Studio'da eğitim işi gönderme (önizleme)
Azure Machine Learning'le eğitim işi oluşturmanın birçok yolu vardır. CLI'yi (bkz . Modelleri eğit (iş oluşturma)), REST API'yi (bkz . MODELLERI REST ile eğitma (önizleme)) veya doğrudan bir eğitim işi oluşturmak için kullanıcı arabirimini kullanabilirsiniz. Bu makalede, Azure Machine Learning stüdyosu'da eğitim işleri göndermeye yönelik destekli bir deneyimle makine öğrenmesi modelini eğitmek için kendi verilerinizi ve kodunuzu kullanmayı öğreneceksiniz.
Önemli
Bu özellik şu anda genel önizlemededir. Bu önizleme sürümü hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için bu sürümü önermeyiz. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir.
Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri için Ek Kullanım Koşulları.
Önkoşullar
Azure aboneliği. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. Azure Machine Learning'in ücretsiz veya ücretli sürümünü bugün deneyin.
Azure Machine Learning çalışma alanı. Bkz . Çalışma alanı kaynakları oluşturma.
Azure Machine Learning'de işin ne olduğunu anlama. Bkz. [modelleri eğitma]how-to-train-model.md).
Başlarken
Azure Machine Learning stüdyosu oturum açın.
Aboneliğinizi ve çalışma alanınızı seçin.
Azure Machine Learning Studio'ya gidin ve önizleme panelini aç'a tıklayarak özelliği etkinleştirin.
İş oluşturma kullanıcı arabirimini giriş sayfasından girebilirsiniz. Yeni oluştur'a tıklayın ve İş'i seçin.
Bu sihirbazda eğitim yönteminizi seçebilir, seçiminize göre gönderim sihirbazının geri kalanını tamamlayabilir ve eğitim işini gönderebilirsiniz. Aşağıda özel betik (komut işi) çalıştırma sihirbazını inceleyeceğiz.
Temel ayarları yapılandırma
İlk adım, eğitim işinizle ilgili temel bilgileri yapılandırmaktır. Sizin için seçtiğimiz varsayılan değerlerden memnunsanız devam edebilir veya istediğiniz tercihte değişiklik yapabilirsiniz.
Kullanılabilir alanlar şunlardır:
| Alan | Açıklama |
|---|---|
| İş adı | İş adı alanı, işinizi benzersiz şekilde tanımlamak için kullanılır. İşiniz için görüntü adı olarak da kullanılır. |
| Deneme adı | Bu, işin Azure Machine Learning stüdyosu düzenlenmesine yardımcı olur. Her işin çalıştırma kaydı, stüdyonun "Deneme" sekmesindeki ilgili deneme altında düzenlenir. Varsayılan olarak, Azure işi Varsayılan denemeye yerleştirir. |
| Açıklama | İsterseniz işinizi açıklayan bir metin ekleyin. |
| Zaman aşımı | Tüm eğitim işinin çalışmasına izin verilen saat sayısını belirtin. Bu sınıra ulaşıldıktan sonra sistem, alt işler dahil olmak üzere işi iptal eder. |
| Etiketler | Kuruluşunuza yardımcı olmak için işinize etiketler ekleyin. |
Eğitim betiği
Sonraki adım, kaynak kodunuzu karşıya yüklemek, eğitim işini yürütmek için gereken girişleri veya çıkışları yapılandırmak ve eğitim betiğinizi yürütmek için komutu belirtmektir.
Bu bir kod dosyası veya yerel makinenizin veya çalışma alanınızın varsayılan blob depolama alanından bir klasör olabilir. Azure, siz seçimi yaptıktan sonra karşıya yüklenecek dosyaları gösterir.
| Alan | Açıklama |
|---|---|
| Kod | Bu, eğitim betiğiniz olarak yerel makinenizden veya çalışma alanınızın varsayılan blob depolama alanından bir dosya veya klasör olabilir. Siz seçimi yaptıktan sonra Studio karşıya yüklenecek dosyaları gösterir. |
| Girişler | Aşağıdaki türdeki veriler, tamsayı, sayı, boolean, dize) gereken sayıda giriş belirtin. |
| Komut | Yürütülecek komut. Komut satırı bağımsız değişkenleri, sonraki bölümde açıklandığı gibi, özellikle küme ayracı gösterimi kullanan girişler olmak üzere, komuta açıkça yazılabilir veya diğer bölümlerden çıkarılabilir. |
Kod
Komut, karşıya yüklenen kod klasörünün kök dizininden çalıştırılır. Kod dosyanızı veya klasörünüzü seçtikten sonra karşıya yüklenecek dosyaları görebilirsiniz. Giriş noktanızı içeren kodun göreli yolunu kopyalayın ve işi başlatmak için komutu girin etiketli kutuya yapıştırın.
Kod kök dizindeyse, doğrudan komutta buna başvurabilirsiniz. Örneğin, python main.py.
