Usare Azure Machine Learning Studio
È possibile usare Azure Machine Learning Studio, un portale basato su browser per la gestione delle risorse e dei processi di Machine Learning, per accedere a molti tipi di funzionalità di Machine Learning.
In Azure Machine Learning Studio è possibile, tra le altre cose:
- Importare ed esplorare i dati.
- Creare e usare le risorse di calcolo.
- Eseguire il codice nei notebook.
- Usare gli strumenti visivi per creare processi e pipeline.
- Usare Machine Learning automatizzato per eseguire il training dei modelli.
- Visualizzare i dettagli dei modelli sottoposti a training, incluse le metriche di valutazione, le informazioni di intelligenza artificiale responsabili e i parametri di training.
- Distribuire modelli addestrati per inferenza su richiesta e in batch.
- Importare e gestire modelli da un catalogo di modelli completo.
Configurazione delle risorse di Azure Machine Learning
La risorsa primaria necessaria per Azure Machine Learning è un'area di lavoro di Azure Machine Learning, di cui è possibile effettuare il provisioning in una sottoscrizione di Azure. Altre risorse di supporto, inclusi gli account di archiviazione, i registri contenitori, le macchine virtuali e altri vengono creati automaticamente in base alle esigenze. È possibile creare un'area di lavoro di Azure Machine Learning nel portale di Azure.
Scegliere tra le opzioni di calcolo
Quando si usa Azure Machine Learning per eseguire il training di un modello, è necessario selezionare calcolo. Il calcolo si riferisce alle risorse di calcolo necessarie per eseguire il processo di training. Ogni volta che si esegue il training di un modello, è necessario monitorare il tempo necessario per eseguire il training del modello e la quantità di calcolo usata per eseguire il codice. Monitorando l'utilizzo delle risorse di calcolo, si sa se aumentare o ridurre le prestazioni di calcolo.
Quando si sceglie di usare Azure invece di eseguire il training di un modello in un dispositivo locale, si ha accesso a opzioni di calcolo scalabili e convenienti.
| Opzioni di calcolo | Considerazioni |
|---|---|
| Unità di elaborazione centrale (CPU) o un'unità di elaborazione grafica (GPU) | Per set di dati tabulari più piccoli, una CPU è sufficiente e conveniente. Per dati non strutturati come immagini o testo, le GPU sono più potenti ed efficienti. È anche possibile usare le GPU per set di dati tabulari di dimensioni più grandi, laddove il calcolo della CPU risulti insufficiente. |
| Utilizzo generico o ottimizzato per la memoria | Usare l'utilizzo generico per avere un rapporto bilanciato tra CPU e memoria, ideale per il test e lo sviluppo con set di dati più piccoli. Usare ottimizzato per la memoria per avere un rapporto elevato tra memoria e CPU. Ideale per l'analisi in memoria, ideale quando si hanno set di dati di dimensioni maggiori o quando si lavora nei notebook. |
Stabilire quali opzioni di calcolo sono più adatte alle proprie esigenze comporta spesso un processo di prove ed errori. Quando si esegue il codice, si dovrebbe monitorare l'utilizzo delle risorse di calcolo per comprendere la quantità di risorse di calcolo in uso. Se il training del modello richiede troppo tempo, anche con le dimensioni di calcolo maggiori, è possibile usare GPU anziché CPU. In alternativa, è possibile scegliere di distribuire il training del modello usando l'ambiente di calcolo Spark che richiede di riscrivere gli script di training.
Machine Learning automatizzato di Azure
Quando si usano le funzionalità di Machine Learning automatizzate di Azure Machine Learning, viene assegnato automaticamente il calcolo. Azure Automated Machine Learning automatizza le attività iterative e dispendiose in termini di tempo dello sviluppo di modelli di Machine Learning.
In Azure Machine Learning Studio è possibile usare Machine Learning automatizzato per progettare ed eseguire esperimenti di training con gli stessi passaggi descritti in questo modulo, senza dover scrivere codice. Machine Learning automatizzato di Azure offre una procedura guidata dettagliata che consente di eseguire processi di training di Machine Learning. Il training automatizzato può essere usato per molte attività di Machine Learning, tra cui regressione, previsione di serie temporali, classificazione, visione artificiale e attività di elaborazione del linguaggio naturale. All'interno di AutoML è possibile accedere ai propri set di dati. I modelli di machine learning addestrati possono essere distribuiti in qualità di servizi.
Verranno ora esaminate le opzioni di distribuzione del modello.