转到你的 Azure 机器学习工作区。

下载 Predict NYC Taxi Tips.ipynb 。

在 Azure 机器学习工作室 中打开 Azure 机器学习工作区。

转到“笔记本”>“上传文件” 。 然后选择并上传已下载的“Predict NYC Taxi Tips.ipynb”文件。

在笔记本上传并打开后，选择“运行所有单元格”。

其中一个单元格可能会失败并要求你向 Azure 进行身份验证。 请在单元格输出中注意此信息，在浏览器中使用以下链接并输入代码进行身份验证。 然后，再次运行笔记本。

该笔记本会训练 ONNX 模型并将其注册到 MLflow。 转到“模型”来检查新模型是否已正确注册。

运行笔记本还会将测试数据导出到 CSV 文件中。 将 CSV 文件下载到本地系统。 稍后，将 CSV 文件导入到专用 SQL 池中并使用该数据来测试模型。

CSV 文件是在笔记本文件所在的文件夹中创建的。 如果没有立刻看到该文件，请在文件资源管理器中选择“刷新”。

使用 SQL 评分向导启动预测

使用 Synapse Studio 打开 Azure Synapse 工作区。

转到“数据”>“链接”>“存储帐户” 。 将 test_data.csv 上传到默认存储帐户。

转到“开发”>“SQL 脚本”。 创建新的 SQL 脚本，将 test_data.csv 加载到专用 SQL 池。

在运行此脚本之前，请更新其中的文件 URL。

IF NOT EXISTS (SELECT * FROM sys.objects WHERE NAME = 'nyc_taxi' AND TYPE = 'U')
CREATE TABLE dbo.nyc_taxi
    tipped int,
    fareAmount float,
    paymentType int,
    passengerCount int,
    tripDistance float,
    tripTimeSecs bigint,
    pickupTimeBin nvarchar(30)
    DISTRIBUTION = ROUND_ROBIN,
    CLUSTERED COLUMNSTORE INDEX
COPY INTO dbo.nyc_taxi
(tipped 1, fareAmount 2, paymentType 3, passengerCount 4, tripDistance 5, tripTimeSecs 6, pickupTimeBin 7)
FROM '<URL to linked storage account>/test_data.csv'
    FILE_TYPE = 'CSV',
    ROWTERMINATOR='0x0A',
    FIELDQUOTE = '"',
    FIELDTERMINATOR = ',',
    FIRSTROW = 2
SELECT TOP 100 * FROM nyc_taxi
转到“数据”>“工作区”。 通过右键单击专用 SQL 池表打开 SQL 评分向导。 选择“机器学习”>“使用模型进行预测”。
除非为 Azure 机器学习创建了链接服务，否则不会出现机器学习选项。 （请参阅本教程开头部分的先决条件。）
在下拉框中，选择一个链接的 Azure 机器学习工作区。 该步骤会从所选 Azure 机器学习工作区的模型注册表中加载机器学习模型的列表。 当前仅支持 ONNX 模型，因此该步骤只会显示 ONNX 模型。
选择刚训练的模型，然后选择“继续”。
将表列映射到模型输入并指定模型输出。 如果模型是以 MLflow 格式保存的并且模型签名已进行填充，则系统会使用基于名称相似性的逻辑为你自动执行映射。 此界面还支持手动映射。
选择“继续”。 
生成的 T-SQL 代码包装在存储过程中。 这就是需要为存储过程提供名称的原因。 包含元数据（版本、说明和其他信息）的模型二进制文件会以物理方式从 Azure 机器学习复制到专用 SQL 池表。 因此，你需要指定要在其中保存模型的表。
你可以选择“现有表”或“新建” 。 完成后，选择“部署模型 + 打开脚本”以部署模型并生成 T-SQL 预测脚本。
生成脚本后，选择“运行”以执行评分操作并获取预测。
快速入门：在 Azure Synapse 中创建新的 Azure 机器学习链接服务
Azure Synapse Analytics 中的机器学习功能