引入 R 工作负载

没有适用于 R 的 Azure 机器学习 SDK。需要改用 CLI 或 Python 控制脚本来运行 R 脚本。

本文概述 Azure 机器学习中支持的 R 的主要方案和已知限制。

典型的 R 工作流

将 R 与 Azure 机器学习配合使用的典型工作流：

在计算实例上使用 Jupyter Notebook 以交互方式开发 R 脚本。（虽然也可以将 Posit 或 RStudio 添加到计算实例，但目前无法从计算实例上的这些应用程序访问工作区中的数据资产。因此，交互式工作目前最好在 Jupyter 笔记本中完成。）
- 从已注册的数据资产或数据存储中读取表格数据
- 安装其他 R 库
- 将项目保存到工作区文件存储
改编脚本，使其在 Azure 机器学习中作为生产作业运行
- 删除可能需要用户交互的任何代码
- 根据需要将命令行输入参数添加到脚本
- 在要执行的 R 脚本所在的同一工作目录中包含和查找 azureml_utils.R 脚本
- 使用 crate 打包模型
- 在脚本中包含 R/MLflow 函数，以将项目、模型、参数和/或标记记录到 MLflow 上的作业
提交远程异步 R 作业（通过 CLI 或 Python SDK 而不是 R 提交作业）
- 生成环境
- 记录作业项目、参数、标记和模型
使用 Azure 机器学习工作室注册模型
将已注册的 R 模型部署到托管联机终结点
- 使用部署的终结点进行实时推理/评分

限制	请改为执行此操作
没有 R 控制平面 SDK。	使用 Azure CLI 或 Python 控制脚本提交作业。
在计算实例上的容器中作为自定义应用程序运行的 RStudio（例如 Posit 或 RStudio）无法访问工作区资产或 MLflow。	将 Jupyter Notebook 与计算实例上的 R 内核配合使用。
不支持从 R 以交互方式查询工作区 MLflow 注册表。
不支持 R 中的嵌套 MLflow 运行。
不支持并行作业步骤。	使用不同的输入参数并行运行脚本 `n` 次。但为此必须进行元编程以生成 `n` YAML 或 CLI 调用。
不支持使用 R 从正在运行的作业中注册/记录编程模型。
目前不支持 R MLflow 模型的零代码部署（即自动部署）。	使用 `plumber` 为部署创建自定义容器。
不支持使用批处理终结点对 R 模型进行评分。
Azure 机器学习联机部署 yml 只能使用直接来自注册表的映像 URI 制定环境规范；不能使用同一 Dockerfile 中的预生成环境。	按照如何将已注册的 R 模型部署到联机（实时）终结点中的步骤正确部署。

详细了解 Azure 机器学习中的 R：