Introducción a Azure Machine Learning para Visual Studio CodeGet started with Azure Machine Learning for Visual Studio Code

En este artículo, aprenderá a usar la extensión Azure Machine Learning para Visual Studio Code para entrenar e implementar los modelos de Machine Learning.In this article, you'll learn how to use the Azure Machine Learning for Visual Studio Code extension to train and deploy machine learning models.

Azure Machine Learning simplifica la creación, el entrenamiento y la implementación de los modelos de Machine Learning.The Azure Machine Learning streamlines the building, training, and deployment of machine learning models.

  • Para el entrenamiento, proporciona compatibilidad para ejecutar experimentos localmente o de forma remota.For training, it provides support for running experiments locally or remotely. En cada experimento, puede registrar métricas personalizadas de varias ejecuciones para ajustar los hiperparámetros.For every experiment, you can log custom metrics of multiple runs to fine-tune hyperparameters
  • Asimismo, también puede usar Azure Machine Learning para implementar fácilmente modelos de Machine Learning para sus necesidades de prueba y producción.You can also use the Azure Machine Learning to easily deploy machine learning models for your testing and production needs.

Requisitos previosPrerequisites

Instalación de la extensiónInstall the extension

Cuando instale la extensión de Azure Machine Learning, se instalan automáticamente dos extensiones más.When you install the Azure Machine Learning extension, two more extensions are automatically installed. Son la extensión Azure Account y la extensión Microsoft Python.They're the Azure Account extension and the Microsoft Python extension. Para obtener más información sobre cómo editar, ejecutar y depurar código de Python mediante la extensión de Python, consulte el tutorial de hello world de Python.For more information about using the Python extension for editing, running, and debugging Python code, see the Python hello-world tutorial.

Para instalar la extensión Azure Machine Learning:To install the Azure Machine Learning extension:

  1. Abra Visual Studio Code.Open Visual Studio Code.

  2. Cambie a la pestaña Extensiones y busque "Azure Machine Learning".Switch to the Extensions tab, and search for "Azure Machine Learning".

  3. En la pestaña de la extensión, seleccione Instalar.On the extension tab, select Install.

  4. Se abrirá una pestaña de bienvenida de la extensión en Visual Studio Code, y el símbolo de Azure (resaltado en rojo en la siguiente captura de pantalla) se agrega a la barra de actividad.A welcome tab for the extension opens in Visual Studio Code, and the Azure symbol (highlighted in red in the following screenshot) is added to the activity bar.

    Icono de Azure en la barra de actividad de Visual Studio Code

  5. En el cuadro de diálogo, seleccione Sesión y siga las indicaciones para autenticarse con Azure.In the dialog box, select Sign In and follow the prompts to authenticate with Azure.

    La extensión Cuenta de Azure, que se instaló junto con la extensión Azure Machine Learning para Visual Studio Code, le ayuda a autenticarse con su cuenta de Azure.The Azure Account extension, which was installed along with the Azure Machine Learning for Visual Studio Code extension, helps you authenticate with your Azure account. Para obtener una lista de comandos, consulte la página de la extensión Cuenta de Azure.For a list of commands, see the page for the Azure Account extension.

Sugerencia

También puede descargar el instalador de la extensión directamente desde Azure  Machine Learning para la extensión de Visual Studio Code (versión preliminar).You can also download the extension installer directly from Azure Machine Learning for Visual Studio Code extension (preview).

Inicio rápido con Azure Machine LearningQuickstart with Azure Machine Learning

Existen varias maneras de ejecutar los scripts de entrenamiento mediante Azure Machine Learning.There are multiple ways of running your training scripts using Azure Machine Learning. Si acaba de empezar, veremos primero cómo enviar rápidamente un script de entrenamiento para que se ejecute en Azure.If you're just getting started, let's first walk through how to quickly submit a training script to run in Azure.

Si ya está familiarizado con los conceptos de Azure Machine Learning y quiere obtener más información sobre cómo administrarlos y usarlos con la extensión, consulte los detalles de Azure Machine Learning con VS Code a continuación.If you're already somewhat familiar with the Azure Machine Learning concepts and would like more details as to how to manage and use them with the extension, see Azure Machine Learning in-depth with VS Code below.

