Вычислительный экземпляр Azure Machine Learning — это управляемая облачная рабочая станция для специалистов по данным.
Вычислительные экземпляры упрощают начало работы с машинным обучением Azure, а также предоставляют ИТ-администраторам возможности управления и обеспечения готовности предприятия.
Используйте вычислительный экземпляр в качестве полностью настроенной и управляемой среды разработки в облаке для машинного обучения. Их также можно использовать в качестве цели вычислений для обучения и логического вывода в целях разработки и тестирования.
Вычислительные предложения машинного обучения Azure
1. Вычислительные экземпляры
Если вы не хотите тратить время на настройку локального компьютера для проведения экспериментов с машинным обучением или хотите использовать графические процессоры или мощные процессоры для проведения экспериментов, экземпляры Azure Compute предлагают полностью управляемые виртуальные машины, загруженные большинством основных платформ/библиотек. для проведения экспериментов по машинному обучению и науке о данных. Когда вы используете записные книжки AzureML (экземпляр записной книжки jupyter, подключенный для AzureML), вычислительный экземпляр — это место, где работает записная книжка jupyter.
Для доступа к вычислительным экземплярам можно использовать разные методы
Вы можете получить доступ к вычислительным экземплярам, используя различные методы. Доступ через записные книжки Jupyter и JupyterLab всегда был фаворитом большинства специалистов по обработке и анализу данных. Если вы знакомы с R, вы можете использовать Rstudio с вычислительными экземплярами. Доступ к вычислительному экземпляру через SSH действительно полезен (возможно, вам придется включить доступ по SSH при создании вычислительного экземпляра) в тех случаях, когда вам необходимо установить пользовательские пакеты и т. д. для вычислительного экземпляра. (Машина основана на Ubuntu, и вы можете использовать там все скрипты bash!)
По сути, вычислительный экземпляр можно определить как виртуальную машину, полностью загруженную необходимыми средствами обработки данных и машинного обучения, которые вы можете использовать прямо из коробки.
2. Вычислительный кластер
Вычислительные кластеры отличаются от вычислительных экземпляров возможностью иметь один или несколько вычислительных узлов. Эти вычислительные узлы могут быть созданы с желаемой конфигурацией оборудования.
Зачем иметь более одного узла? Это связано с возможностью использования параллельной обработки для вычислений. Если вы собираетесь выполнять настройку гиперпараметров/сложные вычисления на основе графического процессора/несколько запусков машинного обучения одновременно, вам, возможно, придется создать вычислительный кластер.
Если вы запускаете эксперимент по автоматизированному машинному обучению с AzureML, для выполнения вычислений у вас должен быть вычислительный кластер.
При выборе конфигураций узлов вы можете использовать узлы на основе ЦП или узлы на основе графического процессора. Узлы на базе графического процессора (типа NC и т. д.) немного дороги. Если вы не используете вычисления на основе графического процессора, не тратьте свои деньги, просто создав вычислительный кластер с некоторыми причудливыми конфигурациями.
Еще одна ключевая настройка — «Приоритет виртуальной машины». Если вы согласны перенести свой эксперимент в облако и получить результат без спешки, вы можете использовать узлы с низким приоритетом, что сэкономит вам много долларов, а не использование выделенных виртуальных машин. Никакого вреда для точности экспериментов и тому подобного не произойдет.
3. Кластер выводов
Существует два варианта развертывания веб-служб машинного обучения Azure в качестве конечных точек REST.
- Используйте ACI (экземпляры контейнеров Azure)
- Используйте AKS (служба Azure Kubernetes).
Развертывание веб-службы REST в ACI хорошо подходит для тестирования и разработки, а AKS подойдет для крупных развертываний производственного уровня. Вы можете настроить кластер AKS в соответствии с вашими потребностями с помощью AzureML, а также с портала Azure. Эти кластеры AKS очень похожи на кластеры AKS, с которыми вы работали в любых других развертываниях на базе Azure.
4. Подключенные вычисления
Машинное обучение Azure не ограничивается выполнением вычислений в вычислительных кластерах. Вы можете подключить Azure Databricks, Data Lake Analytics, HDInsight или преобладающую виртуальную машину в качестве вычислений для своей рабочей области. Помните, что машинное обучение Azure поддерживает только виртуальные машины под управлением Ubuntu.
Эти целевые объекты вычислений не будут управляться Машинным обучением Azure самостоятельно. Поэтому вам, возможно, придется выполнить некоторые дополнительные действия, чтобы убедиться, что они совместимы с вашими экспериментами.
Выбор правильного вычислительного ресурса является ключевым компонентом успеха разработки экспериментов по машинному обучению.
Возьмите бесплатную пробную или студенческую учетную запись и исследуйте!
Спасибо.
