Brug Azure Machine Learning Studio
Du kan bruge Azure Machine Learning Studio, en browserbaseret portal til administration af dine maskinlæringsressourcer og -job, til at få adgang til mange typer funktioner til maskinel indlæring.
I Azure Machine Learning Studio kan du (bl.a.):
- Importér og udforsk data.
- Opret og brug beregningsressourcer.
- Kør kode i notesbøger.
- Brug visuelle værktøjer til at oprette job og pipelines.
- Brug automatiseret maskinel indlæring til at oplære modeller.
- Få vist detaljer om oplærte modeller, herunder målepunkter for evaluering, ansvarlige AI-oplysninger og træningsparametre.
- Udrul oplærte modeller til udledning efter anmodning og batch.
- Importér og administrer modeller fra et omfattende modelkatalog.
Klargør Azure Machine Learning-ressourcer
Den primære ressource, der kræves til Azure Machine Learning, er et Azure Machine Learning-arbejdsområde, som du kan klargøre i et Azure-abonnement. Andre understøttende ressourcer, herunder lagerkonti, objektbeholderregistre, virtuelle maskiner og andre oprettes automatisk efter behov. Du kan oprette et Azure Machine Learning-arbejdsområde på Azure Portal.
Beslut mellem beregningsindstillinger
Når du bruger Azure Machine Learning til at oplære en model, skal du vælge beregning. Beregning refererer til de beregningsressourcer, der kræves for at udføre oplæringsprocessen. Hver gang du oplærer en model, skal du overvåge, hvor lang tid det tager at oplære modellen, og hvor meget beregning der bruges til at udføre din kode. Ved at overvåge beregningsudnyttelsen ved du, om du vil skalere din beregning op eller ned.
Når du vælger at arbejde med Azure i stedet for at oplære en model på en lokal enhed, har du adgang til skalerbar og omkostningseffektiv beregning.
| Beregningsindstillinger | Overvejelser |
|---|---|
| CPU (Central Processing Unit) eller en GPU (Graphics Processing Unit) | For mindre tabeldatasæt er en CPU tilstrækkelig og omkostningseffektiv. For ustrukturerede data, f.eks. billeder eller tekst, er GPU'er mere effektive. GPU'er kan også bruges til større tabeldatasæt, hvis CPU-beregning viser sig at være utilstrækkelig. |
| Generelt formål eller hukommelse optimeret | Brug det generelle formål at have et balanceret CPU-til-hukommelse-forhold, som er ideelt til test og udvikling med mindre datasæt. Brug hukommelse optimeret til at have et højt hukommelses-til-CPU-forhold. Velegnet til analyse i hukommelsen, hvilket er ideelt, når du har større datasæt, eller når du arbejder i notesbøger. |
De beregningsindstillinger, der passer bedst til dine behov, er ofte en prøveversion og fejl. Når du kører kode, skal du overvåge beregningsudnyttelsen for at forstå, hvor mange beregningsressourcer du bruger. Hvis oplæringen af din model tager for lang tid, selv med den største beregningsstørrelse, kan du bruge GPU'er i stedet for CPU'er. Du kan også vælge at distribuere modeltræning ved hjælp af Spark-beregning, som kræver, at du omskriver dine træningsscripts.
Azure Automatiseret maskinel indlæring
Når du bruger Funktionerne til automatiseret maskinel indlæring i Azure Machine Learning, tildeles du automatisk beregning. Azure Automated Machine Learning automatiserer de tidskrævende iterative opgaver i forbindelse med udvikling af modeller til maskinel indlæring.
I Azure Machine Learning Studio kan du bruge Automatiseret maskinel indlæring til at designe og køre dine træningseksperimenter med de samme trin, der er beskrevet i dette modul, uden at skulle skrive kode. Azure Automated Machine Learning indeholder en trinvis guide, der hjælper dig med at køre træningsjob til maskinel indlæring. Den automatiserede oplæring kan bruges til mange opgaver i forbindelse med maskinel indlæring, herunder regression, tidsserieprognose, klassificering, computersyn og behandling af naturligt sprog. I AutoML har du adgang til dine egne datasæt. Dine oplærte modeller til maskinel indlæring kan udrulles som tjenester.
Lad os derefter se på indstillingerne for udrulning af modellen.