Wählen Sie das entsprechende Computeziel aus

In Azure Machine Learning sind Computeziele physische oder virtuelle Computer (VMs), auf denen Experimente ausgeführt werden.

Grundlegendes zu den verfügbaren Computetypen

Azure Machine Learning unterstützt mehrere Arten von Compute für Experimente, Schulungen und Bereitstellungen. Wenn Sie verschiedene Rechentypen verwenden, können Sie das für Ihre Anforderungen am besten geeignete Rechenziel auswählen.

• Compute-Instanz: Verhält sich ähnlich wie ein virtueller Computer und wird hauptsächlich zum Ausführen von Notebooks verwendet. Eignet sich ideal für Experimente.
• Computecluster: Multiknotencluster virtueller Computer, die automatisch nach oben oder unten skaliert werden, um den Bedarf zu erfüllen. Eine kostengünstige Möglichkeit zum Ausführen von Skripts, die große Datenmengen verarbeiten müssen. Cluster ermöglichen es Ihnen auch, die parallele Verarbeitung zu verwenden, um die Workload zu verteilen und die Zeit zu verringern, die zum Ausführen eines Skripts benötigt wird.
• Kubernetes-Cluster: Cluster basierend auf Kubernetes-Technologie, sodass Sie mehr Kontrolle darüber haben, wie die Berechnung konfiguriert und verwaltet wird. Sie können Ihren selbstverwalteten Azure Kubernetes (AKS)-Cluster für Cloud-Compute oder einen Arc Kubernetes-Cluster für lokale Workloads anfügen.
• Angeschlossenes Compute: ermöglicht es Ihnen, bestehende Compute-Ressourcen wie Azure-VMs oder Azure Databricks-Cluster mit Ihrem Arbeitsbereich zu verbinden.
• Serverless Compute: Eine vollständig verwaltete, On-Demand-Berechnung, die Sie für Schulungsaufträge verwenden können.

Wann soll welche Art von Compute verwendet werden?

Im Allgemeinen gibt es einige bewährte Methoden, die Sie beim Arbeiten mit Computezielen befolgen können. Um zu verstehen, wie Sie den geeigneten Computetyp auswählen, werden mehrere Beispiele bereitgestellt. Denken Sie daran, dass der von Ihnen verwendete Computetyp immer von Ihrer spezifischen Situation abhängt.

Auswählen eines Berechnungsziels für experimente

Stellen Sie sich vor, Sie sind Datenwissenschaftler und werden aufgefordert, ein neues Machine Learning-Modell zu entwickeln. Wahrscheinlich verfügen Sie über eine kleine Teilmenge der Schulungsdaten, mit denen Sie experimentieren können.

Während des Experiments und der Entwicklung bevorzugen Sie die Arbeit in einem Jupyter-Notizbuch. Eine Notizbucherfahrung profitiert am meisten von einer Berechnung, die kontinuierlich ausgeführt wird.

Viele Data Scientists sind mit der Ausführung von Notizbüchern auf ihrem lokalen Gerät vertraut. Eine von Azure Machine Learning verwaltete cloudbasierte Alternative ist eine -Computeinstanz. Alternativ können Sie auch Spark serverless compute verwenden, um Spark-Code in Notizbüchern auszuführen, wenn Sie die verteilte Computeleistung von Spark nutzen möchten.

Auswählen eines Computeziels für die Produktion

Nach dem Experimentieren können Sie Ihre Modelle trainieren, indem Sie Python-Skripts ausführen, um sich auf die Produktion vorzubereiten. Skripts lassen sich einfacher automatisieren und planen, wenn Sie Ihr Modell im Laufe der Zeit kontinuierlich neu trainieren möchten. Sie können Skripts als (Pipeline-)Aufträge ausführen.

Beim Wechsel in die Produktion sollte die Rechnerressource bereit sein, um große Datenmengen zu verarbeiten. Je mehr Daten Sie verwenden, desto besser ist das Machine Learning-Modell wahrscheinlich.

Bei Schulungsmodellen mit Skripts benötigen Sie ein On-Demand-Computeziel. Ein Computecluster skaliert automatisch nach oben, wenn die Skript(s) ausgeführt werden müssen, und skaliert nach unten, nachdem das Skript die Ausführung abgeschlossen hat. Wenn Sie eine Alternative benötigen, die Sie nicht erstellen und verwalten müssen, können Sie das serverlose Compute von Azure Machine Learning verwenden.

Auswählen eines Computeziels für die Bereitstellung

Die Art der Berechnung, die Sie benötigen, wenn Sie Ihr Modell zum Generieren von Vorhersagen verwenden, hängt davon ab, ob Batch- oder Echtzeitvorhersagen erforderlich sind.

Für Batchvorhersagen können Sie einen Pipelineauftrag in Azure Machine Learning ausführen. Rechenziele wie Rechencluster und die serverlose Berechnung von Azure Machine Learning eignen sich ideal für Pipelineaufträge, weil sie bedarfsorientiert und skalierbar sind.

Wenn Sie Echtzeitvorhersagen benötigen, benötigen Sie eine Art von Compute, die kontinuierlich ausgeführt wird. Echtzeitbereitstellungen profitieren daher von leichteren (und damit kosteneffizienteren) Rechenressourcen. Container eignen sich ideal für Echtzeitbereitstellungen. Wenn Sie Ihr Modell auf einem verwalteten Onlineendpunkt bereitstellen, erstellt und verwaltet Azure Machine Learning Container, mit denen Sie Ihr Modell ausführen können. Alternativ können Sie Kubernetes-Cluster anfügen, um die erforderliche Berechnung zu verwalten, um Echtzeitvorhersagen zu generieren.