البرنامج التعليمي: تدريب ونشر نموذج Azure Machine Learning

ينطبق على: IoT Edge 1.1

هام

كان تاريخ انتهاء دعم IoT Edge 1.1 هو 13 ديسمبر 2022. تحقق من دورة حياة المنتج من Microsoft للحصول على معلومات حول كيفية دعم هذا المنتج أو الخدمة أو التقنية أو API. لمزيد من المعلومات حول التحديث إلى أحدث إصدار من IoT Edge، راجع تحديث IoT Edge.

في هذه المقالة، سننفذ المهام التالية:

• استخدم Azure Machine Learning Studio لتدريب نموذج التعلم الآلي.
• قم بتعبئة النموذج المدرب كصورة حاوية.
• انشر صورة الحاوية كوحدة نمطية Azure IoT Edge.

يعد Machine Learning Studio وحدة أساسية تُستخدم لتجربة نماذج التعلم الآلي وتدريبها ونشرها.

عادةً ما يقوم علماء البيانات بتنفيذ الخطوات الواردة في هذه المقالة.

في هذا البرنامج التعليمي، ستتعلّم طريقة:

• إنشاء دفاتر Jupyter المحمولة في مساحة عمل Azure Machine Learning لتدريب نموذج التعلم الآلي.
• وضع نموذج التعلم الآلي في حاوية.
• إنشاء وحدة نمطية لـ IoT Edge من نموذج التعلم الآلي الموضوع في حاوية.

المتطلبات الأساسية

هذه المقالة جزء من سلسلة لبرنامج تعليمي حول استخدام التعلم الآلي على IoT Edge. كل مقالة في السلسلة تستند إلى العمل في المقالة السابقة. إذا وصلت إلى هذه المقالة مباشرةً، فراجع المقالة الأولى في السلسلة.

إعداد Azure Machine Learning

نستخدم Machine Learning Studio لاستضافة دفتري ملاحظات Jupyter والملفات الداعمة لهما. نقوم هنا بإنشاء وتهيئة مشروع التعلم الآلي. إذا لم تكن قد استخدمت Jupyter أو Machine Learning Studio، فإليك مستندين تمهيديين:

• Jupyter Notebook: العمل مع دفاتر ملاحظات Jupyter في Visual Studio Code
• Azure Machine Learning: بدء استخدام Azure Machine Learning في دفاتر Jupyter

إشعار

بعد إعداد الخدمة، يمكن الوصول إلى "Machine Learning" من أي جهاز. أثناء الإعداد، يجب عليك استخدام جهاز ظاهري للتطوير، والذي يحتوي على جميع الملفات التي ستحتاجها.

تثبيت ملحق Azure Machine Learning Visual Studio Code

يجب تثبيت هذا الامتداد في Visual Studio Code على جهاز ظاهري للتطوير. إذا كنت تعمل على مثيل مختلف، فأعد تثبيت الملحق كما هو موضح في إعداد ملحق Visual Studio Code .

إنشاء حساب Azure Machine Learning

لتوفير الموارد وتشغيل أحمال العمل على Azure، قم بتسجيل الدخول باستخدام بيانات اعتماد حساب Azure الخاص بك.

1. في Visual Studio Code، افتح لوحة الأوامر عن طريق تحديد View > Command Palette من شريط القائمة.

2. أدخل الأمر Azure: Sign In في لوحة الأوامر لبدء عملية تسجيل الدخول. اتبع التعليمات لاستكمال تسجيل الدخول.

3. قم بإنشاء مثيل حساب التعلم الآلي لتشغيل حمل العمل الخاص بك. في لوحة الأوامر، أدخل الأمر Azure ML: Create Compute.

4. حدد اشتراك Azure الخاص بك.

5. حدد + Create new Azure ML Workspace، وأدخل الاسم turbofandemo .

6. حدد مجموعة الموارد التي كنت تستخدمها لهذا العرض التوضيحي.

7. يجب أن تشاهد التقدم المحرز في إنشاء مساحة العمل في الركن الأيمن السفلي من نافذة Visual Studio Code: Creating Workspace: turobofandemo . يمكن أن تستغرق هذه الخطوة دقيقة أو دقيقتين.

8. انتظر حتى يتم إنشاء مساحة العمل بنجاح. يجب أن تظهر عبارة Azure ML workspace turbofandemo created.

تحميل ملفات Jupyter Notebook

سنقوم بتحميل عينات من ملفات دفتر الملاحظات إلى مساحة عمل التعلم الآلي الجديدة.

1. انتقل إلى ml.azure.com وقم بتسجيل الدخول.

2. حدد دليل Microsoft واشتراك Azure ومساحة عمل التعلم الآلي المنشأة حديثاً.

   

3. بعد تسجيل الدخول إلى مساحة عمل التعلم الآلي، انتقل إلى قسم Notebooks باستخدام القائمة الموجودة على الجانب الأيمن.

4. حدد علامة التبويب My files.

5. حدد Upload (رمز السهم المتجه لأعلى).

6. انتقل إلى C:\source\IoTEdgeAndMlSample\AzureNotebooks. حدد جميع الملفات في القائمة، وحدد Open .

7. حدد مربع الاختيار I trust the content of these files.

8. حدد Upload لبدء التحميل. ثم حدد Done بعد اكتمال العملية.

ملفات Jupyter Notebook

دعنا نراجع الملفات التي حمّلتها في مساحة عمل Machine Learning. تمتد الأنشطة في هذا الجزء من البرنامج التعليمي عبر ملفي دفتر ملاحظات يستخدمان بعض الملفات الداعمة.

• 01-turbofan_regression.ipynb: يستخدم دفتر الملاحظات هذا مساحة عمل التعلم الآلي لإنشاء تجربة تعلم آلي وتشغيلها. بشكل عام، يقوم دفتر الملاحظات بالخطوات التالية:

  1. تنزيل البيانات من حساب Azure Storage الذي تم إنشاؤه بواسطة مفعّل الجهاز.
  2. استكشاف البيانات وإعدادها ثم استخدامها لتدريب نموذج المصنف.
  3. تقييم النموذج من التجربة باستخدام مجموعة بيانات اختبار (Test_FD003.txt).
  4. نشر أفضل نموذج مصنف في مساحة عمل Machine Learning.

• 02-turbofan_deploy_model.ipynb: يأخذ دفتر الملاحظات هذا النموذج الذي تم إنشاؤه في دفتر الملاحظات السابق ويستخدمه لإنشاء صورة حاوية جاهزة للنشر على جهاز IoT Edge. يقوم دفتر الملاحظات بالخطوات التالية:

  1. إنشاء برنامج نصي لتسجيل النقاط للنموذج.
  2. إنتاج صورة حاوية باستخدام نموذج المصنف الذي تم حفظه في مساحة عمل Machine Learning.
  3. نشر الصورة كخدمة ويب على Azure Container Instances.
  4. استخدام خدمة الويب للتحقق من عمل النموذج والصورة كما هو متوقع. سيتم نشر الصورة التي تم التحقق من صحتها على جهاز IoT Edge الخاص بنا في جزء إنشاء ونشر وحدات IoT Edge المخصصة من هذا البرنامج التعليمي.

• Test_FD003.txt: يحتوي هذا الملف على البيانات التي سنستخدمها كملف اختبار عند التحقق من صحة المصنف المدرب. اخترنا استخدام بيانات الاختبار، على النحو المنصوص عليه في المسابقة الأصلية، كمجموعة اختبار لدينا لبساطتها.

• RUL_FD003.txt: يحتوي هذا الملف على العمر الافتراضي المتبقي (RUL) للدورة الأخيرة من كل جهاز في ملف Test_FD003.txt. راجع ملفات readme.txt ونشر التلف Modeling.pdf في C:\source\IoTEdgeAndMlSample\data\Turbofan للحصول على شرح مفصل للبيانات.

• Utils.py : يحتوي هذا الملف على مجموعة من وظائف أداة Python لاستخدام البيانات. يحتوي دفتر الملاحظات الأول على شرح مفصل للوظائف.

• README.md : يصف هذا الملف التمهيدي استخدام دفاتر الملاحظات.

تشغيل دفاتر Jupyter

الآن بعد أن تم إنشاء مساحة العمل، يمكنك تشغيل دفاتر الملاحظات.

1. من صفحة ملفاتي، حدد 01-turbofan_regression.ipynb.

   

2. إذا تم إدراج دفتر الملاحظات على أنه Not Trusted، فحدد عنصر واجهة المستخدم Not Trusted في الزاوية العلوية اليسرى من دفتر الملاحظات. عندما يظهر مربع الحوار، حدد Trust.

3. لتحقيق أفضل النتائج، اقرأ الوثائق الخاصة بكل خلية وقم بتشغيلها كل واحدة على حدة. حدد Save في شريط الأدوات. في وقت لاحق، ستجد أنه من المناسب تشغيل خلايا متعددة. يمكنك تجاهل تحذيرات الترقية والإيقاف.

