Inicio rápido: Creación de los recursos de área de trabajo necesarios para empezar a trabajar con Azure Machine Learning

En este inicio rápido, creará un área de trabajo a la que luego agregará recursos de proceso. Así tendrá todo lo necesario para empezar a trabajar con Azure Machine Learning.

El área de trabajo es el recurso de nivel superior para las actividades de aprendizaje automático y proporciona un lugar centralizado para ver y administrar los artefactos que se crean al usar Azure Machine Learning. Los recursos de proceso proporcionan un entorno basado en la nube preconfigurado que permite entrenar, implementar, automatizar, administrar y realizar un seguimiento de los modelos de aprendizaje automático.

Requisitos previos

Creación del área de trabajo

Si ya tiene un área de trabajo, omita esta sección y vaya a Creación de una instancia de proceso.

Si aún no tiene un área de trabajo, créela ahora:

  1. Inicie sesión en Azure Machine Learning Studio.

  2. Seleccione Crear área de trabajo

  3. Especifique la siguiente información para configurar la nueva área de trabajo:

    Campo Descripción
    Nombre del área de trabajo Escriba un nombre único que identifique el área de trabajo. Los nombres deben ser únicos en el grupo de recursos. Utilice un nombre que sea fácil de recordar y que se diferencie del de las áreas de trabajo creadas por otros. El nombre del área de trabajo no distingue mayúsculas de minúsculas.
    Subscription Seleccione la suscripción de Azure que quiera usar.
    Resource group Use un grupo de recursos existente en su suscripción o escriba un nombre para crear un nuevo grupo de recursos. Un grupo de recursos almacena los recursos relacionados con una solución de Azure. Necesita el rol colaborador o propietario para usar un grupo de recursos existente. Para obtener más información sobre el acceso, consulte Administración del acceso a un área de trabajo de Azure Machine Learning.
    Region Seleccione la región de Azure más cercana a los usuarios y los recursos de datos para crear el área de trabajo.
  4. Seleccione Crear para crear el área de trabajo

Nota

Esto crea un área de trabajo con todos los recursos necesarios. Si desea reutilizar recursos, como la cuenta de almacenamiento, Azure Container Registry, Azure KeyVault o Application Insights, use el Azure Portal en su lugar.

Creación de una instancia de proceso

Azure Machine Learning se puede instalar en el propio equipo. Pero en este inicio rápido, creará un recurso de proceso en línea que ya tiene un entorno de desarrollo instalado y listo para usarse. Esta máquina en línea, una instancia de proceso, la usará para que el entorno de desarrollo escriba y ejecute código en scripts de Python y cuadernos de Jupyter Notebook.

Cree una instancia de proceso para usar este entorno de desarrollo en el resto de los tutoriales e inicios rápidos.

  1. Si no creó un área de trabajo en la sección anterior, inicie sesión en Estudio de Azure Machine Learning y seleccione el área de trabajo en cuestión.
  2. Seleccione Proceso en el lado izquierdo.
  3. Seleccione +Nuevo para crear una nueva instancia de proceso.
  4. Proporcione un valor y mantenga todos los valores predeterminados de la primera página.
  5. Seleccione Crear.

En unos dos minutos, verá que el valor de Estado de la instancia de proceso cambia de Creando a En ejecución. Ya está listo para empezar.

Creación de clústeres de proceso

A continuación, creará un clúster de proceso. Los clústeres permiten distribuir un proceso de entrenamiento o inferencia de lotes en un clúster de nodos de proceso de CPU o GPU en la nube.

Cree un clúster de proceso que se escalará automáticamente entre cero y cuatro nodos:

  1. Si salir de la sección Proceso, en la pestaña superior, seleccione Clústeres de proceso.
  2. Seleccione +Nuevo para crear un nuevo clúster de proceso.
  3. Mantenga todos los valores predeterminados de la primera página y seleccione Siguiente. Si no ve ningún proceso disponible, deberá solicitar un aumento de cuota. Obtenga más información sobre cómo gestionar y aumentar las cuotas.
  4. Asigne al clúster el nombre cpu-cluster. Si este nombre ya existe, agréguele sus iniciales para que sea único.
  5. Deje el valor de Número mínimo de nodos en 0.
  6. Cambio el valor de Número máximo de nodos a 4, siempre que sea posible. En función de la configuración, es posible que tenga un límite menor.
  7. Cambie el valor de Segundos de inactividad antes de la reducción vertical a 2400.
  8. Deje el resto de valores predeterminados y seleccione Crear.

