Použití nástroje Azure Machine Learning Studio
Pro přístup k mnoha typům možností strojového učení můžete použít Azure Machine Learning Studio, portál založený na prohlížeči pro správu prostředků a úloh strojového učení.
V nástroji Azure Machine Learning Studio můžete (mimo jiné):
- Importujte a prozkoumejte data.
- Vytváření a používání výpočetních prostředků
- Spusťte kód v poznámkových blocích.
- Pomocí vizuálních nástrojů můžete vytvářet procesy a potrubí.
- K trénování modelů použijte automatizované strojové učení.
- Zobrazení podrobností o natrénovaných modelech, včetně metrik vyhodnocení, zodpovědných informací o umělé inteligenci a parametrů trénování
- Nasaďte natrénované modely pro odvozování na vyžádání a dávkové odvozování.
- Importujte a spravujte modely z komplexního katalogu modelů.
Zřizování prostředků Azure Machine Learning
Primárním prostředkem vyžadovaným pro Azure Machine Learning je pracovní prostor Azure Machine Learning, který můžete zřídit v předplatném Azure. Další podpůrné prostředky, včetně účtů úložiště, registrů kontejnerů, virtuálních počítačů a dalších, se vytvářejí automaticky podle potřeby. Pracovní prostor Azure Machine Learning můžete vytvořit na webu Azure Portal.
Rozhodnutí mezi možnostmi výpočetních prostředků
Pokud k trénování modelu používáte Azure Machine Learning, musíte vybrat výpočetní prostředky. Výpočetní prostředky odkazují na výpočetní prostředky potřebné k provedení trénovacího procesu. Při každém trénování modelu byste měli monitorovat, jak dlouho trvá trénování modelu a kolik výpočetních prostředků se používá ke spuštění kódu. Monitorováním využití výpočetních prostředků víte, jestli chcete vertikálně navýšit nebo snížit kapacitu výpočetních prostředků.
Když se rozhodnete pracovat s Azure místo trénování modelu na místním zařízení, máte přístup ke škálovatelným a nákladově efektivním výpočetním prostředkům.
| Možnosti služby Compute | Úvahy |
|---|---|
| Jednotka centrálního zpracování (CPU) nebo grafický procesor (GPU) | U menších tabulkových datových sad je procesor dostatečný a nákladově efektivní. U nestrukturovaných dat, jako jsou obrázky nebo text, jsou grafické procesory výkonnější a efektivnější. Gpu se dají použít také pro větší tabulkové datové sady, pokud se výpočetní výkon procesoru jeví jako nedostatečný. |
| Pro obecné účely nebo optimalizováno pro paměť | Pro obecné účely použijte vyvážený poměr procesoru k paměti, který je ideální pro testování a vývoj s menšími datovými sadami. Použijte paměť optimalizovanou pro vysoký poměr paměti k procesoru. Skvěle se hodí pro analýzu v paměti, což je ideální v případě, že máte větší datové sady nebo když pracujete v poznámkových blocích. |
Jaké výpočetní možnosti nejlépe vyhovují vašim potřebám, často se jedná o případ pokusu a chyby. Při spouštění kódu byste měli monitorovat využití výpočetních prostředků, abyste pochopili, kolik výpočetních prostředků používáte. Pokud trénování modelu trvá příliš dlouho, a to i s největší velikostí výpočetních prostředků, můžete místo procesorů použít GPU. Alternativně se můžete rozhodnout distribuovat trénování modelu pomocí výpočetních prostředků Sparku, které vyžadují přepsání trénovacích skriptů.
Automatizované strojové učení Azure
Když použijete funkce automatizovaného strojového učení služby Azure Machine Learning, automaticky se vám přiřadí výpočetní prostředky. Automatizované strojové učení Azure automatizuje časově náročné iterativní úlohy vývoje modelů strojového učení.
V nástroji Azure Machine Learning Studio můžete pomocí automatizovaného strojového učení navrhovat a spouštět trénovací experimenty pomocí stejných kroků popsaných v tomto modulu, aniž byste museli psát kód. Automatizované strojové učení Azure poskytuje podrobného průvodce, který vám pomůže s spouštěním trénovacích úloh strojového učení. Automatizované trénování lze použít pro mnoho úloh strojového učení, včetně regrese, prognózování časových řad, klasifikace, počítačového zpracování obrazu a zpracování přirozeného jazyka. V rámci AutoML máte přístup k vlastním datovým sadám. Vaše vytrénované modely strojového učení je možné nasadit jako služby.
Teď se podíváme na možnosti nasazení modelu.