Mengirimkan pekerjaan pelatihan di Studio Azure Machine Learning

Anda dapat membuat job pelatihan di Azure Machine Learning dengan berbagai cara. Anda dapat melatih model dengan menggunakan Azure CLI, REST API, atau Anda dapat menggunakan UI studio untuk langsung membuat pekerjaan pelatihan.

Dalam artikel ini, Anda mempelajari cara menggunakan data dan kode Anda sendiri untuk melatih model pembelajaran mesin dengan menggunakan pengalaman terpandu untuk mengirimkan pekerjaan pelatihan di Studio Azure Machine Learning.

Penting

Fitur ini saat ini dalam pratinjau publik. Versi pratinjau ini disediakan tanpa perjanjian tingkat layanan, dan kami tidak merekomendasikannya untuk beban kerja produksi. Fitur tertentu mungkin tidak didukung atau mungkin memiliki kemampuan terbatas.

Untuk informasi selengkapnya, lihat Ketentuan Penggunaan Tambahan untuk Pratinjau Microsoft Azure.

Prasyarat

  • Langganan Azure. Jika Anda tidak memiliki langganan Azure, buat akun Azure free.

  • Ruang kerja Azure Machine Learning. Untuk mempelajari caranya, lihat Membuat sumber daya ruang kerja.

  • Pemahaman mengenai apa yang dimaksud dengan 'training job' dalam Azure Machine Learning. Untuk mempelajari lebih lanjut, lihat cara melatih model.

Mulai sekarang!

  1. Masuk ke Studio Azure Machine Learning, lalu pilih langganan dan ruang kerja Anda.

  2. Masuk ke antarmuka pengguna untuk membuat tugas dari beranda. Pilih + Baru dan pilih Pekerjaan pelatihan.

    Screenshot yang memperlihatkan Studio Azure Machine Learning homepage.

  3. Pilih metode pelatihan Anda, lalu pilih Mulai mengonfigurasi pekerjaan untuk membuka formulir pengiriman.

    Screenshot yang memperlihatkan opsi metode pelatihan pada formulir pelatihan di Azure Machine Learning Studio.

    Bagian berikutnya menelusuri formulir dengan langkah-langkah untuk menjalankan skrip pelatihan kustom (pekerjaan perintah).

Mengonfigurasi pengaturan dasar

Konfigurasikan informasi dasar tentang pekerjaan pelatihan Anda. Anda dapat melanjutkan ke halaman berikutnya jika Anda puas dengan default, atau membuat perubahan berdasarkan preferensi yang Anda inginkan.

Cuplikan layar yang memperlihatkan formulir pengaturan dasar untuk pekerjaan pelatihan.

Bidang berikut ini tersedia:

Bidang Deskripsi
Nama pekerjaan Gunakan nama pekerjaan untuk mengidentifikasi pekerjaan Anda secara unik. Nama tampilan juga digunakan sebagai nama untuk jabatan Anda.
Nama percobaan Atur pekerjaan di Studio Azure Machine Learning. Setiap catatan pelaksanaan pekerjaan diorganisir di bawah eksperimen terkait di tab Experiment studio. Secara default, Azure menempatkan pekerjaan dalam eksperimen Default.
Deskripsi Tambahkan beberapa teks yang menjelaskan pekerjaan Anda, jika diinginkan.
Jeda Waktu Tentukan jumlah jam yang diizinkan untuk dijalankan oleh seluruh pekerjaan pelatihan. Setelah batas ini tercapai, sistem membatalkan pekerjaan termasuk pekerjaan anak apa pun.
Tagar Tambahkan tag untuk membantu mengatur pekerjaan Anda.

Mengunggah skrip pelatihan

Pada halaman berikutnya, unggah kode sumber Anda. Konfigurasikan input atau output apa pun yang diperlukan untuk menjalankan pekerjaan pelatihan, dan tentukan perintah untuk menjalankan skrip pelatihan Anda.

Anda dapat menggunakan file kode atau folder dari penyimpanan blob default komputer lokal atau ruang kerja Anda. Azure memperlihatkan file yang akan diunggah setelah Anda membuat pilihan.

Bidang Deskripsi
Kode File atau folder dari penyimpanan blob default di komputer lokal atau lingkungan kerja Anda sebagai skrip untuk pelatihan Anda. Studio menampilkan file yang akan diunggah setelah Anda membuat pilihan.
Masukan Tentukan input sebanyak yang diperlukan dari jenis data berikut: bilangan bulat, angka, boolean, string.
Perintah Perintah untuk dijalankan. Argumen baris perintah dapat ditulis secara eksplisit ke dalam perintah atau disimpulkan dari bagian lain, khususnya input menggunakan notasi kurung kurawal, seperti yang dibahas di bagian berikutnya.

Kode

Jalankan perintah dari direktori akar folder kode yang diunggah. Setelah memilih file atau folder kode, Anda dapat melihat file yang akan diunggah. Salin jalur relatif ke kode yang berisi titik masuk Anda dan tempelkan ke dalam kotak Masukkan perintah untuk memulai pekerjaan .

