Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
gäller för:
SQL Server 2016 (13.x) och senare versioner
Viktigt!
Stödet för Machine Learning Server (tidigare kallat R Server) upphörde den 1 juli 2022. Mer information finns i Vad händer med Machine Learning Server?
SQL Server tillhandahåller installationsstöd för en fristående R Server eller Machine Learning Server som körs oberoende av SQL Server. Beroende på din SQL Server-version har en fristående server en grund av öppen källkod R och eventuellt Python, överlagrad med bibliotek med höga prestanda från Microsoft som lägger till statistiska och förutsägande analyser i stor skala. Bibliotek aktiverar även maskininlärningsuppgifter som är skriptade i R eller Python.
I SQL Server 2016 kallas den här funktionen R Server (fristående) och är endast R. I SQL Server 2017 kallas den Machine Learning Server (fristående) och innehåller både R och Python.
Anmärkning
Som installerats av SQL Server-installationsprogrammet är en fristående server funktionellt likvärdig med de icke-SQL-märkta versionerna av Microsoft Machine Learning Server, som stöder samma användarscenarier, inklusive fjärrkörning, operationalisering och webbtjänster, och den fullständiga samlingen av R- och Python-bibliotek.
Komponenter
SQL Server 2016 har endast stöd för R. SQL Server 2017 stöder R och Python. I följande tabell beskrivs funktionerna i varje version.
| Komponent | Beskrivning |
|---|---|
| R-paket |
RevoScaleR är det primära biblioteket för skalbar R med funktioner för datamanipulering, transformering, visualisering och analys. MicrosoftML lägger till maskininlärningsalgoritmer för att skapa anpassade modeller för textanalys, bildanalys och attitydanalys. sqlRUtils tillhandahåller hjälpfunktioner för att placera R-skript i en T-SQL-lagrad procedur, registrera en lagrad procedur med en databas och köra den lagrade proceduren från en R-utvecklingsmiljö. olapR används för att ange MDX-frågor i R. |
| Microsoft R Open (MRO) | Microsoft R Open (tillbakadragen) var Microsofts distribution av R med öppen källkod. |
| R-verktyg | R-konsolfönster och kommandotolk är standardverktyg i en R-distribution. Hitta dem på \Program files\Microsoft SQL Server\140\R_SERVER\bin\x64. |
| R-exempel och skript | R- och RevoScaleR-paket med öppen källkod innehåller inbyggda datauppsättningar så att du kan skapa och köra skript med förinstallerade data. Leta efter dem i \Program files\Microsoft SQL Server\140\R_SERVER\library\datasets och \library\RevoScaleR. |
| Python-paket |
revoscalepy är det primära biblioteket för skalbar Python med funktioner för datamanipulering, transformering, visualisering och analys. microsoftml lägger till maskininlärningsalgoritmer för att skapa anpassade modeller för textanalys, bildanalys och attitydanalys. |
| Python-verktyg | Det inbyggda kommandoradsverktyget i Python är användbart för ad hoc-testning och uppgifter. Hitta verktyget på \Program files\Microsoft SQL Server\140\PYTHON_SERVER\python.exe. |
| Anakonda | Anaconda är en distribution med öppen källkod av Python och viktiga paket. |
| Python-exempel och skript | Precis som med R innehåller Python inbyggda datauppsättningar och skript. Hitta revoscalepy-data i \Program files\Microsoft SQL Server\140\PYTHON_SERVER\lib\site-packages\revoscalepy\data\sample-data. |
| Förtränade modeller i R och Python | Förtränade modeller skapas för specifika användningsfall och underhålls av datavetenskapsteamet på Microsoft. Du kan använda de förtränade modellerna as-is för att poängsätta positiva negativa sentiment i text eller identifiera funktioner i bilder med hjälp av nya dataindata som du anger. Förtränade modeller stöds och kan användas på en fristående server, men du kan inte installera dem via SQL Server-installationsprogrammet. Mer information finns i Installera förtränad maskininlärningsmodeller på SQL Server. |
Använda en fristående server
R- och Python-utvecklare väljer vanligtvis en fristående server för att gå bortom minnes- och bearbetningsbegränsningarna för R och Python med öppen källkod. R- och Python-bibliotek som körs på en fristående server kan läsa in och bearbeta stora mängder data på flera kärnor och aggregera resultatet till en enda konsoliderad utdata. Högpresterande funktioner är utformade för både skalning och verktyg: leverera förutsägelseanalyser, statistisk modellering, datavisualiseringar och ledande maskininlärningsalgoritmer i en kommersiell serverprodukt som är utformad och stöds av Microsoft.
