使用 Azure Machine Learning Studio
您可以使用以瀏覽器為基礎的 入口網站 Azure Machine Learning Studio 來管理機器學習資源和作業，以存取許多類型的機器學習功能。
在 Azure Machine Learning Studio 中，您可以做以下事情（以及其他）：
- 匯入和探索數據。
- 建立和使用計算資源。
- 在筆記本中執行程序代碼。
- 使用可視化工具來建立作業和流程管道。
- 使用自動化機器學習來定型模型。
- 檢視已定型模型的詳細數據，包括評估計量、負責任的 AI 資訊，以及定型參數。
- 部署訓練好的模型以支援按需和批次推斷。
- 從完整的模型目錄匯入和管理模型。
配置Azure Machine Learning資源
Azure Machine Learning 所需的主要資源是 Azure Machine Learning 工作區，您可以在 Azure 訂用帳戶中布建。 其他支持的資源，包括記憶體帳戶、容器登錄、虛擬機和其他專案，都會視需要自動建立。 您可以在 Azure 入口網站中建立 Azure Machine Learning 工作區。
決定計算選項
當您使用 Azure Machine Learning 來定型模型時，您必須選取 計算。 計算是指執行訓練過程所需的計算資源。 每次訓練模型時，您應該監視訓練模型所需的時間，以及用來執行程式碼的計算量。 藉由監視計算使用率，您將知道應該擴大或縮小計算。
當您選擇使用 Azure 而不是在本機裝置上訓練模型時，您將能夠存取可調整且符合成本效益的計算。
| 計算選項 | 考慮事項 |
|---|---|
| 中央處理器 （CPU） 或 圖形處理器 （GPU） | 對於較小的表格式資料集，CPU 就足夠且符合成本效益。 對於影像或文字等非結構化資料，GPU 會更加強大且有效。 如果 CPU 計算經證明不敷使用，GPU 也可用於較大的表格式資料集。 |
| 一般用途 或 記憶體優化 | 使用一般用途能有平衡的 CPU 對記憶體比率，這非常適合使用較小的資料集進行測試和開發。 使用記憶體最佳化能有高記憶體對 CPU 比率。 非常適合記憶體內部分析，當您擁有較大的資料集或使用筆記本時，這是理想的選擇。 |
哪一種計算選項最符合您的需求通常是透過試誤法歸納出來的。 執行程式碼時，您應該監視計算使用率，以了解您所使用的計算資源量。 如果訓練模型需要過長的時間，那麼即使擁有最大計算大小，您可以使用 GPU，而非 CPU。 或者，您可以選擇使用 Spark 計算來散發模型訓練，這需要您重寫訓練指令碼。
Azure 自動化機器學習
當您使用 Azure Machine Learning 的自動化機器學習功能時，系統會自動指派計算。 Azure 自動化機器學習 會將機器學習模型開發的耗時反覆工作自動化。
在 Azure Machine Learning Studio 中，您可以使用自動化機器學習來設計和執行定型實驗，其步驟與本課程模組中所述的步驟相同，而不需要撰寫程式代碼。 Azure 自動化機器學習提供逐步精靈，可協助您執行機器學習訓練作業。 自動化定型可用於許多機器學習工作，包括回歸、時間序列預測、分類、計算機視覺和自然語言處理工作。 在 AutoML 中，您可以存取自己的資料集。 定型的機器學習模型可以部署為服務。
接下來，讓我們看看模型部署選項。