Inviare un compito di addestramento in Azure Machine Learning Studio

Sono disponibili diverse opzioni per creare un processo di training con Azure Machine Learning. È possibile eseguire il training dei modelli usando l'interfaccia della riga di comando di Azure, l'API REST oppure è possibile usare l'interfaccia utente di Studio per creare direttamente un processo di training.

Questo articolo illustra come usare dati e codice personalizzati per eseguire il training di un modello di Machine Learning con un'esperienza guidata per l'invio di processi di training in Azure Machine Learning Studio.

Prerequisiti

• Una sottoscrizione di Azure. Se non si ha una sottoscrizione di Azure, creare un account Azure gratuito prima di iniziare.

• Un'area di lavoro di Azure Machine Learning. Per informazioni su come, vedere Creare risorse dell'area di lavoro.

• Una comprensione di cosa sia un compito di addestramento in Azure Machine Learning. Per altre informazioni, vedere come eseguire il training dei modelli.

Operazioni preliminari

1. Accedere ad Azure Machine Learning Studio, quindi selezionare la sottoscrizione e l'area di lavoro.

2. Accedere all'interfaccia di creazione del lavoro dalla homepage. Selezionare + Nuovo e scegliere Attività di formazione.

   

3. Selezionare il metodo di formazione, quindi scegliere Iniziare la configurazione del processo per aprire il modulo di configurazione.

   

   Nella sezione successiva viene illustrato il modulo con i passaggi per l'esecuzione di uno script di training personalizzato (processo di comando).

Configurare le impostazioni di base

Configura le informazioni di base sul tuo lavoro di formazione. Puoi passare alla pagina successiva se sei soddisfatto dei valori predefiniti scelti per te o apportare modifiche in base alle preferenze desiderate.

Sono disponibili i seguenti campi:

Caricare lo script di training

Nella pagina successiva caricare il codice sorgente. Configurare gli input o gli output necessari per eseguire il processo di training e specificare il comando per eseguire lo script di training.

È possibile usare un file di codice o una cartella dall'archivio BLOB predefinito del computer locale o dell'area di lavoro. Azure mostra i file da caricare dopo aver effettuato la selezione.

Codice

Il comando viene eseguito dalla directory radice della cartella del codice caricato. Dopo aver selezionato il file di codice o la cartella, è possibile visualizzare i file da caricare. Copiare il percorso relativo nel codice contenente il punto di ingresso e incollarlo nella casella con etichetta Immettere il comando per avviare il processo.

Se il codice si trova nella directory radice, è possibile farvi riferimento direttamente nel comando. Ad esempio, python main.py.

Se il codice non si trova nella directory radice, è necessario usare il percorso relativo. Ad esempio, la struttura del modello linguistico parola è:

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

In questo caso, il codice sorgente si trova nella sottodirectory src. Il comando sarà python ./src/main.py (più altri argomenti della riga di comando).

Input

Quando si usa un input nel comando, è necessario specificare il nome di input. Per indicare una variabile di input, usare il formato ${{inputs.input_name}}. Ad esempio, ${{inputs.wiki}}. È quindi possibile farvi riferimento nel comando, ad esempio, --data ${{inputs.wiki}}.

Selezionare le risorse di calcolo

Nella pagina successiva selezionare la destinazione di calcolo in cui si vuole eseguire il processo. L'interfaccia utente per la creazione di processi supporta diversi tipi di calcolo:

1. Selezionare un tipo di calcolo.

2. Selezionare una risorsa di calcolo esistente. L'elenco a discesa mostra le informazioni sul nodo e il tipo di SKU per facilitare la scelta.

3. Per un cluster di calcolo o un cluster Kubernetes, è anche possibile specificare il numero di nodi desiderati per il processo in Numero di istanze. Il numero predefinito di istanze è 1.

4. Quando si è soddisfatti delle scelte, scegliere Avanti.

Se si usa Azure Machine Learning per la prima volta, viene visualizzato un elenco vuoto e un collegamento per creare un nuovo ambiente di calcolo. Per altre informazioni sulla creazione dei vari tipi, vedere:

Specificare l'ambiente necessario

Dopo aver selezionato una destinazione di calcolo, è necessario specificare l'ambiente di runtime per il processo. L'interfaccia utente di creazione del processo supporta tre tipi di ambiente:

• Ambienti dedicati
• Ambienti personalizzati
• Immagine del registro contenitori

Ambienti dedicati

Gli ambienti curati sono raccolte di pacchetti Python definiti da Azure usati nei carichi di lavoro di Machine Learning comuni. Gli ambienti curati sono disponibili nell'area di lavoro per impostazione predefinita. Questi ambienti sono supportati da immagini Docker memorizzate nella cache che consentono di ridurre il sovraccarico di preparazione del processo. Le schede visualizzate nella pagina Ambienti curati mostrano i dettagli di ogni ambiente. Per altre informazioni, vedere Ambienti curati di Azure Machine Learning.

Ambienti personalizzati

Gli ambienti personalizzati sono ambienti specificati. È possibile specificare un ambiente o riutilizzare un ambiente già creato. Per altre informazioni, vedere Gestire gli ambienti software in Azure Machine Learning Studio.

Immagine del registro contenitori

Se non si vogliono usare gli ambienti curati di Azure Machine Learning o non si vuole specificare l'ambiente personalizzato, è possibile usare un'immagine Docker da un registro contenitori pubblico, ad esempio Docker Hub.

Rivedi e crea

Dopo aver configurato il processo, scegliere Avanti per passare alla pagina Verifica . Per modificare un'impostazione, scegliere l'icona a forma di matita e apportare la modifica.

Per avviare il processo, scegliere Invia processo di training. Dopo la creazione dell'attività, Azure mostra la pagina dei dettagli dell'attività, dove è possibile monitorare e gestire l'attività di addestramento.

Come configurare i messaggi di posta elettronica in Studio

Per iniziare a ricevere messaggi di posta elettronica quando il processo, l'endpoint online o l'endpoint batch sono stati completati o se si verifica un problema (non riuscito, annullato), seguire questa procedura:

1. In Azure ML Studio, passare alle impostazioni selezionando l'icona ingranaggio.
2. Selezionare la scheda Notifiche Email.
3. Attivare o disabilitare le notifiche e-mail per un evento specifico.

Contenuti correlati

• Distribuire e assegnare un punteggio a un modello di Machine Learning usando un endpoint online
• Eseguire il training di modelli con l'interfaccia della riga di comando di Azure Machine Learning, l'SDK e l'API REST