Effectuer l’apprentissage des modèles avec Azure Machine Learning (v1)

S’APPLIQUE À :Kit de développement logiciel (SDK) Azure Machine Learning v1 pour Python

Azure Machine Learning offre plusieurs façons d’entraîner des modèles, notamment des solutions code-first avec le SDK et des options de faible code telles que le Machine Learning automatisé et le concepteur visuel. Utilisez la liste suivante pour déterminer quelle méthode d’entraînement répond à vos besoins :

• Kit de développement logiciel (SDK) Azure Machine Learning pour Python : le SDK Python permet d’entraîner les modèles de plusieurs façons, chacune dotée de fonctionnalités différentes.

  Méthode d’apprentissage	Descriptif
  Configuration d’exécution	Un moyen courant d’entraîner des modèles consiste à utiliser un script d’entraînement et une configuration de travail. La configuration du travail définit l’environnement d’entraînement, y compris votre script, votre cible de calcul et votre environnement Azure Machine Learning. Vous pouvez exécuter un travail de formation en spécifiant ces détails.
  ML automatisé	Le Machine Learning automatisé vous permet d’entraîner des modèles sans expertise approfondie en science des données ou en programmation. Pour les utilisateurs expérimentés, il permet de gagner du temps en automatisant la sélection d’algorithmes et le réglage des hyperparamètres. La configuration du travail n’est pas nécessaire lors de l’utilisation du Machine Learning automatisé.
  Pipeline de Machine Learning	Les pipelines ne sont pas une méthode d’entraînement distincte, mais un moyen de définir des flux de travail à l’aide d’étapes modulaires et réutilisables qui peuvent inclure l’entraînement. Les pipelines prennent en charge le Machine Learning automatisé et exécutent la configuration. Utilisez un pipeline lorsque vous souhaitez : * Planifiez des processus sans assistance , tels que des travaux d’apprentissage de longue durée ou la préparation des données. * Coordonnez plusieurs étapes entre différentes ressources de calcul et emplacements de stockage. * Créez un modèle réutilisable pour des scénarios tels que la réentraînation ou le scoring par lots. * Suivi et contrôle de version des sources de données, entrées et sorties pour votre workflow. * Permettre à différentes équipes de travailler sur des étapes spécifiques indépendamment et de les combiner dans un pipeline.

• Concepteur : le concepteur Azure Machine Learning est un point d’entrée facile pour créer une preuve de concepts ou pour les utilisateurs disposant d’une expérience de codage limitée. Entraîner des modèles à l’aide d’une interface utilisateur Web avec fonction de glisser-déposer. Vous pouvez inclure du code Python ou entraîner des modèles sans écrire de code.

• Azure CLI : l’interface CLI Machine Learning offre des commandes pour les tâches Azure Machine Learning courantes et est souvent utilisée pour l’écriture de scripts et l’automatisation. Par exemple, après avoir créé un script ou un pipeline d’entraînement, vous pouvez utiliser l’interface CLI pour démarrer un travail d’entraînement selon une planification ou lorsque des données d’apprentissage sont mises à jour. L’interface CLI peut envoyer des travaux à l’aide de configurations d’exécution ou de pipelines.

Chaque méthode d’entraînement peut utiliser différents types de ressources de calcul, appelées cibles de calcul. Une cible de calcul peut être une machine locale ou une ressource cloud, telle qu’Azure Machine Learning Compute, Azure HDInsight ou une machine virtuelle distante.

Kit de développement logiciel (SDK) Python

Le Kit de développement logiciel (SDK) Azure Machine Learning pour Python vous permet de créer et d’exécuter des flux de travail Machine Learning. Vous pouvez interagir avec le service à partir d’une session Python interactive, de Jupyter Notebooks, de Visual Studio Code ou d’un autre environnement de développement intégré.

• Qu’est-ce que le Kit de développement logiciel (SDK) Azure Machine Learning pour Python
• Installer/mettre à jour le Kit de développement logiciel (SDK)
• Configurer un environnement de développement pour Azure Machine Learning

Configuration d’exécution

Un travail d’apprentissage classique dans Azure Machine Learning est défini à l’aide de ScriptRunConfig. La configuration de l’exécution du script, ainsi que vos scripts d’entraînement, est utilisée pour entraîner un modèle sur une cible de calcul.

