Przesyłanie zadania szkoleniowego w usłudze Azure Machine Learning Studio

Istnieje wiele sposobów tworzenia zadania treningowego w usłudze Azure Machine Learning. Modele można trenować przy użyciu interfejsu wiersza polecenia platformy Azure, interfejsu API REST lub użyć interfejsu użytkownika programu Studio do bezpośredniego utworzenia zadania szkoleniowego.

Z tego artykułu dowiesz się, jak używać własnych danych i kodu do trenowania modelu uczenia maszynowego z wykorzystaniem interaktywnego środowiska do składania zleceń szkoleniowych w usłudze Azure Machine Learning Studio.

Ważne

Ta funkcja jest obecnie w publicznej wersji zapoznawczej. Ta wersja zapoznawcza jest udostępniana bez umowy dotyczącej poziomu usług i nie zalecamy korzystania z niej w przypadku obciążeń produkcyjnych. Niektóre funkcje mogą być nieobsługiwane lub ograniczone.

Aby uzyskać więcej informacji, zobacz Uzupełniające warunki korzystania z wersji zapoznawczych platformy Microsoft Azure.

Wymagania wstępne

• Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto platformy Azure.

• Obszar roboczy usługi Azure Machine Learning. Aby dowiedzieć się, jak to zrobić, zobacz Tworzenie zasobów obszaru roboczego.

• Zrozumienie, co to jest zadanie szkoleniowe w usłudze Azure Machine Learning. Aby dowiedzieć się więcej, zobacz , jak trenować modele.

Rozpocznij

1. Zaloguj się do usługi Azure Machine Learning Studio, a następnie wybierz swoją subskrypcję i obszar roboczy.

2. Przejdź do interfejsu do tworzenia zadań ze strony głównej. Wybierz opcję + Nowy i wybierz opcję Zadanie trenowania.

   

3. Wybierz metodę trenowania, a następnie wybierz pozycję Rozpocznij konfigurowanie zadania , aby otworzyć formularz przesyłania.

   

   W następnej sekcji omówimy formularz z krokami uruchamiania niestandardowego skryptu szkoleniowego (zadania polecenia).

Konfigurowanie ustawień podstawowych

Skonfiguruj podstawowe informacje o zadaniu szkoleniowym. Możesz przejść do następnej strony, jeśli jesteś zadowolony z ustawień domyślnych, które dla Ciebie wybraliśmy, lub wprowadzić zmiany zgodnie z własnymi preferencjami.

Dostępne są następujące pola:

Pole	opis
Nazwa zadania	Nazwa zadania służy do unikatowego identyfikowania zadania. Jest ono również używane jako wyświetlana nazwa zadania.
Nazwa eksperymentu	Ułatwia to organizowanie zadania w usłudze Azure Machine Learning Studio. Każdy rekord wykonania zadania jest zorganizowany w odpowiednim eksperymencie w zakładce Eksperyment studio. Domyślnie Azure umieszcza zadanie w eksperymencie Domyślny.
opis	W razie potrzeby dodaj tekst opisujący zadanie.
Przerwa czasowa	Określ liczbę godzin, przez które może zostać uruchomione całe zadanie szkoleniowe. Po osiągnięciu tego limitu system anuluje zadanie, w tym wszystkie zadania podrzędne.
Tagi	Dodaj tagi, aby ułatwić organizowanie zadań.

Przekazywanie skryptu szkoleniowego

Na następnej stronie przekaż kod źródłowy. Skonfiguruj wszelkie dane wejściowe lub wyjściowe wymagane do wykonania zadania trenowania i określ polecenie do wykonania skryptu szkoleniowego.

Możesz użyć pliku kodu lub folderu z domyślnego magazynu obiektów blob komputera lokalnego lub obszaru roboczego. Platforma Azure wyświetla pliki do przesłania po wybraniu.

Pole	opis
Kod	Plik lub folder z domyślnego magazynu obiektów blob na Twoim komputerze lokalnym lub obszarze roboczym używany jako skrypt treningowy. Studio pokazuje pliki do przesłania po dokonaniu wyboru.
Dane wejściowe	Określ tyle danych wejściowych, ile potrzeba, dla następujących typów danych: całkowita, liczba, wartość logiczna, ciąg znaków.
Polecenie	Polecenie do wykonania. Argumenty wiersza polecenia można jawnie zapisać w poleceniu lub wywnioskować z innych sekcji, zwłaszcza z danych wejściowych przy użyciu notacji klamrowej, jak omówiono w następnej sekcji.

Kod

Polecenie jest uruchamiane z katalogu głównego przekazanego folderu kodu. Po wybraniu pliku lub folderu kodu można zobaczyć pliki do przesyłania. Skopiuj ścieżkę względną do kodu zawierającego punkt wejścia i wklej go w polu z etykietą Wprowadź polecenie, aby uruchomić zadanie.

Jeśli kod znajduje się w katalogu głównym, możesz bezpośrednio odwołać się do niego w poleceniu . Przykład: python main.py.

Jeśli kodu nie ma w katalogu głównym, należy użyć ścieżki względnej. Na przykład struktura modelu języka wyrazów to:

.
├── job.yml
├── data
└── src
    └── main.py

W tym miejscu kod źródłowy znajduje się w podkatalogu src . Polecenie to python ./src/main.py (plus inne argumenty wiersza polecenia).

