從 ML 工作室 (傳統) 遷移至 Azure Machine Learning
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。
了解如何從工作室 (傳統) 遷移至 Azure Machine Learning。 Azure Machine Learning 提供結合無程式碼和程式碼優先方法的現代化資料科學平台。
這是基本「隨即轉移」移轉的指南。 如果您想要將現有的機器學習工作流程最佳化，或將機器學習平台現代化，請參閱 Azure Machine Learning 採用架構以取得其他資源，包括數位問卷工具、工作表和規劃範本。
請與雲端解決方案架構師合作以進行移轉。
建議的方法
若要遷移至 Azure Machine Learning，建議您採用下列方法：
- 步驟 1：存取 Azure Machine Learning
- 步驟 2：定義策略和計畫
- 步驟 3：重建實驗和 Web 服務
- 步驟 4：整合用戶端應用程式
- 步驟 5：清理工作室 (傳統) 資產
- 步驟 6：檢閱和展開案例
步驟 1：存取 Azure Machine Learning
了解 Azure Machine Learning；其優點、成本和結構。
比較 Azure Machine Learning 和工作室 (傳統) 的功能。
注意
Azure Machine Learning 中的 [設計工具] 功能會對工作室 (傳統) 提供類似的拖放體驗。 不過，Azure Machine Learning 也會提供健全的程式碼優先工作流程做為替代方案。 此移轉系列著重在設計工具，因為其與工作室 (傳統) 體驗最為類似。
下表摘要說明 ML Studio (傳統) 與 Azure Machine Learning 之間的一些主要差異。
功能 ML Studio (傳統) Azure Machine Learning 拖放介面 傳統體驗 更新體驗 - Azure Machine Learning 設計工具 程式碼 SDK 不支援 與 Azure Machine Learning Python 和 R SDK 完全整合 實驗 可調整規模 (有 10 GB 的定型資料限制) 使用計算目標進行調整 定型計算目標 專屬計算目標，僅限 CPU 支援 各種可自訂的訓練計算目標。 包括 GPU 和 CPU 支援 部署計算目標 專屬 Web 服務格式 (不可自訂) 各種可自訂的部署計算目標。 包括 GPU 和 CPU 支援 ML 管線 不支援 建立彈性的模組化管線來自動化工作流程 MLOps 基本模型管理和部署；僅限 CPU 部署 實體版本控制 (模型、資料、工作流程)、工作流程自動化、與 CICD 工具整合、CPU 與 GPU 部署，以及其他更多功能 模型格式 專屬格式，僅限 Studio (傳統) 視訓練作業類型而定的多種支援格式 自動化模型定型和超參數調整 不支援 支援。 程式碼優先和無程式碼選項。 資料漂移偵測 不支援 支援 資料標記專案 不支援 支援 角色型存取控制 (RBAC) 僅限參與者和擁有者角色 彈性的角色定義和 RBAC 控制項 AI 資源庫 支援的 (https://gallery.azure.ai/) 不支援
透過 Python SDK 筆記本範例來了解。確認 Azure Machine Learning 設計工具支援您的重要工作室 (傳統) 模組。 如需詳細資訊，請參閱下列工作室 (傳統) 和設計工具元件對應資料表。
步驟 2：定義策略和計畫
- 定義業務理由和預期的成果。
- 將可採取動作的 Azure Machine Learning 採用方案與業務成果保持一致。
- 準備人員、程序和環境以進行變更。
請與您的雲端解決方案架構師合作，以定義您的策略。
請參閱 Azure Machine Learning 採用架構以規劃資源，包括規劃文件範本。
步驟 3：重建您的第一個模型
定義策略之後，請遷移您的第一個模型。
使用設計工具來重建實驗。
使用設計工具來重新部署 Web 服務。
注意
上述指引是以 Azure Machine Learning v1 概念和功能為基礎所建置。 Azure Machine Learning 具有 CLI v2 和 Python SDK v2。 我們建議使用 v2 (而非 v1) 重建您的 ML Studio (傳統) 模型。 從Azure Machine Learning v2開始
