Batch AI 서비스를 사용하여 처음 시작하는 경우 사용 가능한 Batch AI 리소스를 알아볼 수 있습니다. 다른 Azure 서비스와 마찬가지로, 하나 이상의 Azure 리소스 그룹에 Batch AI 리소스를 만듭니다. 리소스 그룹에 하나 이상의 Batch AI 작업 영역을 만듭니다. 각 작업 영역에는 Batch AI 클러스터, 파일 서버 및 실험이 혼합되어 있습니다. Batch AI 실험은 작업 그룹을 캡슐화합니다.
다음 이미지는 Batch AI에 대한 리소스 계층의 예를 보여 줍니다.
다음 섹션에서는 Batch AI 리소스에 대해 자세히 설명합니다.
작업 영역
Batch AI의 작업 영역은 나머지 Batch AI 리소스의 최상위 컬렉션입니다. 작업 영역은 다른 그룹이나 프로젝트에 속한 작업을 구분하는 데 도움이 됩니다. 예를 들어 테스트 작업 영역을 만들 수 있습니다.
클러스터
Batch AI의 클러스터에는 작업을 실행하기 위한 컴퓨팅 리소스가 포함되어 있습니다. 클러스터의 모든 노드에는 동일한 VM 크기 및 OS 이미지가 있습니다. Batch AI는 다양한 요구에 맞게 사용자 지정된 클러스터를 만들 수 있도록 여러 옵션을 제공합니다. 일반적으로 프로젝트를 완료하는 데 필요한 처리 성능의 범주마다 다른 클러스터를 설정합니다. 수요와 예산에 따라 Batch AI 클러스터의 규모를 확장 또는 축소합니다. 자세한 내용은 Batch AI 클러스터로 작업을 참조하세요.
파일 서버
선택적으로 Batch AI에 파일 서버를 만들어 데이터, 교육 스크립트 및 출력 로그를 저장합니다. Batch AI 파일 서버는 중앙에서 쉽게 액세스할 수 있는 작업용 스토리지 위치를 제공하기 위해 클러스터 노드에 자동으로 탑재될 수 있는 관리 단일 노드 NFS입니다. 대부분의 경우 하나의 작업 영역에는 하나의 파일 서버만 필요하며, 학습 작업용 데이터는 다른 디렉터리로 구분할 수 있습니다. NFS가 워크로드에 적합하지 않은 경우 Batch AI는 Azure Storage 또는 사용자 지정 솔루션(예: Gluster 또는 Lustre 파일 시스템)을 비롯한 다른 스토리지 옵션을 지원합니다.
실험
실험은 쿼리하고 함께 관리하는 관련 작업 컬렉션을 그룹화합니다. 각 작업 영역에는 여러 실험이 있을 수 있으며 각 실험에서 특정 문제를 해결하려고 시도합니다.
작업
작업은 실행해야 할 단일 작업 또는 스크립트(예: Deep Learning 모델을 교육하는 경우)입니다. 각 작업은 작업 영역의 한 클러스터에서 특정 스크립트를 실행합니다. (스크립트는 Batch AI 파일 서버 또는 기타 스토리지 솔루션에 저장될 수 있습니다.) 각 Batch AI 작업에는 TensorFlow, Horovod, CNTK, Caffe, Caffe2, pyTorch, Chainer, 사용자 지정 MPI 또는 사용자 지정과 같은 프레임워크 유형이 연결되어 있습니다. 각 프레임워크에 대해 Batch AI 서비스는 필요한 인프라를 설정하고 작업 프로세스를 관리합니다. 각 실험에는 다른 매개 변수에 대한 몇 가지 변경 사항을 제외하고는 유사한 여러 작업이 있을 수 있습니다.
다음 단계
첫 번째 Batch AI 교육 작업을 실행합니다.
다양한 프레임워크에 대한 샘플 교육 레시피를 살펴봅니다.