标签: azure-machine-learning-workbench

Azure Machine Learning Studio和Azure Machine Learning Workbench有什么区别？有什么预期的区别？是否预计Workbench正朝着弃用而转向Studio？

我收集了各种各样的差异:

• Studio每个模块的训练数据总输入硬限制为10 GB,而Workbench的价格可变限制.
• 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/可自定义的部署工具.
• 等等

但是,我还发现了几个分散的引用,声称Studio是一个重命名的Workbench更新版,即使这两个服务似乎仍然提供.

对于希望采用Microsoft堆栈的新数据科学家(可能在中期和长期的企业范围内),我更喜欢哪种产品？

我将 Azure 机器学习服务与 azureml-sdk python 库一起使用。

我正在使用 azureml.core 版本 1.0.8

我正在关注这个https://docs.microsoft.com/en-us/azure/machine-learning/service/how-to-create-your-first-pipeline教程。

当我使用 Azure 计算资源时，我已经让它工作了。但我想在本地运行它。

我收到以下错误

raise ErrorResponseException(self._deserialize, response)
azureml.pipeline.core._restclients.aeva.models.error_response.ErrorResponseException: (BadRequest) Response status code does not indicate success: 400 (Bad Request).
Trace id: [uuid], message: Can't build command text for [train.py], moduleId [uuid] executionId [id]: Assignment for parameter Target is not specified

我的代码看起来像：

run_config = RunConfiguration()
compute_target = LocalTarget()
run_config.target = LocalTarget()    
run_config.environment.python.conda_dependencies = CondaDependencies(conda_dependencies_file_path='environment.yml')
run_config.environment.python.interpreter_path = 'C:/Projects/aml_test/.conda/envs/aml_test_env/python.exe'
run_config.environment.python.user_managed_dependencies = True
run_config.environment.docker.enabled = False

trainStep = PythonScriptStep(
    script_name="train.py",
    compute_target=compute_target, …

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实验服务之间有何区别？
2. Azure ML工作台和Azure ML Studio有什么区别。
3. 我想使用azure ML实验服务来构建一些模型并创建Web API。是否可以使用ML studio做同样的事情。
4. 而且ML实验服务还要求我安装用于创建Web服务的Windows泊坞窗。我可以在不使用docker的情况下创建Web服务吗？