Charger un modèle entraîné
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.
Charger un modèle formé hébergé sur le Web
Catégorie : entrée et sortie de données
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article explique comment utiliser le module charger le modèle formé dans Machine Learning Studio (classic) pour charger un modèle déjà formé en vue de son utilisation dans une expérience.
Ce module nécessite un modèle formé existant. En général, vous créez, puis effectuez l’apprentissage du modèle dans une expérience différente, puis enregistrez le modèle dans votre espace de travail ou dans l’une des options de stockage cloud prises en charge.
Ensuite, vous utilisez le module charger le modèle formé pour obtenir le modèle formé et l’exécuter dans une nouvelle expérience.
Comment utiliser la charge d’un modèle formé
Pour utiliser un modèle existant afin d’effectuer des prédictions pour les nouvelles données :
- Le modèle doit avoir été formé précédemment, puis enregistré au format iLearner.
- Le modèle doit être accessible par URL ou dans le stockage d’objets BLOB Azure.
Cette section décrit comment enregistrer un modèle, obtenir un modèle enregistré et appliquer un modèle enregistré.
Enregistrer un modèle formé
Vous pouvez enregistrer des modèles à l’aide de l’interface Studio (Classic) ou à l’aide d’une expérience qui s’exécute en tant que service Web.
Enregistrer un modèle à l’aide d’un service Web
- Créer une expérience qui effectue la formation ou la reformation du modèle en tant que service Web
- Publiez cette expérience en tant que service Web.
- Lorsque vous appelez le point de terminaison BES du service Web de formation, le service Web enregistre un modèle formé à l’aide de l’interface iLearner et enregistre le fichier dans le compte de stockage d’objets BLOB Azure que vous spécifiez.
Pour obtenir des informations détaillées sur la création d’un service Web d’apprentissage, consultez les articles suivants :
- reformer les modèles de Machine Learning par programmation
- Enregistrement d’une expérience en tant que service Web
Enregistrer un modèle dans Studio (classique)
- Exécutez l’expérience qui crée et forme le modèle.
- Une fois l’apprentissage terminé, cliquez avec le bouton droit sur le module utilisé pour l’apprentissage, sélectionnez modèle formé, puis cliquez sur enregistrer en tant que modèle formé.
- Par défaut, les modèles sont enregistrés dans votre espace de travail Studio (classique). Vous pouvez les afficher à l’aide de l’interface utilisateur Studio (Classic).
Les modules suivants peuvent créer un modèle enregistré qui utilise l’interface iLearner requise :
- Former le modèle
- Entraîner un modèle de clustering
- Former le modèle de détection des anomalies
- Optimiser les hyperparamètres du modèle
- Sweep Clustering
Notes
Les modèles arbitraires ne sont pas pris en charge ; le modèle doit avoir été enregistré dans le format binaire par défaut utilisé pour la persistance des modèles de Machine Learning.
Charger le modèle dans une nouvelle expérience
Ajoutez le module charger le modèle formé à votre expérience dans Studio (Classic).
Pour source de données, indiquez l’emplacement du modèle formé, à l’aide de l’une des options suivantes :
URL Web via http: fournissez une URL qui pointe vers l’expérience et le fichier représentant le modèle formé. dans Machine Learning, les modèles formés sont enregistrés par défaut au format ILearner .
Stockage Blob Azure: sélectionnez cette option uniquement si vous avez exporté le modèle formé vers le stockage Azure. Vous devez ensuite fournir le nom du compte et la clé du compte, ainsi que le chemin d’accès au conteneur, au répertoire ou à l’objet BLOB.
Si vous envisagez de créer un service Web Request-Response basé sur l’expérience actuelle, sélectionnez l’option autoriser l' utilisation dans les RR. Dans le cas contraire, l’évaluation est effectuée à l’aide de l’option service d’exécution de lots (BES), qui est recommandée. Pour plus d’informations, consultez la section Notes techniques .
Sélectionnez l’option utiliser les résultats mis en cache si vous souhaitez charger le modèle formé à partir du cache, lorsque le cache est disponible et rempli. Cette option est ignorée une fois que l’expérience a été déployée en tant qu’API de service Web.
Exemples
pour obtenir des exemples d’utilisation de ce module, consultez la Cortana Intelligence Gallery.
charger un modèle de Learning profond formé: l’exemple crée un réseau neuronal personnalisé pour la détection d’images. En utilisant le module charger le modèle formé , vous pouvez facilement réutiliser ce modèle sans avoir à le former, ce qui peut prendre du temps.
Ce regroupement comprend une expérience de formation, pour créer le modèle et une expérience prédictive dans laquelle le modèle est chargé en tant que service Web et utilisé pour les prédictions.
Notes techniques
Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.
Questions courantes
Pourquoi l’option RR n’est pas activée par défaut
Il est généralement prévu que les enregistrements de RR retournent des résultats dans un laps de temps réduit. Toutefois, étant donné que le module doit charger le modèle formé sous la forme d’un objet blob à partir d’un compte de stockage Azure ou d’un fichier hébergé sur un point de terminaison HTTP public, les opérations sur les fichiers peuvent entraîner des retards imprévisibles.
Par conséquent, nous conseillons généralement d’exécuter le service Web en mode d’exécution par lots (BES). Si vous sélectionnez l’option pour. l’exécution à l’aide des RR, tenez compte du risque de retard. pour obtenir des informations générales sur les durées d’exécution, consultez le contrat SLA Machine Learning.
Le modèle formé se charge-t-il plus rapidement si j’utilise l’option résultats mis en cache
oui, mais uniquement lorsque l’expérience est exécutée dans Machine Learning Studio (classic) et uniquement après que le cache a été rempli par la première exécution. Une fois l’expérience déployée en tant que service Web, cet indicateur est ignoré par l’exécution du service Web.
Est-il possible d’automatiser le processus
Vous pouvez utiliser PowerShell pour simplifier ou automatiser de nombreuses tâches dans Machine Learning. Par exemple, vous pouvez télécharger le contenu d’une expérience complète ou d’un module particulier, exporter la définition du service Web ou appeler l’API d’exécution du service Web. Pour plus d’informations, consultez module PowerShell pour Microsoft machine learning.
Paramètres du module
| Nom | Plage | Type | Default | Description |
|---|---|---|---|---|
| Autoriser à utiliser dans les RR | Vrai/Faux | Booléen | false | Autoriser ce module à s’exécuter dans le service Web requête-réponse, ce qui peut entraîner des retards imprévisibles |
| Source de données | URL Web via HTTP ou Stockage Blob Azure | T_DataSourceOrSink | Stockage Blob Azure | La source de données peut être HTTP ou un fichier dans le stockage d’objets BLOB Azure (obligatoire) |
| Pour URL Web via http: | ||||
| URL de la source de données | n'importe laquelle | String | URL pour HTTP | |
| pour Stockage Blob Azure: | ||||
| Nom du compte | n'importe laquelle | String | Nom du compte | |
| Clé de compte | n'importe laquelle | SecureString | Clé associée au compte Windows Azure Storage | |
| Chemin d’accès au conteneur ou au répertoire ou à l’objet BLOB | n'importe laquelle | String | Chemin d'accès à un objet blob ou au nom de table |
Sorties
| Nom | Type | Description |
|---|---|---|
| Modèle formé | Interface ILearner | Modèle entraîné |
Exceptions
| Exception | Description |
|---|---|
| Erreur 0003 | Cette exception se produit si une ou plusieurs entrées sont null ou vide. |
pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.
pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.