Quais são os destinos de computação no Azure Machine Learning?

Um destino de computação é um recurso ou ambiente de computação designado onde você executa seu script de treinamento ou hospeda sua implantação de serviço. Esse local pode ser sua máquina local ou um recurso de computação baseado em nuvem. O uso de destinos de computação facilita a alteração posterior do ambiente de computação sem a necessidade de alterar o código.

O Azure Machine Learning tem suporte variável em diferentes destinos de computação. Em um ciclo de vida típico de desenvolvimento de modelo, você pode:

1. Comece por desenvolver e experimentar uma pequena quantidade de dados. Nesta etapa, use seu ambiente local, como um computador local ou uma máquina virtual (VM) baseada em nuvem, como seu destino de computação.
2. Aumente a escala para dados maiores ou faça treinamento distribuído usando um desses destinos de computação de treinamento.
3. Depois que seu modelo estiver pronto, implante-o em um ambiente de hospedagem na Web com um desses destinos de computação de implantação.

Os recursos de computação que você usa para seus destinos de computação são anexados a um espaço de trabalho. Recursos de computação diferentes da máquina local são compartilhados pelos usuários do espaço de trabalho.

Treinamento de alvos computacionais

À medida que você amplia seu treinamento em conjuntos de dados maiores ou executa treinamento distribuído, use a computação do Aprendizado de Máquina do Azure para criar um cluster de um ou vários nós que é dimensionado automaticamente cada vez que você envia um trabalho. Você também pode anexar seu próprio recurso de computação, embora o suporte para diferentes cenários possa variar.

Os alvos de computação podem ser reutilizados de um trabalho de treinamento para o próximo. Por exemplo, depois de anexar uma VM remota ao seu espaço de trabalho, você pode reutilizá-la para vários trabalhos. Para pipelines de aprendizado de máquina, use a etapa de pipeline apropriada para cada destino de computação.

Você pode usar qualquer um dos seguintes recursos para um destino de computação de treinamento para a maioria dos trabalhos. Nem todos os recursos podem ser usados para aprendizado de máquina automatizado, pipelines de aprendizado de máquina ou designer. O Azure Databricks pode ser usado como um recurso de treinamento para execuções locais e pipelines de aprendizado de máquina, mas não como um destino remoto para outros treinamentos.

Objetivos de formação	Aprendizagem automática de máquina	Pipelines de aprendizado de máquina	Designer do Azure Machine Learning
Computador local	Sim
Cluster de computação do Azure Machine Learning	Sim	Sim	Sim
Computação sem servidor do Azure Machine Learning	Sim	Sim	Sim
Instância de computação do Azure Machine Learning	Sim (através do SDK)	Sim	Sim
Azure Machine Learning Kubernetes		Sim	Sim
VM remota	Sim	Sim
Piscinas Apache Spark (pré-visualização)	Sim (somente no modo local do SDK)	Sim
Azure Databricks	Sim (somente no modo local do SDK)	Sim
Azure Data Lake Analytics		Sim
Azure HDInsight		Sim
Azure Batch		Sim

Gorjeta

A instância de computação tem um disco do SO de 120 GB. Se você ficar sem espaço em disco, use o terminal para limpar pelo menos 1-2 GB antes de parar ou reiniciar a instância de computação.

Destinos de computação para inferência

Ao executar a inferência, o Aprendizado de Máquina do Azure cria um contêiner do Docker que hospeda o modelo e os recursos associados necessários para usá-lo. Esse contêiner é usado em um destino de computação.

O destino de computação que você usa para hospedar seu modelo afeta o custo e a disponibilidade do ponto de extremidade implantado. Use esta tabela para escolher um destino de computação apropriado.

Destino de computação	Utilizado para	Suporte de GPU	Description
Pontos finais do Azure Machine Learning	Inferência em tempo real Inferência de lote	Sim	Cálculos totalmente gerenciados para computação em tempo real (endpoints online gerenciados) e pontuação em lote (endpoints em lote) em computação sem servidor.
Azure Machine Learning Kubernetes	Inferência em tempo real Inferência de lote	Sim	Execute cargas de trabalho de inferência em clusters Kubernetes locais, na nuvem e de borda.

