问题标签 [azure-machine-learning-workbench]

我正在尝试使用 pyodbc 在 Azure ML Workbench 中导入数据框。这适用于本地运行，但不适用于 docker。尝试建立与 SQL Server 的连接时失败，因为驱动程序不存在。

错误信息：

pyodbc.Error: ('01000', "[01000] [unixODBC][Driver Manager]Can't open lib 'ODBC Driver 13 for SQL Server' : 找不到文件 (0) (SQLDriverConnect)")

在寻找解决方案时，我发现我可以将这些行放在 docker 文件中

添加 odbcinst.ini /etc/odbcinst.ini

运行 apt-get 更新

运行 apt-get install -y tdsodbc unixodbc-dev

运行 apt install unixodbc-bin -y

运行 apt-get clean -y

但是，我是 docker 新手，无法弄清楚将这些行放在 ML Workbench 中的哪个位置。似乎 docker 文件是通过docker.compute和conda_dependencies.yml生成的，但是在解决方案中的任何一个或任何其他内容中都找不到与上述行类似的内容。

我正在使用新的 Azure ML Workbench 和一组模型管理服务来执行常规 Python（不是 Pyspark）项目。我有一个 conda_dependencies.yml 文件，如下所示：

我们部署到我的 Azure 集群，它似乎从来没有安装 xgboost，因此在部署 web 服务时我总是收到这个错误

在它调用我的 score.py 来加载我保存的 xgboost 模型的时候。有人可以向我解释如何为此安装 xgboost 吗？无论我是逐步创建环境还是通过此示例中的单个命令创建环境，都会出现错误：https ://docs.microsoft.com/en-us/azure/machine-learning/preview/tutorial-classifying-iris-part -3

这是导致错误的命令（集群已经配置和设置）：

我是 Azure ML 的新手。我有一些疑问。有人可以澄清下面列出的我的疑问。

1. Azure ML 服务 Azure ML 实验服务有什么区别。
2. Azure ML 工作台和 Azure ML Studio 有什么区别。
3. 我想使用 azure ML Experimentation 服务来构建几个模型并创建 Web API。是否可以对 ML Studio 做同样的事情。
4. ML Experimentation 服务还要求我安装一个用于创建 Web 服务的 windows docker。我可以在不使用 docker 的情况下创建 Web 服务吗？

安装组件时出错：azure_cli_ml_cliextension.windows “该操作灾难性地失败了

Microsoft.MachineLearning.Installer.Engine.Actions.RegisteredActions.AzureCliException：无法获取当前安装的 Azure CLI 扩展列表

在

Microsoft.MachineLearning.Installer.Engine.Actions.RegisteredActions.InstallAzureCliExtensionAction.d__23.MoveNext() 在 C:\swarm\workspace\Installer-1.2\Installer.Engine\Actions\RegisteredActions\InstallAzureCliExtensionAction.cs:line 97

从那里一切都停止了......

Azure 机器学习工作室和Azure 机器学习工作台有什么区别？预期的区别是什么？是否预计 Workbench 会弃用 Studio 以支持 Studio？

我收集了各种不同的集合：

• Studio 对每个模块的训练数据总输入有 10 GB 的硬性限制，而 Workbench 的价格限制是可变的。
• Studio 似乎拥有功能更全面的 GUI 和用户友好的部署工具，而 Workbench 似乎拥有更强大/可定制的部署工具。
• 等等

但是，我还发现一些零散的参考资料声称 Studio 是 Workbench 的重命名更​​新，尽管这两种服务似乎仍然提供。

对于希望采用 Microsoft 堆栈（可能在中期和长期的企业规模上）的新数据科学家，我应该更喜欢哪种产品？

我正在尝试通过 Azure 模型管理创建 Web 服务并且正在苦苦挣扎。

我已按照说明进行操作，并设法在 Docker 容器中进行本地操作。我的“score.py”文件包含使用 pyodbc 对 SQL 数据库的查询。当我使用 ML Workbench 在本地环境中对其进行测试时，此功能完美运行，但是一旦将其部署到 Docker 容器中，我就会遇到此错误：

我已将 pyodbc 包含在我的 conda_dependencies.yml 中。

有没有人有任何建议？我需要包括任何其他依赖项吗？

Azure 最近似乎增加了使用他们所谓的“Docker 步骤文件”自定义容器映像的能力。我几乎没有 Docker 经验，但在阅读了这个问题后，我尝试包含一个包含以下内容的“Docker 步骤文件”：

但是我知道在这种类型的文件中不可能使用“添加”命令，所以这似乎没有任何区别。

希望这一切都有意义！任何建议将不胜感激！我希望我不是唯一一个在 Azure ML 中磕磕绊绊的人！

编辑：

我仍然卡住了，但正在取得进展......

我使用以下方法访问了容器的根目录：

从这里我运行了“odbcinst -j”，结果是：

我似乎无法真正找到odbc.ini，所以我按照这些说明为 Ubuntu 16.04 安装“ODBC 驱动程序 13”。现在，当我运行该服务时，我得到了一个不同的错误：

我还尝试更改我的 score.py 文件以返回：pyodbc.drivers()这会导致空白 '[]'

在训练我的模型时，我开始的数据由 json 数据行和我想从该 json 数据预测的预期值组成。json 数据遵循我部署的服务将接收输入的模式。在训练之前，我运行了一些 python 函数来转换数据并提取从原始 json 数据计算的特征。这是我的模型训练的转换数据。

我已经提取了将 json 数据转换为我的模型期望的输入到单独的 python 文件中的代码。现在我想让我的评分脚本使用该 python 脚本来准备发送到服务的输入，然后再将其输入到我的训练模型中。

使用 cli 命令部署我的服务时，有没有办法将数据转换脚本与评分脚本一起包含在内：

（为清楚起见，添加了上述命令中的新行）

我想出的两种方法是：

• 创建我自己的包含转换脚本的基础 docker 镜像，并将该镜像用作我的服务的基础。如果我需要为以后的模型进行类似（但不同）的数据转换，这似乎有点麻烦。
• 将转换脚本与我的评分脚本连接到一个文件中。似乎有点hacky。

是否有另一种方法可以实现我在训练和评分中使用单独的数据转换脚本的目标？

我不断收到错误 002：无法解析“Score Matchbox Recommender”框中的参数。

我正在使用 Azure 的默认“推荐者：电影推荐”示例项目。

我也尝试过参考在线视频，遵循相同的步骤但无济于事。仍然收到错误 002。

https://www.youtube.com/watch?v=3cNd_YRAsdk

完整的错误代码如下。

requestId = 8ce5b273ae124cd5a5d872e5a509fe45 错误组件=模块。任务状态代码=400。{"Exception":{"ErrorId":"ParameterParsing","ErrorCode":"0002","ExceptionType":"ModuleException","Message":"Error 0002: 无法解析参数"}}错误: 错误 0002:无法解析参数进程退出，错误代码 -2

有谁知道出了什么问题？

我有一个包含数千个标签的 Azure 机器学习实验。当我运行 Web 服务时，我得到一个包含两行（标签名称和标签概率）但有数千列的表。我想只选择概率最高的 5 个标签（最好按降序排序）。现在有人可以使用 Azure ML Studio 组件或 R 脚本吗？谢谢！

我安装了 Azure ML 工作台并尝试使用

az ml 环境设置 -c -n -g --location

但不断失败

我怎样才能查看这个错误究竟是什么，以及如何解决它？