azure - 持续更新 Azure Automated ML 时间序列模型

Question

我最近部署了一个简单的 Azure 自动化 ML 模型，并且有一个可以为我提供预测的端点。现在，我想做的是将更新推送到 AI 模型，使其始终保持最新状态。

例如，我想预测 10 分钟内发生的事件。10 分钟过去后，我了解了真正的值，我想将该值推送到 ML 模型数据数组的末尾，而无需重新训练/部署所有内容。这在自动化机器学习中可能吗？

编辑:或者，如果我可以在我自己的本地服务器中离线运行预测器/再训练也很好。 azure 确实允许下载经过训练的模型，但我真的不知道如何使用 pkl 文件或其中的内容。

Answer 1

结账 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”以成为回归器与其他预测器的附加维度。您可以直接在AutoMLConfig中指定单独的训练集和验证集。 .

Azure 模型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模型的机器学习库或技术。

要取消pickle数据，您可以:

import pickle


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

Pickle 一次序列化一个对象，并读回一个对象 - pickled 数据按顺序记录在文件中。

如果您只是执行 pickle.load 您应该读取序列化到文件中的第一个对象。取消序列化第一个对象后，文件指针位于下一个对象的开头 - 如果您只需再次调用 pickle.load，它将读取下一个对象 - 这样做直到文件末尾。

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

参见，Deploy models trained with Azure Machine Learning on your local machines了解如何使用本地计算机作为训练或部署在 Azure 机器学习中创建的模型的目标。

引用:How to unpack pkl file? , How to read pickle file?

如果您想使用 ML Studio 的 Web API 来获取预测，请参阅 Download a trained ML Model from Azure ML studio to deploy on a standalone computer