Привет, ребята! В этой статье мы развернем заранее написанную модель машинного обучения в Студии машинного обучения Azure. Ребята, я проведу вас через весь процесс: от создания группы ресурсов до окончательного получения конечной точки, которую вы сможете использовать в любом приложении, в котором захотите использовать свою модель машинного обучения.
Я буду вести вас через этот процесс шаг за шагом.
Шаг 01. Начните с создания группы ресурсов
На домашней странице портала Azure вы можете увидеть опцию «Создать группу ресурсов». Перейдите к этой функции.
Нажмите «Создать», чтобы создать группу ресурсов.
Затем вы перейдете на эту страницу. Здесь будет показана любая подписка, которую вы используете. Это может быть студенческая подписка или что-то еще. Дайте имя своей группе ресурсов и нажмите «Просмотреть и создать». Регион не имеет особого значения, но при желании вы можете выбрать регион, близкий к вашему географическому положению.
Шаг 02. Создайте рабочую область машинного обучения Azure.
Вам следует выполнить поиск по запросу «Машинное обучение Azure» в строке поиска и выбрать эту функцию.
Выберите новое рабочее пространство отсюда.
Затем вы перейдете на эту страницу и заполните здесь все детали. Вы можете указать имя и выбрать группу ресурсов, которую вы создали ранее.
После создания дождитесь развертывания и после этого перейдите в эту рабочую область.
После этого вы переходите на домашнюю страницу рабочей области машинного обучения Azure и можете увидеть всю информацию, которая вам понадобится в ваших будущих шагах. На этой странице теперь вы можете нажать кнопку «Запустить студию», после чего вы будете перенаправлены на страницу Azure AI | Студия машинного обучения.
Шаг 03. Изучите возможности искусственного интеллекта Azure | Студия машинного обучения
Это домашняя страница Студии машинного обучения Azure. Как видите, существует множество обучающих руководств, которым вы можете следовать, чтобы изучить эту студию. Изучите их и познакомьтесь со студией. На панели навигации слева расположены основные разделы, которые помогут нам в развертывании нашей модели. Перейдите в эти разделы и узнайте, что они делают, или вы можете полностью пропустить этот шаг.
Шаг 04. Создайте вычислительные ресурсы
Сначала перейдите в раздел «Вычисления» в разделе «Управление».
Для этой демонстрации я использовал эти ресурсы,
- Экземпляр вычислений: STANDARD_DS11_V2
- Вычислительный кластер: STANDARD_DS11_V2
- Вычисления конечной точки — Standard_DS2_v2, экземпляр_count = 1
На этой странице вам необходимо создать вычислительный экземпляр и вычислительный кластер.
Теперь у вас возникают вопросы: ЧТО ТАКОЕ ВЫЧИСЛИТЕЛЬНАЯ ЦЕЛЬ?
В Azure Machine Learning Studio «цель вычислений» — это вычислительный ресурс, который вы используете для обучения моделей машинного обучения, проведения экспериментов и развертывания моделей. При создании целевого объекта вычислений необходимо указать тип вычислений и количество экземпляров (т. е. виртуальных машин), которые будут использоваться.
В Azure существует 4 типа вычислений. Они есть ,
- Вычислительный экземпляр: ведет себя аналогично виртуальной машине и в основном используется для запуска ноутбуков. Он идеален для экспериментов.
- Вычислительные кластеры: многоузловые кластеры виртуальных машин, которые автоматически масштабируются вверх или вниз в зависимости от спроса. Экономичный способ запуска сценариев, которым необходимо обрабатывать большие объемы данных.
- Кластеры Kubernetes. Кластер, основанный на технологии Kubernetes, дает вам больше контроля над настройкой и управлением вычислениями.
- Подключенные вычисления. Если вы уже используете вычислительную среду на базе Azure для обработки данных, например виртуальную машину Azure или кластер Azure Databricks, вы можете подключить ее к рабочей области машинного обучения Azure и использовать ее в качестве целевого объекта вычислений для определенных типов нагрузка.
