モデル ビルダーの Azure トレーニング リソース

次に、Azure でモデル ビルダーを使用してモデルをトレーニングするときに、使用できるリソースを説明します。

Azure Machine Learning の実験とは

Azure Machine Learning の実験とは、Azure でモデル ビルダーのトレーニングを実行する前に作成する必要があるリソースです。

実験には、1 回以上の機械学習のトレーニングの実行の構成と結果がカプセル化されます。 実験は特定のワークスペースに属します。 ワークスペースの名前は、実験の初回作成時に登録されます。 それ以降同じ実験名を使用した場合、実行は同じ実験の一部としてログに記録されます。 そうでない場合は、新しい実験が作成されます。

Azure Machine Learning ワークスペースとは

ワークスペースとは、トレーニングの実行の一貫で作成された Azure Machine Learning のすべてのリソースと成果物の一元的な場所である Azure Machine Learning のリソースです。

Azure Machine Learning ワークスペースの作成には、次が必要です。

• 名前:3 から 33 文字のお使いのワークスペースの名前。 名前には、英数字とハイフンのみを使用できます。
• リージョン:お使いのワークスペースとリソースがデプロイされているデータ センターの地理的な場所。 ご自分またはお客様に近い場所を選択することをお勧めします。
• リソース グループ: Azure ソリューションの関連するリソースをすべて保持するコンテナー。

Azure Machine Learning コンピューティングとは

Azure Machine Learning コンピューティングとは、トレーニングに使用するクラウドベースの Linux VM です。

Azure Machine Learning コンピューティングの作成には、次が必要です。

• 名前:2 から 16 文字のお使いのコンピューティングの名前。 名前には、英数字とハイフンのみを使用できます。

• コンピューティング サイズ

  モデル ビルダーでは、GPU に最適化された次のいずれかのコンピューティングの種類を使用できます。

  サイズ	vCPU	メモリ:GiB	一時ストレージ (SSD) GiB	GPU	GPU のメモリ: GiB	最大データ ディスク数	最大 NIC 数
  Standard_NC12	12	112	680	2	24	48	2
  Standard_NC24	24	224	1440	4	48	64	4

  GPU に最適化されたコンピューティングの種類の詳細については、NC シリーズの Linux VM のドキュメントに関するページを参照してください。

• コンピューティングの優先度

  • 低優先度:実行時間の短いタスクに適しています。 中断や、可用性が失われることによる影響を受ける可能性があります。 Azure の余剰容量を利用するため、通常はコストが低くなります。
  • 専用:どのような実行時間のタスクにも適していますが、特に長時間実行されるジョブに適しています。 中断や、可用性が失われることによる影響を受けません。 タスクのために、Azure に専用のコンピューティング リソースのセットを予約するため、通常はコストが高くなります。

トレーニング

Azure でのトレーニングは、モデル ビルダーの画像分類のシナリオのみを用意しています。 これらのモデルのトレーニングに使用されるアルゴリズムは、ResNet50 アーキテクチャに基づくディープ ニューラル ネットワークです。 トレーニングには時間がかかり、この時間は選択したコンピューティングのサイズやデータ量によって変わります。 Visual Studio で [Monitor current run in Azure portal]\(Azure portal で現在の実行の監視\) リンクを選択すると、ご自分の実行の進行状況を追跡できます。

結果

トレーニングが完了すると、次のサフィックスが使用された 2 つのプロジェクトがお使いのソリューションに追加されます。

• ConsoleApp: 予測パイプラインを構築して予測を行うスターター コードを提供する C# コンソール アプリ。

• モデル: 入力モデルと出力モデル データのスキーマと、次の資産を定義するデータ モデルを含む C# .NET Standard アプリ。

  • bestModel.onnx:モデルの Open Neural Network Exchange (ONNX) 形式でのシリアル化されたバージョン。 ONNX は、ML.NET、PyTorch、および TensorFlow などのフレームワーク間で相互運用を可能にする、オープンソースの AI モデル用の形式です。
  • bestModelMap.json:モデルの出力をテキストのカテゴリにマップする、予測に使用するカテゴリの一覧。
  • MLModel.zip:bestModelMap.json ファイルを使用して予測を行い、出力をマップする、モデル bestModel.onnx のシリアル化されたバージョンを使用する ML.NET 予測パイプラインのシリアル化されたバージョン。

機械学習モデルの使用

モデル プロジェクトの ModelInput クラスと ModelOutput クラスでは、モデルで期待される入力と出力のスキーマをそれぞれ定義します。

ModelInput には、画像の分類シナリオの場合、2 つ列があります。

• ImageSource:文字列での画像の場所のパス。
• Label:画像が属する実際のカテゴリです。 Label は、トレーニング時に入力としてのみ使用され、予測を行うときに指定する必要はありません。

ModelOutput には、列が 2 つあります。

• Prediction:画像の予想されるカテゴリ。
• Score:すべてのカテゴリの可能性の一覧 (最高値は Prediction)。

トラブルシューティング

コンピューティングを作成できない

Azure Machine Learning でコンピューティングの作成中にエラーが発生した場合、エラー状態でコンピューティング リソースが存在し続ける場合があります。 同じ名前でコンピューティング リソースを再作成しようとすると、その操作は失敗します。 このエラーを修正するには、次のいずれかを実行します。

• 新しいコンピューティングを別名で作成します
• Azure portal に移動し、元のコンピューティング リソースを削除します