Modelo treinado de carga
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Carregue um modelo treinado hospedado na web
Categoria: Entrada e Saída de Dados
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como usar o módulo Modelo Treinado de Carga em Machine Learning Studio (clássico), para carregar um modelo já treinado para ser usado numa experiência.
Este módulo requer um modelo treinado existente. Normalmente, cria-se e treina o modelo numa experiência diferente e, em seguida, guarda o modelo para o seu espaço de trabalho, ou para uma das opções de armazenamento de nuvem suportada.
Em seguida, você usa o módulo de modelo load trained para obter o modelo treinado e executá-lo em uma nova experiência.
Como usar o modelo treinado de carga
Utilizar um modelo existente para fazer previsões para novos dados:
- O modelo deve ter sido previamente treinado e depois guardado no formato iLearner.
- O modelo deve ser acessível quer por URL quer pelo armazenamento de bolhas Azure.
Esta secção descreve como salvar um modelo, obter um modelo guardado e aplicar um modelo guardado.
Salvar um modelo treinado
Pode guardar modelos utilizando a interface Studio (clássica) ou utilizando uma experiência que funciona como um serviço web.
Salvar um modelo usando um serviço web
- Crie uma experiência que faça a formação ou reconversão do modelo como um serviço web
- Publique esta experiência como um serviço web.
- Quando liga para o ponto final do bes do serviço web de formação, o serviço Web guarda um modelo treinado utilizando a interface iLearner e guarda o ficheiro na conta de armazenamento de blob Azure que especifica.
Para obter informações passo a passo sobre como criar um serviço web de formação, consulte estes artigos:
Salvar um modelo em Studio (clássico)
- Faça a experiência que constrói e treina o modelo.
- Quando o treino estiver completo, clique com o botão direito no módulo que foi usado para treinar, selecione Modelo Treinado e, em seguida, clique em Guardar como modelo treinado.
- Por padrão, os modelos são guardados para o seu espaço de trabalho Studio (clássico). Pode vê-los usando a UI studio (clássica).
Os seguintes módulos podem criar um modelo guardado que utilize a interface iLearner necessária:
- Preparar Modelo
- Train Clustering Model (Preparar Modelo de Clustering)
- Preparar Modelo de Deteção de Anomalias
- Ajustar hiperparâmetros do modelo
- Varrer Clustering
Nota
Os modelos arbitrários não são suportados; o modelo deve ter sido guardado no formato binário predefinido utilizado para a persistência Machine Learning modelos.
Carregue o modelo numa nova experiência
Adicione o módulo Modelo Treinado de Carga à sua experiência no Studio (clássico).
Para a fonte de dados, indique a localização do modelo treinado, utilizando uma das seguintes opções:
URL web via HTTP: Forneça um URL que aponta para a experiência e para o ficheiro que representa o modelo treinado. Em Machine Learning, os modelos treinados são por defeito guardados no formato ILearner.
Azure Blob Armazenamento: Selecione esta opção apenas se exportar o modelo treinado para o armazenamento Azure. Em seguida, deve fornecer o nome da conta e a chave da conta, e o caminho para o contentor, diretório ou bolha.
Se pretende criar um serviço web Request-Response baseado na experiência atual, selecione a opção, Deixe a utilização em RRS. Caso contrário, a pontuação é efetuada utilizando a opção Serviço de Execução de Lotes (BES), que é recomendada. Consulte a secção de notas técnicas para mais detalhes.
Selecione a opção de resultados em cache Utilizar se pretender carregar o modelo treinado a partir de cache, quando a cache estiver disponível e povoada. Esta opção é ignorada após a experiência ser implementada como uma API de serviço Web.
Exemplos
Por exemplo, como usar este módulo, consulte a Galeria de Inteligência Cortana.
Carregue um modelo de Aprendizagem Profundo Treinado: O exemplo cria uma rede neural personalizada para deteção de imagem. Ao utilizar o módulo Modelo Treinado de Carga , pode reutilizar facilmente este modelo sem ter de o treinar, o que pode ser demorado.
Esta coleção inclui uma experiência de formação, para criar o modelo, e uma experiência preditiva, na qual o modelo é carregado como um serviço web e usado para previsões.
Notas técnicas
Esta secção contém detalhes de implementação, dicas e respostas a perguntas frequentes.
Perguntas comuns
Por que é que o uso do RRS não é ativado por padrão
Espera-se geralmente que as chamadas RRS retornem os resultados dentro de um curto período de tempo. No entanto, como o módulo deve carregar o modelo treinado sob a forma de uma bolha a partir de uma conta de armazenamento Azure ou de um ficheiro alojado num ponto final HTTP público, as operações de ficheiro podem introduzir atrasos imprevisíveis.
Por isso, geralmente aconselhamos que o serviço Web seja executado no modo de execução do lote (BES). Se selecionar a opção para .execução utilizando RRS, esteja ciente do potencial de atraso. Para obter informações gerais sobre os tempos de execução, consulte o Machine Learning SLA.
O modelo treinado carrega mais rápido se eu usar a opção de resultados em cache
Sim, mas só quando a experiência é executada em Machine Learning Studio (clássico), e só depois da cache ter sido preenchida pela primeira vez. Após a experiência ser implantada como serviço web, esta bandeira é ignorada pela execução do serviço web.
Existe uma maneira de automatizar o processo
Pode utilizar o PowerShell para simplificar ou automatizar muitas tarefas em Machine Learning. Por exemplo, você pode baixar o conteúdo de uma experiência inteira ou um módulo particular, exportar a definição de serviço web, ou invocar a execução do serviço web API. Para obter mais informações, consulte o Módulo PowerShell para a Microsoft Machine Learning.
Parâmetros do módulo
| Nome | Intervalo | Tipo | Predefinição | Description |
|---|---|---|---|---|
| Permitir a utilização em RRS | Verdadeiro/Falso | Booleano | false | Permitir que este módulo seja executado no serviço web de resposta a pedidos, o que pode incorrer em atrasos imprevisíveis |
| Origem de dados | URL web via HTTP, ou Azure Blob Armazenamento | T_DataSourceOrSink | Armazenamento de Blobs do Azure | A fonte de dados pode ser HTTP ou um ficheiro no armazenamento de blob Azure (obrigatório) |
| Para URL web via HTTP: | ||||
| URL de fonte de dados | qualquer | String | URL para HTTP | |
| Para Azure Blob Armazenamento: | ||||
| Nome da Conta | qualquer | String | Nome da conta | |
| Chave da conta | qualquer | SecureString | Chave associada à conta Windows Azure Armazenamento | |
| Caminho para contentor ou diretório ou bolha | qualquer | String | Caminho para bolha ou nome da mesa |
Saídas
| Nome | Tipo | Description |
|---|---|---|
| Modelo treinado | Interface ILearner | Modelo treinado |
Exceções
| Exceção | Description |
|---|---|
| Erro 0003 | A exceção ocorre se uma ou mais entradas forem nulas ou vazias. |
Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.
Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.