Compartilhar via

Tutorial: Treinar um modelo de classificação de imagem usando a extensão do Visual Studio Code do Azure Machine Learning (versão prévia)

APLICA-SE A:Extensão de ML da CLI do Azurev2 (atual)

Este artigo explica como treinar um modelo de classificação de imagem para reconhecer números escritos à mão usando o TensorFlow e a extensão do Visual Studio Code do Azure Machine Learning.

Importante

Esse recurso está atualmente em visualização pública. Essa versão prévia é fornecida sem um contrato de nível de serviço e não é recomendada para cargas de trabalho de produção. Alguns recursos podem não ter suporte ou podem ter restrição de recursos.

Para obter mais informações, consulte Termos de Uso Complementares de Versões Prévias do Microsoft Azure.

Neste tutorial, você aprende as seguintes tarefas:

  • Compreender o código
  • Criar um workspace
  • Treinar um modelo

Pré-requisitos

Compreender o código

O código deste tutorial usa o TensorFlow para treinar um modelo de machine learning de classificação de imagem que categoriza dígitos manuscritos de 0 a 9. Ele faz isso criando uma rede neural que usa os valores de pixel de imagens de 28 x 28 pixels como entrada e gera uma lista de 10 probabilidades, uma para cada um dos dígitos que estão sendo classificados. O exemplo a seguir mostra a aparência dos dados.

Uma captura de tela que mostra um exemplo de dígitos MNIST.

Criar um workspace

Para criar um aplicativo no Azure Machine Learning, primeiro você precisa criar um workspace. Um workspace contém os recursos para treinar modelos e também os próprios modelos treinados. Para obter mais informações, consulte o que é um workspace do Azure Machine Learning?

  1. No Visual Studio Code, abra o diretório azureml-examples/cli/jobs/single-step/tensorflow/mnist no repositório de exemplos.

  2. Na barra de atividade do Visual Studio Code, selecione o ícone do Azure para abrir a exibição do Azure Machine Learning.

  3. Em Machine Learning, clique com o botão direito do mouse no nó da assinatura e selecione Criar workspace.

    Captura de tela que mostra a opção de criar um workspace.

  4. Um arquivo de especificação é exibido. Configure o arquivo de especificação com as opções a seguir e salve-o.

    $schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: TeamWorkspace
location: WestUS2
display_name: team-ml-workspace
description: A workspace for training machine learning models
tags:
  purpose: training
  team: ml-team

    O arquivo de especificação cria um workspace chamado TeamWorkspace na região WestUS2. O restante das opções definidas no arquivo de especificação fornecem nomenclatura amigável, descrições e marcações para o workspace.

  5. Clique com o botão direito do mouse no arquivo de especificação e selecione Azure ML: executar YAML. A criação de um recurso usa as opções de configuração definidas no arquivo de especificação YAML e envia um trabalho usando a CLI (v2). Nesse ponto, é feita uma solicitação ao Azure para criar um workspace e recursos dependentes na sua conta. Após alguns minutos, o novo workspace será exibido no nó da sua assinatura.

  6. Defina TeamWorkspace como o workspace padrão. Por padrão, isso coloca os recursos e os trabalhos que você cria no workspace. Selecione o botão Definir Workspace do Azure Machine Learning na barra de status do Visual Studio Code e siga os avisos para definir TeamWorkspace como seu workspace padrão.

Para obter mais informações sobre workspaces, consulte Gerenciar recursos do Azure Machine Learning com a extensão vs code.

Treinar o modelo

Durante o processo de treinamento, um modelo do TensorFlow é treinado pelo processamento dos dados de treinamento e dos padrões de aprendizado inseridos nele para cada um dos respectivos dígitos que estão sendo classificados.

Assim como os workspaces e os destinos de computação, os trabalhos de treinamento são definidos usando modelos de recurso. Para este exemplo, a especificação é definida no arquivo job.yml , que está localizado na pasta azureml-examples/cli/jobs/single-step/tensorflow/mnist no repositório de exemplos.

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
code: src
command: >
    python train.py
environment: azureml:AzureML-tensorflow-2.4-ubuntu18.04-py37-cuda11-gpu:48
resources:
   instance_type: Standard_NC12
   instance_count: 3
experiment_name: tensorflow-mnist-example
description: Train a basic neural network with TensorFlow on the MNIST dataset.

Este arquivo de especificação envia um trabalho de treinamento chamado tensorflow-mnist-example para o destino do computador gpu-cluster criado recentemente que executa o código no script train.py do Python. O ambiente usado é um dos ambientes curados fornecidos pelo Azure Machine Learning, que contém TensorFlow e outras dependências de software necessárias para executar o script de treinamento. Para mais informações sobre ambientes coletados, confira Ambientes coletados do Azure Machine Learning.

Para enviar o trabalho de treinamento:

  1. Abra o arquivo job.yml.
  2. Clique com o botão direito do mouse no arquivo no editor de texto e selecione AzureML: Executar YAML.

Neste ponto, uma solicitação é enviada ao Azure para executar o experimento no destino de computação selecionado no workspace. Esse processo leva vários minutos. O tempo necessário para executar o trabalho de treinamento é afetado por vários fatores, como o tipo de computação e o tamanho dos dados de treinamento. Para acompanhar o progresso do experimento, clique com o botão direito do mouse no nó de execução atual e selecione Exibir trabalho no portal do Azure.

Quando a caixa de diálogo solicitando a abertura de um site externo for exibida, selecione Abrir.

Captura de tela que mostra o progresso do trabalho.

Quando o modelo terminar de treinar, o rótulo de status ao lado do nó de execução será atualizado para Concluído.

Conteúdo relacionado

  • Last updated on