步驟 4：整合用戶端應用程式
- 修改叫用工作室 (傳統) Web 服務的用戶端應用程式，以使用新的 Azure Machine Learning 端點。
步驟 5：清理工作室 (傳統) 資產
- 清理工作室 (傳統) 資產，以避免產生額外費用。 您可能需要保留資產以供後援，直到驗證 Azure Machine Learning 工作負載為止。
步驟 6：檢閱和展開案例
- 請檢閱模型移轉以取得最佳做法，並驗證工作負載。
- 展開案例，並將其他工作負載遷移至 Azure Machine Learning。
工作室 (傳統) 和設計工具元件對應
請參閱下表，以了解在設計工具中重建工作室 (傳統) 實驗時所要使用的模組。
重要
設計工具會透過開放原始碼 Python 套件 (而非 C# 套件，例如工作室 (傳統)) 來實作模組。 由於這項差異，設計工具元件的輸出可能會與其工作室 (傳統) 的對應項目稍有不同。
| 類別 | 工作室 (傳統) 模組 | 取代設計工具元件 |
|---|---|---|
| 資料輸入和輸出 | - 手動輸入資料 - 匯出資料 - 匯入資料 - 載入定型的模型 - 將壓縮的資料集解壓縮 |
- 手動輸入資料 - 匯出資料 - 匯入資料 |
| 資料格式轉換 | - 轉換成 CSV - 轉換成資料集 - 轉換成 ARFF - 轉換成 SVMLight - 轉換成 TSV |
- 轉換成 CSV - 轉換成資料集 |
| 資料轉換 - 操作 | - 新增資料行 - 新增資料列 - 套用 SQL 轉換 - 清除遺漏的資料 - 轉換成指標值 - 編輯中繼資料 - 聯結資料 - 移除重復資料列 - 選取資料集中的資料行 - 選取資料行轉換 - SMOTE - 群組類別值 |
- 新增資料行 - 新增資料列 - 套用 SQL 轉換 - 清除遺漏的資料 - 轉換成指標值 - 編輯中繼資料 - 聯結資料 - 移除重復資料列 - 選取資料集中的資料行 - 選取資料行轉換 - SMOTE |
| 資料轉換 - 擴充和縮減 | - 剪輯值 - 將資料分組到 Bins - 標準化資料 - 主體元件分析 |
- 剪輯值 - 將資料分組到 Bins - 標準化資料 |
| 資料轉換 - 取樣和分割 | - 資料分割和取樣 - 分割資料 |
- 資料分割和取樣 - 分割資料 |
| 資料轉換 - 篩選 | - 套用篩選 - FIR 篩選 - IIR 篩選 - 中間值篩選 - 移動平均篩選 - 閾值篩選 - 使用者定義的篩選 |
|
| 資料轉換 - 以計數學習 | - 建置計數轉換 - 匯出計數資料表 - 匯入計數資料表 - 合併計數轉換 - 修改計數資料表參數 |
|
| 特徵選取 | - 以篩選為基礎的功能選取項目 - Fisher 線性判別分析 - 排列功能重要性 |
- 以篩選為基礎的功能選取項目 - 排列功能重要性 |
| 模型 - 分類 | - 多元分類決策樹系 - 多元分類決策叢林 - 多元分類羅吉斯迴歸 - 多元分類神經網路 -「一對多」多元分類 - 二元分類平均認知 - 二元分類貝氏點機器 - 二元分類促進式決策樹系 - 二元分類決策叢林 - 二元分類決策叢林 - 二元分類本機深度 SVM - 二元分類羅吉斯迴歸 - 二元分類神經網路 - 二元分類支援向量機器 |
- 多元分類決策樹系 - 多元分類促進式決策樹系 - 多元分類羅吉斯迴歸 - 多元分類神經網路 -「一對多」多元分類 - 二元分類平均認知 - 二元分類促進式決策樹 - 二元分類決策樹系 - 二元分類羅吉斯迴歸 - 二元分類神經網路 - 二元分類支援向量機器 |
| 模型 - 叢集 | - K-Means 叢集 | - K-Means 叢集 |
| 模型 - 迴歸 | - 貝氏線性迴歸 - 促進式決策樹迴歸 - 決策樹系迴歸 - 快速樹系分位數迴歸 - 線性迴歸 - 神經網路迴歸 - 序數迴歸波狀迴歸 |
- 促進式決策樹迴歸 - 決策樹系迴歸 - 快速樹系分位數迴歸 - 線性迴歸 - 神經網路迴歸 - 波狀迴歸 |
| 模型 - 異常偵測 | - 一元分類 SVM - PCA 型異常偵測 |
- PCA 型異常偵測 |
| 機器學習 - 評估 | - 交叉驗證模型 - 評估模型 - 評估推薦程式 |
- 交叉驗證模型 - 評估模型 - 評估推薦程式 |
