Megosztás a következőn keresztül:

Oktatóanyag: Azure Machine Learning-modell betanítása és üzembe helyezése

A következőkre vonatkozik:igen ikon IoT Edge 1.1

Fontos

Az IoT Edge 1.1 támogatási dátumának vége 2022. december 13.,. A termék, szolgáltatás, technológia vagy API támogatásáról a Microsoft-termékek életciklusa című leírásból tájékozódhat. További információ az IoT Edge legújabb verziójára való frissítésről: IoT Edge frissítése.

Ebben a cikkben a következő feladatokat hajtjuk végre:

  • Gépi tanulási modell betanítása az Azure Machine Learning Studióval.
  • Csomagolja be a betanított modellt konténerképként.
  • Helyezze üzembe a tárolórendszerképet Azure IoT Edge-modulként.

A Machine Learning Studio a gépi tanulási modellek kísérletezéséhez, betanításához és üzembe helyezéséhez használt alapvető blokk.

A cikkben szereplő lépéseket általában adatelemzők hajtják végre.

Az oktatóanyag ezen szakaszában a következőket fogja elsajátítani:

  • Jupyter-jegyzetfüzeteket hozhat létre egy Azure Machine Learning-munkaterületen egy gépi tanulási modell betanítása érdekében.
  • A betanított gépi tanulási modell tárolóba helyezése.
  • Hozzon létre egy IoT Edge-modult a tárolóalapú gépi tanulási modellből.

Előfeltételek

Ez a cikk a Machine Learning IoT Edge-en való használatáról szóló oktatóanyag sorozatának része. A sorozat minden cikke az előző cikkben szereplő munkára épül. Ha közvetlenül a cikkhez érkezett, nézze meg a sorozat első cikkét ,.

Az Azure Machine Learning beállítása

A Machine Learning Studióval üzemeltetjük a két Jupyter-jegyzetfüzetet és a támogató fájlokat. Itt létrehozunk és konfigurálunk egy Machine Learning-projektet. Ha még nem használta a Jupytert vagy a Machine Learning Studiót, íme két bevezető dokumentum:

Megjegyzés:

A szolgáltatás beállítása után a Machine Learning bármely gépről elérhető. A telepítés során a fejlesztési virtuális gépet kell használnia, amely tartalmazza az összes szükséges fájlt.

Az Azure Machine Learning Visual Studio Code bővítmény telepítése

A fejlesztői virtuális gépen a Visual Studio Code-nak telepítve kell lennie ez a bővítmény. Ha másik példányon fut, telepítse újra a bővítményt a Visual Studio Code-bővítmény beállítása című cikkben leírtak szerint.

Azure Machine Learning-fiók létrehozása

Ha erőforrásokat szeretne kiépíteni és számítási feladatokat futtatni az Azure-ban, jelentkezzen be az Azure-fiók hitelesítő adataival.

  1. A Visual Studio Code-ban a parancskatalógus megnyitásához válassza aParancskatalógusmegtekintése> lehetőséget a menüsávon.

  2. A bejelentkezési folyamat elindításához írja be a parancsot Azure: Sign In a parancskatalógusba. A bejelentkezés befejezéséhez kövesse az utasításokat.

  3. Hozzon létre egy Machine Learning számítási példányt a számítási feladat futtatásához. A parancskatalógusban adja meg a parancsot Azure ML: Create Compute.

  4. Válassza ki az Azure-előfizetését.

  5. Válassza a + Új Azure ML-munkaterület létrehozása lehetőséget, és adja meg a turbofandemo nevet.

  6. Válassza ki a bemutatóhoz használt erőforráscsoportot.

  7. A munkaterület létrehozásának folyamatát a Visual Studio Code ablakának jobb alsó sarkában kell látnia : Munkaterület létrehozása: turobofandemo. Ez a lépés eltarthat egy-két percig.

  8. Várja meg, amíg a munkaterület sikeresen létrejön. A következő legyen kiírva: Azure ML-munkaterület turbofandemo létrejött.

Jupyter Notebook-fájlok feltöltése

Jegyzetfüzet-mintafájlokat fogunk feltölteni egy új Machine Learning-munkaterületre.

  1. Lépjen ml.azure.com, és jelentkezzen be.

  2. Válassza ki a Microsoft-címtárat, az Azure-előfizetést és az újonnan létrehozott Machine Learning-munkaterületet.

    Képernyőkép az Azure Machine Learning-munkaterület kiválasztásáról.

  3. Miután bejelentkezett a Machine Learning-munkaterületre, lépjen a Jegyzetfüzetek szakaszra a bal oldali menü használatával.