Ejecutar un script de entrenamiento de Python existente en AzureRun an existing Python training script in Azure

Si tiene un script de entrenamiento existente, la extensión de Azure Machine Learning para VS Code no solo proporciona una excelente experiencia de edición, depuración y administración del código fuente, sino que también facilita la ejecución y el almacenamiento de las métricas del script en Azure.If you have an existing training script, the Azure Machine Learning extension for VS Code not only provides an excellent editing, debugging, and source management experience, but also makes it easy to run and store metrics for your script in Azure.

Comencemos.Let's get started. Puede usar su propio script de entrenamiento si ya lo tiene listo o clonar el ejemplo vscode-tools-for-ai repo.You can use your own training script if you have it ready, or clone the sample vscode-tools-for-ai repo. Este es el repositorio público para la presentación de problemas de esta extensión.This is the public repo for filing issues about this extension. También contiene una pequeña carpeta de ejemplo mnist que usaremos en este ejemplo.It also contains a small mnist sample folder that we'll use for this example.

  1. Abra la carpeta mnist en VS Code.Open the mnist folder in VS Code.

  2. Cree un nuevo entorno de Python con su paquete de entorno virtual favorito o con Anaconda e instale los paquetes TensorFlow y NumPy.Create a new Python environment using your favorite virtual environment package or Anaconda and install the TensorFlow and numpy packages.

  3. Seleccione el nuevo entorno que creó como intérprete de Python en la esquina inferior izquierda de la barra de estado de VS Code.Select the new environment you created as your Python interpreter at the bottom-left corner of the VS Code status bar.

  4. Abra train.py y ejecútelo; para ello, abra el depurador y pulse el botón de ejecución (o simplemente presione F5).Open train.py and run it by opening the debugger and pressing the run button (or just press F5).

    Ejecutar el entrenamiento de MNISTRun MNIST Training

Si todo está instalado correctamente, el script se ejecutará y creará un modelo de TensorFlow en la carpeta de salidas.If everything is installed correctly, the script will run and create a TensorFlow model in the outputs folder.

Mostrar el modelo de TensorFlowShow TensorFlow Model

Ahora que sabe que el script se ejecuta correctamente, vamos a ejecutarlo en Azure.Now that you know that your script runs correctly, let's run it in Azure!

Esto se puede hacer fácilmente sin ninguna modificación adicional de train.py.This can be easily done with no extra modification of train.py. Sin embargo, con solo unos pocos y sencillos cambios, puede usar Azure Machine Learning para realizar un seguimiento automático de las métricas importantes que quiera sobre cada ejecución de entrenamiento.However, with just a few simple changes, you can make use of Azure Machine Learning to automatically track important metrics of your choice about each training run.

Haga que Azure tenga en cuenta las métricas de ejecuciónMake Azure aware of your run metrics

Para modificar el proyecto de forma que Azure pueda tener en cuenta la información importante en las ejecuciones, realice lo siguiente:To modify your project so that Azure can be made aware of important information in your runs:

  1. Cree un archivo denominado amlrun.py en la misma carpeta que train.py.Create a file called amlrun.py in the same folder as train.py

    import azureml
    from azureml.core import Run
    
    # access the Azure ML run
    # init run param to check if running within AML
    def get_AMLRun():
        try:
            run = Run.get_submitted_run()
            return run
        except Exception as e:
            print("Caught = {}".format(e.message))
            return None
    
  2. Importe el archivo amlrun en train.py.Import the amlrun file in train.py

    ...
    from utils import prepare_data
    from amlrun import get_AMLRun
    ...
    
  3. Inicialice el objeto de ejecución en train.py.Initialize the run object in train.py

    ...
    init = tf.global_variables_initializer()
    saver = tf.train.Saver()
    run = get_AMLRun()
    ...
    
  4. Registre las métricas en Azure con la función run.log():Log metrics to Azure with the run.log() function:

    ...
            acc_val = acc_op.eval(feed_dict = {X: X_test, y: y_test})
    
            # log accuracies to AML logger if using AML
            if run != None:
                run.log('Validation Accuracy', np.float(acc_val))
                run.log('Training Accuracy', np.float(acc_train))
    
            print(epoch, '-- Training accuracy:', acc_train, '\b Validation
    ...
    

