Configurer un labo axé sur le deep learning dans le cadre du traitement en langage naturel avec Azure Lab Services

  • Article

Remarque

Cet article fait référence aux fonctionnalités disponibles dans les plans de labo, qui ont remplacé les comptes de labo.

Cet article vous montre comment configurer un labo axé sur le deep learning dans le cadre du traitement en langage naturel (NLP) avec Azure Lab Services. Le traitement en langage naturel est une forme d’intelligence artificielle (IA) qui fournit aux ordinateurs des fonctionnalités de traduction, de reconnaissance vocale et d’autres fonctionnalités de compréhension de la langue.

Les étudiants qui suivent un cours de PNL obtiennent une machine virtuelle (VM) Linux pour apprendre à appliquer les algorithmes de réseau neuronal. Les algorithmes enseignent aux étudiants de développer des modèles d’apprentissage profond utilisés pour l’analyse du langage humain écrit.

Configuration du laboratoire

Pour configurer ce labo, vous avez besoin d’un abonnement Azure et d’un compte Lab pour commencer. Si vous n’avez pas d’abonnement Azure, créez un compte gratuit avant de commencer.

Une fois que vous disposez d’un abonnement Azure, vous pouvez créer un plan lab dans Azure Lab Services. Pour plus d’informations sur la création d’un plan labo, consultez notre tutoriel consacré à la configuration d’un plan labo. Vous pouvez aussi utiliser un plan de labo existant.

Paramètres du plan de labo

Activez les paramètres décrits dans le tableau ci-dessous pour le plan de labo. Pour plus d’informations sur l’activation des images de la Place de marché, consultez l’article Spécifier les images de la Place de marché accessibles aux créateurs de labo.

Paramètre du plan de labo Instructions
Images de la Place de marché Activer l’image de machine virtuelle Science des données pour Linux (Ubuntu).

Paramètres du labo

Pour obtenir des instructions sur la création d'un labo, consultez Tutoriel : Configurer un labo. Utilisez les paramètres suivants pour la création du labo :

Paramètres du labo Valeur
Taille de machine virtuelle Petite avec GPU (calcul). Cette taille est optimisée pour les applications nécessitant beaucoup de ressources système et de ressources réseau, notamment l’intelligence artificielle et le deep learning.
Image de machine virtuelle Data Science Virtual Machine pour Linux (Ubuntu). Cette image fournit des outils et des frameworks de deep learning pour le machine learning et la science des données. Pour consulter la liste complète des outils installés sur cette image, voir Que comprend la DSVM ?.
Activer la connexion Bureau à distance Si vous le souhaitez, cochez la case Activer la connexion bureau à distance. L’image de science des données est déjà configurée pour utiliser X2Go afin que les enseignants et les étudiants puissent se connecter à l’aide d’un Bureau à distance de l’interface graphique utilisateur. X2Go n’exige pas l’activation du paramètre Activer la connexion Bureau à distance.
Paramètres de la machine virtuelle Si vous le souhaitez, choisissez Utiliser une image de machine virtuelle sans personnalisation. Si vous utilisez des plans de labo et que DSVM dispose de tous les outils dont votre classe a besoin, vous pouvez ignorer l’étape de personnalisation du modèle.

Important

Nous vous recommandons d’utiliser X2Go avec l’image Data Science. Toutefois, si vous choisissez d’utiliser RDP à la place, vous devez vous connecter à la machine virtuelle Linux à l’aide de SSH et installer les packages RDP et GUI avant de publier le laboratoire. Ensuite, les étudiants peuvent se connecter à la machine virtuelle Linux à l’aide de RDP ultérieurement. Pour plus d’informations, consultez Utiliser le Bureau à distance graphique pour des machines virtuelles Linux.

Configuration du modèle de machine

L’image Data Science Virtual Machine pour Linux fournit les outils et infrastructures de deep learning nécessaires pour ce type de cours. Si vous avez choisi d’utiliser une image de machine virtuelle sans personnalisation lors de la création du labo, la possibilité de personnaliser l’ordinateur modèle est désactivée. Vous pouvez publier le labo lorsque vous êtes prêt.

Coûts

Nous allons aborder une estimation de coût possible pour cette classe. La taille de machine virtuelle que nous avons choisie était GPU de petite taille (calcul), soit 139 unités de laboratoire.

Pour une classe de 25 étudiants, avec 20 heures de cours prévues et un quota de 10 heures pour le travail personnel ou les devoirs, l’estimation du prix est la suivante :

25 étudiants * (20 heures planifiées + 10 heures de quota) * 139 unités Lab * 0,01 USD par heure = 1 042,5 USD

Important

L’estimation du coût est fournie à titre d’exemple uniquement. Pour en savoir plus sur les tarifs actuels, consultez Tarification Azure Lab Services.

Conclusion

Cet article vous a présenté les étapes de création d’un labo pour le cours sur le traitement en langage naturel. Vous pouvez utiliser une configuration similaire pour d’autres cours de deep learning.

Étapes suivantes

L’image du modèle peut à présent être publiée dans le labo. Pour plus d’informations, consultez Publier le modèle de machine virtuelle.

Au fil de la configuration de votre instance Lab, consultez les articles suivants :