Übung: Trainieren eines Deep Neural Network

  • 25 Minuten

Bis jetzt haben Sie in diesem Modul viel über die Theorie und Prinzipien in Zusammenhang mit Deep Learning mit neuronalen Netzen gelernt. Das Anwenden dieser Theorie lernen Sie am besten, indem Sie tatsächlich ein Deep-Learning-Modell entwickeln. Dafür ist die folgende Übung gedacht.

Es gibt viele Frameworks für das Trainieren von Deep Neural Networks. In dieser Übung können Sie eines der beiden beliebtesten Deep-Learning-Frameworks für Python (oder beide) kennenlernen: PyTorch und TensorFlow.

Vorbereitung

Zum Abschließen der Übung benötigen Sie Folgendes:

  • Ein Microsoft Azure-Abonnement. Wenn Sie noch keines haben, können Sie sich unter https://azure.microsoft.com/free für eine kostenlose Testversion registrieren.
  • Einen Azure Machine Learning-Arbeitsbereich mit einer Compute-Instanz und dem geklonten Repository ml-basics

Hinweis

In diesem Modul wird ein Azure Machine Learning-Arbeitsbereich verwendet. Wenn Sie dieses Modul als Vorbereitung für die Zertifizierung Azure Data Scientist abschließen, erstellen Sie den Arbeitsbereich einmal, und verwenden Sie ihn in anderen Modulen wieder. Befolgen Sie nach Abschluss der Übung auch die Anweisungen zur Bereinigung, um Computeressourcen zu beenden und den Arbeitsbereich beizubehalten (wenn Sie ihn weiter verwenden möchten).

Erstellen eines Azure Machine Learning-Arbeitsbereichs

Wenn Sie noch nicht über einen Azure Machine Learning-Arbeitsbereich in Ihrem Azure-Abonnement verfügen, führen Sie die folgenden Schritte aus, um einen zu erstellen:

  1. Melden Sie sich mit dem Microsoft-Konto, das Ihrem Azure-Abonnement zugeordnet ist, beim Azure-Portal an.

  2. Klicken Sie auf der Seite Start unter Azure-Dienste auf Ressource erstellen. Der Bereich Ressource erstellen wird angezeigt.

  3. Suchen Sie im Suchfeld Search services and marketplace (Dienste und Marketplace durchsuchen) nach Machine Learning, und wählen Sie das Ergebnis aus. Der Bereich Machine Learning wird angezeigt.

  4. Klicken Sie auf Erstellen. Der Bereich Machine Learning wird angezeigt.

  5. Geben Sie auf der Registerkarte Grundeinstellungen die folgenden Werte für die jeweilige Einstellung ein:

    Einstellung Wert
    Projektdetails
    Subscription Wählen Sie das Azure-Abonnement aus, das Sie für diese Übung verwenden möchten.
    Ressourcengruppe Wählen Sie den Link Neu erstellen aus, geben Sie der neuen Ressourcengruppe einen eindeutigen Namen, und wählen Sie OK aus.
    Arbeitsbereichsdetails
    Arbeitsbereichname Geben Sie einen eindeutigen Namen für Ihre App ein. Sie können z. B. <IhrName>-machinelearn verwenden.
    Region Wählen Sie einen verfügbaren Standort aus der Dropdownliste aus.

  6. Übernehmen Sie die übrigen Standardwerte, und wählen Sie Überprüfen und erstellen aus.

  7. Wenn die Überprüfung erfolgreich war, wählen Sie Erstellen aus.

    Warten Sie, bis die Arbeitsbereichsressource erstellt wurde. Dieser Vorgang kann einige Minuten dauern.

  8. Klicken Sie nach Abschluss der Bereitstellung auf Zu Ressource wechseln. Der Bereich Machine Learning wird angezeigt.

  9. Wählen Sie Launch studio (Studio starten) aus, oder rufen Sie https://ml.azure.com auf, und melden Sie sich mit Ihrem Microsoft-Konto an. Die Seite Microsoft Azure Machine Learning Studio wird angezeigt.

  10. Klicken Sie in Azure Machine Learning Studio auf das Symbol ☰ oben links, um den Menübereich auf- oder zuzuklappen. Sie können diese Optionen verwenden, um die Ressourcen in Ihrem Arbeitsbereich zu verwalten.

Erstellen einer Compute-Instanz

Zum Ausführen des in dieser Übung verwendeten Notebooks benötigen Sie in Ihrem Azure Machine Learning-Arbeitsbereich eine Compute-Instanz.

