학습된 모델 로드
중요
Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.
2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.
- ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
- Azure Machine Learning에 대한 자세한 정보.
ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.
웹 호스팅 학습된 모델 로드
범주: 데이터 입력 및 출력
모듈 개요
이 문서에서는 Machine Learning Studio(클래식)에서 학습된 모델 로드 모듈을 사용하여 실험에 사용하기 위해 이미 학습된 모델을 로드하는 방법을 설명합니다.
이 모듈에는 기존 학습된 모델이 필요합니다. 일반적으로 다른 실험에서 모델을 만든 다음 학습한 다음, 모델을 작업 영역 또는 지원되는 클라우드 스토리지 옵션 중 하나에 저장합니다.
그런 다음 학습된 모델 로드 모듈을 사용하여 학습된 모델을 가져와서 새 실험에서 실행합니다.
부하 학습된 모델을 사용하는 방법
기존 모델을 사용하여 새 데이터를 예측하려면 다음을 수행합니다.
- 이전에 모델을 학습한 다음 iLearner 형식으로 저장해야 합니다.
- 모델은 URL 또는 Azure Blob Storage에서 액세스할 수 있어야 합니다.
이 섹션에서는 모델을 저장하고, 저장된 모델을 얻고, 저장된 모델을 적용하는 방법을 설명합니다.
학습된 모델 저장
Studio(클래식) 인터페이스를 사용하거나 웹 서비스로 실행되는 실험을 사용하여 모델을 저장할 수 있습니다.
웹 서비스를 사용하여 모델 저장
- 모델을 웹 서비스로 학습 또는 재학습하는 실험을 만듭니다.
- 해당 실험을 웹 서비스로 게시합니다.
- 학습 웹 서비스의 BES 엔드포인트를 호출하면 웹 서비스는 iLearner 인터페이스를 사용하여 학습된 모델을 저장하고 사용자가 지정한 Azure Blob Storage 계정에 파일을 저장합니다.
학습 웹 서비스를 만드는 방법에 대한 단계별 정보는 다음 문서를 참조하세요.
Studio에서 모델 저장(클래식)
- 모델을 빌드하고 학습하는 실험을 실행합니다.
- 학습이 완료되면 학습에 사용된 모듈을 마우스 오른쪽 단추로 클릭하고 학습된 모델을 선택한 다음 학습된 모델로 저장을 클릭합니다.
- 기본적으로 모델은 Studio(클래식) 작업 영역에 저장됩니다. Studio(클래식) UI를 사용하여 볼 수 있습니다.
다음 모듈은 필요한 iLearner 인터페이스를 사용하는 저장된 모델을 만들 수 있습니다.
참고
임의 모델은 지원되지 않습니다. 모델은 Machine Learning 모델을 유지하는 데 사용되는 기본 이진 형식으로 저장되어야 합니다.
새 실험에 모델 로드
Studio(클래식)에서 실험에 학습된 모델 로드 모듈을 추가합니다.
데이터 원본의 경우 다음 옵션 중 하나를 사용하여 학습된 모델의 위치를 나타냅니다.
HTTP를 통한 웹 URL: 실험을 가리키는 URL과 학습된 모델을 나타내는 파일을 제공합니다. Machine Learning 학습된 모델은 기본적으로 ILearner 형식으로 저장됩니다.
Azure Blob Storage: 학습된 모델을 Azure Storage로 내보낸 경우에만 이 옵션을 선택합니다. 그런 다음 계정 이름 및 계정 키와 컨테이너, 디렉터리 또는 Blob에 대한 경로를 제공해야 합니다.
현재 실험을 기반으로 하는 Request-Response 웹 서비스를 만들려는 경우 RRS에서 사용 허용 옵션을 선택합니다. 그렇지 않으면 BES(Batch Execution Service) 옵션을 사용하여 점수 매기기를 수행하는 것이 좋습니다. 자세한 내용은 기술 정보 섹션을 참조하세요.
캐시를 사용할 수 있고 채워지는 캐시에서 학습된 모델을 로드하려면 캐시된 결과 사용 옵션을 선택합니다. 이 옵션은 실험이 웹 서비스 API로 배포된 후에 무시됩니다.