Теперь создайте вычислительный экземпляр, выбрав подходящий тип рабочей нагрузки для любого проекта, над которым вы работаете.
Если вы будете следовать моему руководству, вы сможете выбрать пакет, указанный выше.
После создания вычислительного экземпляра перейдите в раздел вычислительных кластеров и также создайте кластер.
После их создания подождите, пока они вычислят процесс. Затем вы увидите, что у вас есть активный вычислительный экземпляр и кластер.
После этого шага перейдите в раздел «Блокноты» в разделе «Авторинг».
Шаг 05. Подготовьте модель машинного обучения
Для этой демонстрации я уже написал модель ML на ноутбуке Jupiter в своем репозитории Git.
Ссылка на Git: https://github.com/RashmiNirasha/mlops-event.git
Там у меня есть блокнот Jupiter, написанный на Python как train-classification-model.ipynb. Сначала нам нужно выполнить этот блокнот в студии ML, чтобы создать модель поезда.
Для этого перейдите в раздел блокнотов слева.
Здесь вы можете открыть терминал и использовать команду «git clone», чтобы клонировать ваш репозиторий git с кодом в студию.
После клонирования откройте свой блокнот и проверьте эти значения.
Убедитесь, что он выбрал созданный ранее вычислительный экземпляр и готов к работе поверх него.
В этой функции убедитесь, что вы выбрали Python для типа ML. В противном случае некоторые пакеты не будут работать в обычной среде Python.
Шаг 06: Создайте задание
После настройки среды и обучения модели перейдите к сценарию обучения. Запустите сценарий, внеся необходимые изменения, и, наконец, запустите задание.
После выполнения этого раздела вы увидите ссылку, ведущую к вашей рабочей работе. Я уже написал сценарий обучения в формате train.py для этого руководства, и очень важно иметь этот сценарий обучения для выполнения работы.
Вам следует изменить все детали здесь в соответствии с тем, что вы создали и используете. Например: Compute следует заменить именем созданного вами кластера.
Теперь у вас есть работающее задание, созданное в разделе «Задания».
Шаг 07: Перейдите в раздел «Вакансии» и зарегистрируйте свою модель.
После успешного выполнения задания вы увидите зарегистрированную модель в разделе «Подобные модели».
Шаг 08: Разверните свою модель.
Перейдя к модели, вы увидите такой вариант развертывания. Выберите вариант, который подходит вам, но я использую для своей модели конечную точку реального времени.
Выберите имена и пакеты в соответствии с вашей моделью или используйте значения, которые я использовал, и нажмите «Развернуть». После завершения развертывания вы увидите подобную конечную точку в разделе «Конечная точка».
Шаг 09: Получите конечные точки
После успешного развертывания вы можете увидеть такие конечные точки здесь.
вы можете использовать их в любом приложении, которое захотите. В разделе «путаница» есть полезные коды, которые помогут вам понять, как использовать эту конечную точку.
вы можете поиграть с этими кодами, чтобы понять, как использовать конечную точку.
Поздравляем! Теперь вы создали полнофункциональную модель машинного обучения, развернутую в Azure и доступную круглосуточно.
Заключение основных шагов
- Запускайте и экспериментируйте с разработкой моделей в блокноте
- Преобразование блокнота в скрипт
- Используйте повторно используемые функции
- Включить автоматическое ведение журнала с помощью MLFlow
3. Запустите скрипт как задание.
4. Сделайте модель
5. Разверните и протестируйте модель.
Особые моменты:
Если в процессе вы получите какую-либо ошибку о том, что не хватает квоты для развертывания, после создания задания вы можете удалить свой вычислительный экземпляр. Это позволит расширить квоту для развертывания машины. После создания задания, необходимого для модели, нам не нужно поддерживать работоспособность вычислительного экземпляра.
