Wykonywanie potoków usługi Azure Machine Learning w usługach Azure Data Factory i Synapse Analytics
DOTYCZY: 
Azure Data Factory Azure Synapse Analytics
Napiwek
Wypróbuj usługę Data Factory w usłudze Microsoft Fabric — rozwiązanie analityczne typu all-in-one dla przedsiębiorstw. Usługa Microsoft Fabric obejmuje wszystko, od przenoszenia danych do nauki o danych, analizy w czasie rzeczywistym, analizy biznesowej i raportowania. Dowiedz się, jak bezpłatnie rozpocząć nową wersję próbną !
Uruchom potoki usługi Azure Machine Learning jako krok w potokach usług Azure Data Factory i Synapse Analytics. Działanie Wykonaj potok usługi Machine Learning włącza scenariusze przewidywania partii, takie jak identyfikowanie możliwych wartości domyślnych pożyczek, określanie opinii i analizowanie wzorców zachowań klientów.
Poniższy film wideo zawiera sześciominutowe wprowadzenie i pokaz tej funkcji.
Tworzenie działania Execute Pipeline w usłudze Machine Learning za pomocą interfejsu użytkownika
Aby użyć działania Execute Pipeline usługi Machine Learning w potoku, wykonaj następujące kroki:
Wyszukaj usługę Machine Learning w okienku Działania potoku i przeciągnij działanie Execute Pipeline usługi Machine Learning do kanwy potoku.
Wybierz nowe działanie Potok wykonywania usługi Machine Learning na kanwie, jeśli nie zostało jeszcze wybrane, a jego karta Ustawienia , aby edytować jego szczegóły.
Wybierz istniejącą lub utwórz nową połączoną usługę Azure Machine Learning i podaj szczegóły potoku i eksperymentu oraz wszystkie parametry potoku lub przypisania ścieżki danych wymagane dla potoku.
Składnia
{
"name": "Machine Learning Execute Pipeline",
"type": "AzureMLExecutePipeline",
"linkedServiceName": {
"referenceName": "AzureMLService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"mlPipelineId": "machine learning pipeline ID",
"experimentName": "experimentName",
"mlPipelineParameters": {
"mlParameterName": "mlParameterValue"
}
}
}
Właściwości typu
| Właściwości | opis | Dozwolone wartości | Wymagania |
|---|---|---|---|
| name | Nazwa działania w potoku | String | Tak |
| type | Typ działania to "AzureMLExecutePipeline" | String | Tak |
| linkedServiceName | Połączona usługa z usługą Azure Machine Learning | Dokumentacja połączonej usługi | Tak |
| mlPipelineId | Identyfikator opublikowanego potoku usługi Azure Machine Learning | Ciąg (lub wyrażenie z wartością resultType ciągu) | Tak |
| experimentName | Nazwa przebiegu eksperymentu historii przebiegu potoku usługi Machine Learning | Ciąg (lub wyrażenie z wartością resultType ciągu) | Nie. |
| mlPipelineParameters | Pary klucz, wartość, które mają zostać przekazane do opublikowanego punktu końcowego potoku usługi Azure Machine Learning. Klucze muszą być zgodne z nazwami parametrów potoku zdefiniowanych w opublikowanym potoku usługi Machine Learning | Obiekt z parami wartości klucza (lub wyrażenie z obiektem resultType) | Nie. |
| mlParentRunId | Nadrzędny identyfikator przebiegu potoku usługi Azure Machine Learning | Ciąg (lub wyrażenie z wartością resultType ciągu) | Nie. |
| dataPathAssignments | Słownik używany do zmieniania ścieżek danych w usłudze Azure Machine Learning. Umożliwia przełączanie ścieżek danych | Obiekt z parami wartości klucza | Nie. |
| continueOnStepFailure | Czy kontynuować wykonywanie innych kroków w przebiegu potoku usługi Machine Learning, jeśli krok zakończy się niepowodzeniem | boolean | Nie. |
Uwaga
Aby wypełnić elementy listy rozwijanej w nazwie i identyfikatorze potoku usługi Machine Learning, użytkownik musi mieć uprawnienia do wyświetlania listy potoków uczenia maszynowego. Interfejs użytkownika wywołuje interfejsy API usługi AzureMLService bezpośrednio przy użyciu poświadczeń zalogowanego użytkownika. Czas odnajdywania elementów listy rozwijanej będzie znacznie dłuższy w przypadku korzystania z prywatnych punktów końcowych.
Powiązana zawartość
Zapoznaj się z następującymi artykułami, które wyjaśniają sposób przekształcania danych na inne sposoby: