A Model Builder Azure képzési erőforrásai

Az alábbi útmutató segítséget nyújt az Azure-beli modellek a Model Builderrel való betanítása során használt erőforrásokról.

Mi az az Azure Machine Learning-kísérlet?

Az Azure Machine Learning-kísérlet olyan erőforrás, amelyet létre kell hozni a Model Builder-képzés azure-beli futtatása előtt.

A kísérlet egy vagy több gépi tanulási betanítási futtatás konfigurációját és eredményeit foglalja magában. A kísérletek egy adott munkaterülethez tartoznak. A kísérlet első létrehozásakor a rendszer regisztrálja a nevét a munkaterületen. Az ezt követő futtatások – ha ugyanazt a kísérletnevet használják – ugyanannak a kísérletnek a részeként lesznek naplózva. Ellenkező esetben létrejön egy új kísérlet.

Mi az az Azure Machine Learning-munkaterület?

A munkaterület egy Azure Machine Learning-erőforrás, amely központi helyet biztosít a betanítási futtatás részeként létrehozott összes Azure Machine Learning-erőforráshoz és összetevőhöz.

Azure Machine Learning-munkaterület létrehozásához a következőkre van szükség:

• Név: A munkaterület neve 3–33 karakter között. A nevek csak alfanumerikus karaktereket és kötőjeleket tartalmazhatnak.
• Régió: Annak az adatközpontnak a földrajzi helye, ahol a munkaterület és az erőforrások üzembe vannak helyezve. Javasoljuk, hogy válasszon egy olyan helyet, amely közel van Önhöz vagy ügyfeleihez.
• Erőforráscsoport: Egy Azure-megoldás összes kapcsolódó erőforrását tartalmazó tároló.

Mi az az Azure Machine Learning-számítás?

Az Azure Machine Learning-számítás egy felhőalapú Linux rendszerű virtuális gép, amelyet betanításhoz használnak.

Azure Machine Learning-számítás létrehozásához a következő értékek szükségesek:

• Név: A számítás neve 2–16 karakter között. A nevek csak alfanumerikus karaktereket és kötőjeleket tartalmazhatnak.

• Számítási méret.

  A Model Builder az alábbi GPU-optimalizált számítási típusok egyikét használhatja:

  Méret	vCPU	Memória: GiB	Ideiglenes tároló (SSD) GiB	GPU	GPU-memória: GiB	Adatlemezek maximális kihasználása	Maximális hálózati adapterek
  Standard_NC12	12	112	680	2	24	48	2
  Standard_NC24	24	224	1440	4	48	64	4

  A GPU-optimalizált számítási típusokkal kapcsolatos további részletekért tekintse meg az NC-sorozatú Linux rendszerű virtuális gépek dokumentációját.

• Számítási prioritás.

  • Alacsony prioritású: Rövidebb végrehajtási idővel rendelkező tevékenységekhez használható. A tevékenységekre hatással lehetnek a megszakítások és a rendelkezésre állás hiánya. Ez a lehetőség általában kevesebbe kerül, mert kihasználja a többletkapacitást az Azure-ban.
  • Dedikált: Bármilyen időtartamú, de különösen hosszú ideig futó feladatokhoz alkalmas. A feladatokat nem érintik a megszakítások vagy a rendelkezésre állás hiánya. Ez a lehetőség általában többe kerül, mert dedikált számítási erőforrásokat foglal le az Azure-ban a feladatokhoz.

Képzés

Az Azure-beli oktatás csak a Model Builder rendszerkép-besorolási forgatókönyvéhez érhető el. A modellek betanítására használt algoritmus a ResNet50 architektúrán alapuló mély neurális hálózat. A betanítási folyamat egy ideig tart, és az időtartam a kiválasztott számítás méretétől és az adatok mennyiségétől függően változhat. A futtatások előrehaladását a Visual Studióban az "Aktuális futtatás monitorozása az Azure Portalon" hivatkozásra kattintva követheti nyomon.

Eredmények

A betanítás befejezése után a rendszer két projektet ad hozzá a megoldáshoz a következő utótagokkal:

• ConsoleApp: C#-konzolalkalmazás, amely kezdőkódot biztosít az előrejelzési folyamat létrehozásához és az előrejelzések készítéséhez.

• Modell: C# .NET Standard alkalmazás, amely a bemeneti és kimeneti modell adatainak sémáját meghatározó adatmodelleket, valamint a következő objektumokat tartalmazza:

  • bestModel.onnx: A modell szerializált verziója Open Neural Network Exchange (ONNX) formátumban. Az ONNX az AI-modellek nyílt forráskódú formátuma, amely támogatja az olyan keretrendszerek közötti együttműködést, mint a ML.NET, a PyTorch és a TensorFlow.
  • bestModelMap.json: A modell kimenetének szöveges kategóriára való leképezéséhez használt kategóriák listája.
  • MLModel.zip: A ML.NET előrejelzési folyamat szerializált verziója, amely a modell szerializált verzióját használja bestModel.onnx az előrejelzéshez és a kimenetek leképezéséhez a bestModelMap.json fájl használatával.

A gépi tanulási modell használata

A Modell projekt ModelInput és ModelOutput osztályai határozzák meg a modell várható bemenetének és kimenetének sémáját.

Képbesorolási forgatókönyvben a ModelInput két oszlopot tartalmaz:

• ImageSource: A kép helyének sztring elérési útja.
• Label: A kép tényleges kategóriája. Label csak betanításkor használják bemenetként, és nem kell megadni az előrejelzések készítésekor.

A ModelOutput két oszlopot tartalmaz:

• Prediction: A kép előrejelzett kategóriája.
• Score: Az összes kategória valószínűségeinek listája (a legmagasabb a Predictiontartozik).

Hibaelhárítás

Nem hozható létre számítás

Ha hiba történik az Azure Machine Learning számítási létrehozása során, előfordulhat, hogy a számítási erőforrás továbbra is létezik, hibás állapotban. Ha ugyanazzal a névvel próbálja újra létrehozni a számítási erőforrást, a művelet meghiúsul. A hiba kijavításához a következőt kell tenni:

• Az új számítás létrehozása más néven
• Lépjen az Azure Portalra, és távolítsa el az eredeti számítási erőforrást