Azure Machine Learning(SDK v1)을 사용하여 대규모 scikit-learn 모델 학습
적용 대상:
Python SDK azureml v1
이 문서에서는 Azure Machine Learning을 사용하여 scikit-learn 학습 스크립트를 실행하는 방법을 알아봅니다.
이 문서의 예제 스크립트는 scikit-learn의 붓꽃 데이터 세트에 따라 기계 학습 모델을 빌드하도록 붓꽃 이미지를 분류하는 데 사용됩니다.
처음부터 기계 학습 scikit-learn 모델을 학습시키는지 또는 기존 모델을 클라우드로 가져오는지에 관계없이 Azure Machine Learning을 사용하여 탄력적 클라우드 컴퓨팅 리소스를 사용해 오픈 소스 학습 작업을 스케일 아웃할 수 있습니다. Azure Machine Learning을 사용하여 프로덕션 등급 모델을 빌드, 배포, 버전 관리 및 모니터링할 수 있습니다.
필수 구성 요소
Azure Machine Learning 컴퓨팅 인스턴스 또는 사용자 고유의 Jupyter Notebook에서 이 코드를 실행할 수 있습니다.
Azure Machine Learning 컴퓨팅 인스턴스
- 빠른 시작: Azure Machine Learning 시작을 완료해서 컴퓨팅 인스턴스를 만듭니다. 모든 컴퓨팅 인스턴스에는 SDK 및 Notebook 샘플 리포지토리가 미리 로드된 전용 Notebook 서버가 포함됩니다.
- Azure Machine Learning 스튜디오에서 Notebook 탭을 선택합니다. 학습 샘플 디렉터리에서 how-to-use-azureml > ml-frameworks > scikit-learn > train-hyperparameter-tune-deploy-with-sklearn 폴더로 이동하여 완성된 확장 Notebook을 찾습니다.
- 샘플 학습 폴더에서 미리 채워진 코드를 사용하여 이 자습서를 완료할 수 있습니다.
Jupyter Notebook 서버를 만들고 다음 섹션의 코드를 실행합니다.
- Azure Machine Learning SDK(>= 1.13.0)를 설치합니다.
- 작업 영역 구성 파일을 만듭니다.
실험 설정
이 섹션에서는 필요한 Python 패키지를 로드하고, 작업 영역을 초기화하고, 학습 환경을 정의하고, 학습 스크립트를 준비하여 학습 실험을 설정합니다.
작업 영역 초기화
Azure Machine Learning 작업 영역은 서비스의 최상위 리소스입니다. 사용자가 만드는 모든 아티팩트를 사용할 수 있는 중앙 집중식 환경을 제공합니다. Python SDK에서 workspace 개체를 만들어 작업 영역 아티팩트에 액세스할 수 있습니다.
사전 요구 사항 섹션에서 만든 config.json 파일에서 작업 영역 개체를 만듭니다.
from azureml.core import Workspace
ws = Workspace.from_config()
스크립트 준비
이 자습서에서 학습 스크립트 train_iris.py는 이미 자동으로 제공되었습니다. 실제로 사용자 지정 학습 스크립트를 있는 그대로 사용하여 코드를 수정하지 않고도 Azure Machine Learning에서 실행할 수 있어야 합니다.
참고
- 제공된 학습 스크립트에서는 스크립트 내
Run개체를 사용하여 일부 메트릭을 Azure Machine Learning 실행에 로깅하는 방법을 보여 줍니다. - 제공된 학습 스크립트에서는
iris = datasets.load_iris()함수의 예 데이터를 사용합니다. 고유한 데이터를 사용하고 액세스하려면 데이터 세트를 사용하여 학습하는 방법을 참조하여 데이터를 학습 중에 사용 가능하도록 만듭니다.
환경 정의
학습 스크립트의 종속성을 캡슐화하는 Azure Machine Learning 환경을 정의하려면 사용자 지정 환경을 정의하거나 Azure Machine Learning 큐레이팅된 환경을 사용할 수 있습니다.
큐레이팅된 환경 사용
필요에 따라 사용자 고유의 환경을 정의하지 않으려는 경우 Azure Machine Learning에서 미리 빌드된 큐레이팅된 환경을 제공합니다.
큐레이팅된 환경을 사용하려면 다음 명령을 대신 실행하면 됩니다.
from azureml.core import Environment
sklearn_env = Environment.get(workspace=ws, name='AzureML-Tutorial')
사용자 지정 환경 만들기
사용자 지정 환경을 만들 수도 있습니다. YAML 파일에 conda 종속성을 정의합니다. 다음 예제에서 파일 이름은 conda_dependencies.yml입니다.
dependencies:
- python=3.7
- scikit-learn
- numpy
- pip:
- azureml-defaults
이 conda 환경 사양에서 Azure Machine Learning 환경을 만듭니다. 환경은 런타임에 Docker 컨테이너로 패키지화됩니다.
from azureml.core import Environment
sklearn_env = Environment.from_conda_specification(name='sklearn-env', file_path='conda_dependencies.yml')
환경을 만들고 사용하는 방법에 대한 자세한 내용은 Azure Machine Learning에서 소프트웨어 환경 만들기 및 사용을 참조하세요.
학습 실행 구성 및 제출
ScriptRunConfig 만들기
ScriptRunConfig 개체를 만들어 학습 스크립트, 사용할 환경 및 실행할 컴퓨팅 대상 등 학습 작업의 구성 세부 정보를 지정합니다.
arguments 매개 변수에 지정되면 학습 스크립트에 대한 모든 인수가 명령줄을 통해 전달됩니다.
