Oktatóanyag: Az Azure Machine Learning üzembe helyezése IoT Edge-modulként (előzetes verzió)Tutorial: Deploy Azure Machine Learning as an IoT Edge module (preview)

A következőkre vonatkozik:  igen ikon IoT Edge 1,1  igen ikon IoT Edge 1,2Applies to: yes icon IoT Edge 1.1 yes icon IoT Edge 1.2

A Azure Notebooks használatával fejlesztheti a Machine learning modult, és üzembe helyezheti azt egy Linux-tárolókat futtató Azure IoT Edge-eszközön.Use Azure Notebooks to develop a machine learning module and deploy it to a device running Azure IoT Edge with Linux containers. Az IoT Edge-modulokkal olyan kódot helyezhet üzembe, amely közvetlenül az IoT Edge-eszközökön implementálja az üzleti logikát.You can use IoT Edge modules to deploy code that implements your business logic directly to your IoT Edge devices. Ez az oktatóanyag végigvezeti egy olyan Azure Machine Learning-modul üzembe helyezésén, amely előrejelzi az eszközök meghibásodását szimulált géphőmérsékleti adatok alapján.This tutorial walks you through deploying an Azure Machine Learning module that predicts when a device fails based on simulated machine temperature data. A IoT Edge Azure Machine Learningával kapcsolatos további információkért tekintse meg a Azure Machine learning dokumentációját.For more information about Azure Machine Learning on IoT Edge, see Azure Machine Learning documentation.

Megjegyzés

Az Azure Machine Learning moduljai nyilvános előzetes verzióban érhetők el az Azure IoT Edge szolgáltatásban.Azure Machine Learning modules on Azure IoT Edge are in public preview.

Az ebben az oktatóanyagban létrehozott Azure Machine Learning-modul kiolvassa az eszköz által előállított környezeti adatokat, illetve rendellenesként vagy nem rendellenesként jelöli meg az üzeneteket.The Azure Machine Learning module that you create in this tutorial reads the environmental data generated by your device and labels the messages as anomalous or not.

Eben az oktatóanyagban az alábbiakkal fog megismerkedni:In this tutorial, you learn how to:

  • Hozzon létre egy Azure Machine Learning modult.Create an Azure Machine Learning module.
  • Egy modul tárolójának leküldése egy Azure Container registrybe.Push a module container to an Azure container registry.
  • Helyezzen üzembe egy Azure Machine Learning modult a IoT Edge eszközön.Deploy an Azure Machine Learning module to your IoT Edge device.
  • A létrejött adatok megtekintése.View generated data.

Ha nem rendelkezik Azure- előfizetéssel, a Kezdés előtt hozzon létre egy ingyenes fiókot .If you don't have an Azure subscription, create a free account before you begin.

ElőfeltételekPrerequisites

Egy Azure IoT Edge-eszköz:An Azure IoT Edge device:

  • A rövid útmutatók segítségével Linux-eszközt vagy Windows-eszköztállíthat be.You can use the quickstarts to set up a Linux device or Windows device.
  • A Azure Machine Learning modul nem támogatja a Windows-tárolókat.The Azure Machine Learning module doesn't support Windows containers.
  • Az Azure Machine Learning modul nem támogatja az ARM-processzorokat.The Azure Machine Learning module doesn't support ARM processors.

Felhőerőforrások:Cloud resources:

  • Egy ingyenes vagy standard szintű IoT Hub az Azure-ban.A free or standard-tier IoT Hub in Azure.
  • Egy Azure Machine Learning-munkaterület.An Azure Machine Learning workspace. Kövesse a Azure Portal használatának első lépései című témakör útmutatását, és Ismerje meg, hogyan használhatja a Azure Machine learning .Follow the instructions in Use the Azure portal to get started with Azure Machine Learning to create one and learn how to use it.
    • Jegyezze fel a munkaterület nevét, az erőforráscsoportot és az előfizetés AZONOSÍTÓját.Make a note of the workspace name, resource group, and subscription ID. Ezek az értékek a Azure Portal munkaterület áttekintésében érhetők el.These values are all available on the workspace overview in the Azure portal. Ezeket az értékeket az oktatóanyag későbbi részében fogja használni Azure Notebooks-fájlnak a munkaterület-erőforrásokhoz való összekapcsolásához.You'll use these values later in the tutorial to connect an Azure Notebooks file to your workspace resources.

