Démarrage rapide : Créer les ressources nécessaires pour commencer à utiliser Azure Machine Learning

Dans ce guide de démarrage rapide, vous allez créer un espace de travail auquel vous ajouterez des ressources de calcul. Vous aurez alors tout ce dont vous avez besoin pour commencer à utiliser Azure Machine Learning.

L’espace de travail est la ressource de niveau supérieur pour vos activités de machine learning. Il offre un emplacement centralisé qui vous permet de voir et de gérer les artefacts que vous créez quand vous utilisez Azure Machine Learning. Les ressources de calcul fournissent un environnement cloud préconfiguré qui vous permet d’entraîner, de déployer, d’automatiser, de gérer et de suivre les modèles Machine Learning.

Prérequis

Créer l’espace de travail

Si vous avez déjà un espace de travail, ignorez cette section et passez à Créer une instance de calcul.

Si vous n’avez pas encore d’espace de travail, créez-en un maintenant :

  1. Connectez-vous au Portail Azure à l’aide des informations d’identification de votre abonnement Azure.

  2. En haut à gauche du portail Azure, sélectionnez les trois lignes, puis +Créer une ressource.

    Capture d’écran montrant +Créer une ressource.

  3. Utilisez la barre de recherche pour rechercher Machine Learning.

  4. Sélectionnez Machine Learning.

    Capture d’écran affiche les résultats de la recherche pour sélectionner Machine Learning.

  5. Dans le volet Machine Learning, sélectionnez Créer pour commencer.

  6. Fournissez les informations suivantes pour configurer votre nouvel espace de travail :

    Champ Description
    Nom de l’espace de travail Entrez un nom unique qui identifie votre espace de travail. Dans cet exemple, nous allons utiliser docs-ws. Dans le groupe de ressources, les noms doivent être uniques. Utilisez un nom dont il est facile de se rappeler et que vous pouvez facilement différencier des autres espaces de travail.
    Subscription Sélectionnez l’abonnement Azure que vous souhaitez utiliser.
    Resource group Utilisez un groupe de ressources existant dans votre abonnement, ou entrez un nom pour créer un groupe de ressources. Un groupe de ressources contient les ressources associées d’une solution Azure. Dans cet exemple, nous allons utiliser docs-aml.
    Location Sélectionnez l’emplacement le plus proche de vos utilisateurs et des ressources de données pour créer votre espace de travail.
  7. Lorsque vous avez terminé de configurer l’espace de travail, sélectionnez Vérifier + créer.

  8. Sélectionnez Créer pour créer l’espace de travail.

    Avertissement

    La création de votre espace de travail dans le cloud peut prendre plusieurs minutes.

    Une fois le processus terminé, un message indiquant la réussite du déploiement s’affiche.

  9. Pour afficher le nouvel espace de travail, sélectionnez Accéder à la ressource.

  10. Dans la vue du portail de votre espace de travail, sélectionnez Lancer Studio pour accéder à Azure Machine Learning studio.

Créer une instance de calcul

Vous pouvez installer Azure Machine Learning sur votre propre ordinateur. Toutefois, dans ce guide de démarrage rapide, vous allez créer une ressource de calcul en ligne dont l’environnement de développement est déjà installé et prêt à l’emploi. Vous allez utiliser cette machine en ligne, une instance de calcul, pour votre environnement de développement afin d’écrire et d’exécuter du code dans des scripts Python et des notebooks Jupyter.

Créez une instance de calcul afin d’utiliser cet environnement de développement pour le reste des tutoriels et des guides de démarrage rapide.

  1. Si vous n’avez pas sélectionné Accéder à l’espace de travail dans la section précédente, connectez-vous au studio Azure Machine Learning maintenant, et sélectionnez votre espace de travail.
  2. Sur le côté gauche, sous Gérer, sélectionnez Calcul.
  3. Sélectionnez +Nouveau pour créer une instance de calcul.
  4. Conservez toutes les valeurs par défaut sur la première page, puis sélectionnez Suivant.
  5. Indiquez un nom, puis sélectionnez Créer.

Dans environ deux minutes, vous verrez l’État de l’instance de calcul passer de Création en cours à En cours d’exécution. Il sera prêt à ce moment-là.

Créer des clusters de calcul

Vous allez ensuite créer un cluster de calcul. Les clusters vous permettent de distribuer un processus d’entraînement ou d’inférence par lots sur un cluster de nœuds de calcul de processeur ou de GPU dans le cloud.

