Gerencie recursos de computação para treinamento e implantação de modelos em estúdio

Neste artigo, saiba como gerenciar os recursos de computação que você usa para treinamento e implantação de modelos no Azure Machine studio.

Com o Azure Machine Learning, você pode treinar seu modelo em vários recursos ou ambientes, coletivamente chamados de destinos de computação). Um destino de computação pode ser uma máquina local ou um recurso de nuvem, como um Azure Machine Learning Compute, Azure HDInsight ou uma máquina virtual remota.

Você também pode usar a computação sem servidor como um destino de computação. Não há nada para você gerenciar quando usa computação sem servidor.

Pré-requisitos

• Se não tiver uma subscrição do Azure, crie uma conta gratuita antes de começar. Experimente hoje mesmo a versão gratuita ou paga do Azure Machine Learning
• Um espaço de trabalho do Azure Machine Learning

Exibir destinos de computação

Para ver todos os destinos de computação para seu espaço de trabalho, use as seguintes etapas:

1. Navegue até o estúdio do Azure Machine Learning.

2. Em Gerir, selecione Computação.

3. Selecione guias na parte superior para mostrar cada tipo de destino de computação.

   

Criar instâncias de computação e clusters

Você pode criar instâncias de computação e clusters de computação em seu espaço de trabalho, usando o SDK do Azure Machine Learning, CLI ou estúdio:

• Instância de computação
• Cluster de computação

Além disso, você pode usar a extensão VS Code para criar instâncias de computação e clusters de computação em seu espaço de trabalho.

Anexar clusters do Kubernetes

Para obter informações sobre como configurar e anexar um cluster Kubernetes ao seu espaço de trabalho, consulte Configurar cluster Kubernetes para Azure Machine Learning.

Anexar outros destinos de computação

Para usar VMs criadas fora do espaço de trabalho do Azure Machine Learning, você deve primeiro anexá-las ao seu espaço de trabalho. Anexar o recurso de computação o torna disponível para seu espaço de trabalho.

1. Navegue até o estúdio do Azure Machine Learning.

2. Em Gerir, selecione Computação.

3. Nas guias na parte superior, selecione Computação anexada para anexar um destino de computação para treinamento.

4. Selecione +Novo e, em seguida, selecione o tipo de computação a ser anexado. Nem todos os tipos de computação podem ser anexados do estúdio de Aprendizado de Máquina do Azure.

5. Preencha o formulário e forneça valores para as propriedades necessárias.

   Nota

   A Microsoft recomenda que você use chaves SSH, que são mais seguras do que senhas. As senhas são vulneráveis a ataques de força bruta. As chaves SSH dependem de assinaturas criptográficas. Para obter informações sobre como criar chaves SSH para uso com as Máquinas Virtuais do Azure, consulte os seguintes documentos:

   • Criar e usar chaves SSH no Linux ou macOS
   • Criar e usar chaves SSH no Windows

6. Selecione Anexar.

Desanexe sua computação com as seguintes etapas:

1. No estúdio do Azure Machine Learning, selecione Computação, Computação anexada e a computação que deseja remover.
2. Use o link Desanexar para desanexar sua computação.

Conecte-se com acesso SSH

Depois de criar uma computação com acesso SSH habilitado, use estas etapas para acesso.

1. Encontre a computação nos recursos do seu espaço de trabalho:

   1. À esquerda, selecione Computar.
   2. Use as guias na parte superior para selecionar Instância de computação ou Cluster de computação para localizar sua máquina.

2. Selecione o nome da computação na lista de recursos.

3. Encontre a cadeia de conexão:

   • Para uma instância de computação, selecione Conectar na parte superior da seção Detalhes .

     

   • Para um cluster de computação, selecione Nós na parte superior e, em seguida, selecione a Cadeia de conexão na tabela do nó.

4. Copie a cadeia de conexão.

5. Para Windows, abra o PowerShell ou um prompt de comando:

   1. Vá para o diretório ou pasta onde sua chave está armazenada

   2. Adicione o sinalizador -i à cadeia de conexão para localizar a chave privada e apontar para onde ela está armazenada:

      ssh -i <keyname.pem> azureuser@... (rest of connection string)

6. Para usuários do Linux, siga as etapas de Criar e usar um par de chaves SSH para VMs Linux no Azure

7. Para utilização em SCP:

   scp -i key.pem -P {port} {fileToCopyFromLocal } azureuser@yourComputeInstancePublicIP:~/{destination}

Conteúdos relacionados

• Use o recurso de computação para enviar uma execução de treinamento.
• Depois de ter um modelo treinado, saiba como e onde implantar modelos.
• Usar o Azure Machine Learning com as Redes Virtuais do Azure