Vous pouvez commencer par une configuration d’exécution pour votre ordinateur local et basculer vers une cible de calcul basée sur le cloud en fonction des besoins. Pour modifier la cible de calcul, mettez à jour la configuration d’exécution. Chaque exécution enregistre des informations sur le travail d’apprentissage, notamment les entrées, les sorties et les journaux.

• Qu’est-ce qu’une configuration d’exécution ?
• Tutoriel : Entraîner votre premier modèle ML
• Exemples : Exemples Jupyter Notebook et Python de modèles d’apprentissage
• Procédure : Configurer une exécution d’apprentissage

Machine Learning automatisé

Définissez les itérations, les paramètres d'hyperparamètres, la featurisation et d’autres options. Pendant l’entraînement, Azure Machine Learning teste différents algorithmes et paramètres en parallèle. L’entraînement s’arrête lorsqu’il répond aux critères de sortie que vous avez définis.

• Qu’est-ce que le Machine Learning automatisé ?
• Tutoriel : Créer votre premier modèle de classification avec le Machine Learning automatisé
• Exemples : Exemples Jupyter Notebook pour le Machine Learning automatisé
• Procédure : Configurer des expériences de Machine Learning automatisé dans Python
• Procédure : Entraîner automatiquement un modèle de prévision de série chronologique
• Procédure : Créer, explorer et déployer des expériences de Machine Learning automatisé avec Azure Machine Learning studio

Pipeline de Machine Learning

Les pipelines Machine Learning peuvent utiliser les méthodes d’entraînement décrites ci-dessus. Les pipelines se concentrent sur la création de flux de travail et couvrent plus que l’entraînement de modèles. Dans un pipeline, vous pouvez entraîner un modèle en utilisant le ML automatisé ou des configurations d’exécution.

• En quoi consistent les pipelines de Machine Learning dans Azure Machine Learning ?
• Créer et exécuter des pipelines de Machine Learning avec le Kit de développement logiciel (SDK) Azure Machine Learning
• Tutoriel : Utiliser des pipelines Azure Machine Learning pour le scoring par lots
• Exemples : Exemples Jupyter Notebook pour les pipelines de Machine Learning
• Exemples : Pipeline avec Machine Learning automatisé

Fonctionnement d’une tâche d’apprentissage

Le cycle de vie de formation Azure comprend les éléments suivants :

1. Compression des fichiers dans votre dossier de projet, en ignorant ceux spécifiés dans .amlignore ou .gitignore
2. Mise à l’échelle de votre cluster de calcul
3. Génération ou téléchargement de l’image Docker sur le nœud de calcul
   1. Le système calcule un code de hachage pour :
      • L’image de base
      • la définition Conda YAML (voir Créer et utiliser des environnements logiciels dans Azure Machine Learning).
   2. Le système utilise ce hachage pour rechercher l’espace de travail dans Azure Container Registry (ACR).
   3. S’il est introuvable, il vérifie l’ACR global
   4. S’il n’est toujours pas trouvé, le système génère une nouvelle image (mise en cache et inscrite auprès de l’espace de travail ACR)
4. Téléchargement de votre Fichier projet compressé vers le stockage temporaire sur le nœud de calcul
5. Décompression du Fichier projet
6. Le nœud de calcul s’exécute python <entry script> <arguments>
7. Enregistrement des journaux, des fichiers de modèle et des autres fichiers écrits dans ./outputs dans le compte de stockage associé à l’espace de travail
8. Scale down du calcul, notamment la suppression du stockage temporaire

Si vous effectuez l’apprentissage sur votre ordinateur local (« configurer en tant qu’exécution locale »), Docker n’est pas obligatoire. Vous pouvez utiliser Docker localement si vous préférez (voir Configurer un pipeline ML pour obtenir un exemple).

Concepteur Azure Machine Learning

Le concepteur vous permet d’entraîner des modèles à l’aide d’une interface glisser-déplacer dans votre navigateur web.

• Qu’est-ce que le concepteur ?
• Tutoriel : Prédire le prix de voitures

Azure CLI (Interface de ligne de commande Azure)

L’interface CLI de Machine Learning est une extension d’Azure CLI. Il fournit des commandes multiplateformes pour l’utilisation d’Azure Machine Learning. En règle générale, une CLI sert à automatiser des tâches, par exemple pour entraîner un modèle de ML.

• Utiliser l’extension CLI pour Azure Machine Learning
• MLOps sur Azure

Étapes suivantes

Découvrez comment configurer une exécution d’entraînement.