Azure Machine Learning modul létrehozása és üzembe helyezéseCreate and deploy Azure Machine Learning module

Ebben a szakaszban a betanított gépi tanulási modell fájljait és egy Azure Machine Learning tárolóba alakítja át.In this section, you convert trained machine learning model files and into an Azure Machine Learning container. A Docker-rendszerképhez szükséges összetevők megtalálhatók az Azure IoT Edge GitHub-adattár AI-eszközkészletében.All the components required for the Docker image are in the AI Toolkit for Azure IoT Edge Git repo. Az alábbi lépéseket követve feltöltheti a tárházat Microsoft Azure Notebooksba a tároló létrehozásához, és leküldheti a Azure Container Registryba.Follow these steps to upload that repository into Microsoft Azure Notebooks to create the container and push it to Azure Container Registry.

  1. Navigáljon a Azure Notebooks projektjeihez.Navigate to your Azure Notebooks projects. A Azure Portal Azure Machine learning munkaterületéről, illetve az Azure-fiókkal való bejelentkezéshez is bejelentkezhet a Microsoft Azure Notebooksba .You can get there from your Azure Machine Learning workspace in the Azure portal or by signing in to Microsoft Azure Notebooks with your Azure account.

  2. Válassza a GitHub-tárház feltöltése lehetőséget.Select Upload GitHub Repo.

  3. Adja meg a következő GitHub-tárház nevét: Azure/ai-toolkit-iot-edge .Provide the following GitHub repository name: Azure/ai-toolkit-iot-edge. Ha meg szeretné őrizni a saját projektet, törölje a nyilvános mezőt.Uncheck the Public box if you want to keep your project private. Válassza az Importálás lehetőséget.Select Import.

  4. Az importálás befejezése után navigáljon az új AI-Toolkit-IOT-Edge projekthez, és nyissa meg a IoT Edge anomália észlelése oktatóanyag mappát.Once the import is finished, navigate into the new ai-toolkit-iot-edge project and open the IoT Edge anomaly detection tutorial folder.

  5. Ellenőrizze, hogy a projekt fut-e.Verify that your project is running. Ha nem, válassza a Futtatás ingyenes számításkor lehetőséget.If not, select Run on Free Compute.

    Futtatás ingyenes számítási feladatokban

  6. Nyissa meg a aml_config/config.js fájlt.Open the aml_config/config.json file.

  7. Szerkessze a konfigurációs fájlt, hogy tartalmazza az Azure-előfizetés AZONOSÍTÓjának, az előfizetéshez tartozó erőforráscsoport, valamint a Azure Machine Learning munkaterület nevét.Edit the config file to include the values for your Azure subscription ID, a resource group in your subscription, and your Azure Machine Learning workspace name. Ezek az értékek az Azure-beli munkaterület Áttekintés szakaszában olvashatók be.You can get all these values from the Overview section of your workspace in Azure.

  8. Mentse a konfigurációs fájlt.Save the config file.

  9. Nyissa meg a 00-anomália-Detection-tutorial. ipynb fájlt.Open the 00-anomaly-detection-tutorial.ipynb file.

  10. Ha a rendszer kéri, válassza ki a Python 3,6 kernelt, majd válassza a kernel beállítása lehetőséget.When prompted, select the Python 3.6 kernel then select Set Kernel.

  11. Szerkessze a jegyzetfüzet első celláját a megjegyzések részben leírtak szerint.Edit the first cell in the notebook according to the instructions in the comments. Használja ugyanazt az erőforráscsoportot, az előfizetés AZONOSÍTÓját és a munkaterület nevét, amelyet a konfigurációs fájlhoz adott hozzá.Use the same resource group, subscription ID, and workspace name that you added to the config file.

  12. Futtassa a cellákat a jegyzetfüzetben, és válassza ki őket, és válassza a Futtatás vagy a lenyomva lehetőséget Shift + Enter .Run the cells in the notebook by selecting them and selecting Run or pressing Shift + Enter.

    Tipp

    Az anomália-észlelési oktatóanyagban található jegyzetfüzetek némelyike nem kötelező, mert olyan erőforrásokat hoz létre, amelyeket egyes felhasználók még nem használhatnak, mint például egy IoT Hub.Some of the cells in the anomaly detection tutorial notebook are optional, because they create resources that some users may or may not have yet, like an IoT Hub. Ha az első cellába helyezi a meglévő erőforrásadatokat, hibaüzeneteket fog kapni, ha olyan cellákat futtat, amelyek új erőforrásokat hoznak létre, mert az Azure nem hoz létre duplikált erőforrásokat.If you put your existing resource information in the first cell, you'll receive errors if you run the cells that create new resources because Azure won't create duplicate resources. Ez rendben van, így figyelmen kívül hagyhatja a hibákat, vagy kihagyhatja a választható szakaszt.This is fine, and you can ignore the errors or skip those optional sections entirely.

A jegyzetfüzet összes lépésének elvégzésével elvégezte az anomáliák észlelésének modelljét, amely Docker-tárolói rendszerképként lett létrehozva, és leküldte a rendszerképet Azure Container Registry.By completing all the steps in the notebook, you trained an anomaly detection model, built it as a Docker container image, and pushed that image to Azure Container Registry. Ezután tesztelte a modellt, és végül üzembe helyezte a IoT Edge eszközön.Then, you tested the model and finally deployed it to your IoT Edge device.

