Snabbstart: Skapa arbetsyteresurser som du behöver för att komma igång med Azure Machine Learning

I den här snabbstarten skapar du en arbetsyta och lägger sedan till beräkningsresurser till arbetsytan. Sedan har du allt du behöver för att komma igång med Azure Machine Learning.

Arbetsytan är resursen på den översta nivån för dina maskininlärningsaktiviteter, vilket ger en central plats där du kan visa och hantera artefakterna du skapar när du använder Azure Machine Learning. Beräkningsresurserna tillhandahåller en förkonfigurerad molnbaserad miljö som du kan använda för att träna, distribuera, automatisera, hantera och spåra maskininlärningsmodeller.

Förutsättningar

Skapa arbetsytan

Om du redan har en arbetsyta hoppar du över det här avsnittet och fortsätter till Skapa en beräkningsinstans.

Om du inte har någon arbetsyta än skapar du en nu:

  1. Logga in på Azure Machine Learning Studio

  2. Välj Skapa arbetsyta

  3. Ange följande information för att konfigurera den nya arbetsytan:

    Fält Beskrivning
    Namn på arbetsyta Ange ett unikt namn som identifierar din arbetsyta. Namn måste vara unika i hela resursgruppen. Använd ett namn som är enkelt att komma ihåg och som skiljer sig från arbetsytor som skapats av andra. Arbetsytans namn är skiftlägesokänsligt.
    Prenumeration Välj den Azure-prenumeration som du vill använda.
    Resursgrupp Använd en befintlig resursgrupp i din prenumeration eller ange ett namn för att skapa en ny resursgrupp. En resursgrupp innehåller relaterade resurser för en Azure-lösning. Du behöver rollen deltagare eller ägare för att kunna använda en befintlig resursgrupp. Mer information om åtkomst finns i Hantera åtkomst till en Azure Machine Learning-arbetsyta.
    Region Välj den Azure-region som är närmast dina användare och dataresurserna för att skapa din arbetsyta.
  4. Välj Skapa för att skapa arbetsytan

Anteckning

Då skapas en arbetsyta tillsammans med alla nödvändiga resurser. Om du vill återanvända resurser, till exempel lagringskonto, Azure Container Registry, Azure KeyVault eller Application Insights, använder du Azure-Portal i stället.

Skapa beräkningsinstans

Du kan installera Azure Machine Learning på din egen dator. Men i den här snabbstarten skapar du en onlineberäkningsresurs som redan har en utvecklingsmiljö installerad och redo att användas. Du använder den här onlinedatorn, en beräkningsinstans, för din utvecklingsmiljö för att skriva och köra kod i Python-skript och Jupyter Notebooks.

Skapa en beräkningsinstans för att använda den här utvecklingsmiljön för resten av självstudierna och snabbstarterna.

  1. Om du inte bara skapade en arbetsyta i föregående avsnitt loggar du in på Azure Machine Learning Studio nu och väljer din arbetsyta.
  2. Välj Beräkning till vänster.
  3. Välj +Ny för att skapa en ny beräkningsinstans.
  4. Ange ett namn, Behåll alla standardvärden på den första sidan.
  5. Välj Skapa.

Om ungefär två minuter ser du att tillståndet för beräkningsinstansen ändras från Skapa till Körs. Den är nu redo att gå.

Skapa beräkningskluster

Nu ska du skapa ett beräkningskluster. Med kluster kan du distribuera en tränings- eller batchinferensprocess över ett kluster med PROCESSOR- eller GPU-beräkningsnoder i molnet.