Ejecutar el script en AzureRun the script in Azure

Eso es todo.That's it! Ahora solo tiene que usar la extensión para ejecutar el script en la nube.Now just use the extension to run your script in the cloud! Tenga en cuenta que en el siguiente vídeo del tutorial nos tomamos la libertad de reducir la cantidad de tiempo que se tarda en crear un nuevo área de trabajo y proceso de Azure Machine Learning, así como el tiempo que se tarda en ejecutar el script de entrenamiento.Note that the following walkthrough video takes the liberty of compressing the amount of time it takes to create a new Azure ML workspace and compute, as well as the time it takes to run the training script.

Inicio de un experimento de Azure Machine LearningStart an Azure ML experiment

Después de hacer clic en el botón para ejecutar experimento, responda a los mensajes tal como se indica a continuación:After clicking the Run Experiment button, answer the prompts as follows:

  1. Elegir la suscripción de AzureChoose your Azure subscription

  2. Cree un área de trabajo de Azure Machine Learning nueva.Choose to create a new Azure ML workspace

  3. Elija un conjunto de plantillas preconfiguradas para inicializar el entorno de Python para las ejecuciones.Pick from a set of pre-configured templates to initialize the Python environment for the runs. Las plantillas proporcionan un punto inicial e incluyen la configuración de:The templates provide a starting point and include settings for:

    1. PyTorch, TensorFlow, o Scikit-learnPyTorch, TensorFlow, or Scikit-learn
    2. Entrenamiento de procesos simple o distribuidoSingle or Distributed compute training
    3. General para entornos personalizadosGeneral for custom environments
  4. Asegúrese de que la lista de paquetes PIP y Conda esté completa en el script agregando cualquier paquete que no esté incluido en la plantilla.Ensure the list of pip and conda packages is complete for your script by adding any packages that are not included in the template.

  5. Revise los nombres y las especificaciones predeterminados para la ejecución del experimento y haga clic en el vínculo Enviar experimento en el archivo JSON.Review the default names and specs for the experiment run and click the Submit Experiment link in the json file. El archivo JSON no se guardará, ya que simplemente está allí para que revise o cambie la configuración del experimento antes de enviarlo.The json file won't be saved as it's simply there for you to review or change the experiment settings before submission.

  6. Siéntese y relájese mientras la extensión configura todo para usted y ejecuta su script.Sit back and relax while the extension sets everything up for you and runs your script!

    Entrenamiento en la nubeTrain in cloud

En unos segundos, se le notificará que el experimento se ha enviado a Azure; en ese momento puede ver su progreso en Azure Machine Learning Studio haciendo clic en el vínculo Ver ejecución del experimento en la notificación de VS Code o en VS Code, si pulsa el botón de actualización de la pestaña de Azure.In a few seconds, you'll be notified that the experiment has been submitted to Azure at which time you can view its progress either in the Azure Machine Learning studio by clicking the View Experiment Run link in the VS Code notification, or inside VS Code by hitting the refresh button in the Azure tab.

Por el momento, la visualización de métricas en ejecución solo se admite en Studio.At the moment, viewing run metrics is only supported in the studio. El vínculo Ver ejecución del experimento mencionado anteriormente le llevará al proceso de ejecución donde verá las métricas que registró.The View Experiment Run link mentioned above will take you to the run where you'll see the metrics you logged.  Experimento ejecutado en el portalExperiment run in portal

Detalles de Azure Machine Learning con VS CodeAzure Machine Learning in-depth with VS Code

En el tutorial anterior le presentamos un experimento siguiendo los pasos más fáciles.In the walkthrough above, we submitted an experiment by following the easiest path. Como habrá notado, la extensión minimiza los pasos que necesita realizar para ejecutar un experimento.As you may have noticed the extension minimizes the steps that you need to manage to run an experiment. En esta sección, le indicaremos cómo administrar todos los conceptos de Azure Machine Learning individualmente para que pueda obtener el máximo control.In this section, we'll cover how you can manage all the Azure Machine Learning concepts individually, providing maximum control.