Jika kode berada di direktori akar, Anda dapat langsung merujuknya dalam perintah. Misalnya, python main.py.

Jika kode tidak ada di direktori akar, gunakan jalur relatif. Misalnya, struktur model bahasa word 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).

Cuplikan layar file yang akan diunggah dalam formulir pengiriman pekerjaan pelatihan.

Masukan

Saat Anda menggunakan input dalam perintah, tentukan nama input. Untuk menunjukkan variabel input, gunakan formulir ${{inputs.input_name}}. Contohnya, ${{inputs.wiki}}. Anda kemudian dapat merujuknya dalam perintah, seperti --data ${{inputs.wiki}}.

Cuplikan layar yang memperlihatkan variabel input dalam formulir pengiriman pekerjaan pelatihan.

Pilih sumber daya komputasi

Pada halaman berikutnya, pilih target komputasi tempat Anda ingin menjalankan pekerjaan Anda. UI pembuatan pekerjaan mendukung beberapa jenis komputasi:

Jenis komputasi Pendahuluan
Serverless Pelatihan model pada komputasi tanpa server
Instans komputer Apa itu instans komputasi Azure Machine Learning?
Kluster komputasi Apa itu kluster komputasi?
Kluster Kubernetes terlampir Mengonfigurasi dan melampirkan kluster Kubernetes di mana saja

  1. Pilih jenis komputasi.

  2. Pilih sumber daya komputasi yang ada. Dropdown menunjukkan informasi node dan jenis SKU untuk membantu pilihan Anda.

  3. Untuk kluster komputasi atau kluster Kubernetes, Anda juga dapat menentukan berapa banyak simpul yang Anda inginkan untuk pekerjaan dalam jumlah Instans. Jumlah instans standar adalah 1.

  4. Saat Anda puas dengan pilihan Anda, pilih Berikutnya.

Jika Anda menggunakan Azure Machine Learning untuk pertama kalinya, Anda akan melihat daftar kosong dan tautan untuk membuat komputasi baru. Untuk informasi selengkapnya tentang membuat berbagai jenis, lihat:

Jenis komputasi Bagaimana caranya
Serverless Menggunakan komputasi tanpa server untuk pelatihan
Instans komputer Buat instans komputasi Azure Machine Learning
Kluster komputasi Buat kluster komputasi di Azure Machine Learning
Kluster Kubernetes terlampir Tach kluster Kubernetes dengan dukungan Azure Arc

Tentukan lingkungan yang diperlukan

Setelah memilih target komputasi, tentukan lingkungan runtime untuk pekerjaan Anda. UI pembuatan pekerjaan mendukung tiga jenis lingkungan:

  • Lingkungan yang dikurasi
  • Lingkungan kustom
  • Gambar registri kontainer

Lingkungan yang dikurasi

Lingkungan yang disusun adalah kumpulan paket Python yang telah ditentukan oleh Azure, digunakan dalam pekerjaan beban kerja ML yang umum. Anda memiliki akses ke lingkungan yang sudah disiapkan di ruang kerja Anda secara default. Lingkungan ini menggunakan gambar Docker yang di-cache, yang mengurangi overhead persiapan pekerjaan. Kartu yang ditampilkan di halaman Lingkungan yang dikumpulkan menampilkan detail setiap lingkungan. Untuk mempelajari selengkapnya, lihat Azure Machine Learning Lingkungan Kurasi.

Cuplikan layar halaman pemilih lingkungan terkurasi memperlihatkan berbagai kartu lingkungan.

Lingkungan kustom

Lingkungan kustom adalah lingkungan yang Anda tentukan. Anda dapat menentukan lingkungan atau menggunakan kembali lingkungan yang sudah Anda buat. Untuk mempelajari selengkapnya, lihat Kelola lingkungan perangkat lunak di Studio Azure Machine Learning.

Gambar registri kontainer

Jika Anda tidak ingin menggunakan lingkungan yang dikumpulkan Azure Machine Learning atau menentukan lingkungan kustom Anda sendiri, gunakan gambar Docker dari registri kontainer publik seperti Docker Hub.

Tinjau dan buat

Setelah Anda mengonfigurasi pekerjaan, pilih Berikutnya untuk masuk ke halaman Tinjau . Untuk mengubah pengaturan, pilih ikon pensil dan buat perubahan.

Cuplikan layar yang memperlihatkan panel tinjauan untuk memvalidasi pilihan Anda sebelum pengiriman.

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:

  1. Di Azure ML studio, buka pengaturan dengan memilih ikon roda gigi.
  2. Pilih tab Pemberitahuan email .
  3. Alihkan untuk mengaktifkan atau menonaktifkan notifikasi email untuk acara spesifik.

Screenshot pengaturan pada tab pemberitahuan email di studio Azure ML.

Konten terkait

  • Last updated on