Skapa ett beräkningskluster som ska skalas automatiskt mellan noll och fyra noder:

  1. I avsnittet Compute väljer du Beräkningskluster på den översta fliken.
  2. Välj +Nytt för att skapa ett nytt beräkningskluster.
  3. Behåll alla standardvärden på den första sidan och välj Nästa. Om du inte ser någon tillgänglig beräkning måste du begära en kvotökning. Mer informasjon om att hantera och öka kvoter.
  4. Ge klustret namnet cpu-cluster. Om det här namnet redan finns lägger du till dina initialer i namnet för att göra det unikt.
  5. Låt Minsta antal noder vara kvar på 0.
  6. Ändra Maximalt antal noder till 4 om det är möjligt. Beroende på dina inställningar kan du ha en mindre gräns.
  7. Ändra inaktiva sekunder innan du skalar ned till 2 400.
  8. Lämna resten av standardinställningarna och välj Skapa.

På mindre än en minut ändras klustrets tillstånd från Skapa till Lyckades. I listan visas det etablerade beräkningsklustret, tillsammans med antalet inaktiva noder, upptagna noder och oetablerade noder. Eftersom du inte har använt klustret ännu är alla noder för närvarande oetablerade.

Anteckning

När klustret skapas har det 0 noder etablerade. Klustret medför inte kostnader förrän du har skickat ett jobb. Det här klustret skalas ned när det har varit inaktivt i 2 400 sekunder (40 minuter). Detta ger dig tid att använda den i några självstudier om du vill utan att vänta på att den skalar upp igen.

Snabb genomgång av studion

Studio är din webbportal för Azure Machine Learning. Den här portalen kombinerar funktioner utan kod och kod först för en inkluderande datavetenskapsplattform.

Granska delarna i studio i det vänstra navigeringsfältet:

  • Avsnittet Författare i studio innehåller flera sätt att komma igång med att skapa maskininlärningsmodeller. Du kan:

    • I avsnittet Notebooks kan du skapa Jupyter Notebooks, kopiera exempelanteckningsböcker och köra notebook-filer och Python-skript.
    • Automatiserad ML vägleder dig genom att skapa en maskininlärningsmodell utan att skriva kod.
    • Designer ger dig ett dra och släpp-sätt att skapa modeller med hjälp av fördefinierade komponenter.
  • Avsnittet Tillgångar i studion hjälper dig att hålla reda på de tillgångar som du skapar när du kör dina jobb. Om du har en ny arbetsyta finns det inget i något av dessa avsnitt ännu.

  • Du har redan använt avsnittet Hantera i studio för att skapa dina beräkningsresurser. I det här avsnittet kan du också skapa och hantera data och externa tjänster som du länkar till din arbetsyta.

Diagnostik för arbetsyta

Du kan köra diagnostik på din arbetsyta från Azure Machine Learning Studio eller Python SDK. När diagnostiken har körts returneras en lista över eventuella identifierade problem. Den här listan innehåller länkar till möjliga lösningar. Mer information finns i Så här använder du arbetsytediagnostik.

Rensa resurser

Om du planerar att fortsätta nu till nästa självstudie går du vidare till Nästa steg.

Stoppa beräkningsinstans

Om du inte ska använda den nu stoppar du beräkningsinstansen:

  1. I studio, till vänster, väljer du Compute.
  2. På de översta flikarna väljer du Beräkningsinstanser
  3. Välj beräkningsinstansen i listan.
  4. Välj Stoppa i det översta verktygsfältet.

Ta bort alla resurser

Viktigt

De resurser som du har skapat kan användas som förutsättningar för andra Azure Machine Learning-självstudier och instruktionsartiklar.

Om du inte planerar att använda någon av de resurser som du skapade tar du bort dem så att du inte debiteras några avgifter:

  1. I Azure-portalen väljer du Resursgrupper längst till vänster.

  2. Välj resursgruppen som du skapade från listan.

  3. Välj Ta bort resursgrupp.

    Skärmbild av valen för att ta bort en resursgrupp i Azure Portal.

  4. Ange resursgruppsnamnet. Välj sedan Ta bort.

Nästa steg

Nu har du en Azure Machine Learning-arbetsyta som innehåller:

  • En beräkningsinstans som ska användas för din utvecklingsmiljö.
  • Ett beräkningskluster som ska användas för att skicka träningskörningar.

Använd dessa resurser för att lära dig mer om Azure Machine Learning och träna en modell med Python-skript.