Tutorial: Melatih dan menyebarkan model Azure Machine Learning

  • Artikel
  • 6 menit untuk membaca

Berlaku untuk:yes icon IoT Edge 1.1

Dalam artikel ini, kami melakukan tugas-tugas berikut:

  • Gunakan Azure Machine Learning Studio untuk melatih model pembelajaran mesin.
  • Kemas model terlatih sebagai gambar kontainer.
  • Sebarkan gambar kontainer sebagai modul Azure IoT Edge.

Machine Learning Studio adalah blok dasar yang digunakan untuk bereksperimen, melatih, dan menyebarkan model pembelajaran mesin.

Langkah-langkah dalam artikel ini biasanya dapat dilakukan oleh para ilmuwan data.

Di bagian tutorial ini, Anda akan mempelajari cara:

  • Buat notebook Jupyter di ruang kerja Azure Machine Learning untuk melatih model pembelajaran mesin.
  • Buat kontainer model pembelajaran mesin yang terlatih.
  • Buat modul IoT Edge dari model pembelajaran mesin kontainer.

Prasyarat

Artikel ini merupakan bagian dari rangkaian tutorial tentang menggunakan Azure Machine Learning di Azure IoT Edge. Setiap artikel dalam rangkaian membuat pekerjaan di artikel sebelumnya. Jika Anda sudah berada di artikel ini secara langsung, lihat artikel pertama dalam rangkaian ini.

Menyiapkan Azure Machine Learning

Kami menggunakan Machine Learning Studio untuk menghosting dua notebook Jupyter dan file pendukung. Di sini kami membuat dan mengonfigurasi proyek Azure Machine Learning. Jika Anda belum menggunakan Jupyter atau Machine Learning Studio, berikut adalah dua dokumen pengantar:

Catatan

Setelah layanan diatur, Azure Machine Learning dapat diakses dari mesin. Selama pengaturan, Anda harus menggunakan VM pengembangan, yang memiliki semua file yang diperlukan.

Menginstal ekstensi Azure Machine Learning Visual Studio Code

Visual Studio Code pada pengembangan VM harus menginstal ekstensi ini. Jika Anda menjalankan instans lain, instal ulang ekstensi seperti dijelaskan di Menyiapkan ekstensi Visual Studio Code.

Membuat akun Azure Machine Learning

Untuk memprovisi sumber daya dan menjalankan beban kerja di Azure, Anda harus masuk dengan info masuk akun Azure Anda.

  1. Di Visual Studio Code, buka palet perintah dengan memilih Tampilkan>Palet Perintah dari bilah menu.

  2. Masukkan perintah Azure: Sign In di palet perintah untuk memulai proses masuk. Ikuti instruksi untuk menyelesaikan masuk.

  3. Buat instans komputasi Azure Machine Learning untuk menjalankan beban kerja Anda. Pada palet perintah, masukkan perintah Azure ML: Create Compute.

  4. Pilih langganan Azure Anda.

  5. Pilih + Buat Ruang Kerja Azure ML baru, dan masukkan nama turbofandemo.

  6. Pilih grup sumber daya yang telah Anda gunakan untuk demo ini.

  7. Anda akan melihat kemajuan pembuatan ruang kerja di sudut kanan bawah jendela Visual Studio Code Anda: Membuat Ruang Kerja: turobofandemo. Langkah ini dapat memerlukan waktu satu atau dua menit.

  8. Tunggu hingga ruang kerja berhasil dibuat. Ini harus mengatakan ruang kerja Azure ML turbofandemo dibuat.

Mengunggah file Jupyter Notebook

Kami akan mengunggah sampel file notebook ke ruang kerja Azure Machine Learning baru.

  1. Buka ml.azure.com dan masuk.

  2. Pilih direktori Microsoft, langganan Azure, dan ruang kerja Azure Machine Learning yang baru dibuat.

    Screenshot that shows selecting your Azure Machine Learning workspace.

  3. Setelah masuk ke ruang kerja Azure Machine Learning Anda, masuk ke bagian Notebook dengan menggunakan menu di sisi kiri.