  1. Wählen Sie im linken Menübereich unter Verwalten die Option Compute aus. Der Bereich Compute wird angezeigt.

  2. Wenn Sie auf der Registerkarte Compute-Instanzen bereits über eine Compute-Instanz verfügen, starten Sie diese. Erstellen Sie andernfalls eine neue Compute-Instanz, indem Sie Neu auswählen. Der Bereich Compute-Instanz erstellen wird angezeigt.

  3. Füllen Sie die folgenden Werte für jede Einstellung aus:

    • Computename:Geben Sie einen eindeutigen Namen ein.
    • VM-Typ: CPU
    • VM-Größe: Auswahl aus den empfohlenen Optionen: Standard_DS11_v2

  4. Wählen Sie Erstellen aus. Der Bereich Compute wird erneut angezeigt, und Ihre Compute-Instanz wird aufgelistet.

  5. Warten Sie, bis die Compute-Instanz gestartet wird, da dieser Vorgang einige Minuten dauern kann. Der Wert in der Spalte Status für Ihre Compute-Instanz ändert sich in Wird ausgeführt.

Klonen des Repositorys ml-basics

Die in diesem und ähnlichen Modulen verwendeten Dateien werden im GitHub-Repository MicrosoftDocs/ml-basics veröffentlicht. Führen Sie, sofern noch nicht geschehen, die folgenden Schritte aus, um das Repository in Ihren Azure Machine Learning-Arbeitsbereich zu klonen:

  1. Wählen Sie Arbeitsbereiche im linken Menü von Azure Machine Learning Studio aus, und wählen Sie dann den Arbeitsbereich in der Liste aus, den Sie erstellt haben.

  2. Wählen Sie unter der Überschrift Autor auf der linken Seite den Link Notebooks aus, um Jupyter Notebooks zu öffnen. Der Bereich Notebooks wird angezeigt.

  3. Wählen Sie auf der rechten Seite die Schaltfläche Terminal aus. Eine Terminalshell wird angezeigt.

  4. Führen Sie die folgenden Befehle aus, um das aktuelle Verzeichnis in das Verzeichnis Users zu ändern und das Repository ml-basics zu klonen, das das Notebook und Dateien enthält, die Sie in dieser Übung verwenden.

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

  5. Schließen Sie nach dem Abschluss des Befehls und dem Check-Out der Dateien die Registerkarte mit dem Terminal, und wechseln Sie zur Startseite Ihres Jupyter Notebook-Datei-Explorers.

  6. Öffnen Sie den Ordner Users. Dieser sollte einen Ordner namens ml-basics mit den Dateien enthalten, die Sie im weiteren Verlauf dieses Moduls verwenden werden.

Hinweis

Es wird dringend empfohlen, Jupyter für diese Übung in einem Azure Machine Learning-Arbeitsbereich zu verwenden. Mit diesem Setup wird sichergestellt, dass die richtige Version von Python und die verschiedenen benötigten Pakete installiert sind. Nachdem Sie den Arbeitsbereich einmal erstellt haben, können Sie ihn in anderen Modulen erneut verwenden. Wenn Sie die Übung in einer Python-Umgebung auf Ihrem eigenen Computer ausführen möchten, ist dies ebenfalls möglich. Details zum Konfigurieren einer lokalen Entwicklungsumgebung mit Visual Studio Code finden Sie unter Ausführen der Labs auf Ihrem eigenen Computer. Ihnen sollte allerdings bewusst sein, dass bei dieser Vorgehensweise die Anweisungen in dieser Übung möglicherweise nicht zu Ihrer Benutzeroberfläche für Notebooks passen.

Trainieren eines Modells mit Deep Neural Network

Wenn Sie eine Jupyter-Umgebung erstellt und das Repository ml-basics geklont haben, sind Sie bereit für Deep Learning.

  1. Öffnen Sie in Jupyter im Ordner ml-basics abhängig von Ihrem bevorzugten Framework entweder das Notebook Deep Neural Networks (PyTorch).ipynb oder Deep Neural Networks (Tensorflow).ipynb, und befolgen Sie die darin enthaltenen Anweisungen.

  2. Wenn Sie fertig sind, schließen Sie alle Notebooks, und halten Sie sie an.

Wenn Sie das Notebook durchgearbeitet haben, kehren Sie zu diesem Modul zurück, und fahren Sie mit der nächsten Lerneinheit fort, um weiterzulernen.