你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

教程：云工作站上的模型开发

项目
11/28/2023

了解如何在 Azure 机器学习云工作站上使用笔记本开发训练脚本。本教程涵盖入门所需的基础知识：

设置和配置云工作站。云工作站由 Azure 机器学习计算实例提供支持，该实例预配置了环境以支持各种模型开发需求。
使用基于云的开发环境。
使用 MLflow 跟踪模型指标，所有都是在笔记本中完成的。

先决条件

若要使用 Azure 机器学习，你首先需要一个工作区。如果没有工作区，请完成“创建开始使用所需的资源”以创建工作区并详细了解如何使用它。

从“笔记本”开始

工作区中的“笔记本”部分是开始了解 Azure 机器学习及其功能的好地方。在这里，可以连接到计算资源、使用终端，以及编辑和运行 Jupyter Notebook 和脚本。

登录到 Azure 机器学习工作室。
选择你的工作区（如果它尚未打开）。
在左侧导航中，选择“笔记本”。
如果没有计算实例，屏幕中间会显示“创建计算”。选择“创建计算”并填写表单。可以使用所有默认值。（如果已有计算实例，则会在该位置看到“终端”。本教程稍后会使用“终端”。）

设置用于原型制作的新环境（可选）

为使脚本运行，需要在配置了代码所需的依赖项和库的环境中工作。本部分可帮助你创建适合代码的环境。若要创建笔记本连接到的新 Jupyter 内核，请使用定义依赖项的 YAML 文件。

上传文件。

上传的文件存储在 Azure 文件共享中，这些文件将装载到每个计算实例并在工作区中共享。
1. 使用右上角的下载原始文件按钮，将此 conda 环境文件 workstation_env.yml 下载到计算机。
1. 选择“添加文件”，然后选择“上传文件”，将其上传到工作区。
2. 选择“浏览并选择文件”。
3. 选择下载的 workstation_env.yml 文件。
4. 选择“上传”。
你将在“文件”选项卡的用户名文件夹下看到 workstation_env.yml 文件。请选择此文件以预览它，并查看它指定的依赖项。你将看到如下所示的内容：
```
name: workstation_env
# This file serves as an example - you can update packages or versions to fit your use case
dependencies:
  - python=3.8
  - pip=21.2.4
  - scikit-learn=0.24.2
  - scipy=1.7.1
  - pandas>=1.1,<1.2
  - pip:
    - mlflow-skinny 
    - azureml-mlflow
    - psutil>=5.8,<5.9
    - ipykernel~=6.0
    - matplotlib
```
创建内核。

现在，使用 Azure 机器学习终端基于 workstation_env.yml 文件创建新的 Jupyter 内核。
1. 选择“终端”以打开终端窗口。还可以从左侧命令栏打开终端：
2. 如果计算实例已停止，请选择“启动计算”，并等待它运行。
3. 计算运行后，终端中会显示一条欢迎消息，可以开始键入命令。
4. 查看当前的 conda 环境。活动环境标有 *。
```
conda env list
```
5. 如果为本教程创建了子文件夹，请立即运行 cd 转到该文件夹。
6. 根据提供的 conda 文件创建环境。构建此环境需要几分钟时间。
```
conda env create -f workstation_env.yml
```
7. 激活新环境。
```
 conda activate workstation_env
```
8. 验证正确的环境是否处于活动状态，再次查找标有 * 的环境。
```
conda env list
```
9. 基于活动环境创建新的 Jupyter 内核。
```
python -m ipykernel install --user --name workstation_env --display-name "Tutorial Workstation Env" 
```
10. 关闭终端窗口。

你现在有了一个新内核。接下来，你将打开一个笔记本并使用此内核。

创建笔记本

选择“添加文件”，然后选择“创建新文件”。
将新笔记本命名为 develop-tutorial.ipynb（或输入首选名称）。
如果计算实例已停止，请选择“启动计算”，并等待它运行。
你将在右上角看到笔记本已连接到默认内核。如果创建了内核，请切换到使用 Tutorial Workstation Env 内核。

开发训练脚本

在本部分中，你将使用 UCI 数据集中准备好的测试和训练数据集开发一个 Python 训练脚本，用于预测信用卡默认付款。

此代码使用 sklearn 进行训练，使用 MLflow 来记录指标。

从可导入将在训练脚本中使用的包和库的代码开始。

import os
import argparse
import pandas as pd
import mlflow
import mlflow.sklearn
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split

接下来，加载并处理此试验的数据。在本教程中，将从 Internet 上的一个文件读取数据。

# load the data
credit_df = pd.read_csv(
    "https://azuremlexamples.blob.core.windows.net/datasets/credit_card/default_of_credit_card_clients.csv",
    header=1,
    index_col=0,
)

train_df, test_df = train_test_split(
    credit_df,
    test_size=0.25,
)

