Einführung
Eine häufige Herausforderung bei der Entwicklung von Machine Learning-Modellen besteht darin, sich auf Produktionsszenarien vorzubereiten. Wenn Sie Code zum Verarbeiten von Daten- und Trainmodellen schreiben, möchten Sie, dass der Code skalierbar, wiederholbar und für die Automatisierung bereit ist.
Obwohl Notizbücher ideal für Experimente und Entwicklung geeignet sind, eignen sich Skripts besser für Produktionsworkloads. In Azure Machine Learning können Sie ein Skript als Befehlsauftrag ausführen. Wenn Sie einen Befehlsauftrag übermitteln, können Sie verschiedene Parameter konfigurieren, z. B. die Eingabedaten und die Computeumgebung.
Sobald Ihr Schulungsskript als Job ausgeführt wird, möchten Sie auch die Leistung des Modells im Laufe der Zeit überwachen. Sie können MLflow verwenden, um Metriken, Parameter und Artefakte direkt aus Ihren Skripts nachzuverfolgen. MLflow ist eine open-source-Plattform, die in Azure Machine Learning integriert ist, mit der Sie Ausführungen vergleichen und die nächsten Schritte festlegen können.
Lernziele
In diesem Modul erfahren Sie, wie Sie:
- Konvertieren eines Notizbuchs in ein Skript.
- Testen Sie Skripts in einem Terminal.
- Führen Sie ein Skript als Befehlsauftrag aus.
- Verwenden Sie Parameter in einem Befehlsauftrag.
- Verwenden Sie MLflow, wenn Sie ein Skript als Job ausführen.
- Überprüfen Sie Metriken, Parameter, Artefakte und Modelle eines Durchlaufs.
Beginnen wir damit, zu untersuchen, warum Skripts eine bessere Wahl sind als Notizbücher für Produktions-Machine Learning-Arbeitslasten. Und wie Sie Ihre vorhandenen Notizbücher in wiederverwendbare, produktionsfähige Skripts konvertieren.