Esercizio - Eseguire il training di una rete neurale profonda

25 minuti

Fino a questo punto del modulo sono stati illustrati la teoria e i principi del Deep Learning con le reti neurali. Il modo migliore per imparare ad applicare questa teoria consiste nel creare effettivamente un modello di Deep Learning, operazione che verrà eseguita in questo esercizio.

Sono disponibili molti framework per il training delle reti neurali profonde e in questo esercizio è possibile andare alla scoperta di uno dei due framework di Deep Learning più diffusi per Python: PyTorch e TensorFlow (o di entrambi).

Prima di iniziare

Per completare l'esercizio, sarà necessario disporre di:

Una sottoscrizione di Microsoft Azure. Se non è ancora disponibile alcuna sottoscrizione, è possibile registrarsi per una valutazione gratuita all'indirizzo https://azure.microsoft.com/free.
Un'area di lavoro di Azure Machine Learning con un'istanza di ambiente di calcolo e il repository ml-basics clonato.

Nota

In questo modulo viene usata un'area di lavoro di Azure Machine Learning. Se si sta completando questo modulo in preparazione per la certificazione Azure Data Scientist, è consigliabile creare l'area di lavoro una sola volta e riutilizzarla in altri moduli. Dopo aver completato l'esercizio, assicurarsi di seguire le istruzioni nella sezione Pulizia per interrompere l'uso delle risorse di calcolo e conservare l'area di lavoro se si prevede di usarla nuovamente.

Creazione di un'area di lavoro di Azure Machine Learning

Se non si dispone ancora di un'area di lavoro di Azure Machine Learning nella sottoscrizione di Azure, seguire questa procedura per crearne una:

Accedere al portale di Azure usando l'account Microsoft associato alla sottoscrizione di Azure.
Nella home page di Azure, in Servizi di Azure selezionare Crea una risorsa. Viene visualizzato il riquadro Crea una risorsa.
Nella casella per la ricerca nei servizi e nel marketplace cercare e selezionare Machine Learning. Viene visualizzato il riquadro Azure Machine Learning.
Seleziona Crea. Viene visualizzato il riquadro Azure Machine Learning.

Nella scheda Informazioni di base immettere i valori indicati di seguito per ogni impostazione.

Impostazione	Valore
Dettagli del progetto
Abbonamento	Selezionare la sottoscrizione di Azure che si vuole usare per questo esercizio.
Gruppo di risorse	Selezionare il collegamento Crea nuovo e assegnare al nuovo gruppo di risorse un nome univoco, quindi selezionare OK.
Dettagli dell'area di lavoro
Nome dell'area di lavoro	Immettere un nome univoco per l'app. Usare ad esempio <nomeutente>-machinelearn.
Area	Nell'elenco a discesa selezionare una posizione disponibile.

Accettare tutte le altre impostazioni predefinite e selezionare Rivedi e crea.
Al termine della convalida selezionare Crea.

Attendere che la risorsa area di lavoro venga creata (potrebbero essere necessari alcuni minuti).
Al termine della distribuzione, selezionare Vai alla risorsa. Viene visualizzato il riquadro Machine Learning.
Selezionare Avvia Studio oppure passare a https://ml.azure.com e accedere usando l'account Microsoft. Viene visualizzata la pagina Microsoft Azure Machine Learning Studio.
Nello studio di Azure Machine Learning attivare l'icona ☰ in alto a sinistra per espandere o comprimere il riquadro del menu. Queste opzioni consentono di gestire le risorse nell'area di lavoro.

Creare un'istanza di ambiente di calcolo

Per eseguire il notebook usato in questo esercizio, sarà necessaria un'istanza di ambiente di calcolo nell'area di lavoro di Azure Machine Learning.

Nel riquadro dei menu a sinistra, in Gestione, selezionare Calcolo. Viene visualizzato il riquadro Calcolo.
Nella scheda Istanze di ambiente di calcolo, se si dispone già di un'istanza di ambiente di calcolo, avviarla; in caso contrario, creare una nuova istanza di ambiente di calcolo selezionando Nuovo. Viene visualizzato il riquadro Crea istanza di calcolo.
Immettere i valori seguenti per ogni impostazione:
- Nome dell'ambiente di calcolo: immettere un nome univoco
- Tipo di macchina virtuale: CPU
- Dimensioni della macchina virtuale: selezionare le opzioni consigliate, ossia Standard_DS11_v2
Seleziona Crea. Il riquadro Calcolo viene visualizzato nuovamente con l'istanza di calcolo elencata.
Attendere l'avvio dell'istanza di calcolo. L'operazione potrebbe richiedere qualche minuto. Nella colonna State l'istanza di calcolo verrà modificata in In esecuzione.

Clonare il repository ml-basics

I file usati in questo modulo e in altri moduli correlati sono pubblicati nel repository GitHub MicrosoftDocs/ml-basics. Se non è ancora stato fatto, seguire questa procedura per clonare il repository nell'area di lavoro di Azure Machine Learning:

Selezionare Aree di lavoro dal menu a sinistra dello studio di Azure Machine Learning e quindi selezionare l'area di lavoro creata dall'elenco.
Nell'intestazione Creazione a sinistra selezionare il collegamento Notebook per aprire Jupyter Notebook. Viene visualizzato il riquadro Notebook.
Selezionare il pulsante Terminale a destra. Viene visualizzata una shell del terminale.
Eseguire i comandi seguenti per impostare la directory corrente sulla directory Users e clonare il repository ml-basics, che contiene il notebook e i file che da usare in questo esercizio.
```
cd Users
git clone https://github.com/microsoftdocs/ml-basics
```
Dopo il completamento del comando e il checkout dei file, chiudere la scheda del terminale e visualizzare la home page nella finestra di esplorazione dei file di Jupyter Notebook.
Aprire la cartella Utenti, che dovrebbe contenere una cartella ml-basics con i file da usare in questo modulo.

Nota

Per questo esercizio è consigliabile usare Jupyter in un'area di lavoro di Azure Machine Learning. Questa configurazione garantisce che siano installati la versione corretta di Python e i vari pacchetti necessari. Dopo aver creato l'area di lavoro una volta, è possibile riutilizzarla in altri moduli. Se si preferisce completare l'esercizio in un ambiente Python nel computer in uso, è possibile farlo. Per informazioni dettagliate per la configurazione di un ambiente di sviluppo locale che usa Visual Studio Code, vedere Esecuzione dei lab nel proprio computer. Si tenga presente che se si sceglie di procedere in questo modo, le istruzioni dell'esercizio potrebbero non corrispondere all'interfaccia utente dei notebook.

Eseguire il training di un modello di rete neurale profonda

Dopo aver creato un ambiente Jupyter e aver clonato il repository ml-basics, si è pronti per andare alla scoperta del Deep Learning.

In Jupyter, nella cartella ml-basics, aprire il notebook Deep Neural Networks (PyTorch).ipynb oppure Deep Neural Networks (Tensorflow).ipynb, a seconda del framework che si preferisce, e seguire le istruzioni contenute.
Al termine, chiudere e arrestare tutti i notebook.