Válassza ki a megfelelő számítási célt
Az Azure Machine Tanulás számítási célok fizikai vagy virtuális számítógépek, amelyeken a feladatok futnak.
Az elérhető számítási típusok ismertetése
Az Azure Machine Tanulás többféle számítási típust támogat kísérletezéshez, betanításhoz és üzembe helyezéshez. Több számítási típussal kiválaszthatja az igényeinek leginkább megfelelő számítási célt.
- Számítási példány: A virtuális géphez hasonlóan viselkedik, és elsősorban jegyzetfüzetek futtatására szolgál. Ideális kísérletezéshez.
- Számítási fürtök: Virtuális gépek többcsomópontos fürtjei, amelyek automatikusan fel- vagy leskálázhatók az igények kielégítése érdekében. Költséghatékony módszer olyan szkriptek futtatására, amelyeknek nagy mennyiségű adat feldolgozására van szükségük. A fürtök lehetővé teszik a párhuzamos feldolgozás használatát a számítási feladatok elosztásához és a szkriptek futtatásához szükséges idő csökkentéséhez.
- Kubernetes-fürtök: A Kubernetes-technológián alapuló fürt, amely nagyobb mértékben szabályozza a számítás konfigurálását és kezelését. Ön által felügyelt Azure Kubernetes-fürtöt (AKS) csatolhat felhőbeli számítási feladatokhoz, vagy egy Arc Kubernetes-fürtöt helyszíni számítási feladatokhoz.
- Csatolt számítás: Lehetővé teszi, hogy meglévő számításokat, például Azure-beli virtuális gépeket vagy Azure Databricks-fürtöket csatoljon a munkaterülethez.
- Kiszolgáló nélküli számítás: A betanítási feladatokhoz használható teljes körűen felügyelt, igény szerinti számítás.
Feljegyzés
Az Azure Machine Tanulás lehetővé teszi saját számítás létrehozását és kezelését, vagy az Azure Machine Tanulás által teljes mértékben felügyelt számítás használatát.
Mikor érdemes használni a számítás típusát?
A számítási célok használatakor általában néhány ajánlott eljárás érhető el. A megfelelő számítási típus kiválasztásának megértéséhez több példát is megadunk. Ne feledje, hogy a használt számítási típus mindig az adott helyzettől függ.
Számítási cél kiválasztása kísérletezéshez
Tegyük fel, hogy ön adattudós, és egy új gépi tanulási modell kidolgozására kérik. Valószínűleg rendelkezik a betanítási adatok egy kis részhalmazával, amellyel kísérletezhet.
A kísérletezés és a fejlesztés során inkább a Jupyter notebookban dolgozik. A jegyzetfüzet-élmény leginkább egy folyamatosan futó számításból származik.
Sok adattudós ismeri a jegyzetfüzetek helyi eszközön való futtatását. Az Azure Machine Tanulás által felügyelt felhőalapú alternatíva egy számítási példány. Másik lehetőségként választhatja azt is, hogy a Spark kiszolgáló nélküli számítása Spark-kódot futtat a jegyzetfüzetekben, ha ki szeretné használni a Spark elosztott számítási teljesítményét.
Számítási cél kiválasztása éles környezetben
A kísérletezést követően Python-szkriptek futtatásával betaníthatja a modelleket az éles üzemre való felkészüléshez. A szkriptek egyszerűbben automatizálhatók és ütemezhetők, ha folyamatosan szeretné betanítani a modellt. Szkripteket futtathat folyamatfeladatként.
Éles környezetbe való áttéréskor azt szeretné, hogy a számítási cél készen álljon a nagy mennyiségű adat kezelésére. Minél több adatot használ, annál jobb a gépi tanulási modell.
Szkriptekkel rendelkező modellek betanításakor igény szerinti számítási célt szeretne. A számítási fürtök automatikusan felskálázódnak, amikor a szkript(ek)et végre kell hajtani, és a szkript végrehajtásakor leskálázódik. Ha olyan alternatívát szeretne, amelyet nem kell létrehoznia és kezelnie, használhatja az Azure Machine Tanulás kiszolgáló nélküli számítását.
Számítási cél kiválasztása az üzembe helyezéshez
Az előrejelzések létrehozásához szükséges számítási típus attól függ, hogy kötegelt vagy valós idejű előrejelzéseket szeretne-e használni.
Kötegelt előrejelzések esetén futtathat egy folyamatfeladatot az Azure Machine Tanulás. A számítási célok, például a számítási fürtök és az Azure Machine Tanulás kiszolgáló nélküli számításai ideálisak a folyamatfeladatokhoz, mivel igény szerint és skálázhatóak.
Ha valós idejű előrejelzésekre van szüksége, olyan számítási típusra van szüksége, amely folyamatosan fut. A valós idejű üzemelő példányok így egyszerűbb (és ezáltal költséghatékonyabb) számítást élveznek. A tárolók ideálisak valós idejű üzembe helyezéshez. Amikor a modellt egy felügyelt online végponton helyezi üzembe, az Azure Machine Tanulás tárolókat hoz létre és kezel a modell futtatásához. Másik lehetőségként Kubernetes-fürtöket is csatolhat a valós idejű előrejelzések létrehozásához szükséges számítás kezeléséhez.