Что такое конструктор (версия 1) в Машинное обучение Azure?

Конструктор машинного обучения Azure — это интерфейс перетаскивания для обучения и развертывания моделей в студии машинного обучения Azure. В этой статье описаны задачи, которые можно выполнить в конструкторе.

В следующем анимированном GIF-файле показано, как можно визуально создать конвейер в конструкторе, перетаскивая ресурсы и подключая их.

Сведения о компонентах, доступных в конструкторе, см. в справочнике по алгоритмам и компонентам. Сведения о том, как приступить к работе с конструктором, см. в статье Руководство. Обучение модели регрессии без кода.

Обучение и развертывание модели

Конструктор использует рабочую область Машинного обучения Azure для организации общих ресурсов, таких как:

• Конвейеры
• Данные
• вычислительные ресурсы;
• зарегистрированные модели;
• Опубликованные задания конвейера
• конечные точки для прогнозирования в реальном времени.

На следующей схеме показано, как использовать конструктор для создания комплексного рабочего процесса машинного обучения. Вы можете обучать, тестировать и развертывать модели в интерфейсе конструктора.

• Перетащите ресурсы и компоненты данных на визуальный холст конструктора и подключите компоненты для создания проекта конвейера.
• Отправьте задание конвейера, использующее вычислительные ресурсы в рабочей области Машинное обучение Azure.
• преобразовывать конвейеры обучения в конвейеры вывода;
• Опубликуйте конвейеры в конечную точку конвейера REST, чтобы отправить новые конвейеры, которые выполняются с различными параметрами и ресурсами данных.
  • Опубликуйте конвейер обучения для повторного использования одного конвейера для обучения нескольких моделей при изменении параметров и ресурсов данных.
  • Опубликуйте конвейер вывода пакетной службы для прогнозирования новых данных с помощью ранее обученной модели.
• развертыватьконвейер вывода в реальном времени в подключенной конечной точке для создания прогнозов на основе новых данных в реальном времени.

Данные

Ресурс данных машинного обучения упрощает доступ и работу с данными. Конструктор включает несколько примеров ресурсов данных , с которыми можно поэкспериментировать. При необходимости можно зарегистрировать дополнительные ресурсы данных.

Компоненты

Компонент — это алгоритм, который можно запустить на данных. В конструкторе имеется ряд компонентов, от функций входящего трафика данных до процессов обучения, оценки и проверки.

Компонент может иметь параметры, используемые для настройки внутренних алгоритмов компонента. При выборе компонента на холсте параметры компонента и другие параметры отображаются в области свойств справа от холста. Параметры можно изменить и задать вычислительные ресурсы для отдельных компонентов в этой области.

Дополнительные сведения о библиотеке доступных алгоритмов машинного обучения см. в справочнике по алгоритму и компонентам. Сведения о выборе алгоритма см. в памятке по алгоритму машинного обучения Azure.

Трубопроводы

Конвейер состоит из ресурсов данных и аналитических компонентов, которые вы подключаетесь. Конвейеры помогают повторно использовать работу и упорядочивать проекты.

Конвейеры имеют множество вариантов использования. Вы можете создать конвейеры, которые:

• Обучение одной модели.
• Обучение нескольких моделей.
• Создание прогнозов в режиме реального времени или в пакете.
• Очистка только данных.

Черновики конвейеров

При изменении конвейера в конструкторе ход выполнения сохраняется в виде черновика конвейера. Черновик конвейера можно изменить в любой момент, добавив или удалив компоненты, настроив целевые объекты вычислений или установив параметры.

Допустимый конвейер имеет следующие характеристики:

• Ресурсы данных могут подключаться только к компонентам.
• Компоненты могут подключаться только к ресурсам данных или к другим компонентам.
• Все входные порты для компонентов должны иметь связь с потоком данных.
• Все необходимые параметры для каждого компонента должны быть установлены.

Когда вы будете готовы к выполнению проекта конвейера, сохраните конвейер и отправьте задание конвейера.

Задания конвейера

При каждом запуске конвейера конфигурация конвейера и его результаты хранятся в рабочей области в качестве задания конвейера. Задания конвейера группируются в эксперименты для упорядочивания журнала заданий.

Вы можете вернуться к любому заданию конвейера, чтобы проверить его для устранения неполадок или аудита. Клонируйте задание конвейера, чтобы создать проект конвейера для редактирования.

Вычислительные ресурсы

Целевые объекты вычислений подключены к рабочей области Машинное обучение Azure в Студия машинного обучения Azure. Используйте вычислительные ресурсы из рабочей области для запуска конвейера и размещения развернутых моделей в качестве сетевых конечных точек или в качестве конечных точек конвейера для пакетного вывода. Поддерживаемые целевые объекты вычислений:

Развернуть

Чтобы выполнить вывод в режиме реального времени, разверните конвейер как конечную точку в сети. Подключенная конечная точка создает интерфейс между внешним приложением и моделью оценки. Конечная точка работает на основе архитектуры REST, используемой в основном в проектах с веб-программированием. Вызов подключенной конечной точки возвращает результаты прогнозирования приложению в реальном времени.

Чтобы вызвать конечную точку в Сети, передайте ключ API, созданный при развертывании конечной точки. Сетевые конечные точки необходимо развернуть в кластере AKS. Сведения о развертывании модели см. в руководстве по развертыванию модели машинного обучения с помощью конструктора.

Публикация

Конвейер можно также опубликовать в конечной точке конвейера. Как и в сети, конечная точка конвейера позволяет отправлять новые задания конвейера из внешних приложений с помощью вызовов REST. Однако вы не можете отправлять или получать данные в режиме реального времени с помощью конечной точки конвейера.

Опубликованные конечные точки конвейера являются гибкими и могут использоваться для обучения или переобучения моделей, выполнения пакетного вывода или обработки новых данных. Вы можете опубликовать несколько конвейеров в одной конечной точке конвейера и указать, какую версию конвейера следует запустить.

Опубликованный конвейер выполняется на основе вычислительных ресурсов, которые определяются в черновике конвейера для каждого компонента. Конструктор создает такой же объект PublishedPipeline, что и пакет SDK.

Связанный контент

• Ознакомьтесь с основами прогнозной аналитики и машинного обучения с помощью учебника. Прогнозирование цены на автомобили с помощью конструктора.
• Узнайте, как изменить существующие примеры конструктора , чтобы адаптировать их в соответствии с вашими потребностями.