Mengirimkan pekerjaan pelatihan di studio
Ada banyak cara untuk membuat pekerjaan pelatihan dengan Azure Machine Learning. Anda dapat menggunakan CLI (lihat Melatih model (membuat pekerjaan)), REST API (lihat Melatih model dengan REST (pratinjau)), atau Anda dapat menggunakan UI untuk langsung membuat pekerjaan pelatihan. Dalam artikel ini, Anda mempelajari cara menggunakan data dan kode Anda sendiri untuk melatih model pembelajaran mesin dengan pengalaman terpandu untuk mengirimkan pekerjaan pelatihan di azure Pembelajaran Mesin studio.
Penting
Fitur ini masih dalam pratinjau umum. Versi pratinjau ini disediakan tanpa perjanjian tingkat layanan, dan tidak disarankan untuk beban kerja produksi. Fitur tertentu mungkin tidak didukung atau mungkin memiliki kemampuan terbatas.
Untuk mengetahui informasi selengkapnya, lihat Ketentuan Penggunaan Tambahan untuk Pratinjau Microsoft Azure.
Prasyarat
Langganan Azure. Jika Anda tidak memiliki langganan Azure, buat akun gratis sebelum Anda memulai. Coba versi gratis atau berbayar Azure Machine Learning sekarang.
Ruang kerja Azure Machine Learning. Lihat Membuat sumber daya ruang kerja.
Memahami pekerjaan di Azure Machine Learning. Lihat cara melatih model.
Memulai
Masuk ke Studio Azure Machine Learning.
Pilih langganan dan ruang kerja Anda.
- Anda dapat memasukkan antarmuka pengguna pembuatan pekerjaan dari beranda. Pilih Buat baru dan pilih Pekerjaan.
Dalam langkah ini, Anda dapat memilih metode pelatihan Anda, melengkapi formulir pengiriman lainnya berdasarkan pilihan Anda, dan mengirimkan pekerjaan pelatihan. Di bawah ini kami menelusuri formulir dengan langkah-langkah untuk menjalankan skrip kustom (pekerjaan perintah).
Mengonfigurasi pengaturan dasar
Langkah pertama adalah mengonfigurasi informasi dasar tentang pekerjaan pelatihan Anda. Anda dapat melanjutkan berikutnya jika Anda puas dengan default yang kami pilih untuk Anda, atau membuat perubahan pada preferensi yang Anda inginkan.
Ini adalah bidang yang tersedia:
| Bidang | Deskripsi |
|---|---|
| Nama pekerjaan | Bidang nama pekerjaan digunakan untuk mengidentifikasi pekerjaan Anda secara unik. Bidang nama pekerjaan juga digunakan sebagai nama tampilan untuk pekerjaan Anda. |
| Nama percobaan | Ini membantu mengatur pekerjaan di studio Azure Machine Learning. Setiap rekaman eksekusi pekerjaan diatur di bawah eksperimen yang sesuai di tab "Eksperimen" studio. Secara default, Azure menempatkan pekerjaan dalam eksperimen Default . |
| Deskripsi | Tambahkan beberapa teks yang menjelaskan pekerjaan Anda, jika diinginkan. |
| Waktu habis | Tentukan jumlah jam yang diizinkan untuk dijalankan oleh seluruh pekerjaan pelatihan. Setelah batas ini tercapai, sistem membatalkan pekerjaan termasuk pekerjaan anak apa pun. |
| Tag | Tambahkan tag ke pekerjaan Anda untuk memudahkan organisasi. |
Skrip pelatihan
Langkah selanjutnya adalah mengunggah kode sumber Anda, mengonfigurasi input atau output apa pun yang diperlukan untuk menjalankan pekerjaan pelatihan, dan menentukan perintah untuk menjalankan skrip pelatihan Anda.
Ini bisa berupa file kode atau folder dari penyimpanan blob default komputer lokal atau ruang kerja Anda. Azure akan menampilkan file yang akan diunggah setelah Anda menentukan pilihan.
| Bidang | Deskripsi |
|---|---|
| Kode | Ini bisa berupa file atau folder dari penyimpanan blob default komputer lokal atau ruang kerja Anda sebagai skrip pelatihan Anda. Studio akan menampilkan file yang akan diunggah setelah Anda membuat pilihan. |
| Input | Tentukan input sebanyak yang diperlukan dari jenis data, bilangan bulat, angka, boolean, string berikut). |
| Perintah | Perintah untuk menjalankan. Argumen baris perintah dapat ditulis secara eksplisit ke dalam perintah atau disimpulkan dari bagian lain, khususnya input yang menggunakan notasi kurung kurawal, seperti yang dibahas di bagian berikutnya. |
Kode
Perintah dijalankan dari direktori akar folder kode yang diunggah. Setelah memilih folder atau file kode, Anda dapat melihat file yang akan diunggah. Salin jalur relatif ke kode yang berisi titik entri Anda dan tempelkan ke dalam kotak berlabel Masukkan perintah untuk memulai pekerjaan.