Som en oberoende server som är frikopplad från SQL Server konfigureras, skyddas och används R- och Python-miljön med hjälp av det underliggande operativsystemet och standardverktygen som tillhandahålls på den fristående servern, inte SQL Server. Det finns inget inbyggt stöd för SQL Server-relationsdata. Om du vill använda SQL Server-data kan du skapa datakällobjekt och anslutningar på samma sätt som från vilken klient som helst.
Som ett komplement till SQL Server är en fristående server också användbar som en kraftfull utvecklingsmiljö om du behöver både lokal och fjärrbaserad databehandling. R- och Python-paketen på en fristående server är desamma som de som tillhandahålls med en databasmotorinstallation, vilket möjliggör kodportabilitet och beräkningskontextväxling.
Så här kommer du igång
Börja med installationen, bifoga binärfilerna till ditt favoritutvecklingsverktyg och skriv ditt första skript.
Steg 1: Installera programvaran
Installera någon av dessa versioner:
- SQL Server 2017 Machine Learning Server (fristående)
- SQL Server 2016 R Server (fristående) – endast R
Steg 2: Konfigurera ett utvecklingsverktyg
På en fristående server är det vanligt att arbeta lokalt med hjälp av en utveckling som är installerad på samma dator.
Steg 3: Skriv ditt första skript
Skriv R- eller Python-skript med hjälp av funktioner från RevoScaleR, revoscalepy och maskininlärningsalgoritmerna.
Utforska R och RevoScaleR i 25 Functions: Börja med grundläggande R-kommandon och gå sedan vidare till revoScaleR-distributionsbara analysfunktioner som ger höga prestanda och skalning till R-lösningar. Innehåller parallelliserbara versioner av många av de mest populära R-modelleringspaketen, till exempel k-means-klustring, beslutsträd och beslutsskogar samt verktyg för datamanipulering.
Snabbstart: Ett exempel på binär klassificering med microsoftml Python-paketet: Skapa en binär klassificeringsmodell med hjälp av funktionerna från microsoftml och den välkända datamängden för bröstcancer.
Välj det bästa språket för uppgiften. R är bäst för statistiska beräkningar som är svåra att implementera med hjälp av SQL. För att genomföra set-baserade operationer på data, använd kraften i SQL Server för att uppnå maximal prestanda. Använd minnesintern databasmotor för mycket snabba beräkningar över kolumner.
Steg 4: Operationalisera din lösning
Fristående servrar kan använda driftsättningsfunktionerna i microsoft machine learning-servern som inte är SQL-märkt. Du kan konfigurera en fristående server för driftsättning, vilket ger dig följande fördelar: distribuera och vara värd för din kod som webbtjänster, köra diagnostik, testa webbtjänstkapaciteten.
Steg 5: Underhålla servern
SQL Server släpper kumulativa uppdateringar regelbundet. Genom att tillämpa de kumulativa uppdateringarna läggs säkerhets- och funktionsförbättringar till i en befintlig installation.
Beskrivningar av nya eller ändrade funktioner finns i artikeln CAB-nedladdningar och i versionsartiklarna för SQL Server 2016, SQL Server 2017 och SQL Server 2019.
Mer information om hur du tillämpar uppdateringar på en befintlig instans finns i Tillämpa uppdateringar i installationsanvisningarna.