本文說明如何利用 TensorFlow 及 Azure Machine Learning Visual Studio Code 擴充功能訓練影像分類模型來辨識手寫數字。
重要
此功能目前處於公開預覽。 此預覽版本沒有服務等級協定，不建議用於處理生產工作負載。 可能不支援特定功能，或可能已經限制功能。
如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。
在本教學課程中，您會了解下列工作：
- 了解程式碼
- 建立工作區
- 訓練模型
必要條件
- Azure 訂用帳戶。 如果您沒有帳戶，請註冊 免費或付費版本的 Azure Machine Learning。 如果您使用免費訂用帳戶，則僅支援 CPU 叢集。
- Visual Studio Code，一個輕量型的跨平臺程式代碼編輯器。
- Python 3.10 或更新版本。
- Azure Machine Learning Visual Studio Code 擴充套件 如需安裝指示，請參閱 設定 Azure Machine Learning Visual Studio Code 擴充功能。
- CLI (第 2 版)。 關於安裝說明，請參見 「安裝並設定 CLI （v2）」。
- 複製社群驅動的 Azure Machine Learning 範例庫。
git clone https://github.com/Azure/azureml-examples.git
了解程式碼
本教學課程的程式碼會使用 TensorFlow 來定型影像分類機器學習模型，以將 0-9 的手寫數字分類。 其方式是建立神經網路，以接受28x28像素影像的圖元值做為輸入，然後輸出10個機率的清單，每個要分類的數位各一個。 下列範例顯示數據的外觀。
建立工作區
若要在 Azure Machine Learning 中建置應用程式，您必須先建立工作區。 工作區包含用來定型模型的資源，以及定型的模型本身。 如需詳細資訊，請參閱 什麼是 Azure Machine Learning 工作區？
在 Visual Studio Code 中，從範例存放庫開啟 azureml-examples/cli/jobs/single-step/tensorflow/mnist 目錄。
在 Visual Studio Code 活動列上，選取 Azure 圖示，以開啟 Azure Machine Learning 視圖。
在 [機器學習] 底下，以滑鼠右鍵按兩下您的訂用帳戶節點，然後選取 [ 建立工作區]。
規格檔案隨即出現。 使用下列選項設定規格檔案，然後加以儲存。
$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json name: TeamWorkspace location: WestUS2 display_name: team-ml-workspace description: A workspace for training machine learning models tags: purpose: training team: ml-team規則檔案會在
TeamWorkspace區域中建立名為WestUS2的工作區。 規格檔案中定義的其餘選項，可為工作區提供易記名稱、描述和標籤。以滑鼠右鍵按一下規格檔案，然後選取 [AzureML：執行 YAML]。 建立資源時，使用YAML規格檔中定義的設定選項，並透過CLI（v2）提交工作。 此時，擴充功能會向 Azure 請求在你的帳號中建立新的工作區和相關資源。 幾分鐘後，新的工作區就會出現在您的訂用帳戶節點中。
將
TeamWorkspace設為您的預設工作區。 將此工作區設為預設，你預設會將建立的資源和工作放進工作區。 請在 Visual Studio Code 狀態列上選取 [設定 Azure Machine Learning 工作區] 按鈕，並依照提示，將TeamWorkspace設為您的預設工作區。
如需工作區的詳細資訊，請參閱 使用 VS Code 擴充功能管理 Azure Machine Learning 資源。
訓練模型
在定型過程中，TensorFlow 模型的定型方式是針對每個要分類的數字，處理內嵌在其中的定型資料和學習模式。
如同工作區和計算目標一樣，訓練作業是以資源範本來定義。 在此範例中，規格定義於 job.yml 檔案中，該檔案位於範例存放庫中 的 azureml-examples/cli/jobs/single-step/tensorflow/mnist 資料夾中。
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
code: src
command: >
python train.py
environment: azureml:AzureML-tensorflow-2.12-cuda11@latest
compute: azureml:gpu-cluster
experiment_name: tensorflow-mnist-example
description: Train a basic neural network with TensorFlow on the MNIST dataset.
此規格檔會將名為 tensorflow-mnist-example 的訓練任務提交至 gpu-cluster 計算目標，該目標執行 train.py Python 腳本中的程式碼。 使用的環境是 Azure Machine Learning 所提供的其中一個精選環境，其中包含執行訓練腳本所需的 TensorFlow 和其他軟體相依性。 如需策展環境的詳細資訊，請參閱 Azure Machine Learning 策展環境。
若要提交訓練作業：
- 開啟 job.yml 檔案。
- 以滑鼠右鍵按一下文字編輯器中的檔案，然後選取 [AzureML：執行 YAML]。
此時，要求會傳送至 Azure，以在工作區中所選的計算目標上執行您的實驗。 這個程序需要幾分鐘的時間。 執行訓練作業的時間量會受到數個因素的影響，例如計算類型和定型資料大小。 若要追蹤實驗的進度，請以滑鼠右鍵按一下目前的執行節點，然後選取 [View Job in Azure portal] \(在 Azure 入口網站中檢視作業\)。
當要求開啟外部網站的對話方塊出現時，請選取 [開啟]。
當模型完成定型時，執行節點旁邊的狀態卷標會更新為 [已完成]。