Kod kök dizinde değilse, göreli yolu kullanmalısınız. Örneğin, sözcük dili modelinin yapısı şu şekildedir:
.
├── job.yml
├── data
└── src
└── main.py
Burada, kaynak kod alt dizinindedir src . Komut (artı olarak diğer komut satırı bağımsız değişkenleri) olacaktır python ./src/main.py .
Girişler
Komutunda bir giriş kullandığınızda, giriş adını belirtmeniz gerekir. Giriş değişkenini belirtmek için formunu ${{inputs.input_name}}kullanın. Örneğin, ${{inputs.wiki}}. Daha sonra komutunda buna başvurabilirsiniz; örneğin, --data ${{inputs.wiki}}.
İşlem kaynaklarını seçme
Sonraki adım, işinizin çalışmasını istediğiniz işlem hedefini seçmektir. İş oluşturma kullanıcı arabirimi çeşitli işlem türlerini destekler:
| İşlem Türü | Giriş |
|---|---|
| İşlem örneği | Azure Machine Learning işlem örneği nedir? |
| İşlem kümesi | İşlem kümesi nedir? |
| Ekli İşlem (Kubernetes kümesi) | Kubernetes kümesini her yerde yapılandırın ve ekleyin (önizleme). |
- İşlem türü seçme
- Mevcut bir işlem kaynağını seçin. Açılan listede, seçiminize yardımcı olmak için düğüm bilgileri ve SKU türü gösterilir.
- Bir işlem kümesi veya Kubernetes kümesi için, örnek sayısı bölümünde iş için kaç düğüm istediğinizi de belirtebilirsiniz. Varsayılan örnek sayısı 1'dir.
- Seçimlerinizi tamamladığınızda İleri'yi seçin.
Azure Machine Learning'i ilk kez kullanıyorsanız boş bir liste ve yeni işlem oluşturma bağlantısını görürsünüz. Çeşitli türleri oluşturma hakkında daha fazla bilgi için bkz:
| İşlem Türü | Nasıl yapılır |
|---|---|
| İşlem örneği | Azure Machine Learning işlem örneği oluşturma |
| İşlem kümesi | Azure Machine Learning işlem kümesi oluşturma |
| Ekli Kubernetes kümesi | Azure Arc özellikli Kubernetes kümesi ekleme |
Gerekli ortamı belirtin
İşlem hedefini seçtikten sonra, işiniz için çalışma zamanı ortamını belirtmeniz gerekir. İş oluşturma kullanıcı arabirimi üç ortam türünü destekler:
- Seçilen ortamlar
- Özel ortamlar
- Kapsayıcı kayıt defteri görüntüsü
Seçilen ortamlar
Seçilen ortamlar, ortak ML iş yüklerinde kullanılan Azure tanımlı Python paketleri koleksiyonlarıdır. Seçilen ortamlar varsayılan olarak çalışma alanınızda kullanılabilir. Bu ortamlar önbelleğe alınmış Docker görüntüleriyle desteklenir ve bu da iş hazırlama ek yükünü azaltır. "Seçilen ortamlar" sayfasında görüntülenen kartlar her ortamın ayrıntılarını gösterir. Daha fazla bilgi edinmek için bkz. Azure Machine Learning'de seçilmiş ortamlar.
Özel ortamlar
Özel ortamlar, kendi belirttiğiniz ortamlardır. Bir ortam belirtebilir veya zaten oluşturmuş olduğunuz ortamı yeniden kullanabilirsiniz. Daha fazla bilgi edinmek için bkz. Azure Machine Learning stüdyosu 'de yazılım ortamlarını yönetme (önizleme).
Kapsayıcı kayıt defteri görüntüsü
Azure Machine Learning'in seçilmiş ortamlarını kullanmak veya kendi özel ortamınızı belirtmek istemiyorsanız, Docker Hub gibi genel bir kapsayıcı kayıt defterinden docker görüntüsü kullanabilirsiniz.
Gözden Geçir ve Oluştur
İşinizi yapılandırdıktan sonra gözden geçir sayfasına gitmek için İleri'yi seçin. Bir ayarı değiştirmek için kalem simgesini seçin ve değişikliği yapın.
İşi başlatmak için Eğitim işini gönder'i seçin. İş oluşturulduktan sonra Azure, eğitim işinizi izleyip yönetebileceğiniz iş ayrıntıları sayfasını gösterir.
Stüdyoda e-postaları yapılandırma
İşiniz, çevrimiçi uç noktanız veya toplu iş uç noktanız tamamlandığında veya bir sorun olduğunda (başarısız, iptal edildi) e-posta almaya başlamak için aşağıdaki adımları kullanın:
- Azure ML Studio'da dişli simgesini seçerek ayarlara gidin.
- Email bildirimleri sekmesini seçin.
- Belirli bir olay için e-posta bildirimlerini etkinleştirmek veya devre dışı bırakmak için geçiş yapar.