다음 코드는 작업이 로컬 컴퓨터에서 실행될 수 있도록 제출하는 ScriptRunConfig 개체를 구성합니다.
from azureml.core import ScriptRunConfig
src = ScriptRunConfig(source_directory='.',
script='train_iris.py',
arguments=['--kernel', 'linear', '--penalty', 1.0],
environment=sklearn_env)
대신 작업을 원격 클러스터에서 실행하려면 원하는 컴퓨팅 대상을 ScriptRunConfig의 compute_target 매개 변수로 지정하면 됩니다.
from azureml.core import ScriptRunConfig
compute_target = ws.compute_targets['<my-cluster-name>']
src = ScriptRunConfig(source_directory='.',
script='train_iris.py',
arguments=['--kernel', 'linear', '--penalty', 1.0],
compute_target=compute_target,
environment=sklearn_env)
실행 제출
from azureml.core import Experiment
run = Experiment(ws,'Tutorial-TrainIRIS').submit(src)
run.wait_for_completion(show_output=True)
경고
Azure Machine Learning는 전체 원본 디렉터리를 복사하여 학습 스크립트를 실행합니다. 업로드하지 않으려는 중요한 데이터가 있는 경우 .ignore 파일을 사용하거나 데이터를 원본 디렉터리에 포함하지 마세요. 대신 Azure Machine Learning 데이터 세트를 사용하여 데이터에 액세스합니다.
Run을 실행하는 중에 수행되는 작업
Run이 실행되면 다음 단계를 거칩니다.
준비: 정의된 환경에 따라 Docker 이미지가 생성됩니다. 이미지는 작업 영역의 컨테이너 레지스트리에 업로드되고 나중에 실행될 수 있도록 캐시됩니다. 또한 로그는 실행 기록으로 스트리밍되며 진행 상황을 모니터링할 수 있도록 표시됩니다. 큐레이팅된 환경이 대신 지정되면 해당 큐레이팅된 환경을 지원하는 캐시된 이미지가 사용됩니다.
스케일링: Batch AI 클러스터에서 Run을 실행하는 데 현재 사용할 수 있는 노드보다 더 많은 노드가 필요한 경우 클러스터에서 스케일 업을 시도합니다.
실행: 스크립트 폴더의 모든 스크립트가 컴퓨팅 대상으로 업로드되고, 데이터 저장소가 탑재되거나 복사되며,
script가 실행됩니다. stdout 및 ./logs 폴더의 출력은 실행 기록으로 스트리밍되며 Run을 모니터링하는 데 사용될 수 있습니다.후 처리: Run의 ./outputs 폴더가 실행 기록에 복사됩니다.
모델 저장 및 등록
모델을 학습한 후에는 작업 영역에 저장하고 등록할 수 있습니다. 모델 등록을 사용하면 모델을 작업 영역에 저장하고 버전을 지정하여 모델 관리 및 배포를 간소화할 수 있습니다.
다음 코드를 학습 스크립트 train_iris.py에 추가하여 모델을 저장합니다.
import joblib
joblib.dump(svm_model_linear, 'model.joblib')
다음 코드를 사용하여 모델을 작업 영역에 등록합니다. 매개 변수 model_framework, model_framework_version 및 resource_configuration을 지정하면 코드가 없는 모델 배포를 사용할 수 있게 됩니다. 코드가 없는 모델 배포를 사용하면 모델을 등록된 모델에서 웹 서비스로 직접 배포할 수 있으며 ResourceConfiguration 개체는 웹 서비스의 컴퓨팅 리소스를 정의합니다.
from azureml.core import Model
from azureml.core.resource_configuration import ResourceConfiguration
model = run.register_model(model_name='sklearn-iris',
model_path='outputs/model.joblib',
model_framework=Model.Framework.SCIKITLEARN,
model_framework_version='0.19.1',
resource_configuration=ResourceConfiguration(cpu=1, memory_in_gb=0.5))
배포
방금 등록한 모델을 Azure Machine Learning에 등록된 다른 모델과 정확하게 동일한 방식으로 배포할 수 있습니다. 배포 방법에는 모델 등록에 대한 섹션이 포함되어 있지만 이미 등록된 모델이 있으므로 배포에 대한 [컴퓨팅 대상 만들기how-to-deploy-and-where.md#choose-a-compute-target)로 직접 건너뛸 수 있습니다.
(미리 보기) 코드가 없는 모델 배포
중요
이 기능은 현재 공개 미리 보기로 제공됩니다. 이 미리 보기 버전은 서비스 수준 계약 없이 제공되며 프로덕션 워크로드에는 사용하지 않는 것이 좋습니다. 특정 기능이 지원되지 않거나 기능이 제한될 수 있습니다. 자세한 내용은 Microsoft Azure Preview에 대한 추가 사용 약관을 참조하세요.
기존 배포 경로 대신 scikit-learn에 코드가 없는 배포 기능(미리 보기)을 사용할 수도 있습니다. 코드가 없는 모델 배포는 기본 제공되는 모든 scikit-learn 모델 형식에 지원됩니다. model_framework, model_framework_version, resource_configuration 매개 변수를 사용하여 위와 같이 모델을 등록하면 간단히 deploy() 정적 함수를 사용하여 모델을 배포할 수 있습니다.
web_service = Model.deploy(ws, "scikit-learn-service", [model])
참고
이러한 종속성은 사전에 빌드된 scikit-learn 유추 컨테이너에 포함되어 있습니다.
- azureml-defaults
- inference-schema[numpy-support]
- scikit-learn
- numpy
전체 사용 방법에서는 Azure Machine Learning에서 배포를 자세히 다룹니다.
다음 단계
이 문서에서 scikit-learn 모델을 학습시키고 등록했으며 배포 옵션에 대해 알아봤습니다. Azure Machine Learning에 대한 자세한 내용은 다음 문서를 참조하세요.