Nota

Ao escolher uma SKU de cluster, primeiro aumente a escala e, em seguida, diminua. Comece com uma máquina que tenha 150% da RAM que o seu modelo requer, perfile o resultado e encontre uma máquina que tenha o desempenho que você precisa. Depois de aprender isso, aumente o número de máquinas para atender à sua necessidade de inferência simultânea.

Implante e classifique um modelo de aprendizado de máquina usando um ponto de extremidade online.

Computação do Azure Machine Learning (gerenciada)

O Azure Machine Learning cria e gerencia os recursos de computação gerenciados. Esse tipo de computação é otimizado para cargas de trabalho de aprendizado de máquina. Os clusters de computação do Azure Machine Learning, a computação sem servidor e as instâncias de computação são os únicos cálculos gerenciados.

Não há necessidade de criar computação sem servidor. Você pode criar instâncias de computação ou clusters de computação do Azure Machine Learning a partir de:

• Azure Machine Learning studio
• O SDK do Python e a CLI do Azure:
  • Instância de computação
  • Cluster de computação
• Um modelo do Azure Resource Manager. Para obter um modelo de exemplo, consulte Criar um cluster de computação do Azure Machine Learning.

Nota

Em vez de criar um cluster de computação, use a computação sem servidor para descarregar o gerenciamento do ciclo de vida da computação para o Azure Machine Learning.

Quando criados, esses recursos de computação são automaticamente parte do seu espaço de trabalho, ao contrário de outros tipos de destinos de computação.

Funcionalidade	Cluster de cálculo	Instância de computação
Cluster de um ou vários nós	✓	Cluster de nó único
Dimensiona automaticamente cada vez que você envia um trabalho	✓
Gerenciamento automático de cluster e agendamento de tarefas	✓	✓
Suporte para recursos de CPU e GPU	✓	✓

Nota

Para evitar cobranças quando a computação estiver ociosa:

• Para um cluster de computação, verifique se o número mínimo de nós está definido como 0 ou use computação sem servidor.
• Para uma instância de computação, habilite o desligamento ocioso.

Série e tamanhos de VM suportados

Importante

Se sua instância de computação ou clusters de computação forem baseados em qualquer uma dessas séries, recrie com outro tamanho de VM antes da data de desativação para evitar a interrupção do serviço.

Estas séries serão aposentadas em 31 de agosto de 2023:

• Azure NC-series
• Azure NCv2-series
• Azure ND-series
• Azure NV e NV_Promo series

Estas séries serão aposentadas em 31 de agosto de 2024:

• Azure Av1-series
• Azure HB-series

Ao selecionar um tamanho de nó para um recurso de computação gerenciado no Aprendizado de Máquina do Azure, você pode escolher entre os tamanhos de VM selecionados disponíveis no Azure. O Azure oferece uma variedade de tamanhos para Linux e Windows para diferentes cargas de trabalho. Para saber mais, consulte Tipos e tamanhos de VM.

Há algumas exceções e limitações para escolher um tamanho de VM:

• Algumas séries de VM não são suportadas no Azure Machine Learning.
• Algumas séries de VMs, como GPUs e outras SKUs especiais, podem não aparecer inicialmente na sua lista de VMs disponíveis. Mas você ainda pode usá-los, depois de solicitar uma alteração de cota. Para obter mais informações sobre como solicitar cotas, consulte Solicitar aumentos de cota e limite. Consulte a tabela a seguir para saber mais sobre as séries suportadas.