Dane wejściowe

W przypadku użycia danych wejściowych w poleceniu należy określić nazwę danych wejściowych. Aby wskazać zmienną wejściową, użyj formularza ${{inputs.input_name}}. Przykład: ${{inputs.wiki}}. Następnie możesz odwołać się do niego w poleceniu, na przykład --data ${{inputs.wiki}}.

Wybieranie zasobów obliczeniowych

Na następnej stronie wybierz docelowy obiekt obliczeniowy, na którym chcesz uruchomić zadanie. Interfejs użytkownika tworzenia zadania obsługuje kilka typów obliczeń:

Typ środowiska obliczeniowego	Wprowadzenie
Instancja obliczeniowa	Co to jest wystąpienie obliczeniowe usługi Azure Machine Learning?
Klaster obliczeniowy	Co to jest klaster obliczeniowy?
Dołączony klaster Kubernetes	Konfigurowanie i dołączanie klastra Kubernetes w dowolnym miejscu

1. Wybierz typ obliczeniowy.

2. Wybierz istniejący zasób obliczeniowy. Lista rozwijana pokazuje informacje o węźle i typie jednostki SKU, aby pomóc w dokonaniu wyboru.

3. W przypadku klastra obliczeniowego lub klastra Kubernetes można również określić liczbę węzłów, które mają być dla zadania w liczbie wystąpień. Domyślna liczba wystąpień to 1.

4. Jeśli masz satysfakcjonujące możliwości, wybierz pozycję Dalej.

Jeśli używasz usługi Azure Machine Learning po raz pierwszy, zostanie wyświetlona pusta lista i link umożliwiający utworzenie nowego środowiska obliczeniowego. Aby uzyskać więcej informacji na temat tworzenia różnych typów, zobacz:

Typ środowiska obliczeniowego	Tematy instruktażowe
Instancja obliczeniowa	Tworzenie wystąpienia obliczeniowego usługi Azure Machine Learning
Klaster obliczeniowy	Tworzenie klastra obliczeniowego usługi Azure Machine Learning
Dołączony klaster Kubernetes	Dołącz klaster Kubernetes z obsługą usługi Azure Arc

Określanie niezbędnego środowiska

Po wybraniu docelowego obiektu obliczeniowego należy określić środowisko uruchomieniowe dla zadania. Interfejs użytkownika tworzenia zadania obsługuje trzy typy środowiska:

• Wyselekcjonowane środowiska
• Środowiska niestandardowe
• Obraz rejestru kontenerów

Wyselekcjonowane środowiska

Wyselekcjonowane środowiska to kolekcje pakietów języka Python zdefiniowanych na platformie Azure używanych w typowych obciążeniach uczenia maszynowego. Wyselekcjonowane środowiska są domyślnie dostępne w obszarze roboczym. Te środowiska są wspierane przez buforowane obrazy platformy Docker, co zmniejsza obciążenie związane z przygotowywaniem zadania. Karty wyświetlane na stronie Wyselekcjonowane środowiska zawierają szczegóły każdego środowiska. Aby dowiedzieć się więcej, zobacz Azure Machine Learning Curated Environments (Środowiska nadzorowane w usłudze Azure Machine Learning).

Środowiska niestandardowe

Środowiska niestandardowe to środowiska, które określasz. Możesz określić środowisko lub ponownie użyć utworzonego środowiska. Aby dowiedzieć się więcej, zobacz Zarządzanie środowiskami oprogramowania w usłudze Azure Machine Learning Studio.

Obraz rejestru kontenerów

Jeśli nie chcesz używać zarządzanych środowisk usługi Azure Machine Learning ani określać własnego środowiska niestandardowego, możesz użyć obrazu Docker z publicznego rejestru kontenerów, takiego jak Docker Hub.

Przejrzyj i twórz

Po skonfigurowaniu zadania wybierz przycisk Dalej , aby przejść do strony Przegląd . Aby zmodyfikować ustawienie, wybierz ikonę ołówka i wprowadź zmianę.

Aby uruchomić zadanie, wybierz pozycję Prześlij zadanie szkoleniowe. Po utworzeniu zadania platforma Azure wyświetli stronę szczegółów zadania, na której można monitorować zadanie szkoleniowe i zarządzać nim.

Jak skonfigurować wiadomości e-mail w programie Studio

Aby rozpocząć odbieranie e-maili po zakończeniu zadania, punktu końcowego online lub punktu końcowego wsadowego albo w przypadku wystąpienia problemu (niepowodzenia, anulowania), wykonaj następujące kroki:

1. W Azure ML Studio przejdź do ustawień, wybierając ikonę ustawień.
2. Wybierz kartę Powiadomienia e-mail.
3. Przełącz, aby włączyć lub wyłączyć powiadomienia e-mail dla określonego zdarzenia.

Powiązana treść

• Wdrażanie i ocenianie modelu uczenia maszynowego przy użyciu punktu końcowego online
• Trenowanie modeli za pomocą interfejsu wiersza polecenia, zestawu SDK i interfejsu API REST usługi Azure Machine Learning