Använda Azure Machine Learning Studio
Du kan använda Azure Machine Learning Studio, en webbläsarbaserad portal för att hantera dina maskininlärningsresurser och -jobb, för att få åtkomst till många typer av maskininlärningsfunktioner.
I Azure Machine Learning Studio kan du (bland annat):
- Importera och utforska data.
- Skapa och använda beräkningsresurser.
- Kör kod i notebooks.
- Använd visuella verktyg för att skapa jobb och pipelines.
- Använd automatiserad maskininlärning för att träna modeller.
- Visa information om tränade modeller, inklusive utvärderingsmått, ansvarsfull AI-information och träningsparametrar.
- Distribuera tränade modeller för slutsatsdragning på begäran och batch.
- Importera och hantera modeller från en omfattande modellkatalog.
Etablera Azure Machine Learning-resurser
Den primära resurs som krävs för Azure Machine Learning är en Azure Machine Learning-arbetsyta som du kan etablera i en Azure-prenumeration. Andra stödresurser, inklusive lagringskonton, containerregister, virtuella datorer och andra skapas automatiskt efter behov. Du kan skapa en Azure Machine Learning-arbetsyta i Azure-portalen.
Bestäm mellan beräkningsalternativ
När du använder Azure Machine Learning för att träna en modell måste du välja beräkning. Beräkning refererar till de beräkningsresurser som krävs för att utföra träningsprocessen. Varje gång du tränar en modell bör du övervaka hur lång tid det tar att träna modellen och hur mycket beräkning som används för att köra koden. Genom att övervaka beräkningsanvändningen vet du om du vill skala upp eller ned din beräkning.
När du väljer att arbeta med Azure i stället för att träna en modell på en lokal enhet har du åtkomst till skalbar och kostnadseffektiv beräkning.
| Compute-alternativ | Överväganden |
|---|---|
| Central processing unit (CPU) eller en GPU (Graphics Processing Unit) | För mindre tabelldatauppsättningar räcker det med en processor och är kostnadseffektiv. För ostrukturerade data som bilder eller text är GPU:er mer kraftfulla och effektiva. GPU:er kan också användas för större tabelldatauppsättningar, om CPU-beräkningen visar sig vara otillräcklig. |
| Generell användning eller minnesoptimerad | Använd generell användning för att ha ett balanserat cpu-till-minne-förhållande, vilket är idealiskt för testning och utveckling med mindre datamängder. Använd minnesoptimerad för att ha ett högt förhållande mellan minne och CPU. Perfekt för minnesintern analys, vilket är perfekt när du har större datamängder eller när du arbetar i notebook-filer. |
Vilka beräkningsalternativ som passar bäst för dina behov är ofta ett fall av utvärderingsversion och fel. När du kör kod bör du övervaka beräkningsanvändningen för att förstå hur mycket beräkningsresurser du använder. Om det tar för lång tid att träna din modell, även med den största beräkningsstorleken, kan du använda GPU:er i stället för processorer. Du kan också välja att distribuera modellträning med hjälp av Spark-beräkning som kräver att du skriver om dina träningsskript.
Automatiserad Maskininlärning i Azure
När du använder Azure Machine Learnings automatiserade maskininlärningsfunktioner tilldelas du automatiskt beräkning. Automatiserad maskininlärning i Azure automatiserar de tidskrävande, iterativa uppgifterna för utveckling av maskininlärningsmodeller.
I Azure Machine Learning Studio kan du använda Automatiserad maskininlärning för att utforma och köra dina träningsexperiment med samma steg som beskrivs i den här modulen, utan att behöva skriva kod. Azure Automated Machine Learning innehåller en stegvis guide som hjälper dig att köra maskininlärningsträningsjobb. Den automatiserade utbildningen kan användas för många maskininlärningsuppgifter, inklusive regression, prognostisering i tidsserier, klassificering, visuellt innehåll och bearbetningsuppgifter för naturligt språk. I AutoML har du åtkomst till dina egna datauppsättningar. Dina tränade maskininlärningsmodeller kan distribueras som tjänster.
Nu ska vi titta på distributionsalternativen för modellen.