Øvelse – Oplær et dybt neuralt netværk

  • 25 minutter

Indtil videre har du i dette modul lært meget om teori og principper for dyb læring med neurale netværk. Den bedste måde at lære, hvordan du anvender denne teori, er ved rent faktisk at bygge en deep learning-model, og det er det, du skal gøre i denne øvelse.

Der er mange strukturer til rådighed til oplæring af dybe neurale netværk, og i denne øvelse kan du vælge at udforske enten (eller begge) af to af de mest populære deep learning-strukturer til Python: PyTorch og TensorFlow.

Før du starter

Hvis du vil fuldføre øvelsen, skal du bruge:

  • Et Microsoft Azure-abonnement. Hvis du ikke allerede har en, kan du tilmelde dig en gratis prøveversion på https://azure.microsoft.com/free.
  • Et Azure Machine Learning-arbejdsområde med en beregningsforekomst og ml-basics klonet lager.

Seddel

Dette modul gør brug af et Azure Machine Learning-arbejdsområde. Hvis du fuldfører dette modul som forberedelse til Azure Data Scientist certificering, kan du overveje at oprette arbejdsområdet én gang og genbruge det i andre moduler. Når du har fuldført øvelsen, skal du sørge for at følge Ryd op instruktioner for at stoppe beregningsressourcer og bevare arbejdsområdet, hvis du planlægger at genbruge det.

Opret et Azure Machine Learning-arbejdsområde

Hvis du ikke allerede har et Azure Machine Learning-arbejdsområde i dit Azure-abonnement, skal du følge disse trin for at oprette et:

  1. Log på Azure Portal ved hjælp af den Microsoft-konto, der er knyttet til dit Azure-abonnement.

  2. På siden Azure Home under Azure-tjenesterskal du vælge Opret en ressource. Ruden Opret en ressource vises.

  3. Søg efter og vælg Machine Learningi søgefeltet Search services og marketplace . Ruden Azure Machine Learning vises.

  4. Vælg Opret. Ruden Azure Machine Learning vises.

  5. På fanen Basics skal du angive følgende værdier for hver indstilling.

    Indstilling Værdi
    projektdetaljer
    Abonnement Vælg det Azure-abonnement, du vil bruge til denne øvelse.
    Ressourcegruppe Vælg linket Opret ny, og navngiv den nye ressourcegruppe med et entydigt navn, og vælg OK.
    oplysninger om arbejdsområde
    Navn på arbejdsområde Angiv et entydigt navn til din app. Du kan f.eks. bruge <dit navn>-machinelearn.
    Region Vælg en hvilken som helst tilgængelig placering på rullelisten.

  6. Acceptér de resterende standarder, og vælg Gennemse + opret.

  7. Når valideringen er udført, skal du vælge Opret.

    Vent på, at din arbejdsområderessource oprettes, da det kan tage et par minutter.

  8. Når installationen er fuldført, skal du vælge Gå til ressource. Ruden Machine learning vises.

  9. Vælg Launch studio, eller gå til https://ml.azure.com, og log på med din Microsoft-konto. Siden Microsoft Azure Machine Learning Studio vises.

  10. I Azure Machine Learning Studioskal du slå ikonet ☰ øverst til venstre til at vise/skjule menuruden. Du kan bruge disse indstillinger til at administrere ressourcerne i dit arbejdsområde.

Opret en beregningsforekomst

Hvis du vil køre den notesbog, der bruges i denne øvelse, skal du bruge en beregningsforekomst i dit Azure Machine Learning-arbejdsområde.

  1. Vælg Computeunder Administreri ruden til venstre. Ruden Compute vises.

  2. På fanen Compute Instances skal du starte den, hvis du allerede har en beregningsforekomst. Ellers skal du oprette en ny beregningsforekomst ved at vælge Ny. Ruden Opret beregningsforekomst vises.

  3. Angiv følgende værdier for hver indstilling:

    • Beregningsnavn: angiv et entydigt navn
    • type virtuel maskine: CPU
    • størrelse på virtuel maskine: Vælg mellem anbefalede indstillinger: Standard_DS11_v2

  4. Vælg Opret. Ruden Compute vises igen med din Compute-forekomst angivet.

  5. Vent på, at beregningsforekomsten starter, da det kan tage et par minutter. Under kolonnen State ændres din Compute-forekomst til Kører.

Klon lageret med grundlæggende ml lager

De filer, der bruges i dette modul og andre relaterede moduler, publiceres i MicrosoftDocs/ml-basics GitHub-lageret. Hvis du ikke allerede har gjort det, kan du bruge følgende trin til at klone lageret til dit Azure Machine Learning-arbejdsområde:

  1. Vælg Arbejdsområder i menuen til venstre i Azure Machine Learning Studio, og vælg derefter det arbejdsområde, du har oprettet på listen.

  2. Under overskriften oprettelse til venstre skal du vælge linket Notesbøger for at åbne Jupyter Notesbøger. Ruden Notesbøger vises.

  3. Vælg knappen Terminal til højre. Der vises en terminalskal.

  4. Kør følgende kommandoer for at ændre den aktuelle mappe til mappen Brugere, og klon de grundlæggende ml lager, som indeholder den notesbog og de filer, du vil bruge i denne øvelse.

    cd Users
git clone https://github.com/microsoftdocs/ml-basics

  5. Når kommandoen er fuldført, og udtjekningen af filerne er fuldført, skal du lukke terminalfanen og få vist startsiden i stifinderen til Jupyter-notesbogen.

  6. Åbn mappen Brugere – den skal indeholde en ml-basics mappe, der indeholder de filer, du vil bruge i dette modul.

Seddel

Vi anbefaler på det kraftigste, at du bruger Jupyter i et Azure Machine Learning-arbejdsområde til denne øvelse. Denne installation sikrer, at den korrekte version af Python og de forskellige pakker, du skal bruge, er installeret. og når du har oprettet arbejdsområdet én gang, kan du genbruge det i andre moduler. Hvis du foretrækker at fuldføre øvelsen i et Python-miljø på din egen computer, kan du gøre det. Du kan finde oplysninger om konfiguration af et lokalt udviklingsmiljø, der bruger Visual Studio Code, på Kørsel af laboratorierne på din egen computer. Vær opmærksom på, at hvis du vælger at gøre dette, stemmer vejledningen i øvelsen muligvis ikke overens med brugergrænsefladen i dine notesbøger.

Oplær en dyb neural netværksmodel

Når du har oprettet et Jupyter-miljø og klonet ml-basics lager, er du klar til at udforske dyb læring.

  1. Åbn entenDeep Neural Networks (PyTorch).ipynb eller Deep Neural Networks (Tensorflow).ipynb notesbog i mappen med grundlæggende ml i Jupyter, og følg instruktionerne i den.

  2. Når du er færdig, skal du lukke og stoppe alle notesbøger.

Når du er færdig med at arbejde dig igennem notesbogen, skal du vende tilbage til dette modul og gå videre til det næste undermodul for at få mere at vide.