Korzystanie z usługi Azure Machine Learning Studio
Do zarządzania zasobami i zadaniami uczenia maszynowego można użyć usługi Azure Machine Learning Studio, portalu opartego na przeglądarce, aby uzyskać dostęp do wielu typów funkcji uczenia maszynowego.
W usłudze Azure Machine Learning Studio możesz (między innymi):
- Importowanie i eksplorowanie danych.
- Tworzenie zasobów obliczeniowych i korzystanie z nich.
- Uruchamianie kodu w notesach.
- Użyj narzędzi wizualnych do tworzenia zadań i potoków.
- Trenowanie modeli przy użyciu zautomatyzowanego uczenia maszynowego.
- Wyświetlanie szczegółów wytrenowanych modeli, w tym metryk oceny, informacji o odpowiedzialnej sztucznej inteligencji i parametrów trenowania.
- Zastosuj wytrenowane modele do wnioskowania na żądanie i wsadowego.
- Importowanie modeli z kompleksowego katalogu modeli i zarządzanie nimi.
Aprowizowanie zasobów usługi Azure Machine Learning
Podstawowym zasobem wymaganym dla usługi Azure Machine Learning jest obszar roboczy usługi Azure Machine Learning, który można aprowizować w ramach subskrypcji platformy Azure. Inne zasoby pomocnicze, w tym konta magazynu, rejestry kontenerów, maszyny wirtualne i inne, są tworzone automatycznie zgodnie z potrzebami. Obszar roboczy usługi Azure Machine Learning można utworzyć w witrynie Azure Portal.
Wybieranie między opcjami obliczeniowymi
W przypadku korzystania z usługi Azure Machine Learning do trenowania modelu należy wybrać środowisko obliczeniowe. Obliczenia odnoszą się do zasobów obliczeniowych wymaganych do wykonania procesu szkolenia. Za każdym razem, gdy trenujesz model, należy monitorować, jak długo trwa trenowanie modelu i ile zasobów obliczeniowych jest używanych do wykonywania kodu. Monitorując wykorzystanie zasobów obliczeniowych, wiesz, czy skalować zasoby obliczeniowe w górę, czy w dół.
Jeśli zdecydujesz się pracować z platformą Azure zamiast trenować model na urządzeniu lokalnym, masz dostęp do skalowalnych i ekonomicznych obliczeń.
| Opcje środowiska obliczeniowego | Rozważania |
|---|---|
| Central Processing Unit (CPU) lub procesor graficzny (GPU) | W przypadku mniejszych tabelarycznych zestawów danych procesor CPU jest wystarczający i ekonomiczny. W przypadku danych bez struktury, takich jak obrazy lub tekst, procesory GPU są bardziej wydajne i wydajne. Procesory GPU mogą być również używane w przypadku większych zestawów danych tabelarycznych, jeśli zasoby obliczeniowe procesora CPU okazały się niewystarczające. |
| Ogólnego przeznaczenia lub zoptymalizowane pod kątem pamięci | Użyj ogólnego przeznaczenia, aby mieć zrównoważony stosunek procesora CPU do pamięci, który jest idealny do testowania i programowania przy użyciu mniejszych zestawów danych. Użyj zoptymalizowanej pod kątem pamięci, aby mieć duży stosunek pamięci do procesora CPU. Doskonale nadaje się do analizy w pamięci, która jest idealna w przypadku większych zestawów danych lub pracy w notesach. |
Które opcje obliczeniowe najlepiej pasują do Twoich potrzeb, to często przypadek próby i błędu. Podczas uruchamiania kodu należy monitorować wykorzystanie zasobów obliczeniowych, aby zrozumieć, ile zasobów obliczeniowych używasz. Jeśli trenowanie modelu trwa zbyt długo, nawet w przypadku największego rozmiaru obliczeniowego, można użyć procesorów GPU zamiast procesorów CPU. Alternatywnie możesz zdecydować się na dystrybucję trenowania modelu przy użyciu obliczeń platformy Spark, które wymagają ponownego pisania skryptów szkoleniowych.
Zautomatyzowane uczenie maszynowe platformy Azure
W przypadku korzystania z funkcji zautomatyzowanego uczenia maszynowego usługi Azure Machine Learning są automatycznie przypisywane zasoby obliczeniowe. Zautomatyzowane uczenie maszynowe platformy Azure automatyzuje czasochłonne, iteracyjne zadania tworzenia modelu uczenia maszynowego.
W usłudze Azure Machine Learning Studio możesz używać zautomatyzowanego uczenia maszynowego do projektowania i uruchamiania eksperymentów szkoleniowych z tymi samymi krokami opisanymi w tym module bez konieczności pisania kodu. Zautomatyzowane uczenie maszynowe platformy Azure udostępnia kreatora krok po kroku, który ułatwia uruchamianie zadań uczenia maszynowego. Zautomatyzowane trenowanie może służyć do wielu zadań uczenia maszynowego, w tym regresji, prognozowania szeregów czasowych, klasyfikacji, przetwarzania obrazów i przetwarzania języka naturalnego. W ramach rozwiązania AutoML masz dostęp do własnych zestawów danych. Wytrenowane modele uczenia maszynowego można wdrażać jako usługi.
Następnie przyjrzyjmy się opcjom wdrażania modelu.