  4. Válassza a Saját fájlok lapot.

  5. Válassza a Feltöltés lehetőséget (a felfelé mutató nyíl ikont).

  6. Nyissa meg a C:\source\IoTEdgeAndMlSample\AzureNotebooks webhelyet. Jelölje ki a listában szereplő összes fájlt, és válassza a Megnyitás lehetőséget.

  7. Jelölje be a fájlok tartalmában megbízom jelölőnégyzetet.

  8. A feltöltés megkezdéséhez válassza a Feltöltés lehetőséget. Ezután válassza a Kész elemet a folyamat befejezése után.

Jupyter Notebook-fájlok

Tekintsük át a Machine Learning-munkaterületre feltöltött fájlokat. Az oktatóanyag ezen részében szereplő tevékenységek két jegyzetfüzetfájlra terjednek ki, amelyek néhány támogató fájlt használnak.

  • 01-turbofan_regression.ipynb: Ez a jegyzetfüzet a Machine Learning-munkaterületet használja egy gépi tanulási kísérlet létrehozásához és futtatásához. A jegyzetfüzet általában a következő lépéseket hajtja végre:

    1. Letölti az eszközhám által létrehozott Azure Storage-fiók adatait.
    2. Feltárja és előkészíti az adatokat, majd az adatokkal betanítja az osztályozómodellt.
    3. Kiértékeli a modellt a kísérletből egy tesztadatkészlet (Test_FD003.txt) használatával.
    4. Közzéteszi a legjobb osztályozómodellt a Machine Learning-munkaterületen.

  • 02-turbofan_deploy_model.ipynb: Ez a jegyzetfüzet az előző jegyzetfüzetben létrehozott modellt használja egy IoT Edge-eszközön üzembe helyezhető tárolórendszerkép létrehozásához. A jegyzetfüzet a következő lépéseket hajtja végre:

    1. Létrehoz egy pontozószkriptet a modellhez.
    2. Tárolórendszerképet hoz létre a Machine Learning-munkaterületen mentett osztályozómodell használatával.
    3. Webszolgáltatásként helyezi üzembe a rendszerképet az Azure Container Instances szolgáltatásban.
    4. A webszolgáltatás használatával ellenőrzi a modellt és a képet, ahogy az elvárt. Az érvényesített rendszerkép az oktatóanyag egyéni IoT Edge-modulok létrehozása és üzembe helyezése szakaszában lesz üzembe helyezve az IoT Edge-eszközön.

  • Test_FD003.txt: Ez a fájl tartalmazza azokat az adatokat, amelyet tesztkészletként használunk a betanított osztályozó ellenőrzésekor. Úgy döntöttünk, hogy az eredeti versenyhez megadott tesztadatokat az egyszerűség kedvéért tesztkészletként használjuk.

  • RUL_FD003.txt: Ez a fájl a Test_FD003.txt fájlban lévő összes eszköz utolsó ciklusának hátralévő hasznos élettartamát (RUL) tartalmazza. Az adatok részletes magyarázatát a C:\source\IoTEdgeAndMlSample\data\Turbofan fájlban található readme.txt és kárpropagálási Modeling.pdf fájlokban találja.

  • Utils.py: Ez a fájl pythonos segédprogramfüggvényeket tartalmaz az adatok kezeléséhez. Az első jegyzetfüzet a függvények részletes magyarázatát tartalmazza.

  • README.md: Ez az olvasófájl a jegyzetfüzetek használatát ismerteti.

A Jupyter-jegyzetfüzetek futtatása

A munkaterület létrehozása után futtathatja a jegyzetfüzeteket.

  1. A Saját fájlok lapon válassza a 01-turbofan_regression.ipynb lehetőséget.

    Képernyőkép az első futtatandó jegyzetfüzet kiválasztásáról.

  2. Ha a jegyzetfüzet nem megbízhatóként van felsorolva, válassza a Not Trusted widgetet a jegyzetfüzet jobb felső sarkában. Amikor megjelenik a párbeszédpanel, válassza a Megbízhatóság lehetőséget.

  3. A legjobb eredmény érdekében olvassa el az egyes cellák dokumentációját, és futtassa egyenként. Válassza a Futtatás az eszköztáron lehetőséget. Később hasznos lesz több cellát futtatni. Figyelmen kívül hagyhatja a frissítéssel és az elavulással kapcsolatos figyelmeztetéseket.

    Ha egy cella fut, csillag jelenik meg a szögletes zárójelek ([*]) között. Ha a cella művelete befejeződött, a csillagot egy számra cseréli, és megjelenhet a releváns kimenet. A jegyzetfüzet cellái egymás után épülnek fel, és egyszerre csak egy cella futtatható.

