Träna modeller på arbetsytan
Om du vill träna modeller med Azure Machine Learning-arbetsytan har du flera alternativ:
- Använd automatiserad maskininlärning.
- Kör en Jupyter-anteckningsbok.
- Kör ett skript som ett jobb.
Utforska algoritmer och hyperparametervärden med automatiserad maskininlärning
När du har en träningsdatauppsättning och har till uppgift att hitta den modell som fungerar bäst kanske du vill experimentera med olika algoritmer och hyperparametervärden.
Det kan ta lång tid att experimentera manuellt med olika konfigurationer för att träna en modell. Du kan också använda Automatiserad maskininlärning för att påskynda processen.
Automatiserad Maskininlärning itererar via algoritmer i kombination med funktionsval för att hitta den modell som fungerar bäst för dina data.
Köra en notebook-fil
När du föredrar att utveckla genom att köra kod i notebook-filer kan du använda den inbyggda notebook-funktionen på arbetsytan.
På sidan Notebooks i studio kan du redigera och köra Jupyter Notebooks.
Alla filer som du klonar eller skapar i avsnittet notebook-filer lagras i filresursen för det Azure Storage-konto som skapats med arbetsytan.
Om du vill köra notebook-filer använder du en beräkningsinstans eftersom de är idealiska för utveckling och fungerar ungefär som en virtuell dator.
Du kan också välja att redigera och köra notebook-filer i Visual Studio Code, samtidigt som du använder en beräkningsinstans för att köra notebook-filerna.
Köra ett skript som ett jobb
När du vill förbereda koden för att vara produktionsklar är det bättre att använda skript. Du kan enkelt automatisera körningen av skript för att automatisera alla maskininlärningsarbetsbelastningar.
Du kan köra ett skript som ett jobb i Azure Machine Learning. När du skickar ett jobb till arbetsytan lagras alla indata och utdata på arbetsytan.
Det finns olika typer av jobb beroende på hur du vill köra en arbetsbelastning:
- Kommando: Kör ett enda skript.
- Svep: Utför hyperparameterjustering när du kör ett enda skript.
- Pipeline: Kör en pipeline som består av flera skript eller komponenter.
Kommentar
När du skickar en pipeline som du skapade med designern körs den som ett pipelinejobb. När du skickar ett automatiserat Machine Learning-experiment körs det också som ett jobb.