Tároló adattárának megtekintéseView container repository

Győződjön meg arról, hogy a tároló rendszerképének létrehozása és tárolása a gépi tanulási környezethez társított Azure Container registryben történt.Check that your container image was successfully created and stored in the Azure container registry associated with your machine learning environment. Az előző szakaszban használt jegyzetfüzet automatikusan átadja a tároló rendszerképét és a beállításjegyzék hitelesítő adatait a IoT Edge eszköz számára, de tudnia kell, hogy hol tárolja őket, így később is megtalálhatja az adatokat.The notebook that you used in the previous section automatically provided the container image and the registry credentials to your IoT Edge device, but you should know where they're stored so that you can find the information yourself later.

  1. A Azure Portalnavigáljon a Machine learning szolgáltatás munkaterületére.In the Azure portal, navigate to your Machine Learning service workspace.

  2. Az Áttekintés szakasz a munkaterület részleteit, valamint a hozzájuk tartozó erőforrásokat sorolja fel.The Overview section lists the workspace details as well its associated resources. Válassza ki a beállításazonosító értékét, amelynek a munkaterület nevét, majd a véletlenszerűen megadott számokat kell megadnia.Select the Registry value, which should be your workspace name followed by random numbers.

  3. A tároló-beállításjegyzék szolgáltatások területén válassza a tárolók lehetőséget.In the container registry, under Services, select Repositories. Meg kell jelennie egy tempanomalydetection nevű tárháznak, amelyet a korábbi szakaszban futtatott jegyzetfüzetből hoztak létre.You should see a repository called tempanomalydetection that was created by the notebook you ran in the earlier section.

  4. Válassza a tempanomalydetection lehetőséget.Select tempanomalydetection. Látnia kell, hogy az adattárnak van egy címkéje: 1.You should see that the repository has one tag: 1.

    Most, hogy már ismeri a beállításjegyzék nevét, a tárház nevét és a címkét, ismeri a tároló teljes rendszerképének elérési útját.Now that you know the registry name, repository name, and tag, you know the full image path of the container. A képelérési utak a következőképpen néznek ki: <registry_name> . azurecr.IO/tempanomalydetection:1.Image paths look like <registry_name>.azurecr.io/tempanomalydetection:1. A lemezkép elérési útjával üzembe helyezheti a tárolót IoT Edge-eszközökön.You can use the image path to deploy this container to IoT Edge devices.

  5. A tároló beállításjegyzékének Beállítások területén válassza a hozzáférési kulcsok elemet.In the container registry, under Settings, select Access keys. Meg kell jelennie a hozzáférési hitelesítő adatok számának, beleértve a bejelentkezési kiszolgálót , valamint a felhasználónevet és a jelszót a rendszergazda felhasználó számára.You should see a number of access credentials, including Login server and the Username, and Password for an admin user.

    Ezeket a hitelesítő adatokat belefoglalhatja az üzembe helyezési jegyzékbe, az IoT Edge-eszköznek így hozzáférése lesz a regisztrációs adatbázis tárolólemezképeihez.These credentials can be included in the deployment manifest to give your IoT Edge device access to pull container images from the registry.

Most már tudja, hol tárolja a Machine Learning tároló képét.Now you know where the Machine Learning container image is stored. A következő szakasz végigvezeti a IoT Edge eszközön modulként futó tároló megtekintésének lépésein.The next section walks through steps to view the container running as a module on your IoT Edge device.

A létrejött adatok megtekintéseView the generated data

Megtekintheti az egyes IoT Edge-modulok által létrehozott üzeneteket, és megtekintheti az IoT-központjába küldött üzeneteket.You can view messages being generated by each IoT Edge module, and you can view messages that are delivered to your IoT hub.

Adatok megtekintése az IoT Edge-eszközönView data on your IoT Edge device

IoT Edge-eszközén megtekintheti az egyes modulok által küldött üzeneteket.On your IoT Edge device, you can view the messages being sent from every individual module.

Előfordulhat, hogy sudo a parancsok futtatásához emelt szintű engedélyeket kell használnia iotedge .You may need to use sudo for elevated permissions to run iotedge commands. A kijelentkezés és a visszajelentkezés az eszközre automatikusan frissíti az engedélyeket.Signing out and signing back in to your device automatically updates your permissions.

