Udostępnij przez

Przykład: tworzenie i wdrażanie niestandardowej umiejętności za pomocą usługi Azure Machine Learning (zarchiwizowana)

Ten przykład jest zarchiwizowany i niedostępny. Wyjaśniono, jak utworzyć niestandardową funkcjonalność przy użyciu usługi Azure Machine Learning, aby wyodrębnić sentiment oparty na aspektach z recenzji użytkowników. Umożliwiło to poprawne przypisanie pozytywnego i negatywnego sentymentu w ramach tej samej recenzji do zidentyfikowanych jednostek, takich jak personel, pokój, lobby lub basen.

Aby wytrenować model analizy sentymentu opartej na aspektach w usłudze Azure Machine Learning, użyjesz repozytorium NLP recipes . Następnie model zostanie wdrożony jako punkt końcowy w klastrze usługi Azure Kubernetes. Po wdrożeniu punkt końcowy zostanie dodany do procesu wzbogacania jako umiejętność AML dla usługi Cognitive Search.

Dostępne są dwa zestawy danych. Jeśli chcesz samodzielnie wytrenować model, wymagany jest plik hotel_reviews_1000.csv. Wolisz pominąć krok trenowania? Pobierz hotel_reviews_100.csv.

  • Utwórz wystąpienie usługi Azure Cognitive Search
  • Tworzenie obszaru roboczego usługi Azure Machine Learning (usługa wyszukiwania i obszar roboczy powinny znajdować się w tej samej subskrypcji)
  • Trenowanie i wdrażanie modelu w klastrze usługi Azure Kubernetes
  • Podłącz potok wzbogacenia AI do wdrożonego modelu
  • Przesyłanie danych wyjściowych z wdrożonego modelu jako umiejętność niestandardowa

Ważny

Ta umiejętność jest dostępna w publicznej wersji zapoznawczej zgodnie z uzupełniającymi warunkami użytkowania. Interfejs API REST w wersji zapoznawczej obsługuje tę umiejętność.

Warunki wstępne

  • Subskrypcja platformy Azure — uzyskaj bezpłatną subskrypcję .
  • Usługa Cognitive Search
  • Zasób usługi Cognitive Services
  • Konto usługi Azure Storage)
  • Obszar roboczy usługi Azure Machine Learning

Ustawienia

  • Sklonuj lub pobierz zawartość przykładowego repozytorium.
  • Wyodrębnij zawartość, jeśli pobieranie jest plikiem zip. Upewnij się, że pliki są odczytywane i zapisywane.
  • Podczas konfigurowania kont i usług platformy Azure skopiuj nazwy i klucze do łatwego dostępu do pliku tekstowego. Nazwy i klucze zostaną dodane do pierwszej komórki w notesie, w której zdefiniowano zmienne na potrzeby uzyskiwania dostępu do usług platformy Azure.
  • Jeśli nie znasz usługi Azure Machine Learning i jej wymagań, przed rozpoczęciem zapoznasz się z następującymi dokumentami:
  • Konfigurowanie środowiska programistycznego dla usługi Azure Machine Learning
  • Tworzenie obszarów roboczych usługi Azure Machine Learning i zarządzanie nimi w witrynie Azure Portal
  • Podczas konfigurowania środowiska programistycznego dla usługi Azure Machine Learning rozważ użycie wystąpienia obliczeniowego opartego na chmurze w celu przyspieszenia i ułatwienia rozpoczynania pracy.
  • Prześlij plik zestawu danych do kontenera na koncie przechowywania. Większy plik jest niezbędny, jeśli chcesz wykonać krok trenowania w notesie. Jeśli wolisz pominąć krok trenowania, zalecany jest mniejszy plik.

Otwórz notatnik i połącz z usługami Azure

  1. Umieść wszystkie wymagane informacje dla zmiennych, które umożliwią dostęp do usług platformy Azure wewnątrz pierwszej komórki i uruchom komórkę.
  2. Uruchomienie drugiej komórki potwierdzi połączenie z usługą wyszukiwania dla subskrypcji.
  3. Sekcje 1.1 – 1.5 spowodują utworzenie magazynu danych usługi wyszukiwania, zestawu umiejętności, indeksu i indeksatora.