    A Cella menüben futtatási beállításokat is használhat. Cella futtatásához válassza a Ctrl+Enter billentyűkombinációt , majd a Shift+Enter billentyűkombinációt egy cella futtatásához és a következő cellába lépéshez.

    Jótanács

    Konzisztens cellaműveletek esetén ne futtassa ugyanazt a jegyzetfüzetet több lapról a böngészőben.

  4. A Globális tulajdonságok beállítása utasításokat követő cellába írja be az Azure-előfizetés, a beállítások és az erőforrások értékeit. Ezután futtassa a cellát.

    A jegyzetfüzet globális tulajdonságainak beállítását bemutató képernyőkép.

  5. A munkaterület adatainak előző cellában a futtatás után keresse meg azt a hivatkozást, amely arra utasítja, hogy jelentkezzen be a hitelesítéshez.

    Képernyőkép az eszközhitelesítésre vonatkozó bejelentkezési kérésről.

    Nyissa meg a hivatkozást, és írja be a megadott kódot. Ez a bejelentkezési eljárás hitelesíti a Jupyter-jegyzetfüzetet az Azure-erőforrások eléréséhez a Microsoft Azure platformfüggetlen parancssori felületével.

    Képernyőkép az alkalmazás hitelesítéséről az eszköz megerősítésén.

  6. Az Explore the results előtti cellába másolja ki a futtatási azonosító értékét, és illessze be a Reconstitute a run utáni cellába.

    A futtatási azonosító cellák közötti másolását bemutató képernyőkép.

  7. Futtassa a jegyzetfüzet többi celláját.

  8. Mentse a jegyzetfüzetet, és térjen vissza a projektlapra.

  9. Nyissa meg a 02-turbofan_deploy_model.ipynb elemet, és futtassa az egyes cellákat. A munkaterület konfigurálása parancsot követő cellában való hitelesítéshez be kell jelentkeznie.

  10. Mentse a jegyzetfüzetet, és térjen vissza a projektlapra.

Sikeresség ellenőrzése

A jegyzetfüzetek sikeres befejezésének ellenőrzéséhez ellenőrizze, hogy néhány elem létrejött-e.

  1. A Machine Learning-jegyzetfüzetek Saját fájlok lapján válassza a Frissítés lehetőséget.

  2. Ellenőrizze, hogy a következő fájlok lettek-e létrehozva.

    Fájl Leírás
    ./aml_config/.azureml/config.json A Machine Learning-munkaterület létrehozásához használt konfigurációs fájl.
    ./aml_config/model_config.json A modell üzembe helyezéséhez szükséges konfigurációs fájl az Azure turbofanDemo Machine Learning-munkaterületén.
    myenv.yml Információt nyújt az üzembe helyezett Machine Learning-modell függőségeiről.

  3. Ellenőrizze, hogy a következő Azure-erőforrások lettek-e létrehozva. Egyes erőforrásnevek véletlenszerű karakterekkel vannak hozzáfűzve.

    Azure-erőforrás Név
    Azure Machine Learning-munkaterület turborfanDemo
    Azure Konténer Nyilvántartás turbofandemoxxxxxxxx
    Application Insights turbofaninsightxxxxxxxx
    Azure Key Vault turbofankeyvaultbxxxxxxxx
    Azure Storage turbofanstoragexxxxxxxxx

Hibakeresés

Hibakeresés céljából Python-utasításokat szúrhat be a jegyzetfüzetbe, például az print() értékek megjelenítésére szolgáló parancsot. Ha nem definiált változókat vagy objektumokat lát, futtassa azokat a cellákat, ahol először deklarálják vagy példányosítják őket.

Előfordulhat, hogy törölnie kell a korábban létrehozott fájlokat és Azure-erőforrásokat, ha újra kell elvégeznie a jegyzetfüzeteket.

Erőforrások tisztítása

Ez az oktatóanyag egy olyan készlet része, amelyben minden cikk az előzőekben elvégzett munkára épül. Várjon az erőforrások törlésével, amíg be nem fejezi az utolsó oktatóanyagot.

Következő lépések

Ebben a cikkben két, a Machine Learning Studióban futó Jupyter-notebookot használtunk a turbofan-eszközök adatainak felhasználásához:

  • RUL-osztályozó betanítása.
  • Mentse az osztályozót modellként.
  • Hozzon létre egy tárolólemezképet.
  • A rendszerkép üzembe helyezése és tesztelése webszolgáltatásként.

IoT Edge-eszköz létrehozásához folytassa a következő cikkel.

IoT Edge-eszköz konfigurálása

  • Last updated on