持续更新 Azure 自动化 ML 时间序列 model

Question

我最近部署了一个简单的 Azure 自动化 ML model，我有一个端点可以给我预测。 现在，我想做的是将更新推送到 AI model，以便它始终是最新的。

例如，我想预测 10 分钟后发生的事件。 10 分钟过去后，我了解了真正的价值，我想将该值推到 ML model 数据数组的末尾，而不必重新训练/部署所有内容。 这在自动化 ML 中可能吗？

编辑：或者，如果我可以在我自己的本地服务器上离线运行预测器/再训练也很好。 azure 确实允许下载训练有素的 model，但我真的不知道如何使用 pkl 文件或其中的内容。

Answer 1

Checkout Set up AutoML to train a time-series forecasting model with Python它使用过去的时间序列值“旋转”以与其他预测变量一起成为回归变量的附加维度。 您可以直接在AutoMLConfig中指定单独的训练集和验证集。

Azure model 是一个或多个序列化的 Python 对象，打包为 Python pickle 文件（.pkl 扩展名）。 pickle 文件的内容取决于用于训练 model 的机器学习库或技术。

要取消选择数据，您可以：

import pickle


with open('serialized.pkl', 'rb') as f:
    data = pickle.load(f)

Pickle一次序列化一个object，读回一个object——pickle后的数据按顺序记录在文件上。

如果您只是执行 pickle.load，您应该读取第一个序列化到文件中的 object。 在反序列化第一个 object 之后，文件指针位于下一个 object 的开头 - 如果您再次调用 pickle.load，它将读取下一个 object - 这样做直到文件结束。

objects = []
with (open("myfile", "rb")) as openfile:
    while True:
        try:
            objects.append(pickle.load(openfile))
        except EOFError:
            break 

请参阅在本地计算机上部署使用 Azure 机器学习训练的模型，了解如何将本地计算机用作训练目标或部署在 Azure 机器学习中创建的模型。

参考： 如何解压pkl文件？ , 如何读取 pickle 文件？

如果您想使用 ML Studio 的 Web API 获得预测，请参阅从 Azure ML studio 下载经过训练的 ML Model 以部署在独立计算机上