Delen via

Zelfstudie: Een model voor afbeeldingsclassificatie trainen met behulp van de Azure Machine Learning Visual Studio Code-extensie (preview)

VAN TOEPASSING OP: Azure CLI ml-extensie v2 (huidige)

In dit artikel wordt uitgelegd hoe u een afbeeldingsclassificatiemodel traint om handgeschreven nummers te herkennen met behulp van TensorFlow en de Azure Machine Learning Visual Studio Code-extensie.

Belangrijk

Deze functie is momenteel beschikbaar als openbare preview-versie. Deze preview-versie wordt geleverd zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt.

Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

In deze zelfstudie leert u het volgende:

  • De code begrijpen
  • Een werkruimte maken
  • Een model trainen

Vereisten

De code begrijpen

De code voor deze zelfstudie maakt gebruik van TensorFlow voor het trainen van een Machine Learning-model voor de classificatie van afbeeldingen dat handgeschreven cijfers van 0-9 categoriseert. Dit doet u door een neuraal netwerk te maken dat de pixelwaarden van 28 x 28 pixels als invoer gebruikt en vervolgens een lijst met tien waarschijnlijkheden uitvoert, één voor elk van de cijfers die worden geclassificeerd. In het volgende voorbeeld ziet u hoe de gegevens eruit zien.

Schermopname van een voorbeeld van MNIST-cijfers.

Een werkruimte maken

Als u een toepassing wilt bouwen in Azure Machine Learning, moet u eerst een werkruimte maken. Een werkruimte bevat de resources voor het trainen van modellen en ook de getrainde modellen zelf. Zie Wat is een Azure Machine Learning-werkruimte voor meer informatie?

  1. Open Visual Studio Code en open de map azureml-examples/cli/jobs/single-step/tensorflow/mnist van de voorbeeldopslagplaats.

  2. Selecteer op de activiteitenbalk van Visual Studio het pictogram Azure om de weergave Azure Machine Learning te openen.

  3. Klik onder Machine Learning met de rechtermuisknop op het abonnementsknooppunt en selecteer Werkruimte maken.

    Schermopname van de optie voor het maken van een werkruimte.

  4. Er wordt een specificatiebestand weergegeven. Configureer het specificatiebestand met de volgende opties en sla het op.

    $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

    Het specificatiebestand maakt een werkruimte die in de TeamWorkspace regio wordt aangeroepenWestUS2. De rest van de opties die in het specificatiebestand zijn gedefinieerd, bieden beschrijvende naamgeving, beschrijvingen en tags voor de werkruimte.

  5. Klik met de rechtermuisknop op het specificatiebestand en selecteer AzureML: YAML uitvoeren. Het maken van een resource maakt gebruik van de configuratieopties die zijn gedefinieerd in het YAML-specificatiebestand en verzendt een taak met behulp van de CLI (v2). Op dit moment wordt een aanvraag naar Azure gedaan om een nieuwe werkruimte en afhankelijke resources in uw account te maken. Na een paar minuten wordt de nieuwe werkruimte weergegeven in uw abonnementknooppunt.

  6. Instellen TeamWorkspace als uw standaardwerkruimte. Als u dit doet, worden resources en taken die u in de werkruimte maakt standaard opgeslagen. Selecteer de knop Azure Machine Learning-werkruimte instellen op de statusbalk van Visual Studio Code en volg de aanwijzingen om in te stellen TeamWorkspace als uw standaardwerkruimte.

Zie Azure Machine Learning-resources beheren met de VS Code-extensie voor meer informatie over werkruimten.

Het model trainen

Tijdens het trainingsproces wordt een TensorFlow-model getraind door de trainingsgegevens en leerpatronen die erin zijn ingesloten, te verwerken voor elk van de respectieve cijfers die worden geclassificeerd.

Net als werkruimten en rekendoelen worden trainingstaken gedefinieerd met resourcesjablonen. Voor dit voorbeeld wordt de specificatie gedefinieerd in het bestand job.yml , dat zich bevindt in de map azureml-examples/cli/jobs/single-step/tensorflow/mnist in de opslagplaats met voorbeelden.

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
code: src
command: >
    python train.py
environment: azureml:AzureML-tensorflow-2.4-ubuntu18.04-py37-cuda11-gpu:48
resources:
   instance_type: Standard_NC12
   instance_count: 3
experiment_name: tensorflow-mnist-example
description: Train a basic neural network with TensorFlow on the MNIST dataset.

Met dit specificatiebestand wordt een trainingstaak verzonden die wordt aangeroepen tensorflow-mnist-example naar het onlangs gemaakte gpu-cluster computerdoel waarmee de code in het train.py Python-script wordt uitgevoerd. De gebruikte omgeving is een van de gecureerde omgevingen van Azure Machine Learning, die TensorFlow en andere softwareafhankelijkheden bevat die nodig zijn om het trainingsscript uit te voeren. Zie Gecureerde omgevingen van Azure Machine Learning voor meer informatie over gecureerde omgevingen.

De trainingstaak verzenden:

  1. Open het bestand job.yml .
  2. Klik met de rechtermuisknop op het bestand in de teksteditor en selecteer AzureML: YAML uitvoeren.

Op dit punt wordt een aanvraag verzonden naar Azure om uw experiment in het geselecteerde rekendoel in uw werkruimte uit te voeren. Dit proces duurt enkele minuten. De hoeveelheid tijd die nodig is om de trainingstaak uit te voeren, wordt beïnvloed door diverse factoren, zoals het rekentype en de grootte van de trainingsgegevens. Als u de voortgang van uw experiment wilt bijhouden, klikt u met de rechtermuisknop op het huidige uitvoeringsknooppunt en selecteert u Taak weergeven in Azure Portal.

Wanneer het dialoogvenster voor het openen van een externe website wordt weergegeven, selecteert u Openen.

Schermopname van de voortgang van de taak.

Wanneer het model klaar is met trainen, wordt het statuslabel naast het uitvoeringsknooppunt bijgewerkt naar Voltooid.

Verwante inhoud