Série VM suportada	Categoria	Apoiado por
DDSv4	Fins gerais	Computação de clusters e instância
DV2	Fins gerais	Computação de clusters e instância
DV3	Fins gerais	Computação de clusters e instância
DSv2	Fins gerais	Computação de clusters e instância
DSv3	Fins gerais	Computação de clusters e instância
EAv4	Com otimização de memória	Computação de clusters e instância
Ev3	Com otimização de memória	Computação de clusters e instância
ESv3	Com otimização de memória	Computação de clusters e instância
FSv2	Com otimização de computação	Computação de clusters e instância
FX	Com otimização de computação	Clusters de computação
H	Computação de elevado desempenho	Computação de clusters e instância
HB	Computação de elevado desempenho	Computação de clusters e instância
HBv2	Computação de elevado desempenho	Computação de clusters e instância
HBv3	Computação de elevado desempenho	Computação de clusters e instância
HC	Computação de elevado desempenho	Computação de clusters e instância
LSv2	Com otimização de armazenamento	Computação de clusters e instância
M	Com otimização de memória	Computação de clusters e instância
N.º	GPU	Computação de clusters e instância
Promoção NC	GPU	Computação de clusters e instância
NCv2	GPU	Computação de clusters e instância
NCv3	GPU	Computação de clusters e instância
ND	GPU	Computação de clusters e instância
NDv2	GPU	Computação de clusters e instância
NV	GPU	Computação de clusters e instância
NVv3	GPU	Computação de clusters e instância
NCasT4_v3	GPU	Computação de clusters e instância
NDasrA100_v4	GPU	Computação de clusters e instância

Embora o Azure Machine Learning ofereça suporte a essas séries de VMs, elas podem não estar disponíveis em todas as regiões do Azure. Para verificar se as séries de VM estão disponíveis, consulte Produtos disponíveis por região.

Nota

O Azure Machine Learning não suporta todos os tamanhos de VM suportados pelo Azure Compute. Para listar os tamanhos de VM disponíveis suportados por tipos de VM de computação específicos, use um dos seguintes métodos:

• API REST
• A extensão da CLI do Azure 2.0 para comando de aprendizado de máquina, az ml compute list-sizes.

Se você usar os destinos de computação habilitados para GPU, é importante garantir que os drivers CUDA corretos estejam instalados no ambiente de treinamento. Use a tabela a seguir para determinar a versão CUDA correta a ser usada:

Arquitetura GPU	Série de VMs do Azure	Versões CUDA suportadas
Ampere	NDA100_v4	11.0+
Turing	NCT4_v3	10.0+
Região do Volta	NCv3, NDv2	9.0+
Pascal	NCv2, ND	9.0+
Maxwell •	NV, NVv3	9.0+
Kepler	NC, NC Promo	9.0+

Além de garantir que a versão CUDA e o hardware sejam compatíveis, certifique-se também de que a versão CUDA é compatível com a versão da estrutura de aprendizado de máquina que você está usando:

• Para o PyTorch, você pode verificar a compatibilidade visitando a página de versões anteriores do Pytorch.
• Para o Tensorflow, você pode verificar a compatibilidade visitando a compilação do Tensorflow a partir da página de origem.

Isolamento de computação

A computação do Azure Machine Learning oferece tamanhos de VM isolados a um tipo de hardware específico e dedicados a um único cliente. Os tamanhos de VM isolados são mais adequados para cargas de trabalho que exigem um alto grau de isolamento das cargas de trabalho de outros clientes por motivos que incluem o cumprimento de requisitos normativos e de conformidade. A utilização de um tamanho isolado garante que sua VM seja a única em execução nessa instância específica do servidor.

As ofertas atuais de VM isoladas incluem:

• Standard_M128ms
• Standard_F72s_v2
• Standard_NC24s_v3
• Standard_NC24rs_v3 (compatível com RDMA)

Para saber mais sobre isolamento, consulte Isolamento na nuvem pública do Azure.

Computação não gerenciada

O Azure Machine Learning não gerencia um destino de computação não gerenciado . Pode criar este tipo de destino de computação fora do Azure Machine Learning e, em seguida, anexá-lo à área de trabalho. Os recursos de computação não gerenciados podem exigir etapas extras para você manter ou melhorar o desempenho de cargas de trabalho de aprendizado de máquina.

O Azure Machine Learning suporta os seguintes tipos de computação não geridos:

• Máquinas virtuais remotas
• Azure HDInsight
• Azure Databricks
• Azure Data Lake Analytics

• Kubernetes

Para obter mais informações, consulte Gerenciar recursos de computação.

Próximo passo

• Implantar e pontuar um modelo de aprendizado de máquina usando um ponto de extremidade online