   عند تشغيل خلية، تعرض علامة نجمية بين الأقواس المربعة ([*]). عند اكتمال تشغيل الخلية، يتم استبدال العلامة النجمية برقم وقد يظهر الناتج ذو الصلة. يتم إنشاء الخلايا في دفتر ملاحظات بشكل تسلسلي، ويمكن تشغيل خلية واحدة فقط في كل مرة.

   يمكنك أيضاً استخدام خيارات التشغيل من قائمة Cell . حدد Ctrl + Enter لتشغيل خلية، وحدد Shift + Enter لتشغيل خلية والتقدم إلى الخلية التالية.

   تلميح

   لعمليات تشغيل الخلية المتسقة، تجنب تشغيل نفس دفتر الملاحظات من علامات تبويب متعددة في متصفحك.

4. في الخلية التي تتبع إرشادات تعيين الخصائص العامة ، أدخل القيم الخاصة باشتراك Azure وإعداداته وموارده. ثم قم بتشغيل الخلية.

   

5. في الخلية التي تسبق تفاصيل مساحة العمل ، بعد تشغيلها، ابحث عن الرابط الذي يرشدك إلى تسجيل الدخول للمصادقة.

   

   افتح الرابط وأدخل الرمز المحدد. يصادق إجراء تسجيل الدخول هذا على دفتر ملاحظات Jupyter للوصول إلى موارد Azure باستخدام Microsoft Azure Cross-Platform Command Line Interface.

   

6. في الخلية التي تسبق استكشاف النتائج ، انسخ القيمة من معرف التشغيل والصقها لمعرف التشغيل في الخلية التي تلي إعادة تكوين تشغيل .

   

7. قم بتشغيل الخلايا المتبقية في دفتر الملاحظات.

8. احفظ دفتر الملاحظات، وارجع إلى صفحة المشروع الخاص بك.

9. افتح 02-turbofan_deploy_model.ipynb، ثم قم بتشغيل كل خلية. سيتعين عليك تسجيل الدخول للمصادقة في الخلية التي تلي Configure workspace .

10. احفظ دفتر الملاحظات، وارجع إلى صفحة المشروع الخاص بك.

تحقق من نجاح الإجراء

للتحقق من اكتمال دفاتر الملاحظات بنجاح، تحقق من إنشاء بعض العناصر.

1. في علامة التبويب My files في دفاتر التعلم الآلي، حدد refresh.

2. تحقق من إنشاء الملفات التالية.

   الملف	‏‏الوصف
   ./aml_config/.azureml/config.json	ملف التكوين المستخدم لإنشاء مساحة عمل Machine Learning.
   ./aml_config/model_config.json	ملف التكوين الذي سنحتاجه لنشر النموذج في مساحة عمل Machine Learning turbofanDemo في Azure.
   myenv.yml	يوفر معلومات حول التبعيات لنموذج التعلم الآلي المنشور.

3. تحقق من إنشاء موارد Azure التالية. يتم إلحاق بعض أسماء الموارد بأحرف عشوائية.

   مورد Azure	الاسم
   مساحة عمل Azure Machine Learning	turborfanDemo
   Azure Container Registry	turbofandemoxxxxxxxx
   Application Insights	turbofaninsightxxxxxxxx
   Azure Key Vault	turbofankeyvaultbxxxxxxxx
   تخزين Azure	turbofanstoragexxxxxxxxx

التصحيح

يمكنك إدراج عبارات Python في دفتر الملاحظات لتصحيح الأخطاء، مثل الأمر print() لإظهار القيم. إذا رأيت متغيرات أو كائنات لم يتم تعريفها، فقم بتشغيل الخلايا التي تم الإعلان عنها أو إنشاء مثيل لها لأول مرة.

قد تضطر إلى حذف الملفات التي تم إنشاؤها مسبقاً وموارد Azure إذا كنت بحاجة إلى إعادة دفاتر الملاحظات.

تنظيف الموارد

يمثل هذا البرنامج التعليمي جزءًا من مجموعة حيث تعتمد كل مقالة على العمل المنجز في المقالات السابقة. انتظر لتنظيف أي موارد حتى تكمل البرنامج التعليمي النهائي.

الخطوات التالية

في هذه المقالة، استخدمنا دفتري ملاحظات Jupyter يعملان في Machine Learning Studio لاستخدام البيانات من أجهزة turbofan من أجل:

• تدريب مصنف RUL.
• حفظ المصنف كنموذج.
• قم بإنشاء صورة حاوية.
• نشر واختبار الصورة كخدمة ويب.

تابع إلى المقالة التالية لإنشاء جهاز IoT Edge.

تكوين جهاز IoT Edge