  4. Pilih tab File saya.

  5. Pilih Unggah (ikon panah atas).

  6. Masuk ke C:\source\IoTEdgeAndMlSample\AzureNotebooks. Pilih semua file dalam daftar, dan pilih Buka.

  7. Pilih kotak centang Saya mempercayai konten file-file ini.

  8. Pilih Unggah untuk mulai mengunggah. Kemudian pilih Selesai setelah proses selesai.

File Jupyter Notebook

Mari kita tinjau file yang Anda unggah ke ruang kerja Azure Machine Learning Anda. Aktivitas dalam bagian tutorial ini mencakup dua file notebook, yang menggunakan beberapa file pendukung.

  • 01-turbofan_regression.ipynb: Notebook ini menggunakan ruang kerja Pembelajaran Mesin untuk membuat dan menjalankan eksperimen pembelajaran mesin. Secara garis besar, notebook melakukan langkah-langkah berikut:

    1. Mengunduh data dari akun Microsoft Azure Storage yang dihasilkan dengan memanfaatkan perangkat.
    2. Menjelajahi dan menyiapkan data, lalu menggunakan data untuk melatih model pengklasifikasi.
    3. Mengevaluasi model dari eksperimen dengan menggunakan himpunan data pengujian (Test_FD003.txt).
    4. Memublikasikan model pengklasifikasi terbaik ke ruang kerja Azure Machine Learning.

  • 02-turbofan_deploy_model.ipynb: Notebook ini mengambil model yang dibuat di notebook sebelumnya dan menggunakannya untuk membuat gambar kontainer yang siap disebarkan ke perangkat IoT Edge. Notebook melakukan langkah-langkah berikut:

    1. Membuat skrip penilaian untuk model.
    2. Menghasilkan gambar kontainer dengan menggunakan model pengklasifikasi yang disimpan di ruang kerja Azure Machine Learning.
    3. Menyebarkan gambar sebagai layanan web pada Azure Container Instances.
    4. Menggunakan layanan web untuk memvalidasi model dan gambar berfungsi seperti yang diharapkan. Gambar yang divalidasi akan disebarkan ke perangkat IoT Edge kami di bagian Buat dan sebarkan modul IoT Edge kustom dari tutorial ini.

  • Test_FD003.txt: File ini berisi data yang akan kita gunakan sebagai set pengujian saat memvalidasi pengklasifikasi terlatih. Kami memilih untuk menggunakan data pengujian, sebagaimana disediakan untuk kontes asli, sebagai kumpulan pengujian kami untuk kesederhanaannya.

  • RUL_FD003.txt: File ini berisi sisa masa pakai yang berguna (RUL) untuk siklus terakhir setiap perangkat dalam file Test_FD003.txt. Lihat file readme.txt dan Damage Propagation Modeling.pdf di C:\source\IoTEdgeAndMlSample\data\Turbofan untuk penjelasan terperinci tentang data.

  • Utils.py: File ini berisi sekumpulan fungsi utilitas Python untuk bekerja dengan data. Notebook pertama berisi penjelasan terperinci tentang fungsi.

  • README.md: File readme ini menjelaskan penggunaan notebook.

Gunakan Jupyter Notebook

Sekarang, ruang kerja dibuat, Anda bisa menjalankan notebook.

  1. Dari halaman File saya , pilih 01-turbofan_regression.ipynb.

    Screenshot that shows selecting the first notebook to run.

  2. Jika notebook tercantum sebagai Tidak Tepercaya, pilih widget Tidak Tepercaya di sudut kanan atas notebook. Saat kotak dialog muncul, pilih Kepercayaan.

  3. Untuk hasil terbaik, baca dokumentasi untuk setiap sel dan jalankan satu per satu. Pilih Jalankan pada toolbar. Kemudian, Anda akan merasa bijaksana untuk menjalankan beberapa sel. Anda dapat mengabaikan peringatan peningkatan dan penghentian.

    Saat sel berjalan, sel menampilkan tanda bintang di antara tanda kurung siku ([*]). Saat operasi sel selesai, tanda bintang diganti dengan angka dan output yang relevan mungkin muncul. Sel dalam notebook menyusun secara berurutan, dan hanya satu sel yang bisa berjalan dalam satu waktu.

