web.
Utilisation du module Exécuter le script Python
L’interface principale de Python dans Studio (classique) est accessible via le module Exécuter le script Python. Il accepte jusqu’à trois entrées et génère jusqu’à deux sorties, comme le module Exécuter le script R. Le code Python est saisi dans la boîte de paramètres à l’aide d’une fonction de point d’entrée spécialement nommée, appelée azureml_main.
Paramètres d’entrée
Des entrées vers le module Python sont exposées sous forme de trames de données Pandas. La fonction azureml_main accepte jusqu'à deux trames de données Pandas facultatives en tant que paramètres.
Le mappage entre les ports d’entrée et les paramètres de fonction est positionnel :
- Le premier port d’entrée connecté est mappé au premier paramètre de la fonction.
- La seconde entrée (si elle est connectée) est mappée au second paramètre de la fonction.
- La troisième entrée est utilisée pour importer d’autres modules Python.
Les sémantiques plus détaillées qui décrivent la procédure à adopter pour mapper les ports d'entrée vers les paramètres de la fonction azureml_main sont mentionnées ci-dessous.
Valeurs renvoyées pour la sortie
La fonction azureml_main doit renvoyer une seule image de données Pandas empaquetée dans une séquence Python telle qu'un tuple, une liste ou un tableau NumPy. Le premier élément de cette séquence est renvoyé dans le premier port de sortie du module. Le second port de sortie du module est utilisé pour les visualisations et ne nécessite aucune valeur de retour. Ce schéma est illustré ci-dessous.
Conversion des types de données d’entrée et de sortie
Les jeux de données Studio sont différents des trames de données Pandas. Par conséquent, les jeux de données d’entrée dans Studio (classique) sont convertis en trames de données Pandas, et les trames de données en sortie sont reconverties en jeux de données Studio (classique). Pendant ce processus de conversion, les conversions suivantes sont également effectuées :
| Type de données Python | Procédure de traduction Studio |
|---|---|
| Chaînes et valeurs numériques | Traduit tel quel |
| Pandas 'NA' | Traduit par 'Missing value' (valeur manquante) |
| Vecteurs d’index | Non pris en charge* |
| Noms de colonnes non-chaîne | Appeler str sur les noms de colonnes |
| Dupliquer les noms de colonnes | Ajoutez un suffixe numérique : (1), (2), (3), et ainsi de suite. |
*Les tableaux de données d’entrée dans la fonction Python ont toujours un index numérique de 64 bits compris entre 0 et le nombre de lignes moins 1
Importation des modules de script Python existants
Le serveur principal utilisé pour exécuter Python est basé sur Anaconda, une distribution scientifique Python largement utilisée. Il est fourni avec près de 200 des packages Python les plus couramment utilisés dans des charges de travail centrées sur les données. Actuellement, Studio (classique) ne prend pas en charge l’utilisation de systèmes de gestion de paquets comme Pip ou Conda pour installer et gérer des bibliothèques externes. Si vous jugez nécessaire d'incorporer d’autres bibliothèques, utilisez le scénario suivant comme guide.
Un cas typique consiste à incorporer des scripts Python existants dans des expériences Studio (classique). Le module Exécuter le script Python accepte un fichier zip contenant des modules Python au troisième port d’entrée. Le fichier est décompressé par l’infrastructure d’exécution lors de l’exécution, et le contenu est ajouté au chemin de bibliothèque de l’interpréteur Python. La fonction du point d'entrée azureml_main peut ensuite importer ces modules directement.
Prenez l’exemple du fichier Hello.py contenant une fonction simple « Hello, World ».
Ensuite, nous créons un fichier Hello.zip contenant Hello.py :
Chargez le fichier zip en tant que jeu de données dans Studio (classique). Créez et exécutez ensuite une expérience qui utilise le code Python dans le fichier Hello.zip en le joignant au troisième port d’entrée du module Exécuter le script Python, comme illustré dans l’image suivante.
La sortie du module montre que le fichier zip a été décompressé et que la fonction print_hello a été exécutée.
Accès à Stockage Blob Azure
Vous pouvez accéder aux données stockées dans un compte Stockage Blob Azure en suivant ces étapes :
- Téléchargez localement le package Stockage Blob Azure pour Python.
- Chargez le fichier zip sur votre espace de travail Studio (classique) en tant que jeu de données.
