Azure ML 和 Azure ML 实验之间的区别
Posted
技术标签:
【中文标题】Azure ML 和 Azure ML 实验之间的区别【英文标题】:Difference between Azure ML and Azure ML experimentation 【发布时间】:2018-08-25 12:24:31 【问题描述】:我是 Azure ML 的新手。我有一些疑问。有人可以澄清下面列出的我的疑问。
-
Azure ML 服务与 Azure ML 实验服务有什么区别。
Azure ML Workbench 和 Azure ML Studio 有什么区别。
我想使用 azure ML Experimentation 服务来构建少量模型和创建 Web API。是否可以对 ML Studio 做同样的事情。
ML Experimentation 服务还要求我安装一个用于创建 Web 服务的 windows docker。
我可以不使用 docker 创建 Web 服务吗?
【问题讨论】:
请注意,Workbench 仍是预览产品 【参考方案1】:我会尽力回答这些问题,并随时提出更多问题。 :)
Azure ML 服务与 Azure ML 实验服务有什么区别?
本质上,Azure ML 服务(我可能将其称为 Azure ML Studio)使用拖放界面来构建您的工作流和测试模型。 Azure ML 实验是 Azure 门户提供的一项新产品,可将它们直接托管在 Azure 中,并提供一种更好的方式来管理你的模型。实验将使用 Azure ML Workbench 来构建您的模型。
Azure ML Workbench 和 Azure ML Studio 有什么区别?
最大的区别在于 ML Studio 具有用于构建工作流和模型的拖放界面,而 Workbench 允许您使用 Python 以编程方式构建模型。 Workbench 还包括一个非常好的和强大的方法来从应用程序中清理您的数据。在 Studio 中,您可以使用一些很好的模块来清理数据,但我认为它没有 Workbench 中的功能强大。
编辑:Workbench 应用程序is deprecated 已被ML Services 替换/升级为ML Services。不过,核心功能没有改变。
我想使用 azure ML Experimentation 服务来构建一些模型并创建 Web API。 ML studio 也可以做同样的事情吗?
实际上,我想说在 ML Studio 中执行此操作要容易得多。拖放界面非常直观,只需单击几下即可创建 Web API 来调用您的模型。在撰写本文时,我觉得部署模型更加复杂,并且涉及使用 Azure CLI。
ML Experimentation 服务还要求我安装一个用于创建 Web 服务的 windows docker。我可以不使用 docker 创建 Web 服务吗?
这里我对 Workbench 的 Docker 部分不太熟悉,但我相信你可以不使用 Docker 来创建和部署。不过,我相信它需要一个 Azure 模型管理资源。
我希望这会有所帮助,并再次提出更多问题。
【讨论】:
非常感谢您回答我的问题。是否可以创建 Web 服务并将其托管在 Azure ML 工作台中?喜欢类似于 Azure ML studio? 我自己并没有做太多这样的事情,我所做的事情也遇到了一些问题。这个page 应该提供比我能做的更好的细节。自从我弄乱它已经有几个月了,但是当我这样做时,我不得不做一些额外的步骤,比如向 Azure 注册更多的命名空间。我确实认为,一旦它被部署,你应该得到一个模型的链接。 @Jon,再次感谢您的回答。您是否在创建 Web 服务时安装了 Docker? 我没有,但不幸的是,我认为我还不够远。 :// 最新的预览版在这里有笔记本:github.com/Azure/MachineLearningNotebooks/blob/master/…。它创建了一个 docker 容器,用于打包模型和依赖项。【参考方案2】:AML 实验是我们众多新的 ML 产品之一,包括数据准备、实验、模型管理和操作化。 Workbench 是一个 PREVIEW 产品,它为其中一些服务提供 GUI。但它只是运行所需的 CLI 的安装程序/包装程序。这些服务基于 Spark 和 Python。其他 Python 框架也可以工作,从 Python 调用 Java/Scala 会有点麻烦。不太清楚你所说的“Azure ML 服务”是什么意思,也许你指的是我上面提到的操作化服务。这将允许您使用 Docker 容器快速创建新的基于 Python 的 API,并将连接到模型管理帐户以跟踪模型和服务之间的关联。此处的所有服务仍处于预览阶段,可能会在 GA 发布之前发生重大变化。
Azure ML Studio 是一种较旧的产品,对某些人来说可能更简单(我自己是工程师而不是数据科学家)。它提供拖放体验,但数据大小限制在 10G 左右。这个产品是GA。
可以,但是您需要更小的数据量,并且作业流程不是基于 spark 的。我用它来做快速 PoC。此外,与更多 IaaS 的更新服务相比,由于它是 PaaS,因此您对评分的可扩展性(批量或实时)的控制将更少。对于大多数用例,我建议查看新服务而不是工作室。
Web 服务完全基于 Docker。需要 docker 进行实验更多的是在本地运行东西,我自己很少这样做。但是,对于实时服务,您打包的所有内容都放置在 docker 容器中,以便可以将其部署到 ACS 集群。
【讨论】:
以上是关于Azure ML 和 Azure ML 实验之间的区别的主要内容,如果未能解决你的问题,请参考以下文章
Azure ML Studio ML Pipeline - 异常:未找到临时文件