    Anda juga dapat menggunakan opsi jalankan dari menu Sel. Pilih Ctrl+Enter untuk menjalankan sel, dan pilih Shift+Enter untuk menjalankan sel dan maju ke sel berikutnya.

    Tip

    Untuk operasi sel yang konsisten, hindari menjalankan notebook yang sama dari beberapa tab di browser Anda.

  4. Dalam sel yang mengikuti instruksi Atur properti global, masukkan nilai untuk langganan, pengaturan, dan sumber daya Azure Anda. Kemudian jalankan sel.

    Screenshot that shows setting global properties in the notebook.

  5. Di sel sebelumnya ke detail Ruang Kerja, setelah dijalankan, cari tautan yang menginstruksikan Anda untuk masuk untuk mengautentikasi.

    Screenshot that shows the sign-in prompt for device authentication.

    Buka tautan, dan masukkan kode yang ditentukan. Prosedur masuk ini mengautentikasi notebook Jupyter untuk mengakses sumber daya Azure dengan menggunakan Antarmuka Baris Perintah Lintas Platform Microsoft Azure.

    Screenshot that shows authenticating application on device confirmation.

  6. Dalam sel yang mendahului Jelajahi hasil, salin nilai dari ID jalankan dan tempelkan untuk ID jalankan dalam sel yang mengikuti Susun kembali jalankan.

    Screenshot that shows copying the run ID between cells.

  7. Jalankan sel yang tersisa di notebook.

  8. Simpan notebook, dan kembali ke halaman proyek Anda.

  9. Buka 02-turbofan_deploy_model.ipynb, dan jalankan setiap sel. Anda harus masuk untuk mengautentikasi dalam sel yang mengikuti Konfigurasi ruang kerja.

  10. Simpan notebook, dan kembali ke halaman proyek Anda.

Memverifikasi keberhasilan

Untuk memverifikasi bahwa notebook telah berhasil diselesaikan, verifikasi bahwa beberapa item telah dibuat.

  1. Pada notebook Azure Machine Learning Anda tab File saya, pilih refresh.

  2. Pastikan bahwa file berikut dibuat.

    File Deskripsi
    ./aml_config/.azureml/config.json File konfigurasi yang digunakan untuk membuat ruang kerja Azure Machine Learning.
    ./aml_config/model_config.json File konfigurasi yang kita perlukan untuk menyebarkan model di ruang kerja turbofanDemo Azure Machine Learning di Azure.
    myenv.yml Menyediakan informasi tentang dependensi untuk model Azure Machine Learning yang disebarkan.

  3. Verifikasi bahwa sumber daya Azure berikut ini dibuat. Beberapa nama sumber daya ditambahkan dengan karakter acak.

    Sumber daya Azure Nama
    Ruang kerja Azure Machine Learning turborfanDemo
    Azure Container Registry turbofandemoxxxxxxxx
    Application Insights turbofaninsightxxxxxxxx
    Azure Key Vault turbofankeyvaultbxxxxxxxx
    Azure Storage turbofanstoragexxxxxxxxx

Awakutu

Anda bisa menyisipkan pernyataan Python ke dalam notebook untuk debugging, seperti perintah print() untuk memperlihatkan nilai. Jika Anda melihat variabel atau objek yang tidak ditentukan, jalankan sel tempat variabel atau objek tersebut dideklarasikan atau disalin.

Anda mungkin harus menghapus file yang dibuat sebelumnya dan sumber daya Azure jika Anda perlu mengulangi notebook.

Membersihkan sumber daya

Tutorial ini adalah bagian dari set tempat setiap artikel dibuat pada pekerjaan yang dilakukan di set sebelumnya. Tunggu untuk membersihkan sumber daya apa pun sampai Anda menyelesaikan tutorial akhir.

Langkah berikutnya

Dalam artikel ini, kami menggunakan dua notebook Jupyter yang berjalan di Azure Machine Learning Studio untuk menggunakan data dari perangkat turbofan untuk:

  • Melatih pengklasifikasi RUL.
  • Menyimpan pengklasifikasi sebagai model.
  • Membuat gambar kontainer.
  • Menyebarkan dan menguji gambar sebagai layanan web.

Lanjutkan ke artikel berikutnya untuk membuat perangkat IoT Edge.

Mengonfigurasi perangkat IoT Edge