Load Trained Model
Ważne
Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.
Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).
- Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z programu ML Studio (wersja klasyczna) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
Ładowanie wytrenowanych modeli hostowanych w Internecie
Kategoria: Dane wejściowe i wyjściowe
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Omówienie modułu
W tym artykule opisano sposób użycia modułu Load Trained Model (Ładowanie wytrenowany model) w programie Machine Learning Studio (wersja klasyczna) w celu załadowania już wytrenowany model do użycia w eksperymencie.
Ten moduł wymaga istniejącego wytrenowany model. Zazwyczaj tworzy się i trenuje model w innym eksperymencie, a następnie zapisuje model w obszarze roboczym lub w jednej z obsługiwanych opcji magazynu w chmurze.
Następnie użyj modułu Load Trained model (Ładowanie wytrenowany model ), aby pobrać wytrenowany model i uruchomić go w nowym eksperymencie.
Jak używać załadować wytrenowany model
Aby użyć istniejącego modelu do przewidywania nowych danych:
- Model musi zostać wcześniej wytrenowany, a następnie zapisany w formacie iLearner.
- Model musi być dostępny za pomocą adresu URL lub w usłudze Azure Blob Storage.
W tej sekcji opisano sposób zapisywania modelu, uzyskania zapisanego modelu i zastosowania zapisanego modelu.
Zapisywanie wytrenowany model
Modele można zapisywać przy użyciu interfejsu programu Studio (klasycznego) lub eksperymentu, który działa jako usługa internetowa.
Zapisywanie modelu przy użyciu usługi internetowej
- Tworzenie eksperymentu, który trenuje lub ponownie trenuje model jako usługę internetową
- Opublikuj ten eksperyment jako usługę internetową.
- Po wywołaniu punktu końcowego usługi BES szkoleniowej usługi internetowej usługa internetowa zapisuje wytrenowany model przy użyciu interfejsu iLearner i zapisuje plik na koncie usługi Azure Blob Storage, które określisz.
Aby uzyskać szczegółowe informacje na temat tworzenia szkoleniowej usługi internetowej, zobacz następujące artykuły:
- Programowe ponowne Machine Learning modeli Machine Learning
- Zapisywanie eksperymentu jako usługi internetowej
Zapisywanie modelu w programie Studio (wersja klasyczna)
- Uruchom eksperyment, który tworzy i szkoli model.
- Po zakończeniu trenowania kliknij prawym przyciskiem myszy moduł, który został użyty do trenowania, wybierz pozycję Wytrenowany model, a następnie kliknij pozycję Zapisz jako wytrenowany model.
- Domyślnie modele są zapisywane w obszarze roboczym programu Studio (wersja klasyczna). Można je wyświetlać przy użyciu interfejsu użytkownika programu Studio (klasycznego).
Następujące moduły mogą utworzyć zapisany model, który używa wymaganego interfejsu iLearner :
- Trenowanie modelu
- Trenowanie modelu klastrowania
- Trenowanie modelu wykrywania anomalii
- Dostrajanie hiperparametrów modelu
- Czyszczenie klastrów
Uwaga
Dowolne modele nie są obsługiwane; Model musi zostać zapisany w domyślnym formacie binarnym używanym do utrwalania Machine Learning danych.
Ładowanie modelu do nowego eksperymentu
Dodaj moduł Load Trained Model (Ładowanie wytrenowany model ) do eksperymentu w programie Studio (wersja klasyczna).
W pozycji Źródło danych wskaż lokalizację wytrenowany model, korzystając z jednej z następujących opcji:
Internetowy adres URL za pośrednictwem protokołu HTTP: podaj adres URL, który wskazuje eksperyment, oraz plik reprezentujący wytrenowany model. W Machine Learning wytrenowane modele są domyślnie zapisywane w formacie ILearner.
Azure Blob Storage: wybierz tę opcję tylko w przypadku wyeksportowania wytrenowany model do usługi Azure Storage. Następnie należy podać nazwę konta i klucz konta oraz ścieżkę do kontenera, katalogu lub obiektu blob.
Jeśli zamierzasz utworzyć usługę internetową Request-Response opartą na bieżącym eksperymencie, wybierz opcję Zezwalaj na używanie w usługach RRS. W przeciwnym razie ocenianie jest wykonywane przy użyciu opcji usługi wykonywania wsadowego (BES), co jest zalecane. Aby uzyskać szczegółowe informacje, zobacz sekcję Uwagi techniczne.
