Quickstart: Werkruimteresources maken die u nodig hebt om aan de slag te gaan met Azure Machine Learning

In deze quickstart maakt u een werkruimte en voegt u vervolgens rekenresources toe aan de werkruimte. Vervolgens hebt u alles wat u nodig hebt om aan de slag te gaan met Azure Machine Learning.

De werkruimte is de resource op het hoogste niveau voor uw machine learning-activiteiten en biedt een centrale locatie voor het weergeven en beheren van de artefacten die u maakt wanneer u Azure Machine Learning gebruikt. De rekenresources bieden een vooraf geconfigureerde cloudomgeving die u kunt gebruiken voor het trainen, implementeren, automatiseren, beheren en bijhouden van machine learning-modellen.

Vereisten

De werkruimte maken

Als u al een werkruimte hebt, slaat u deze sectie over en gaat u verder met Een rekenproces maken.

Als u nog geen werkruimte hebt, maakt u er nu een:

  1. Aanmelden bij Azure Machine Learning-studio

  2. Selecteer Werkruimte maken

  3. Geef de volgende gegevens op om uw nieuwe werkruimte te configureren:

    Veld Beschrijving
    Werkruimtenaam Voer een unieke naam in die uw werkruimte aanduidt. Namen moeten uniek zijn binnen de resourcegroep. Gebruik een naam die gemakkelijk te onthouden is en te onderscheiden is van door anderen gemaakte werkruimten. De naam van de werkruimte is niet hoofdlettergevoelig.
    Abonnement Selecteer het Azure-abonnement dat u wilt gebruiken.
    Resourcegroep Gebruik een bestaande resourcegroep in uw abonnement of voer een naam in om een nieuwe resourcegroep te maken. Een resourcegroep bevat gerelateerde resources voor een Azure-oplossing. U hebt de rol Inzender of Eigenaar nodig om een bestaande resourcegroep te gebruiken. Zie Toegang tot een Azure Machine Learning-werkruimte beheren voor meer informatie over toegang.
    Regio Selecteer de Azure-regio die het dichtst bij uw gebruikers ligt en de gegevensresources om uw werkruimte te maken.
  4. Selecteer Maken om de werkruimte te maken

Notitie

Hiermee maakt u een werkruimte samen met alle vereiste resources. Als u resources, zoals opslagaccount, Azure Container Registry, Azure KeyVault of Application Insights, opnieuw wilt gebruiken, gebruikt u in plaats daarvan de Azure Portal.

Rekenproces maken

U kunt Azure Machine Learning op uw eigen computer installeren. Maar in deze quickstart maakt u een online rekenresource waarop al een ontwikkelomgeving is geïnstalleerd en die klaar is voor gebruik. U gebruikt deze onlinecomputer, een rekenproces, voor uw ontwikkelomgeving om code te schrijven en uit te voeren in Python-scripts en Jupyter-notebooks.

Maak een rekenproces om deze ontwikkelomgeving te gebruiken voor de rest van de zelfstudies en quickstarts.

  1. Als u in de vorige sectie niet alleen een werkruimte hebt gemaakt, meldt u zich aan bij Azure Machine Learning-studio nu en selecteert u uw werkruimte.

  2. Selecteer aan de linkerkant Compute.

    Schermopname: toont de sectie Compute aan de linkerkant van het scherm.

  3. Selecteer +Nieuw om een nieuw rekenproces te maken.

  4. Geef een naam op, Behoud alle standaardinstellingen op de eerste pagina.

  5. Selecteer Maken.

Over ongeveer twee minuten ziet u dat de status van het rekenproces wordt gewijzigd van Maken in Actief. Het is nu klaar om te gaan.

Rekenclusters maken

Vervolgens maakt u een rekencluster. U verzendt code naar dit cluster om uw trainings- of batchdeductieprocessen te verdelen over een cluster van CPU- of GPU-rekenknooppunten in de cloud.

Maak een rekencluster dat automatisch wordt geschaald tussen nul en vier knooppunten:

  1. Nog steeds in de sectie Compute , op het bovenste tabblad, selecteert u Rekenclusters.
  2. Selecteer +Nieuw om een nieuw rekencluster te maken.
  3. Behoud alle standaardwaarden op de eerste pagina en selecteer Volgende. Als u geen beschikbare rekenkracht ziet, moet u een quotumverhoging aanvragen. Meer informatie over het beheren en verhogen van quota.
  4. Geef het cluster de naam cpu-cluster. Als deze naam al bestaat, voegt u uw initialen toe aan de naam om deze uniek te maken.
  5. Laat minimum aantal knooppunten op 0 staan.
  6. Wijzig indien mogelijk maximum aantal knooppunten in 4. Afhankelijk van uw instellingen is er mogelijk een kleinere limiet.
  7. Wijzig de niet-actieve seconden voordat u omlaag schaalt naar 2400.
  8. Laat de overige standaardwaarden staan en selecteer Maken.

