Tutorial: Introducción a un script de Python en Azure Machine Learning (parte 1 de 3)

En este tutorial, ejecutará su primer script de Python en la nube con Azure Machine Learning. Esta es la parte 1 de una serie de tutoriales de tres partes.

En este tutorial se evita la complejidad del entrenamiento de un modelo de Machine Learning. Ejecutará un script de Python "Hola mundo" en la nube. Aprenderá cómo se usa un script de control para configurar y crear una ejecución en Azure Machine Learning.

En este tutorial, aprenderá lo siguiente:

Requisitos previos

• Complete los pasos que se describen en Inicio rápido: Configure el área de trabajo para empezar a trabajar con Azure Machine Learning para crear un área de trabajo, una instancia de proceso y un clúster de proceso para usarlos en esta serie de tutoriales.

Creación y ejecución de un script de Python

En este tutorial se usará la instancia de proceso como equipo de desarrollo. En primer lugar, cree algunas carpetas y el script:

1. Inicie sesión en Estudio de Azure Machine Learning y seleccione el área de trabajo si se le solicita.
2. Seleccione Notebooks en la parte izquierda.
3. En la barra de herramientas de Archivos, seleccione + y, a continuación, seleccione Crear nueva carpeta.
4. Asigne a la carpeta el nombre Empezar.
5. A la derecha del nombre de la carpeta, use ... para crear otra carpeta dentro de la carpeta Empezar.
6. Asigne a la nueva carpeta el nombre src. Use el vínculo Editar ubicación si la ubicación del archivo no es correcta.
7. A la derecha de la carpeta src, use ... para crear un nuevo archivo en la carpeta src.
8. Asigne al archivo el nombre hello.py. Cambie el tipo de archivo a Python ( .py)*.

Copie este código en el archivo:

# src/hello.py
print("Hello world!")

Ahora la estructura de carpetas del proyecto tendrá el siguiente aspecto:

Prueba del script

Puede ejecutar el código de forma local, lo que en este caso significa en la instancia de proceso. Ejecutar el código localmente tiene la ventaja de la depuración interactiva del código.

Si ha detenido previamente la instancia de proceso, iníciela ahora con la herramienta Iniciar proceso a la derecha de la lista desplegable de procesos. Espere aproximadamente un minuto para que el estado cambie a En ejecución.

Seleccione Guardar y ejecutar script en el terminal para ejecutar el script.

Verá la salida del script en la ventana de terminal que se abre. Cierre la pestaña y seleccione Finalizar para cerrar la sesión.

Creación de un script de control

Un script de control le permite ejecutar el script hello.py en distintos recursos de proceso. El script de control se usa para controlar cómo y dónde se ejecuta el código de aprendizaje automático.

Seleccione ... al final de la carpeta Empezar para crear un archivo nuevo. Cree un archivo de Python denominado run-hello.py, y copie y pegue el código siguiente en este archivo:

# get-started/run-hello.py
from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig

ws = Workspace.from_config()
experiment = Experiment(workspace=ws, name='day1-experiment-hello')

config = ScriptRunConfig(source_directory='./src', script='hello.py', compute_target='cpu-cluster')

run = experiment.submit(config)
aml_url = run.get_portal_url()
print(aml_url)

Comprendiendo el código

Esta es una descripción de cómo funciona el script de control:

Envío y ejecución del código en la nube

1. Seleccione Guardar y ejecutar el script en el terminal para ejecutar el script de control, que a su vez ejecuta hello.py en el clúster de proceso que creó en el tutorial de configuración.

2. En el terminal, es posible que se le pida que inicie sesión para autenticarse. Copie el código y siga el vínculo para completar este paso.

3. Una vez que se haya autenticado, verá un vínculo en el terminal. Seleccione el vínculo para ver la ejecución.

   Nota

   Es posible que vea algunas advertencias que empiezan por Error al cargar azureml_run_type_providers... . Puede ignorarlas. Use el vínculo de la parte inferior de estas advertencias para ver la salida.

Visualización de la salida

1. En la página que se abre, verá el estado de la ejecución.
2. Cuando dicho estado sea Completado, seleccione Resultados y registros en la parte superior de la página.
3. Seleccione 70_driver_log.txt para ver la salida de la ejecución.

Supervisión del código en la nube en Studio

La salida del script contendrá un vínculo a Studio que tiene un aspecto similar al siguiente: https://ml.azure.com/experiments/hello-world/runs/<run-id>?wsid=/subscriptions/<subscription-id>/resourcegroups/<resource-group>/workspaces/<workspace-name>.

Siga el vínculo. En primer lugar, verá el estado En cola o En preparación. La primera ejecución tardará entre 5 y 10 minutos en completarse. Esto se debe a lo siguiente:

• Se crea una imagen de Docker en la nube.
• Se cambia el tamaño del clúster de proceso de 0 a 1 nodo.
• La imagen de Docker se descarga en el proceso.

Las ejecuciones posteriores son mucho más rápidas (unos 15 segundos), ya que la imagen de Docker se almacena en caché en el proceso. Para probar esto, reenvíe el código siguiente después de que se haya completado la primera ejecución.

Espere unos 10 minutos. Verá un mensaje que indica que la ejecución se ha completado. A continuación, use Actualizar para ver el cambio de estado a Completado. Una vez completado el trabajo, vaya a la pestaña Salidas y registros. Allí puede ver un archivo 70_driver_log.txt similar al siguiente:

 1: [2020-08-04T22:15:44.407305] Entering context manager injector.
 2: [context_manager_injector.py] Command line Options: Namespace(inject=['ProjectPythonPath:context_managers.ProjectPythonPath', 'RunHistory:context_managers.RunHistory', 'TrackUserError:context_managers.TrackUserError', 'UserExceptions:context_managers.UserExceptions'], invocation=['hello.py'])
 3: Starting the daemon thread to refresh tokens in background for process with pid = 31263
 4: Entering Run History Context Manager.
 5: Preparing to call script [ hello.py ] with arguments: []
 6: After variable expansion, calling script [ hello.py ] with arguments: []
 7:
 8: Hello world!
 9: Starting the daemon thread to refresh tokens in background for process with pid = 31263
10:
11:
12: The experiment completed successfully. Finalizing run...
13: Logging experiment finalizing status in history service.
14: [2020-08-04T22:15:46.541334] TimeoutHandler __init__
15: [2020-08-04T22:15:46.541396] TimeoutHandler __enter__
16: Cleaning up all outstanding Run operations, waiting 300.0 seconds
17: 1 items cleaning up...
18: Cleanup took 0.1812913417816162 seconds
19: [2020-08-04T22:15:47.040203] TimeoutHandler __exit__

En la línea 8, verá el resultado "Hola mundo" .

El archivo de 70_driver_log.txt contiene la salida estándar de una ejecución. Este archivo puede ser útil al depurar ejecuciones remotas en la nube.

Pasos siguientes

En este tutorial, tomó un script "Hola mundo" sencillo y lo ejecutó en Azure. Vio cómo conectarse al área de trabajo de Azure Machine Learning, crear un experimento y enviar el código hello.py a la nube.

En el siguiente tutorial, se basará en estos aprendizajes para ejecutar algo más interesante que print("Hello world!").