准备好数据进行训练：

# Extracting the label column
y_train = train_df.pop("default payment next month")

# convert the dataframe values to array
X_train = train_df.values

# Extracting the label column
y_test = test_df.pop("default payment next month")

# convert the dataframe values to array
X_test = test_df.values

添加代码以使用 MLflow 开始自动记录，以便可以跟踪指标和结果。 MLflow 具有模型开发的迭代性质，可帮助你记录模型参数和结果。请回顾这些运行，比较并了解模型的性能。这些日志还为你准备好从 Azure 机器学习中工作流的开发阶段转到训练阶段提供上下文。
```
# set name for logging
mlflow.set_experiment("Develop on cloud tutorial")
# enable autologging with MLflow
mlflow.sklearn.autolog()
```

训练模型。

# Train Gradient Boosting Classifier
print(f"Training with data of shape {X_train.shape}")

mlflow.start_run()
clf = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1)
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)

print(classification_report(y_test, y_pred))
# Stop logging for this model
mlflow.end_run()

注意

可以忽略 mlflow 警告。你仍将获得需要跟踪的所有结果。

迭代

现在你已经有了模型结果，可能需要更改某些内容，然后重试。例如，请尝试其他分类器技术：

# Train  AdaBoost Classifier
from sklearn.ensemble import AdaBoostClassifier

print(f"Training with data of shape {X_train.shape}")

mlflow.start_run()
ada = AdaBoostClassifier()

ada.fit(X_train, y_train)

y_pred = ada.predict(X_test)

print(classification_report(y_test, y_pred))
# Stop logging for this model
mlflow.end_run()

注意

可以忽略 mlflow 警告。你仍将获得需要跟踪的所有结果。

检查结果

现在，你已尝试两个不同的模型，请使用 MLFfow 跟踪的结果来确定哪个模型更好。可以引用准确性等指标，或者引用对方案最重要的其他指标。可以通过查看 MLflow 创建的作业来更详细地了解这些结果。

在左侧导航栏中，选择“作业”。
选择“在云上开发教程”的链接。
显示了两个不同的作业，每个已尝试的模型对应一个。这些名称是自动生成的。将鼠标悬停在某个名称上时，如果要重命名该名称，请使用名称旁边的铅笔工具。
选择第一个作业的链接。名称显示在顶部。还可以在此处使用铅笔工具重命名它。
该页显示作业的详细信息，例如属性、输出、标记和参数。在“标记”下，你将看到 estimator_name，其描述模型的类型。
选择“指标”选项卡以查看 MLflow 记录的指标。（预期结果会有所不同，因为训练集不同。）
选择“图像”选项卡以查看 MLflow 生成的图像。
返回并查看其他模型的指标和图像。

创建 Python 脚本

现在，从笔记本创建 Python 脚本来用于模型训练。

在笔记本工具栏上，选择菜单。
选择“导出为”>“Python”。
将文件命名为 train.py。
浏览此文件并删除训练脚本中不需要的代码。例如，保留要使用的模型的代码，并删除不需要的模型的代码。
- 确保保留启动自动记录的代码 (mlflow.sklearn.autolog())。
- 你可能希望删除自动生成的注释，并添加更多自己的注释。
- 当（在终端或笔记本中）以交互方式运行 Python 脚本时，可以保留定义试验名称的行 (mlflow.set_experiment("Develop on cloud tutorial"))。或者甚至为其指定一个不同名称，以将其视为“作业”部分中的不同条目。但是，在为训练作业准备脚本时，该行不起作用，应省略；作业定义包括试验名称。
- 训练单个模型时，开始和结束运行的行（mlflow.start_run() 和 mlflow.end_run()）也没有必要（它们不起作用），但可以根据需要保留。
完成编辑后，请保存文件。

现在，你有一个 Python 脚本用于训练首选模型。

运行 Python 脚本

现在，你将在计算实例（即 Azure 机器学习开发环境）上运行此代码。 “教程：训练模型”介绍如何在更强大的计算资源上以更可缩放的方式运行训练脚本。

在左侧，选择“打开终端”以打开终端窗口。
查看当前的 conda 环境。活动环境标有 *。
```
conda env list
```
如果创建了一个新内核，请立即激活它：
```
conda activate workstation_env
```
如果为本教程创建了子文件夹，请立即运行 cd 转到该文件夹。
运行训练脚本。
```
python train.py
```

注意

可以忽略 mlflow 警告。你仍将从自动记录中获取所有指标和图像。

检查脚本结果

返回“作业”以查看训练脚本的结果。请记住，每次拆分时训练数据都会更改，因此各运行的结果也不同。

清理资源

如果打算继续学习其他教程，请跳到后续步骤。

停止计算实例

如果不打算现在使用它，请停止计算实例：

在工作室的左侧导航区域中，选择“计算”。
在顶部选项卡中，选择“计算实例”
在列表中选择该计算实例。
在顶部工具栏中，选择“停止”。

删除所有资源

重要

已创建的资源可用作其他 Azure 机器学习教程和操作方法文章的先决条件。

如果你不打算使用已创建的任何资源，请删除它们，以免产生任何费用：

在 Azure 门户中，选择最左侧的“资源组” 。
从列表中选择你创建的资源组。
选择“删除资源组”。
输入资源组名称。然后选择“删除”。

后续步骤

了解有关以下方面的详细信息：

本教程介绍了在代码所在的计算机上创建模型、原型制作的早期步骤。对于生产训练，了解如何在更强大的远程计算资源上使用该训练脚本：

定型模型