- Créer votre objet BlobService avec
protocol='http'
from azure.storage.blob import BlockBlobService
# Create the BlockBlockService that is used to call the Blob service for the storage account
block_blob_service = BlockBlobService(account_name='account_name', account_key='account_key', protocol='http')
- Désactiver Transfert sécurisé requis dans votre onglet de paramètres Configuration de stockage
Mise en place des scripts Python
Les modules Exécuter le script Python utilisés dans une expérience de notation sont appelés lorsqu’ils sont publiés en tant que service web. Par exemple, l’image ci-dessous illustre une expérience de notation qui détient le code permettant d’évaluer une seule expression Python.
Un service web créé à partir de cette expérience effectue les actions suivantes :
- Utilise une expression Python comme entrée (sous forme de chaîne)
- Envoie une expression Python à l’interpréteur Python
- Renvoie une table contenant l’expression et le résultat évalué.
Utilisation des visualisations
Les graphiques créés à l'aide de MatplotLib peuvent être renvoyés par le module Exécuter le script Python. Mais les graphiques ne sont pas redirigés automatiquement vers des images, comme lorsque vous utilisez R. De ce fait, l'utilisateur doit enregistrer explicitement les graphiques en fichiers PNG.
Pour générer des images à partir de MatplotLib, vous devez vous effectuer les étapes suivantes :
- Basculez le back-end sur « AGG » à partir du convertisseur par défaut basé sur Qt.
- Créez un objet figure.
- Obtenez l'axe et générez sur celui-ci tous les graphiques.
- Enregistrez la figure dans un fichier PNG.
Ce processus est mentionné dans les images ci-dessous, qui créent une matrice de nuages de points à l’aide de la fonction scatter_matrix dans Pandas.
Il est possible de renvoyer plusieurs figures en les enregistrant dans différentes images. Le runtime Studio (classique) récupère toutes les images et les concatène pour la visualisation.
Exemples avancés
L’environnement Anaconda installé dans Studio (classique) contient les packages courants tels que NumPy, SciPy et Scikits-Learn. Ces packages peuvent être utilisés efficacement pour le traitement des données dans un pipeline d’apprentissage automatique.
Par exemple, les expériences et le script suivants illustrent l’utilisation des apprenants d’ensemble dans Scikits-Learn pour calculer les notations d’importance des fonctionnalités d’un jeu de données. Les notations peuvent servir à réaliser une sélection de fonctionnalités supervisée avant d’être alimentées dans un autre modèle.
Voici la fonction Python permettant de calculer les notations d’importance et de classer les fonctionnalités conformément à ces dernières :
L’expérience suivante calcule, puis retourne les notations d’importance des fonctionnalités dans le jeu de données « Diabète chez les Indiens Pima » dans Machine Learning Studio (classique) :
Limites
Le module Exécuter le script Python présente actuellement les limites suivantes :
Exécution dans un bac à sable (sandbox)
Le runtime Python est actuellement exécuté dans un bac à sable (sandbox) et n'autorise pas l'accès au réseau ou au système de fichiers local de façon permanente. Tous les fichiers enregistrés localement sont isolés et supprimés une fois que le module se termine. Le code Python ne peut pas accéder à la plupart des répertoires sur la machine qui les exécute, excepté le répertoire actuel et ses sous-répertoires.
Manque de support de développement et de débogage sophistiqué
Le module Python ne prend pas en charge les fonctionnalités IDE telles que Intellisense et Débogage. En outre, si le module échoue lors de l’exécution, l’arborescence complète des appels de procédure Python est disponible. Mais elle doit être affichée dans le journal de sortie du module. Nous vous recommandons de développer et de déboguer vos scripts Python dans un environnement tel qu’IPython, puis d’importer le code dans le module.
Sortie de trame de données unique
Le point d'entrée Python n'est autorisé qu'à renvoyer une trame de données unique en tant que sortie. Il est pour l’instant impossible de renvoyer des objets arbitraires Python tels que les modèles formés directement lors de l’exécution du runtime Studio (classique). Comme avec Exécuter le script R, qui présente les mêmes restrictions, il est souvent possible de stocker des objets dans un tableau d’octets et de les renvoyer ensuite dans une trame de données.
Personnalisation de l'installation de Python impossible
L'ajout de modules Python personnalisés n'est, à l'heure actuelle, possible qu'à l'aide du mécanisme de fichiers zip décrit précédemment. Bien que ceci soit faisable pour les petits modules, la procédure est assez lourde pour les gros modules (notamment les modules constitués de DLL natives) ou un grand nombre de modules.
Étapes suivantes
Pour plus d’informations, consultez le Centre pour développeurs Python.