Jika kode berada di direktori akar, Anda dapat langsung merujuknya di perintah. Contohnya, python main.py.
Jika kode tidak ada di direktori akar, Anda harus menggunakan jalur relatif. Misalnya, struktur model bahasa kata adalah:
.
├── job.yml
├── data
└── src
└── main.py
Di sini, kode sumber berada di subdirektori src. Perintahnya adalah python ./src/main.py (ditambah argumen baris perintah lainnya).
Input
Jika menggunakan input di perintah, Anda perlu menentukan nama input. Untuk menunjukkan variabel input, gunakan formulir ${{inputs.input_name}}. Contohnya, ${{inputs.wiki}}. Anda kemudian dapat merujuknya di perintah, misalnya, --data ${{inputs.wiki}}.
Memilih sumber daya komputasi
Langkah selanjutnya adalah memilih target komputasi tempat Anda ingin menjalankan pekerjaan Anda. Antarmuka pengguna pembuatan pekerjaan mendukung beberapa jenis komputasi:
| Jenis Komputasi | Pendahuluan |
|---|---|
| Hitung intance | Apa yang dimaksud dengan instans komputasi Azure Machine Learning? |
| Kluster komputasi | Apa itu kluster komputasi? |
| Komputasi Terlampir (Kluster Kubernetes) | Mengonfigurasi dan melampirkan kluster Kubernetes di mana pun (pratinjau). |
- Memilih jenis komputasi
- Pilih sumber daya komputasi yang ada. Dropdown menunjukkan informasi simpul dan jenis SKU yang akan membantu Anda memilih.
- Untuk kluster komputasi atau kluster Kube, Anda juga dapat menentukan berapa banyak simpul yang diinginkan untuk pekerjaan di Jumlah instans. Jumlah instance default adalah 1.
- Jika pilihan telah ditentukan, pilih Berikutnya.
Jika Anda menggunakan Azure Pembelajaran Mesin untuk pertama kalinya, Anda akan melihat daftar kosong dan tautan untuk membuat komputasi baru. Untuk informasi lebih lanjut tentang membuat berbagai jenis komputasi, lihat:
| Jenis Komputasi | Cara |
|---|---|
| Hitung intance | Membuat instans komputasi Azure Pembelajaran Mesin |
| Kluster komputasi | Membuat kluster komputasi Azure Pembelajaran Mesin |
| Kluster Kube yang terlampir | Melampirkan kluster Kube yang diaktifkan Azure Arc |
Menentukan lingkungan yang diperlukan
Setelah memilih target komputasi, Anda harus menentukan lingkungan runtime untuk pekerjaan Anda. Antarmuka pengguna pembuatan pekerjaan mendukung tiga jenis lingkungan:
- Lingkungan yang dikurasi
- Lingkungan kustom
- Gambar registri kontainer
Lingkungan yang dikurasi
Lingkungan yang dikumpulkan adalah kumpulan paket Python yang ditentukan oleh Azure yang digunakan dalam beban kerja ML umum. Lingkungan yang dikurasi tersedia di ruang kerja Anda secara default. Lingkungan tersebut didukung oleh gambar Docker yang di-cache, yang mengurangi overhead persiapan pekerjaan. Kartu yang ditampilkan di halaman "Lingkungan yang dikumpulkan" menunjukkan detail setiap lingkungan. Untuk mempelajari lebih lanjut, lihat lingkungan pilihan di Azure Machine Learning.
Lingkungan kustom
Lingkungan kustom adalah lingkungan yang Anda tentukan sendiri. Anda dapat menentukan lingkungan atau menggunakan kembali lingkungan yang sudah Anda buat. Untuk mempelajari selengkapnya, lihat Mengelola lingkungan perangkat lunak di studio Azure Machine Learning (pratinjau).
Gambar registri kontainer
Jika tidak ingin menggunakan lingkungan yang dikumpulkan Azure Machine Learning atau menentukan lingkungan kustom Anda sendiri, Anda dapat menggunakan gambar docker dari registri kontainer publik seperti Docker Hub.
Meninjau dan Membuat
Setelah Anda mengonfigurasi pekerjaan, pilih Berikutnya untuk masuk ke halaman Tinjau . Untuk mengubah pengaturan, pilih ikon pensil dan buat perubahan.
Untuk meluncurkan pekerjaan, pilih Kirim pekerjaan pelatihan. Setelah pekerjaan dibuat, Azure menunjukkan halaman detail pekerjaan, tempat Anda dapat memantau dan mengelola pekerjaan pelatihan Anda.
Cara mengonfigurasi email di studio
Untuk mulai menerima email saat pekerjaan, titik akhir online, atau titik akhir batch Anda selesai atau jika ada masalah (gagal, dibatalkan), gunakan langkah-langkah berikut:
- Di studio Azure ML, buka pengaturan dengan memilih ikon gigi.
- Pilih tab Pemberitahuan email.
- Alihkan untuk mengaktifkan atau menonaktifkan pemberitahuan email untuk peristiwa tertentu.