En menos de un minuto, el valor del campo Estado del clúster cambiará de Creando a Correcto. En la vista se muestra el clúster de proceso aprovisionado, junto con el número de nodos inactivos, de nodos ocupados y de nodos no aprovisionados. Dado que aún no ha usado el clúster, los nodos no están aprovisionados actualmente.

Nota:

Cuando se cree el clúster, no tendrá ningún nodo aprovisionado. El clúster no genera costos hasta que envíe un trabajo. Este clúster se reducirá verticalmente cuando haya estado inactivo durante 2400 segundos (40 minutos). Esto le dará el tiempo necesario para usarlo en algunos tutoriales, si así lo desea, sin tener esperar a que se vuelva a escalar verticalmente.

Un recorrido rápido por Studio

Studio es un portal web para Azure Machine Learning en el que se combinan las experiencias de trabajar si código y código primero para lograr una plataforma de ciencia de datos inclusiva.

Revise las partes de Studio en la barra de navegación izquierda:

  • La sección Autor de Studio contiene varias maneras de empezar a crear modelos de aprendizaje automático. Puede hacer lo siguiente:

    • La sección Cuadernos permite crear cuadernos de Jupyter Notebook, copiar cuadernos de ejemplo y ejecutar cuadernos y scripts de Python.
    • ML automatizado le permite recorrer un modelo de Machine Learning creado sin escribir código.
    • El diseñador proporciona una forma de crear modelos mediante componentes precompilados a través del método de arrastrar y colocar.
  • La sección Recursos de Studio le ayuda a realizar un seguimiento de los recursos que crea al ejecutar los trabajos. Si tiene un área de trabajo nueva, estas secciones no contendrán absolutamente nada.

  • Ya ha usado la sección Administrar de Studio para crear los recursos de proceso. Esta sección también permite crear y administrar datos y servicios externos que se van a vincular a su área de trabajo.

Diagnóstico del área de trabajo

Puede ejecutar diagnósticos en el área de trabajo desde Azure Machine Learning Studio o el SDK de Python. Después de ejecutar el diagnóstico, se devuelve una lista de los problemas detectados. Esta lista incluye vínculos a posibles soluciones. Para más información, consulte Uso de diagnósticos del área de trabajo.

Limpieza de recursos

Si planea continuar ahora con el siguiente tutorial, vaya a Pasos siguientes.

Detención de una instancia de proceso

Si no va a utilizar ahora la instancia de proceso, deténgala:

  1. En Studio, a la izquierda, seleccione Proceso.
  2. En las pestañas superiores, seleccione Instancia de proceso.
  3. Seleccione la instancia de proceso en la lista.
  4. En la barra de herramientas superior, seleccione Detener.

Eliminación de todos los recursos

Importante

Los recursos que creó pueden usarse como requisitos previos para otros tutoriales y artículos de procedimientos de Azure Machine Learning.

Si no va a usar ninguno de los recursos que ha creado, elimínelos para no incurrir en cargos:

  1. En Azure Portal, seleccione Grupos de recursos a la izquierda del todo.

  2. En la lista, seleccione el grupo de recursos que creó.

  3. Seleccione Eliminar grupo de recursos.

    Captura de pantalla de las selecciones para eliminar un grupo de recursos en Azure Portal.

  4. Escriba el nombre del grupo de recursos. A continuación, seleccione Eliminar.

Pasos siguientes

Ahora tiene un área de trabajo de Azure Machine Learning que contiene:

  • Una instancia de proceso que va a usar en el entorno de desarrollo.
  • Un clúster de proceso que va a usar para enviar ejecuciones de entrenamiento.

Use estos recursos para más información sobre Azure Machine Learning y entrenar un modelo con scripts de Python.