機器學習 Studio （傳統） 模型如何從實驗進行到 Web 服務
適用於：
機器學習 Studio（傳統版）
Azure 機器學習
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
機器學習 Studio （傳統版） 提供互動式畫布，可讓您開發、執行、測試及反覆查看代表預測性分析模型的實驗。 有各種不同的模組可供使用：
- 將數據輸入實驗
- 操作資料
- 使用機器學習演算法定型模型
- 評分模型
- 評估結果
- 輸出最終值
一旦您對實驗感到滿意，您可以將它部署為 機器學習（傳統）Web 服務或 Azure 機器學習 Web 服務，讓使用者可以傳送新數據並接收回結果。
在本文中，我們概述您的 機器學習 模型如何從開發實驗進展到可運作的Web服務。
注意
有其他方式可以開發和部署機器學習模型，但本文著重於如何使用 機器學習 Studio（傳統版）。 例如，若要閱讀如何使用 R 建立傳統預測性 Web 服務的描述，請參閱部落格文章使用 RStudio 建置和部署預測性 Web Apps 和 Azure Machine Learning 工作室。
雖然 機器學習 Studio（傳統版）的設計目的是協助您開發和部署預測性分析模型，但您可以使用 Studio（傳統版）來開發不包含預測分析模型的實驗。 例如，實驗可能只是輸入數據、操作數據，然後輸出結果。 就像預測性分析實驗一樣，您可以將此非預測性實驗部署為 Web 服務，但這是更簡單的程式，因為實驗不是定型或評分機器學習模型。 雖然這不是以這種方式使用 Studio（傳統版）的一般方式，但我們會將其納入討論中，以便我們可以提供 Studio（傳統版）運作方式的完整說明。
開發和部署預測性 Web 服務
以下是一般解決方案在開發並使用 機器學習 Studio 進行部署時所遵循的階段（傳統）：
圖 1 - 典型預測分析模型的階段
定型實驗
定型實驗是在 機器學習 Studio 中開發 Web 服務的初始階段（傳統版）。 定型實驗的目的是讓您有一個開發、測試、反覆執行及最終定型機器學習模型的位置。 您甚至可以在尋找最佳解決方案時同時定型多個模型，但一旦完成實驗，您就會選取單一定型的模型，並從實驗中排除其餘部分。 如需開發預測性分析實驗的範例，請參閱在 機器學習 Studio 中開發信用風險評估的預測性分析解決方案（傳統版）。
預測實驗
一旦您在定型實驗中有定型的模型，請按兩下 [設定Web服務]，然後選取 [機器學習 Studio 中的預測Web服務]，以起始將訓練實驗轉換成預測實驗的程式。 預測實驗的目的是使用已定型的模型來評分新數據，目標是最終以 Azure Web 服務的形式運作。
這項轉換是透過下列步驟為您完成的：
- 將用於定型的模組集合轉換成單一模組，並將其儲存為已定型的模型
- 排除任何與評分無關的額外模組
- 新增最終 Web 服務將使用的輸入和輸出埠
您可能想要進行更多變更，讓您的預測實驗準備好部署為 Web 服務。 例如，如果您希望 Web 服務只輸出結果的子集，您可以在輸出埠之前新增篩選模組。
在此轉換程式中，不會捨棄定型實驗。 當程式完成時，您在 Studio 中有兩個索引標籤（傳統）：一個用於定型實驗，另一個用於預測實驗。 如此一來，您就可以在部署 Web 服務並重建預測實驗之前，對定型實驗進行變更。 或者，您可以儲存訓練實驗的複本，以開始另一行實驗。
注意
當您按兩下 [預測性 Web 服務 ] 時，會啟動自動程式，將定型實驗轉換成預測性實驗，而且在大部分情況下運作良好。 如果您的定型實驗很複雜（例如，您有多個路徑可供您一起聯結的訓練），建議您手動進行這項轉換。 如需詳細資訊，請參閱如何在 機器學習 Studio 中準備您的模型以進行部署（傳統版）。
Web 服務