Créez un cluster de calcul qui doit effectuer une mise à l’échelle automatique de nœuds (entre zéro et quatre) :

  1. Toujours dans la section Calcul, sous l’onglet supérieur, sélectionnez Clusters de calcul.
  2. Sélectionnez +Nouveau pour créer un cluster de calcul.
  3. Conservez toutes les valeurs par défaut sur la première page, puis sélectionnez Suivant.
  4. Nommez le cluster cpu-cluster. Si ce nom existe déjà, ajoutez vos initiales au nom pour le rendre unique.
  5. Laissez la valeur de Nombre minimal de nœuds à 0.
  6. Remplacez la valeur de Nombre maximal de nœuds par 4, si possible. Selon les paramètres, vous pouvez avoir une limite inférieure.
  7. Remplacez la valeur présente dans Secondes d’inactivité avant le scale-down par 2 400.
  8. Conservez le reste des valeurs par défaut, puis sélectionnez Créer.

En moins d’une minute, l’État du cluster passe de Création en cours à Opération réussie. La liste montre le cluster de calcul provisionné ainsi que le nombre de nœuds inactifs, de nœuds occupés et de nœuds non provisionnés. Étant donné que vous n’avez pas encore utilisé le cluster, tous les nœuds ne sont pas provisionnés pour le moment.

Notes

Quand le cluster est créé, aucun nœud n’y est provisionné. Le cluster n’implique aucun coût tant que vous n’avez pas soumis un travail. Ce cluster fera l’objet d’un scale-down après 2 400 secondes (40 minutes) d’inactivité. Cela vous donnera le temps de l’utiliser dans quelques tutoriels, si vous le souhaitez, sans devoir attendre un nouveau scale-up.

Visite rapide du studio

Le studio est votre portail web pour Azure Machine Learning. Il combine des expériences sans code et Code First pour offrir une plateforme de science des données inclusive.

Passez en revue les différentes parties du studio dans la barre de navigation de gauche :

  • La section Auteur du studio contient plusieurs méthodes pour commencer à créer des modèles Machine Learning. Vous pouvez :

    • La section Notebooks vous permet de créer des notebooks Jupyter, de copier des exemples de notebooks ou d’exécuter des notebooks et des scripts Python.
    • ML automatisé vous permet de créer un modèle Machine Learning sans avoir à écrire du code.
    • Concepteur vous permet de créer des modèles par glisser-déposer à l’aide de modules prédéfinis.
  • La section Composants du studio vous aide à suivre les composants que vous créez au fur et à mesure de l’exécution de vos travaux. Si vous avez un nouvel espace de travail, ces sections ne contiennent rien.

  • Vous avez déjà utilisé la section Gérer du studio pour créer vos ressources de calcul. Cette section vous permet également de créer et de gérer des données ainsi que des services externes que vous liez à votre espace de travail.

Supprimer des ressources

Si vous comptez suivre à présent le prochain tutoriel, passez à Étapes suivantes.

Arrêter l’instance de calcul

Si vous ne comptez pas l’utiliser maintenant, arrêtez l’instance de calcul :

  1. Dans le studio, sur la gauche, sélectionnez Calcul.
  2. Sous les onglets supérieurs, sélectionnez Instances de calcul
  3. Sélectionnez l’instance de calcul dans la liste.
  4. Dans la barre d’outils supérieure, sélectionnez Arrêter.

Supprimer toutes les ressources

Important

Les ressources que vous avez créées peuvent être utilisées comme prérequis pour d’autres tutoriels d’Azure Machine Learning et des articles de procédure.

Si vous n’avez pas l’intention d’utiliser les ressources que vous avez créées, supprimez-les pour éviter des frais :

  1. Dans le portail Azure, sélectionnez Groupes de ressources tout à gauche.

  2. Dans la liste, sélectionnez le groupe de ressources créé.

  3. Sélectionnez Supprimer le groupe de ressources.

    Capture d’écran des sélections permettant de supprimer un groupe de ressources dans le portail Azure.

  4. Entrez le nom du groupe de ressources. Puis sélectionnez Supprimer.

Étapes suivantes

Vous disposez maintenant d’un espace de travail Azure Machine Learning qui contient :

  • Une instance de calcul à utiliser pour votre environnement de développement.
  • Un cluster de calcul à utiliser pour soumettre des exécutions d’entraînement.

Utilisez ces ressources pour en savoir plus sur Azure Machine Learning et entraîner un modèle avec des scripts Python.