W tym momencie możesz pominąć kroki tworzenia zestawu danych szkoleniowych i eksperymentu w usłudze Azure Machine Learning, a następnie przejść bezpośrednio do rejestrowania dwóch modeli dostępnych w folderze models repozytorium GitHub. Jeśli pominiesz te kroki, w notesie przejdziesz do sekcji 3.5 Pisanie skryptu oceniania. Pozwoli to zaoszczędzić czas; wykonanie czynności pobierania i przekazywania danych może potrwać do 30 minut.

Tworzenie i trenowanie modeli

Sekcja 2 zawiera sześć komórek, które pobierają plik osadzania rękawic z repozytorium przepisów nlp. Po pobraniu plik jest następnie przekazywany do magazynu danych usługi Azure Machine Learning. Plik .zip wynosi około 2G i wykonanie tych zadań zajmie trochę czasu. Po przekazaniu dane treningowe zostaną wyodrębnione i jesteś gotowy do przejścia do sekcji 3.

Przetrenuj model analizy tonacji opartej na aspektach i wdrażaj punkt końcowy

Sekcja 3 notesu przeprowadzi szkolenie modeli utworzonych w sekcji 2, zarejestrowanie tych modeli i wdrożenie ich jako punktu końcowego w klastrze usługi Azure Kubernetes. Jeśli nie znasz usługi Azure Kubernetes, zdecydowanie zaleca się zapoznanie się z następującymi artykułami przed podjęciem próby utworzenia klastra wnioskowania:

Tworzenie i wdrażanie klastra wnioskowania może potrwać do 30 minut. Zaleca się przetestowanie usługi internetowej przed przejściem do ostatecznych kroków, zaktualizowanie zestawu umiejętności i uruchomienie indeksatora.

Aktualizowanie zestawu umiejętności

Sekcja 4 w zeszycie zawiera cztery komórki, które aktualizują zestaw umiejętności i indeksator. Alternatywnie możesz użyć portalu, aby wybrać i zastosować nową umiejętność do zestawu umiejętności, a następnie uruchomić indeksator, aby zaktualizować usługę wyszukiwania.

W portalu przejdź do obszaru Zestaw umiejętności i wybierz link Definicja zestawu umiejętności (JSON). W portalu zostanie wyświetlony kod JSON zestawu umiejętności utworzony w pierwszych komórkach notesu. Po prawej stronie ekranu znajduje się menu rozwijane, w którym można wybrać szablon definicji umiejętności. Wybierz szablon Azure Machine Learning (AML). podaj nazwę obszaru roboczego usługi Azure ML i punkt końcowy modelu wdrożonego w klastrze wnioskowania. Szablon zostanie zaktualizowany za pomocą identyfikatora URI i klucza endpointu.

szablon definicji zestawu umiejętności

Skopiuj szablon zestawu umiejętności z okna i wklej go do definicji zestawu umiejętności po lewej stronie. Edytuj szablon, aby podać brakujące wartości dla:

  • Nazwa
  • Opis
  • Kontekst
  • Nazwa i źródło „inputs”
  • Nazwa "outputs" i "targetName"

Zapisz umiejętności.

Po zapisaniu zestawu umiejętności przejdź do indeksatora i wybierz link „Definicja indeksatora (JSON)”. W portalu zostanie wyświetlony kod JSON indeksatora, który został utworzony w pierwszych komórkach notesu. Mapowania pól wyjściowych należy zaktualizować za pomocą dodatkowych mapowań pól, aby upewnić się, że indeksator może obsłużyć i przekazać je poprawnie. Zapisz zmiany, a następnie wybierz pozycję Uruchom.

Czyszczenie zasobów

Jeśli pracujesz we własnej subskrypcji, dobrym pomysłem na końcu projektu jest określenie, czy nadal potrzebujesz utworzonych zasobów. Zasoby pozostawione włączone mogą kosztować pieniądze. Zasoby można usunąć pojedynczo lub usunąć grupę zasobów, aby usunąć cały zestaw zasobów.

Można znaleźć i zarządzać zasobami w portalu, korzystając z linku Wszystkie zasoby lub grupy zasobów w panelu nawigacyjnym po lewej stronie.

Jeśli używasz bezpłatnej usługi, pamiętaj, że masz ograniczenie do trzech indeksów, indeksatorów i źródeł danych. Możesz usunąć poszczególne elementy w portalu, aby pozostać w limicie.

  • Last updated on