一旦您滿意預測實驗準備就緒，您就可以根據 Azure Resource Manager，將服務部署為傳統 Web 服務或新的 Web 服務。 若要將模型部署為傳統 機器學習 Web 服務來運作，請按兩下 [部署Web服務]，然後選取[部署Web服務]，然後選取[部署Web服務]。 若要部署為 [新增 機器學習 Web 服務]，請按兩下 [部署 Web 服務]，然後選取 [部署 Web 服務 [新增] 。 用戶現在可以使用 Web 服務 REST API 將數據傳送至您的模型，並接收結果。 如需詳細資訊，請參閱如何使用 機器學習 Web 服務。
非典型案例：建立非預測性 Web 服務
如果您的實驗未定型預測性分析模型，則您不需要同時建立定型實驗和評分實驗 - 只有一個實驗，而且您可以將它部署為Web服務。 機器學習 Studio （傳統版） 會藉由分析您已使用的模組來偵測您的實驗是否包含預測模型。
在您逐一查看實驗並滿意之後：
- 按兩下 [設定 Web 服務]，然後選取 [重新定型 Web 服務 - 會自動新增輸入和輸出節點]
- 按一下執行
- 單擊 [部署 Web 服務]，然後選取 [部署 Web 服務 [傳統] 或 [部署 Web 服務 [新增]，視您要部署的環境而定。
您的 Web 服務現在已部署，而且您可以存取和管理它，就像預測性 Web 服務一樣。
更新 Web 服務
既然您已將實驗部署為 Web 服務，如果您需要更新它，該怎麼辦？
這取決於您需要更新的內容：
您想要變更輸入或輸出，或想要修改 Web 服務操作數據的方式
如果您未變更模型，但只是變更 Web 服務處理數據的方式，您可以編輯預測實驗，然後按兩下 [部署Web服務]，然後再次選取 [部署Web服務 [傳統] 或 [部署Web服務 [新增]。 Web 服務已停止、已部署更新的預測實驗，並重新啟動Web服務。
以下是範例：假設您的預測實驗會傳回具有預測結果的輸入數據的完整數據列。 您可以決定讓 Web 服務只傳回結果。 因此，您可以在 預測實驗中新增項目 數據行模組，就在輸出埠之前，以排除結果以外的數據行。 當您按兩下 [部署Web服務]，然後再次選取 [部署Web服務[傳統] 或 [部署Web服務[新增] 時，Web 服務會更新。
您想要使用新數據重新定型模型
如果您想要保留機器學習模型，但想要使用新數據重新定型，您有兩個選項：
在 Web 服務執行時重新定型模型 - 如果您想要在預測性 Web 服務執行時重新定型模型，您可以對定型實驗進行幾項修改，使其成為重新定型實驗，然後將其部署為重新定型 Web 服務。 如需如何執行這項操作的指示，請參閱以程序設計方式重新定型 機器學習 模型。
返回原始定型實驗，並使用不同的定型數據來開發模型 - 您的預測實驗會連結至 Web 服務，但定型實驗不會以這種方式直接連結。 如果您修改原始定型實驗並按兩下 [設定Web服務]，則會建立 新的 預測實驗，部署時將會建立 新的 Web服務。 它不只是更新原始的 Web 服務。
如果您需要修改定型實驗，請開啟它，然後按兩下 [ 另存新檔 ] 進行複本。 這會讓原始定型實驗、預測實驗和 Web 服務保持不變。 您現在可以使用變更來建立新的 Web 服務。 部署新的 Web 服務之後，您就可以決定要停止先前的 Web 服務，還是讓它與新的 Web 服務一起執行。
您想要定型不同的模型
如果您想要變更原始預測實驗，例如選取不同的機器學習演算法、嘗試不同的定型方法等等，則您必須遵循上述第二個程式來重新定型模型：開啟定型實驗，按兩下 [另存新檔 ] 進行複本，然後開始開發模型的新路徑， 建立預測實驗，以及部署Web服務。 這會建立與原始 Web 服務無關的新 Web 服務-您可以決定要繼續執行哪一項或兩者。
下一步
如需開發和實驗程序的詳細資訊，請參閱下列文章：
- 轉換實驗 - 如何在 機器學習 Studio 中準備您的模型以進行部署（傳統版）
- 部署 Web 服務 - 部署 機器學習 Web 服務
- 重新定型模型 - 以程序設計方式重新定型 機器學習 模型
如需整個程式的範例，請參閱：