Azure Machine Learning Workbench 有何遭遇？

为了给改进后的体系结构让路，“2018 年 9 月”版本弃用并替换了 Azure Machine Learning Workbench 应用程序和其他一些早期功能。

为改善用户体验，此版本包含许多重大更新，这些更新由客户反馈促成。从实验运行到模型部署的核心功能没有变化。但现在，可以使用可靠的 Python SDK 和 Azure CLI 来完成机器学习任务和管道。

在旧版 Azure 机器学习中创建的大多数项目，都存储在自己的本地存储或云存储中。这些项目永远不会消失。

本文介绍了具体变化及其对使用 Azure Machine Learning Workbench 及其 API 构建的已有内容的影响。

警告

本文不适用于 Azure 机器学习工作室用户。适用于已安装 Workbench（预览版）应用程序和/或拥有试验和模型管理预览帐户的 Azure 机器学习客户。

有何变化？

最新版 Azure 机器学习包括以下功能：

重新设计的架构，易于使用。无需使用多个 Azure 资源和帐户，只需使用 Azure 机器学习工作区即可。可以在 Azure 门户中快速创建工作区。通过使用工作区，多个用户可以存储定型和部署计算目标、模型试验、Docker 映像、已部署模型等。

虽然当前版本中有新的已改进的 CLI 和 SDK 客户端，但桌面工作台应用程序本身已经停用。可以在 Azure 机器学习工作室的工作区仪表板中管理试验。借助仪表板，可以获取试验历史记录、管理附加到工作区的计算目标、管理模型和 Docker 映像，甚至还能部署 Web 服务。

在 2019 年 1 月 9 日，对 Machine Learning Workbench、Azure 机器学习试验和模型管理帐户及其相关 SDK 和 CLI 的支持已结束。

通过此 SDK、CLI 和 Azure 门户可以使用所有最新功能。

旧的运行历史记录不再可访问，你仍然可以在最新版本中查看运行情况。

运行历史记录现在称为“试验” 。可使用 SDK、CLI 或 Azure 机器学习工作室收集并探索模型的试验。

Azure 机器学习工作室仅在 Microsoft Edge、Chrome 和 Firefox 浏览器上受支持：

使用新的 CLI 和 SDK 开始训练模型并跟踪运行历史记录。可以了解如何使用教程：使用 Azure 机器学习训练模型。

不会丢失任何代码或工作。在旧版本中，项目是包含本地目录的云实体。在最新版本中，可使用本地配置文件将本地目录附加到 Azure 机器学习工作区。请参阅最新体系结构的关系图。

大部分项目内容已存在于本地计算机上。因此，只需在相应目录中创建配置文件，并在代码中引用它，即可连接到工作区。要继续使用包含文件和脚本的本地目录，请在“experiment.submit”Python 命令中指定该目录的名称或使用 az ml project attach CLI 命令。例如：

run = exp.submit(source_directory=script_folder,
                 script='train.py', run_config=run_config_system_managed)

创建工作区以开始使用。

若要继续使用旧模型注册表中注册的模型，必须将它们迁移到新工作区。若要迁移模型，请下载模型并将其在新工作区中重新注册。

你在自己的旧映像注册表中创建的映像不能直接迁移到新工作区。大多数情况下，可以部署此模型，不需创建映像。可以根据需要在新工作区中为模型创建一个映像。有关详细信息，请参阅管理、注册、部署和监视机器学习模型。

现在，对旧 CLI 的支持已经结束，你无法再重新部署模型或管理最初使用模型管理帐户部署的 Web 服务。但是，只要仍支持 Azure 容器服务 (ACS)，这些 Web 服务就将继续有效。

在最新版本中，模型作为 Web 服务部署到 Azure 容器实例 (ACI) 或 Azure Kubernetes 服务 (AKS) 群集。还可以部署到 FPGA。

通过以下文章，了解详细信息：

有关该服务的概述，请阅读什么是 Azure 机器学习？。

开始使用快速入门：Azure 机器学习入门。然后使用这些资源以你喜欢的方法创建你的第一个试验：