[英]Continuously update Azure Automated ML timeseries model
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。
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.