Binnen een minuut verandert de status van het cluster van Maken in Geslaagd. De lijst bevat het ingerichte rekencluster, samen met het aantal niet-actieve knooppunten, bezet knooppunten en niet-ingerichte knooppunten. Omdat u het cluster nog niet hebt gebruikt, zijn alle knooppunten momenteel niet ingericht.

Notitie

Wanneer de cluster is gemaakt, zijn er 0 knooppunten ingericht. Voor de worden cluster geen kosten in rekening gebracht totdat u een taak verzendt. Dit cluster wordt omlaag geschaald wanneer het gedurende 2,400 seconden inactief is geweest (40 minuten). Dit geeft u de tijd om het te gebruiken in een paar zelfstudies als u wilt zonder te wachten totdat het weer omhoog wordt geschaald.

Korte rondleiding door de studio

De studio is uw webportal voor Azure Machine Learning. Deze portal combineert ervaringen zonder code en code-first voor een inclusief data science-platform.

Bekijk de onderdelen van de studio op de linkernavigatiebalk:

  • De sectie Auteur van de studio bevat meerdere manieren om aan de slag te gaan met het maken van machine learning-modellen. U kunt:

    • Met de sectie Notebooks kunt u Jupyter Notebooks maken, voorbeeldnotitieblokken kopiëren en notebooks en Python-scripts uitvoeren.
    • Geautomatiseerde ML begeleidt u bij het maken van een machine learning-model zonder code te schrijven.
    • Designer biedt u een slepen-en-neerzetten-manier om modellen te bouwen met behulp van vooraf samengestelde onderdelen.
  • De sectie Assets van de studio helpt u bij het bijhouden van de assets die u maakt terwijl u uw taken uitvoert. Als u een nieuwe werkruimte hebt, staat er nog niets in een van deze secties.

  • U hebt de sectie Beheren van de studio al gebruikt om uw rekenresources te maken. In deze sectie kunt u ook gegevens en externe services maken en beheren die u aan uw werkruimte koppelt.

Werkruimtediagnose

U kunt diagnostische gegevens uitvoeren op uw werkruimte vanuit Azure Machine Learning-studio of de Python SDK. Nadat de diagnose is uitgevoerd, wordt een lijst met gedetecteerde problemen geretourneerd. Deze lijst bevat koppelingen naar mogelijke oplossingen. Zie Diagnostische gegevens over werkruimten gebruiken voor meer informatie.

Resources opschonen

Als u van plan bent om nu door te gaan met de volgende zelfstudie, gaat u verder met Volgende stappen.

Rekenproces stoppen

Als u deze nu niet gaat gebruiken, stopt u het rekenproces:

  1. Selecteer in de studio aan de linkerkant Compute.
  2. Selecteer rekeninstanties op de bovenste tabbladen
  3. Selecteer het rekenproces in de lijst.
  4. Selecteer Stoppen op de bovenste werkbalk.

Alle resources verwijderen

Belangrijk

De resources die u hebt gemaakt, kunnen worden gebruikt als de vereisten voor andere Azure Machine Learning-zelfstudies en artikelen met procedures.

Als u niet van plan bent om een van de resources te gebruiken die u hebt gemaakt, verwijdert u deze zodat er geen kosten in rekening worden gebracht:

  1. Selecteer Resourcegroepen links in Azure Portal.

  2. Selecteer de resourcegroep die u hebt gemaakt uit de lijst.

  3. Selecteer Resourcegroep verwijderen.

    Schermopname van de selecties voor het verwijderen van een resourcegroep in de Azure-portal.

  4. Voer de naam van de resourcegroup in. Selecteer vervolgens Verwijderen.

Volgende stappen

U hebt nu een Azure Machine Learning-werkruimte die het volgende bevat:

  • Een rekenproces dat moet worden gebruikt voor uw ontwikkelomgeving.
  • Een rekencluster dat moet worden gebruikt voor het verzenden van trainingsuitvoeringen.

Gebruik deze resources voor meer informatie over Azure Machine Learning en het trainen van een model met Python-scripts.