Configurare un lab incentrato sul Deep Learning nell'elaborazione del linguaggio naturale con Azure Lab Services

  • Articolo

Nota

Questo articolo fa riferimento alle funzionalità disponibili nei piani lab, che hanno sostituito gli account lab.

Questo articolo illustra come configurare un lab incentrato sull'apprendimento avanzato nell'elaborazione del linguaggio naturale (NLP) usando Azure Lab Services. NLP è una forma di intelligenza artificiale che consente ai computer con traduzione, riconoscimento vocale e altre funzionalità di comprensione del linguaggio.

Gli studenti che prendono una classe NLP ottengono una macchina virtuale Linux (VM) per informazioni su come applicare algoritmi di rete neurale. Gli algoritmi insegnano agli studenti di sviluppare modelli di Deep Learning usati per l'analisi del linguaggio umano scritto.

Configurazione del lab

Per configurare questo lab, è necessario un account lab e una sottoscrizione di Azure per iniziare. Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare.

Dopo aver creato una sottoscrizione di Azure, è possibile creare un nuovo piano lab in Azure Lab Services. Per altre informazioni sulla creazione di un nuovo piano lab, vedere l'esercitazione su come configurare un piano lab. È anche possibile usare un piano lab esistente.

Impostazioni del piano lab

Abilitare le impostazioni descritte nella tabella seguente per il piano lab. Per altre informazioni su come abilitare le immagini del Marketplace, vedere l'articolo su come specificare le immagini del Marketplace disponibili per gli autori di lab.

Impostazione del piano lab Istruzioni
Immagini del Marketplace Abilitare l'immagine Data Science Virtual Machine per Linux (Ubuntu).

Impostazioni del lab

Per istruzioni su come creare un lab, vedere Esercitazione: Configurare un lab. Usare le impostazioni seguenti durante la creazione del lab:

Impostazioni del lab Valore
Dimensioni della macchina virtuale GPU di piccole dimensioni (calcolo). Queste dimensioni sono più indicate per applicazioni a elevato utilizzo di calcolo e di rete quali intelligenza artificiale e Deep Learning.
Immagine della macchina virtuale Data Science Virtual Machine per Linux (Ubuntu). Questa immagine fornisce framework per Deep Learning e strumenti per apprendimento automatico e data science. Per visualizzare l'elenco completo degli strumenti installati in questa immagine, vedere Che cosa include la DSVM?.
Abilita Connessione Desktop remoto Facoltativamente, selezionare Abilita connessione Desktop remoto. L'immagine Data Science è già configurata per l'uso di X2Go in modo che i docenti e gli studenti possano connettersi usando un desktop remoto con interfaccia utente grafica. X2Go non richiede l'abilitazione dell'impostazione Abilita connessione Desktop remoto.
Modello macchina virtuale Impostazioni Facoltativamente, scegliere Usa un'immagine di macchina virtuale senza personalizzazione. Se si usano piani di lab e la DSVM include tutti gli strumenti necessari per la classe, è possibile ignorare il passaggio di personalizzazione del modello.

Importante

È consigliabile usare X2Go con l'immagine data science. Tuttavia, se si sceglie di usare RDP, è necessario connettersi alla macchina virtuale Linux usando SSH e installare i pacchetti RDP e GUI prima di pubblicare il lab. Gli studenti possono quindi connettersi alla macchina virtuale Linux usando RDP in un secondo momento. Per altre informazioni, vedere Abilitare Desktop remoto grafico per le macchine virtuali Linux.

Configurazione del computer modello

L'immagine Data Science Virtual Machine per Linux fornisce framework e strumenti di Deep Learning necessari per questo tipo di classe. Se si sceglie Usa un'immagine di macchina virtuale senza personalizzazione durante la creazione del lab, la possibilità di personalizzare il computer modello verrà disabilitata. È possibile pubblicare il lab quando si è pronti.

Costo

Verrà ora illustrata una stima dei costi possibile per questa classe. Le dimensioni della macchina virtuale scelte sono piccole GPU (calcolo), ovvero 139 unità lab.

Per una classe di 25 studenti con 20 ore di tempo di classe pianificato e 10 ore di quota per compiti o compiti, la stima dei costi sarà:

25 studenti * (20 ore pianificate + 10 ore quota) * 139 unità lab * 0,01 USD all'ora = 1042,5 USD

Importante

La stima dei costi è solo a scopo esemplificativo. Per informazioni dettagliate sui prezzi, vedere Prezzi di Azure Lab Services.

Conclusione

Questo articolo illustra la procedura per creare un lab per la classe Natural Language Processing. È possibile usare una configurazione simile per altre classi di Deep Learning.

Passaggi successivi

È ora possibile pubblicare l'immagine modello nel lab. Per altre informazioni, vedere Pubblicare la macchina virtuale modello.

Durante la configurazione del lab, vedere gli articoli seguenti: