Verwenden von Azure Machine Learning Studio
Sie können Azure Machine Learning Studio, ein browserbasiertes Portal für die Verwaltung Ihrer Machine Learning-Ressourcen und -Aufträge, verwenden, um auf viele Arten von Machine Learning-Funktionen zuzugreifen.
In Azure Machine Learning Studio können Sie (unter anderem):
- Importieren und Untersuchen von Daten.
- Erstellen und Verwenden von Computeressourcen.
- Ausführen von Code in Notebooks.
- Verwenden Sie visuelle Tools zum Erstellen von Aufträgen und Pipelines.
- Verwenden Sie automatisiertes maschinelles Lernen, um Modelle zu trainieren.
- Zeigen Sie Details zu trainierten Modellen an, einschließlich Auswertungsmetriken, verantwortlicher KI-Informationen und Schulungsparametern.
- Bereitstellen trainierter Modelle für On-Request- und Batchrückschlüsse.
- Importieren und Verwalten von Modellen aus einem umfassenden Modellkatalog.
Bereitstellen von Azure Machine Learning-Ressourcen
Die primäre Ressource, die für Azure Machine Learning erforderlich ist, ist ein Azure Machine Learning-Arbeitsbereich, den Sie in einem Azure-Abonnement bereitstellen können. Andere unterstützende Ressourcen, darunter Speicherkonten, Containerregistrierungen, virtuelle Computer und andere, werden bei Bedarf automatisch erstellt. Sie können einen Azure Machine Learning-Arbeitsbereich im Azure-Portal erstellen.
Entscheiden zwischen Computeoptionen
Wenn Sie Azure Machine Learning verwenden, um ein Modell zu trainieren, müssen Sie compute auswählen. Compute bezieht sich auf die rechentechnischen Ressourcen, die zum Ausführen des Schulungsvorgangs erforderlich sind. Jedes Mal, wenn Sie ein Modell trainieren, sollten Sie überwachen, wie lange das Trainieren des Modells dauert und wie hoch der Computeaufwand für die Ausführung Ihres Codes ist. Wenn Sie die Computeauslastung überwachen, wissen Sie, ob Sie Ihre Compute-Instanz herauf- oder herunterskalieren müssen.
Wenn Sie sich dafür entscheiden, mit Azure zu arbeiten, anstatt ein Modell auf einem lokalen Gerät zu trainieren, haben Sie Zugriff auf skalierbare und kostengünstige Compute-Instanzen.
| Rechenoptionen | Überlegungen |
|---|---|
| Zentralprozessor (CPU) oder ein Grafikprozessor (GPU) | Für kleinere tabellarische Datasets ist ein Zentralprozessor ausreichend und kosteneffizient. Für unstrukturierte Daten wie Bilder oder Text sind GPUs leistungsfähiger und effizienter. GPUs können auch für größere tabellarische Datasets verwendet werden, wenn CPU-Compute nicht ausreicht. |
| Universell oder arbeitsspeicheroptimiert | Verwenden Sie „universell“, um ein ausgewogenes CPU-zu-Speicher-Verhältnis zu haben, das ideal für Tests und die Entwicklung mit kleineren Datasets ist. Verwenden Sie „arbeitsspeicheroptimiert“, um ein hohes Verhältnis zwischen Arbeitsspeicher und CPU zu haben. Ideal für In-Memory-Analysen, die ideal ist, wenn Sie über größere Datasets verfügen oder in Notebooks arbeiten. |
Welche Computeoptionen am besten Ihren Anforderungen entsprechen, ist oft eine Frage von Versuch und Irrtum. Beim Ausführen von Code sollten Sie die Computeauslastung überwachen, um zu verstehen, wie viele Computeressourcen Sie verwenden. Wenn das Trainieren Ihres Modells zu lange dauert, selbst bei der größten Computegröße, können Sie GPUs anstelle von CPUs verwenden. Alternativ können Sie das Modelltraining mithilfe von Spark-Compute verteilen, wobei Sie Ihre Trainingsskripts erneut generieren müssen.
Automatisiertes Maschinelles Lernen in Azure
Wenn Sie die automatisierten maschinellen Lernfunktionen von Azure Machine Learning verwenden, werden Ihnen automatisch Rechenressourcen zugewiesen. Azure Automatisiertes Maschinelles Lernen automatisiert die zeitaufwendigen, iterativen Aufgaben der Entwicklung von Maschinellem Lernen.
In Azure Machine Learning Studio können Sie automatisiertes maschinelles Lernen verwenden, um Ihre Schulungsexperimente mit den in diesem Modul beschriebenen Schritten zu entwerfen und auszuführen, ohne Code schreiben zu müssen. Azure Automated Machine Learning bietet einen Schritt-für-Schritt-Assistenten, mit dem Sie Machine Learning-Schulungsaufträge ausführen können. Die automatisierte Schulung kann für viele Maschinelle Lernaufgaben verwendet werden, einschließlich Regression, Zeitreihenvorhersage, Klassifizierung, Computervision und Verarbeitungsaufgaben in natürlicher Sprache. In AutoML haben Sie Zugriff auf Ihre eigenen Datasets. Ihre trainierten Machine Learning-Modelle können als Dienste bereitgestellt werden.
Als Nächstes schauen wir uns die Modell-Bereitstellungsoptionen an.