예
이 모듈을 사용하는 방법에 대한 예제는 Cortana Intelligence 갤러리를 참조하세요.
학습된 심층 Learning 모델 로드: 이 예제에서는 이미지 검색을 위한 사용자 지정 신경망을 만듭니다. 학습된 모델 로드 모듈을 사용하면 학습하지 않고도 이 모델을 쉽게 다시 사용할 수 있으므로 시간이 많이 걸릴 수 있습니다.
이 컬렉션에는 모델을 만들기 위한 학습 실험과 모델이 웹 서비스로 로드되고 예측에 사용되는 예측 실험이 포함됩니다.
기술 정보
이 섹션에는 구현 세부 정보, 팁, 자주 묻는 질문에 대한 답변이 포함되어 있습니다.
일반적인 질문
RRS 사용이 기본적으로 사용되지 않는 이유
일반적으로 RRS 호출은 짧은 시간 내에 결과를 반환해야 합니다. 그러나 모듈은 Azure Storage 계정 또는 공용 HTTP 엔드포인트에 호스트된 파일에서 Blob 형식으로 학습된 모델을 로드해야 하므로 파일 작업으로 인해 예측할 수 없는 지연이 발생할 수 있습니다.
따라서 일반적으로 웹 서비스를 BES(일괄 실행 모드)로 실행하는 것이 좋습니다. RRS를 사용하여 .execution 옵션을 선택하는 경우 지연 가능성에 유의하세요. 실행 시간에 대한 일반적인 내용은 Machine Learning SLA를 참조하세요.
캐시된 결과 옵션을 사용하는 경우 학습된 모델이 더 빨리 로드됩니까?
예, 하지만 실험이 Machine Learning Studio(클래식)에서 실행되고 캐시가 첫 번째 실행에 의해 채워진 후에만 실행됩니다. 실험을 웹 서비스로 배포한 후에는 웹 서비스 실행에 의해 이 플래그가 무시됩니다.
프로세스를 자동화하는 방법이 있습니까?
PowerShell을 사용하여 Machine Learning 많은 작업을 간소화하거나 자동화할 수 있습니다. 예를 들어 전체 실험 또는 특정 모듈의 콘텐츠를 다운로드하거나, 웹 서비스의 정의를 내보내거나, 웹 서비스 실행 API를 호출할 수 있습니다. 자세한 내용은 Microsoft Machine Learning PowerShell 모듈을 참조하세요.
모듈 매개 변수
| Name | 범위 | Type | 기본값 | 설명 |
|---|---|---|---|---|
| RRS에서 사용 허용 | True/False | 부울 | false | 예기치 않은 지연이 발생할 수 있는 요청 응답 웹 서비스에서 이 모듈을 실행하도록 허용 |
| 데이터 원본 | HTTP를 통한 웹 URL 또는 Azure Blob Storage | T_DataSourceOrSink | Azure Blob Storage | 데이터 원본은 HTTP 또는 Azure Blob Storage의 파일일 수 있습니다(필수). |
| HTTP를 통한 웹 URL의 경우: | ||||
| 데이터 원본 URL | any | String | HTTP에 대한 URL | |
| Azure Blob Storage 경우: | ||||
| 계정 이름 | any | String | 계정 이름 | |
| 계정 키 | any | SecureString | Microsoft Azure 저장소 계정과 연결된 키입니다. | |
| 컨테이너 또는 디렉터리 또는 Blob에 대한 경로 | any | String | 테이블 이름 또는 Blob의 경로입니다. |
출력
| Name | 유형 | 설명 |
|---|---|---|
| 학습된 모델 | ILearner 인터페이스 | 학습된 모델 |
예외
| 예외 | 설명 |
|---|---|
| 오류 0003 | 하나 이상의 입력이 null이거나 비어 있으면 예외가 발생합니다. |
Studio(클래식) 모듈과 관련된 오류 목록은 Machine Learning 오류 코드를 참조하세요.
API 예외 목록은 Machine Learning REST API 오류 코드를 참조하세요.