Antes de iniciar el aprendizaje y la implementación de modelos de aprendizaje automático en Visual Studio Code, debe crear un área de trabajo de Azure Machine Learning en la nube.Before you start training and deploying machine learning models in Visual Studio Code, you need to create an Azure Machine Learning workspace in the cloud. Esta área de trabajo contiene los modelos y los recursos.This workspace will contain your models and resources.

Crear un área de trabajoCreate a workspace

  1. En la barra de actividad de Visual Studio Code, haga clic en el icono de Azure.On the Visual Studio Code activity bar, select the Azure icon. Aparecerá la barra lateral de Azure Machine Learning.The Azure Machine Learning sidebar appears.

    Creación de un área de trabajoCreate a workspace

  2. Haga clic con el botón derecho en su suscripción de Azure y seleccione Crear área de trabajo.Right-click your Azure subscription and select Create Workspace. De forma predeterminada, se crea un nombre que contiene la fecha y la hora de la creación.By default a name is generated containing the date and time of creation. Cambie el nombre a TeamWorkspace y presione Entrar.Change the name to TeamWorkspace and press enter.

  3. Seleccione un grupo de recursos de la lista si sabe cuál elegir o cree uno nuevo.Select a resource group from the list if you know which to choose or create a new one. Si crea uno nuevo, elija la ubicación que esté más cerca de la ubicación donde quiere implementar el modelo.If creating a new one, choose a location that is closest to the location you plan to deploy your model. En este caso, elegiremos Oeste de EE. UU. 2.In this case, we chose West US 2.

  4. Después de presionar Entrar, Azure Machine Learning recibirá la solicitud para crear el área de trabajo.After pressing enter, Azure Machine Learning will receive the request to create your workspace. Recibirá una notificación del proceso en el área de notificaciones de Visual Studio Code.You will be notified of the process in the Visual Studio Code notification area.

  5. Expanda el nodo de suscripción para buscar el área de trabajo recién creado.Expand the Subscription node, to find your newly created workspace.

Creación de un experimentoCreate an experiment

Se pueden crear uno o más experimentos en el área de trabajo y así poder realizar un seguimiento y analizar la ejecuciones de entrenamiento de modelos individuales.One or more experiments can be created in your workspace to track and analyze individual model training runs. Las ejecuciones se pueden realizar en la nube de Azure o en su máquina local.Runs can be done in the Azure cloud or on your local machine.

  1. Expanda el área de trabajo TeamWorkspace.Expand the TeamWorkspace workspace. Haga clic con el botón derecho en el nodo Experiments (Experimentos) y elija Create Experiment (Crear experimento) en el menú contextual.Right-click the Experiments node, and choose Create Experiment from the context menu.

  2. En la solicitud, escriba un nombre para el experimento.In the prompt, enter a name for your experiment. En las capturas de pantalla de ejemplo, el experimento se denomina MNIST.In the example screenshots, the experiment is named MNIST.

  3. Presione Intro para crear el nuevo experimento.Select Enter to create the new experiment. El nuevo experimento aparece en el árbol como elemento secundario del nodo Experiments (Experimentos).The new experiment appears in the tree as a child of the Experiments node.

  4. En un área de trabajo, puede hacer clic con el botón derecho en un experimento para establecerlo como el experimento activo.In a workspace, you can right-click an experiment to set it as the Active experiment. El experimento Activo vincula ese experimento en la nube a la carpeta que actualmente tiene abierta en Visual Studio Code.The Active experiment links that experiment in the cloud to the folder you currently have open in Visual Studio Code. Esta carpeta debe contener los scripts de Python locales.This folder should contain your local Python scripts. Al establecer un experimento activo, las métricas clave de todas las ejecuciones de entrenamiento se almacenarán en el mismo experimento, independientemente de dónde se ejecuten.By setting an active experiment, key metrics for all training runs will be stored within the experiment, regardless of where they're executed.