| 機器學習 - 定型 | - 清理叢集 - 定型異常偵測模型 - 定型叢集模型 - 定型 Matchbox 推薦程式 - 定型模型 - 微調模型超參數 |
- 定型異常偵測模型 - 定型叢集模型 - 定型模型 - - 定型 PyTorch 模型 - 定型 SVD 推薦程式 - 定型廣度和深度推薦程式 - 微調模型超參數 |
| 機器學習 - 計分 | - 套用轉換 - 將資料指派給叢集 - 計分 Matchbox 推薦程式 - 計分模型 |
- 套用轉換 - 將資料指派給叢集 - 計分影像模型 - 計分模型 - 計分 SVD 推薦程式 - 計分廣度和深度推薦程式 |
| OpenCV 程式庫模組 | - 匯入影像 - 預先定型的串聯影像分類 |
|
| Python 語言模組 | - 執行 Python 指令碼 | - 執行 Python 指令碼 - 建立 Python 模型 |
| R 語言模組 | - 執行 R 指令碼 - 建立 R 模型 |
- 執行 R 指令碼 |
| 統計函數 | - 套用數學運算 - 計算基本統計資料 - 計算線性相互關聯 - 評估機率函式 - 取代離散值 - 摘要資料 - 使用 t 檢定來檢定假設 |
- 套用數學運算 - 摘要資料 |
| 文字分析 | - 偵測語言 - 從文字中擷取關鍵片語 - 從文字擷取 N-Gram 功能 - 特性雜湊 - 隱含狄利克雷分佈 - 具名實體辨識 - 前置處理文字 - 計分 Vowpal Wabbit 第 7-10 版模型 - 計分 Vowpal Wabbit 第 8 版模型 - 定型Vowpal Wabbit 第 7-10 版模型 - 定型 Vowpal Wabbit 第 8 版模型 |
- 將字組轉換成向量 - 從文字中擷取 N-Gram 功能 - 特性雜湊 - 隱含狄利克雷分佈 - 前置處理文字 - 計分 Vowpal Wabbit 模型 - 定型 Vowpal Wabbit 模型 |
| 時間序列 | - 時間序列異常偵測 | |
| Web 服務 | - 輸入 - 輸出 |
- 輸入 - 輸出 |
| 電腦視覺 | - 套用影像轉換 - 轉換成影像目錄 - 初始影像轉換 - 分割影像目錄 - DenseNet 影像分類 -ResNet 影像分類 |
如需如何使用個別設計工具元件的詳細資訊，請參閱設計工具元件參考。
如果遺漏設計工具元件，該怎麼辦？
Azure Machine Learning 設計工具包含工作室 (傳統) 中最受歡迎的模組。 其也包含新的模組，可利用最新的機器學習技術。
如果您的移轉由於設計工具中遺漏模組而遭到封鎖，請建立支援票證來與我們聯絡。
範例移轉
下列實驗移轉強調工作室 (傳統) 和 Azure Machine Learning 之間的一些差異。
資料集
在工作室 (傳統) 中，[資料集] 已儲存在您的工作區中，且只有工作室 (傳統) 可以使用。
在 Azure Machine Learning 中，[資料集] 會註冊到工作區，並可在所有 Azure Machine Learning 上使用。 如需 Azure Machine Learning 資料集優點的相關詳細資訊，請參閱安全資料存取。
管線
在工作室 (傳統) 中，[實驗] 包含工作的處理邏輯。 您使用拖放模組來建立實驗。
在 Azure Machine Learning 中，[管線] 包含工作的處理邏輯。 您可以使用拖放模組或撰寫程式碼來建立管線。
Web 服務端點
工作室 (傳統) 使用 [REQUEST/RESPOND API] 來進行即時預測，以及使用 [BATCH EXECUTION API] 來進行批次預測或重新定型。
Azure Machine Learning 會使用即時端點 (受控端點) 來進行即時預測，以及使用 管線端點來進行批次預測或重新訓練。
後續步驟
在本文中，您已了解遷移至 Azure Machine Learning 的高階需求。 如需詳細步驟，請參閱工作室 (傳統) 移轉系列中的其他文章：
- 移轉概觀。
- 移轉資料集。
- 重建工作室 (傳統) 定型管線。
- 重建工作室 (傳統) Web 服務。
- 將 Azure Machine Learning Web 服務與用戶端應用程式整合。
- 移轉執行 R 指令碼。
如需其他移轉資源，請參閱 Azure Machine Learning 採用架構。