Wybierz opcję Użyj buforowanych wyników , jeśli chcesz załadować wytrenowany model z pamięci podręcznej, gdy pamięć podręczna jest dostępna i wypełniona. Ta opcja jest ignorowana po wdrożeniu eksperymentu jako interfejsu API usługi internetowej.
Przykłady
Przykłady użycia tego modułu można znaleźć w Cortana Intelligence Gallery.
Load a Trained Deep Edukacja Model (Ładowanie wytrenowany model głębokiej Edukacja danych): w przykładzie jest tworzyć niestandardową sieć neuronową do wykrywania obrazów. Korzystając z modułu Load Trained Model (Ładowanie wytrenowany model), możesz łatwo ponownie użyć tego modelu bez konieczności trenowania go, co może być czasochłonne.
Ta kolekcja zawiera eksperyment szkoleniowy w celu utworzenia modelu oraz eksperyment predykcyjny, w którym model jest ładowany jako usługa internetowa i używany do przewidywania.
Uwagi techniczne
Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.
Często zadawane pytania
Dlaczego użycie RRS nie jest domyślnie włączone
Ogólnie oczekuje się, że wywołania RRS zwracają wyniki w krótkim czasie. Jednak ponieważ moduł musi załadować wytrenowany model w postaci obiektu blob z konta usługi Azure Storage lub pliku hostowanej w publicznym punkcie końcowym HTTP, operacje na plikach mogą wprowadzać nieprzewidywalne opóźnienia.
W związku z tym ogólnie zalecamy, aby usługa internetowa działała w trybie wykonywania wsadowego (BES). Jeśli wybierzesz opcję wykonywania przy użyciu funkcji RRS, należy pamiętać o potencjalnym opóźnieniu. Aby uzyskać ogólne informacje na temat czasów wykonywania, zobacz Machine Learning SLA.
Czy wytrenowany model ładuje się szybciej, jeśli używam opcji buforowanych wyników
Tak, ale tylko wtedy, gdy eksperyment zostanie uruchomiony w programie Machine Learning Studio (wersja klasyczna) i dopiero po wypełnieniu pamięci podręcznej przez pierwszy przebieg. Po wdrożeniu eksperymentu jako usługi internetowej ta flaga jest ignorowana przez wykonanie usługi internetowej.
Czy istnieje sposób automatyzacji procesu
Za pomocą programu PowerShell można uprościć lub zautomatyzować wiele zadań w Machine Learning. Na przykład możesz pobrać zawartość całego eksperymentu lub określonego modułu, wyeksportować definicję usługi internetowej lub wywołać interfejs API wykonywania usługi internetowej. Aby uzyskać więcej informacji, zobacz Moduł programu PowerShell dla programu Microsoft Machine Learning.
Parametry modułu
| Nazwa | Zakres | Typ | Domyślny | Opis |
|---|---|---|---|---|
| Zezwalaj na używanie w RRS | Prawda/fałsz | Boolean | fałsz | Zezwalaj na uruchamianie tego modułu w usłudze internetowej żądanie-odpowiedź, co może powodować nieprzewidywalne opóźnienia |
| Źródło danych | Internetowy adres URL za pośrednictwem protokołu HTTP lub Azure Blob Storage | T_DataSourceOrSink | Azure Blob Storage | Źródłem danych może być protokół HTTP lub plik w usłudze Azure Blob Storage (wymagane) |
| W przypadku internetowego adresu URL za pośrednictwem protokołu HTTP: | ||||
| Adres URL źródła danych | dowolny | Ciąg | Adres URL dla protokołu HTTP | |
| Na Azure Blob Storage: | ||||
| Nazwa konta | dowolny | Ciąg | Nazwa konta | |
| Klucz konta | dowolny | Securestring | Klucz skojarzony z kontem Windows Azure Storage | |
| Ścieżka do kontenera, katalogu lub obiektu blob | dowolny | Ciąg | Ścieżka do obiektu blob lub nazwa tabeli |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Wytrenowany model | ILearner, interfejs | Wytrenowany model |
Wyjątki
| Wyjątek | Opis |
|---|---|
| Błąd 0003 | Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty. |
Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kody błędów.
Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).