    Crear un experimentoCreate an Experiment

Creación y administración de destinos de procesoCreate and manage compute targets

Con Azure Machine Learning para Visual Studio Code, puede preparar los datos, entrenar modelos e implementarlos tanto localmente como en destinos de proceso remotos.With Azure Machine Learning for Visual Studio Code, you can prepare your data, train models, and deploy them both locally and on remote compute targets.

Esta extensión admite varios destinos de proceso remotos diferentes para Azure Machine Learning.The extension supports several remote compute targets for Azure Machine Learning. Para más información, consulte la lista completa de destinos de proceso admitidos para Azure Machine Learning.For more information, see the full list of supported compute targets for Azure Machine Learning.

Creación de destinos de proceso para Azure Machine Learning en Visual Studio CodeCreate compute targets for Azure Machine Learning in Visual Studio Code

Para crear un destino de proceso:To create a compute target:

  1. En la barra de actividad de Visual Studio Code, haga clic en el icono de Azure.On the Visual Studio Code activity bar, select the Azure icon. Aparecerá la barra lateral de Azure Machine Learning.The Azure Machine Learning sidebar appears.

  2. En la vista de árbol, expanda su suscripción de Azure y el área de trabajo de Azure Machine Learning.In the tree view, expand your Azure subscription and Azure Machine Learning workspace.

  3. En el nodo del área de trabajo, haga clic con el botón derecho en el nodo Proceso y elija Crear proceso.Under the workspace node, right-click the Compute node and choose Create Compute.

  4. Elija el tipo de destino de proceso en la lista.Choose the compute target type from the list.

  5. En la paleta de comandos, seleccione un tamaño de máquina virtual.In the command palette prompt, select a virtual machine size. Puede filtrar los procesos con texto, como "gpu".You can filter the computes with text, such as "gpu".

  6. En el indicador de la paleta de comandos, escriba un nombre para el destino de proceso.In the command palette prompt, enter a name for the compute target.

  7. Después de escribir el nombre, el proceso se creará mediante los parámetros predeterminados.After entering the name, the compute will be created using default parameters. Para cambiar esos parámetros, haga clic derecho en el nuevo proceso y seleccione Edit Compute (Editar proceso).To change the parameters, right-click on the new compute and choose Edit Compute.

  8. En el elemento JSON que se muestra, realice los cambios que quiera y haga clic en la opción "Save and continue" (Guardar y continuar) de CodeLens (si usa el teclado puede presionar ctrl-shift-p para invocar la paleta de comandos y ejecutar el comando Azure Machine Learning: Save and Continue).In the json that is displayed, make desired changes then click the "Save and continue" CodeLens (using the keyboard you can press ctrl-shift-p to invoke the command palette and run the Azure ML: Save and Continue command)

A continuación, le proporcionamos un ejemplo para que vea cómo crear y editar un proceso de Azure Machine Learning (AMLCompute):Here's an example of how to create and edit an Azure Machine Learning compute (AMLCompute):

Creación de un proceso de Azure Machine Learning en Visual Studio CodeCreate AML compute in Visual Studio Code

Archivo de "configuración de ejecución"The run configuration file

Para ejecutar un experimento de Azure Machine Learning en un proceso, ese mismo proceso debe configurarse adecuadamente.To run an Azure Machine Learning experiment on a compute, that compute needs to be configured appropriately. Un archivo de configuración de ejecución es el mecanismo mediante el cual se especifica el entorno.A run configuration file is the mechanism by which this environment is specified.

Aquí tiene un ejemplo que muestra cómo crear una configuración de ejecución para el elemento AmlCompute, creado anteriormente.Here's an example of how to create a run configuration for the AmlCompute, created above.

 rear una configuración de ejecución para un procesoCreate a run configuration for a compute

Para ejecutar experimentos de Azure Machine Learning en su máquina local, es necesario tener un archivo de configuración de ejecución.To run Azure ML experiments on your local machine a run configuration file is still required. Al crear una configuración de ejecución local, el entorno de Python que use tomará por defecto la ruta de acceso al intérprete que haya establecido en VS Code.When creating a local run configuration the Python environment used will default to the path to the interpreter you have set within VS Code.

