Menu

Modele azur

Avec Azure machine learning service, une fois que le chercheur de données a construit un modèle satisfaisant, le modèle formé peut être facilement mis en production et surveillé. Accédez à votre espace de travail du service Azure machine learning et sélectionnez vue d`ensemble. Pour accéder aux paramètres du registre de conteneurs, sélectionnez le lien Registre. Azure Kubernetes service fournit les fonctionnalités suivantes: pour déployer un module IoT Edge sur votre appareil, Azure IoT a besoin des informations d`identification pour le registre de conteneurs dans lequel le service Azure machine learning stocke les images docker. Les modèles enregistrés sont identifiés par leur nom et leur version. Chaque fois que vous enregistrez un modèle avec le même nom que celui existant, le registre incrémente la version. Vous pouvez également fournir des balises de métadonnées supplémentaires lors de l`inscription qui peuvent être utilisées lors de la recherche de modèles. Le service Azure machine learning prend en charge tous les modèles qui peuvent être chargés à l`aide de Python 3. Azure machine learning prend en charge les frameworks les plus populaires, mais en général, toute infrastructure pouvant être installée sur PIP peut fonctionner.

Une fois que votre modèle est terminé, vous pouvez maintenant le déployer sur le serveur Azure AS que vous avez créé dans la première étape. Ceci peut être fait avec les étapes suivantes: vous pouvez également suivre les étapes de la déployer des modules Azure IoT Edge à partir du document du portail Azure pour déployer l`image sur votre appareil. Lorsque vous configurez les paramètres du Registre pour le périphérique, utilisez le serveur de connexion, le nom d`utilisateur et le mot de passe de votre registre de conteneurs d`espace de travail. Dans Azure machine learning service, l`espace de travail représente un emplacement central pour qu`une équipe collabore et gère l`accès aux cibles de calcul, au stockage des données, aux modèles créés, aux images docker créées, aux services Web déployés et au suivi de toutes les expériences exécutions qui ont été effectuées avec elle. Les scientifiques de données peuvent gérer l`autorisation et la création d`espaces de travail et expérimenter à partir du SDK Python. Remarque: Si vous utilisez SQL Azure, assurez-vous que vous avez autorisé l`accès à votre adresse IP via le pare-feu. Assurez-vous également que «autoriser l`accès aux services Azure» est défini sur «on» pour le pare-feu. Partagez votre solution avec le monde dans la galerie ou sur la place de marché Azure. Vous êtes prêt à commencer à déployer et à migrer des applications dans la plate-forme Cloud Azure de Microsoft, mais il existe quatre modèles de déploiement à affronter.