Skicka ett träningsjobb i Azure Machine Learning Studio

Det finns många sätt att skapa ett träningsjobb med Azure Machine Learning. Du kan träna modeller med hjälp av Azure CLI, REST API eller så kan du använda studiogränssnittet för att skapa ett träningsjobb direkt.

I den här artikeln får du lära dig hur du använder dina egna data och din egen kod för att träna en maskininlärningsmodell med en guidad upplevelse för att skicka träningsjobb i Azure Machine Learning Studio.

Förutsättningar

• Ett Azure-abonnemang. Om du inte har en Azure-prenumeration kan du skapa ett kostnadsfritt Azure-konto innan du börjar.

• En Azure Machine Learning-arbetsyta. Mer information finns i Skapa arbetsyteresurser.

• En förståelse för vad ett träningsjobb är i Azure Machine Learning. Mer information finns i träna modeller.

Kom igång

1. Logga in på Azure Machine Learning Studio och välj sedan din prenumeration och arbetsyta.

2. Ange användargränssnittet för att skapa jobb på startsidan. Välj + Ny och välj Träningsjobb.

   

3. Välj din träningsmetod och välj sedan Börja konfigurera jobbet för att öppna formuläret.

   

   I nästa avsnitt går vi igenom formuläret med stegen för att köra ett anpassat träningsskript (kommandojobb).

Konfigurera grundläggande inställningar

Konfigurera grundläggande information om ditt träningsjobb. Du kan gå vidare till nästa sida om du är nöjd med de standardvärden som vi har valt åt dig, eller göra ändringar baserat på dina önskade inställningar.

Följande fält är tillgängliga:

Ladda upp träningsskript

På nästa sida laddar du upp källkoden. Konfigurera indata eller utdata som krävs för att köra träningsjobbet och ange kommandot för att köra träningsskriptet.

Du kan använda en kodfil eller en mapp från den lokala datorn eller arbetsytans standardbloblagring. Azure visar de filer som ska laddas upp när du har valt.

Kod

Kommandot körs från rotkatalogen i den uppladdade kodmappen. När du har valt din kodfil eller mapp kan du se de filer som ska laddas upp. Kopiera den relativa sökvägen till koden som innehåller startpunkten och klistra in den i rutan med etiketten Ange kommandot för att starta jobbet.

Om koden finns i rotkatalogen kan du referera direkt till den i kommandot . Till exempel python main.py.

Om koden inte finns i rotkatalogen bör du använda den relativa sökvägen. Strukturen för ordspråksmodellen är till exempel:

.
├── job.yml
├── data
└── src
    └── main.py

Här finns källkoden i underkatalogen src . Kommandot skulle vara python ./src/main.py (plus andra kommandoradsargument).

Ingångar

När du använder indata i kommandot måste du ange indatanamnet. Om du vill ange en indatavariabel använder du formuläret ${{inputs.input_name}}. Till exempel ${{inputs.wiki}}. Du kan sedan referera till den i kommandot, till exempel --data ${{inputs.wiki}}.

Välj beräkningsresurser

På nästa sida väljer du det beräkningsmål som du vill att jobbet ska köras på. Användargränssnittet för jobbskapande stöder flera beräkningstyper:

1. Välj en beräkningstyp.

2. Välj en befintlig beräkningsresurs. Listrutan visar nodinformationen och SKU-typen som hjälper dig att välja.

3. För ett beräkningskluster eller ett Kubernetes-kluster kan du också ange hur många noder du vill ha för jobbet i Antal instanser. Standardantalet för instanser är 1.

4. När du är nöjd med dina val väljer du Nästa.

Om du använder Azure Machine Learning för första gången visas en tom lista och en länk för att skapa en ny beräkning. Mer information om hur du skapar de olika typerna finns i:

Ange den nödvändiga miljön

När du har valt ett beräkningsmål måste du ange körningsmiljön för din arbetsuppgift. Användargränssnittet för jobbskapande har stöd för tre typer av miljöer:

• Organiserade miljöer
• Anpassade miljöer
• Containerregisteravbildning

Organiserade miljöer

Utvalda miljöer är Azure-definierade samlingar av Python-paket som används i vanliga ML-arbetsbelastningar. Utvalda miljöer är tillgängliga på din arbetsyta som standard. Dessa miljöer backas upp av cachelagrade Docker-avbildningar, vilket minskar jobbförberedelsekostnaderna. Korten som visas på sidan Kuraterade miljöer visar information om varje miljö. Mer information finns i Azure Machine Learning-kurerade miljöer.

Anpassade miljöer

Anpassade miljöer är miljöer som du anger. Du kan ange en miljö eller återanvända en miljö som du redan har skapat. Mer information finns i Hantera programvarumiljöer i Azure Machine Learning Studio.

Containerregisteravbildning

Om du inte vill använda Azure Machine Learning-kurerade miljöer eller ange en egen anpassad miljö kan du använda en Docker-avbildning från ett offentligt containerregister, till exempel Docker Hub.

Granska och skapa

När du har ställt in jobbet, välj Nästa för att gå till sidan Granska. Om du vill ändra en inställning väljer du pennikonen och gör ändringen.

Starta jobbet genom att välja Skicka träningsjobb. När jobbet har skapats visar Azure sidan med jobbinformation, där du kan övervaka och hantera ditt träningsjobb.

Så här konfigurerar du e-postmeddelanden i studion

Om du vill börja ta emot e-postmeddelanden när jobbet, onlineslutpunkten eller batchslutpunkten är klar eller om det uppstår ett problem (misslyckades, avbröts) använder du följande steg:

1. I Azure ML Studio går du till inställningar genom att välja kugghjulsikonen.
2. Välj fliken E-postaviseringar .
3. Växla om du vill aktivera eller inaktivera e-postaviseringar för en viss händelse.

Relaterat innehåll

• Distribuera och poängsätta en maskininlärningsmodell med hjälp av en onlineslutpunkt
• Träna modeller med Azure Machine Learning CLI, SDK och REST API