Entrenamiento y ajuste de modelosTrain and tune models

Al usar de la extensión de Azure Machine Learning para VS Code, encontrá varias formas de ejecutar un script de entrenamiento en un experimento.Using the Azure ML extension for VS Code There are multiple ways of running a training script in an experiment.

  1. Haga clic derecho en el script de entrenamiento y seleccione Azure Machine Learning: ejecutar como experimento en Azure.Right click on the training script and choose Azure ML: Run as Experiment in Azure
  2. Haga clic en el icono de la barra de herramientas para ejecutar el experimento.Click the Run Experiment toolbar icon.
  3. Haga clic derecho en un nodo de configuración de ejecución.Right click on a run configuration node.
  4. Use la paleta de comandos de VS Code para ejecutar Azure Machine Learning: ejecutar experimentoUse the VS Code command palette to execute Azure ML: Run Experiment

Para ejecutar un experimento de Azure Machine Learning:To run an Azure Machine Learning experiment:

  1. En la barra de actividad de Visual Studio Code, haga clic en el icono de Azure.On the Visual Studio Code activity bar, select the Azure icon.

  2. En la vista de árbol, expanda su suscripción de Azure y el área de trabajo de Azure Machine Learning.In the tree view, expand your Azure subscription and Azure Machine Learning workspace.

  3. En el nodo del área de trabajo, expanda el nodo Experiments (Experimentos) y haga clic con el botón derecho en el experimento que quiera ejecutar.Under the workspace node, expand the Experiments node and right-click the experiment you want to run.

  4. Seleccione Run Experiment (Ejecutar experimento).Select Run Experiment.

  5. Elija el nombre del archivo de Python que quiera ejecutar para entrenar el modelo y presione Entrar para enviar la ejecución.Choose the name of the Python file you want to run to train your model and press enter to submit the run. Nota: El archivo que elija debe estar en la carpeta que tenga abierta actualmente en VS Code.Note: The file chosen must reside in the folder you currently have open in VS Code.

  6. Después de enviar la ejecución, aparecerá un nodo de ejecución debajo del experimento que eligió.After the run is submitted, a Run node will appear below the experiment you chose. Use ese nodo para supervisar el estado de sus ejecuciones.Use this node to monitor the state of your runs. Nota: Es posible que necesite actualizar periódicamente la ventana para ver el estado más reciente.Note: It may be necessary to periodically refresh the window to see the latest status.

Aquí tiene un ejemplo de cómo ejecutar un experimento en el proceso creado previamente:Here's an example of how to run an experiment on the compute previously created:

Ejecución de un experimento localmenteRun an experiment locally

Implementación y administración de modelosDeploy and manage models

En Azure Machine Learning, puede implementar y administrar los modelos de aprendizaje automático en la nube y en el perímetro.In Azure Machine Learning, you can deploy and manage your machine learning models in the cloud and at the edge.

Registro del modelo en Azure Machine Learning desde Visual Studio CodeRegister your model to Azure Machine Learning from Visual Studio Code

Ahora que ha entrenado el modelo, puede registrarlo en el área de trabajo.Now that you've trained your model, you can register it in your workspace. Puede hacer un seguimiento de los modelos registrados e implementar estos.You can track and deploy registered models.

Para registrar el modelo:To register your model:

  1. En la barra de actividad de Visual Studio Code, haga clic en el icono de Azure.On the Visual Studio Code activity bar, select the Azure icon. Aparecerá la barra lateral de Azure Machine Learning.The Azure Machine Learning sidebar appears.

  2. En la vista de árbol, expanda su suscripción de Azure y el área de trabajo de Azure Machine Learning.In the tree view, expand your Azure subscription and Azure Machine Learning workspace.

  3. En el nodo de área de trabajo, haga clic con el botón derecho en Modelos y elija Registrar modelo.Under the workspace node, right-click Models and choose Register Model.

  4. En la paleta de comandos, en el campo, escriba un nombre de modelo.On the command palette, in the field, enter a model name.

  5. En la lista, elija si desea cargar un archivo de modelos (para los modelos individuales) o una carpeta de modelos (para los modelos con varios archivos, como TensorFlow).From the list, choose whether to upload a model file (for single models) or a model folder (for models with multiple files, such as TensorFlow).