  1. Tekintse meg az összes modult az IoT Edge-eszközön.View all modules on your IoT Edge device.

    iotedge list
    
  2. Tekintse meg az egy adott eszközről küldött üzeneteket.View the messages being sent from a specific device. Használja az előző parancs kimenetéből származó modulnevet.Use the module name from the output of the previous command.

    iotedge logs <module_name> -f
    

Az IoT-központba érkező adatok megtekintéseView data arriving at your IoT hub

Megtekintheti az IoT hub által a Visual Studio Code-hoz készült Azure IoT hub-bővítmény által fogadott, az eszközről a felhőbe irányuló üzeneteket.You can view the device-to-cloud messages that your IoT hub receives by using the Azure IoT Hub extension for Visual Studio Code.

A következő lépések azt mutatják be, hogyan állítható be a Visual Studio Code az IoT-központba érkező, eszközről a felhőbe küldött üzenetek monitorozására.The following steps show you how to set up Visual Studio Code to monitor device-to-cloud messages that arrive at your IoT hub.

  1. A Visual Studio Code Explorer Azure IoT hub szakasza alatt bontsa ki az eszközök elemet a IoT-eszközök listájának megtekintéséhez.In the Visual Studio Code explorer, under the Azure IoT Hub section, expand Devices to see your list of IoT devices.

  2. Kattintson a jobb gombbal a IoT Edge eszköz nevére, és válassza a figyelés beépített esemény végpontjának elindítása lehetőséget.Right-click the name of your IoT Edge device and select Start Monitoring Built-in Event Endpoint.

  3. Figyelje meg a tempSensortól érkező üzeneteket öt másodpercenként.Observe the messages coming from tempSensor every five seconds. Az üzenettörzs tartalmaz egy anomaly nevű tulajdonságot, amelyet a machinelearningmodule igaz vagy hamis értékkel ad meg.The message body contains a property called anomaly, which the machinelearningmodule provides with a true or false value. Az AzureMLResponse tulajdonság az „OK” értéket tartalmazza, ha a modell sikeresen lefutott.The AzureMLResponse property contains the value "OK" if the model ran successfully.

    Azure Machine Learning válasz az üzenet törzsében

Az erőforrások eltávolításaClean up resources

Ha azt tervezi, hogy a következő ajánlott cikkel folytatja, megtarthatja és újból felhasználhatja a létrehozott erőforrásokat és konfigurációkat.If you plan to continue to the next recommended article, you can keep the resources and configurations that you created and reuse them. Azt is megteheti, hogy ugyanezt az IoT Edge-eszközt használja teszteszközként.You can also keep using the same IoT Edge device as a test device.

Ellenkező esetben a díjak elkerülése érdekében törölheti a jelen cikkben létrehozott helyi konfigurációkat és Azure-erőforrásokat.Otherwise, you can delete the local configurations and the Azure resources that you created in this article to avoid charges.

Azure-erőforrások törléseDelete Azure resources

Az Azure-erőforrások és -erőforráscsoportok törlése visszafordíthatatlan.Deleting Azure resources and resource groups is irreversible. Figyeljen, nehogy véletlenül rossz erőforráscsoportot vagy erőforrásokat töröljön.Make sure that you don't accidentally delete the wrong resource group or resources. Ha az IoT hub-t egy olyan meglévő erőforráscsoport belsejében hozta létre, amely a megőrizni kívánt erőforrásokkal rendelkezik, akkor csak az IoT hub-erőforrást törölje, ne az erőforráscsoportot.If you created the IoT hub inside an existing resource group that has resources that you want to keep, delete only the IoT hub resource itself, not the resource group.

Az erőforrások törlése:To delete the resources:

  1. Jelentkezzen be az Azure Portalra, és válassza az Erőforráscsoportok elemet.Sign in to the Azure portal, and then select Resource groups.

  2. Válassza ki az IoT Edge teszterőforrásokat tartalmazó erőforráscsoport nevét.Select the name of the resource group that contains your IoT Edge test resources.

  3. Tekintse át az erőforráscsoport erőforrásainak listáját.Review the list of resources that are contained in your resource group. Ha mindet törölni szeretné, válassza az Erőforráscsoport törlése lehetőséget.If you want to delete all of them, you can select Delete resource group. Ha csak bizonyos elemeket szeretne törölni, az egyes erőforrásokra kattintva külön törölheti őket.If you want to delete only some of them, you can click into each resource to delete them individually.

Következő lépésekNext steps

Ebben az oktatóanyagban üzembe helyezett egy, az Azure Machine Learning által működtetett IoT Edge-modult.In this tutorial, you deployed an IoT Edge module powered by Azure Machine Learning. Továbbléphet bármely másik oktatóanyagra, és megtudhatja, milyen más módokon alakíthatja jelentőséggel bíró üzleti információkká ezeket az adatokat a peremhálózaton az Azure IoT Edge segítségével.You can continue on to any of the other tutorials to learn about other ways that Azure IoT Edge can help you turn data into business insights at the edge.