  6. Seleccione la carpeta o el archivo.Select your folder or file.

  7. Cuando termine de configurar las propiedades del modelo, en la esquina inferior derecha de la ventana, seleccione Enviar.When you finish configuring your model properties, in the lower-right corner of the window, select Submit.

A continuación proporcionamos un ejemplo de cómo registrar el modelo de Azure Machine Learning:Here's an example of how to register your model to Azure Machine Learning:

Registro de un modelo para Azure Machine LearningRegistering a Model to AML

Implementación del servicio desde Visual Studio CodeDeploy your service from Visual Studio Code

En Visual Studio Code, puede implementar el servicio web para lo siguiente:In Visual Studio Code, you can deploy your web service to:

  • Azure Container Instances (ACI) para realizar pruebas.Azure Container Instances (ACI) for testing.
  • Azure Kubernetes Service (AKS) para entornos de producción.Azure Kubernetes Service (AKS) for production.

No es necesario crear un contenedor ACI para realizar pruebas por adelantado, ya que estos contenedores se crean según se necesitan.You don't need to create an ACI container to test in advance, because ACI containers are created as needed. Sin embargo, es necesario configurar clústeres AKS de antemano.However, you do need to configure AKS clusters in advance. Para más información, consulte Implementación de modelos con Azure Machine Learning.For more information, see Deploy models with Azure Machine Learning.

Para implementar un servicio web:To deploy a web service:

  1. En la barra de actividad de Visual Studio Code, haga clic en el icono de Azure.On the Visual Studio Code activity bar, select the Azure icon. Aparecerá la barra lateral de Azure Machine Learning.The Azure Machine Learning sidebar appears.

  2. En la vista de árbol, expanda su suscripción de Azure y el área de trabajo de Azure Machine Learning.In the tree view, expand your Azure subscription and your Azure Machine Learning workspace.

  3. En el nodo del área de trabajo, expanda el nodo Modelos.Under the workspace node, expand the Models node.

  4. Haga clic con el botón derecho en el modelo que desea implementar y seleccione Implementar el servicio a partir del modelo registrado en el menú contextual.Right-click the model you want to deploy, and choose Deploy Service from Registered Model from the context menu.

  5. En la paleta de comandos, elija el destino de proceso en el que desea realizar la implementación.On the command palette, choose the compute target you want to deploy to.

  6. En la paleta de comandos, en el campo, escriba un nombre para este servicio.On the command palette, in the field, enter a name for this service.

  7. En la paleta de comandos, presione la tecla Intro para buscar y seleccionar el archivo de script.On the command palette, select the Enter key on your keyboard to browse for and select the script file.

  8. En la paleta de comandos, presione la tecla Intro para buscar y seleccionar el archivo de dependencia conda.On the command palette, select the Enter key on your keyboard to browse for and select the conda dependency file.

  9. Cuando termine de configurar las propiedades del servicio, en la esquina inferior derecha de la ventana, seleccione Enviar.When you finish configuring your service properties, in the lower-right corner of the window, select Submit to deploy. En el archivo de propiedades del servicio, puede especificar un archivo de docker local o un archivo schema.json.In the service properties file, you can specify a local docker file or a schema.json file.

Ahora se implementará el servicio web.The web service is now deployed.

A continuación proporcionamos un ejemplo de cómo implementar un servicio web:Here's an example of how to deploy a web service:

Implementación de un servicio webDeploy a web service

Experimentar con características adicionalesExperiment with additional features

Puede usar la paleta de comandos para obtener acceso a las características de Azure Machine Learning en Visual Studio Code.You can use the Command Palette to access many Azure Machine Learning features in Visual Studio Code. Para invocar el tipo de paleta de comandos, presione Ctrl + Mayús + P.To invoke the Command Palette type Ctrl+Shift+P. Desde aquí podrá buscar características adicionales de Azure Machine Learning de la extensión.From here, you can search for additional Azure ML features of the extension.

Métodos abreviados de teclado para Azure Machine Learning para Visual Studio CodeKeyboard shortcuts for Azure Machine Learning for Visual Studio Code

Pasos siguientesNext steps