R ジョブを実行してモデルをトレーニングする

[アーティクル]
03/28/2024

適用対象: Azure CLI ML 拡張機能 v2 (現行)

この記事では、運用環境で実行するように調整した R スクリプトを取得し、Azure Machine Learning V2 を使用して R ジョブとして実行するように設定する方法について説明します。

注意

この記事のタイトルはモデルの ''トレーニング'' を指しますが、適応する記事に一覧表示されている要件を満たしている限り、実際には任意の種類の R スクリプトを実行できます。

前提条件

Azure Machine Learning ワークスペース。
トレーニングジョブで使われる登録済みデータ資産。
Azure CLI と ml 拡張機能がインストールされている。または、CLI がプレインストールされているワークスペース内のコンピューティングインスタンスを使用します。
トレーニングジョブを実行するコンピューティングクラスターまたはコンピューティングインスタンス。
ジョブの実行に使用するコンピューティングクラスターの R 環境。

この構造のフォルダーを作成する

プロジェクトのこのフォルダー構造を作成します。

📁 r-job-azureml
├─ src
│  ├─ azureml_utils.R
│  ├─ r-source.R
├─ job.yml

重要

すべてのソースコードが src ディレクトリに入ります。

r-source.R ファイルは、運用環境で実行するように調整した R スクリプトです。このスクリプトで、モデルをクレートしてログする手順に従います。
azureml_utils.R ファイルが必要です。ファイルの内容には、このソースコードを使います。

ジョブ YAML を準備する

Azure Machine Learning CLI v2 には、操作ごとに異なる YAML スキーマがあります。ジョブ YAML スキーマを使って、このプロジェクトの一部である job.yml ファイル内のジョブを送信します。

YAML に配置する、特定の情報を収集する必要があります。

データ入力として使う登録済みデータ資産の名前 (バージョン付き): azureml:<REGISTERED-DATA-ASSET>:<VERSION>
作成した環境の名前 (バージョンあり): azureml:<R-ENVIRONMENT-NAME>:<VERSION>
コンピューティングクラスターリソースの名前: azureml:<COMPUTE-CLUSTER-NAME>

ヒント

バージョン (データ資産、環境) を必要とする Azure Machine Learning CLI 成果物については、特定のバージョンを設定する必要がない場合、ショートカット URI azureml:<AZUREML-ASSET>@latest を使用してその成果物の最新バージョンを取得できます。

ジョブを送信するためのサンプル YAML スキーマ

job.yml ファイルを編集して以下を含めます。 <IN-BRACKETS-AND-CAPS> と示されている値を必ず置き換え、角かっこを削除してください。

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
# the Rscript command goes in the command key below. Here you also specify 
# which parameters are passed into the R script and can reference the input
# keys and values further below
# Modify any value shown below <IN-BRACKETS-AND-CAPS> (remove the brackets)
command: >
Rscript <NAME-OF-R-SCRIPT>.R
--data_file ${{inputs.datafile}}  
--other_input_parameter ${{inputs.other}}
code: src   # this is the code directory
inputs:
  datafile: # this is a registered data asset
    type: uri_file
    path: azureml:<REGISTERED-DATA-ASSET>@latest
  other: 1  # this is a sample parameter, which is the number 1 (as text)
environment: azureml:<R-ENVIRONMENT-NAME>@latest
compute: azureml:<COMPUTE-CLUSTER-OR-INSTANCE-NAME>
experiment_name: <NAME-OF-EXPERIMENT>
description: <DESCRIPTION>

ジョブを送信する

このセクションの次のコマンドでは、以下の情報が必要になる場合があります。

Azure Machine Learning ワークスペースの名前
ワークスペースがあるリソースグループの名前
ワークスペースがあるサブスクリプション ID

Azure Machine Learning スタジオからこれらの値を見つけます。

サインインしてワークスペースを開きます。
右上隅の Azure Machine Learning スタジオツールバーで、ワークスペース名を選びます。
表示されるセクションから値をコピーできます。

ジョブを送信するには、ターミナルウィンドウで次のコマンドを実行します。

ディレクトリを r-job-azureml に変更します。
```
cd r-job-azureml
```
Azure にサインインします。 Azure Machine Learning コンピューティングインスタンスからこれを行う場合は、以下を使用します。
```
az login --identity
```
コンピューティングインスタンスを使用していない場合は、--identity を省略し、プロンプトに従ってブラウザーウィンドウを開いて認証します。
最新バージョンの CLI と ml 拡張機能があることを確認します。
```
az upgrade
```
複数の Azure サブスクリプションがある場合は、アクティブなサブスクリプションを、ワークスペースに使用しているサブスクリプションに設定します (1 つのサブスクリプションにのみアクセスできる場合は、この手順をスキップできます)。<SUBSCRIPTION-NAME> をサブスクリプション名に置き換えます。角かっこ <> も削除します。
```
az account set --subscription "<SUBSCRIPTION-NAME>"
```
次に、CLI を使用してジョブを送信します。ワークスペース内のコンピューティングインスタンスでこれを行う場合は、次のコードに示されているように、ワークスペース名とリソースグループに環境変数を使用できます。コンピューティングインスタンスを使用していない場合は、これらの値をワークスペース名とリソースグループに置き換えます。
```
az ml job create -f job.yml  --workspace-name $CI_WORKSPACE --resource-group $CI_RESOURCE_GROUP
```

ジョブを送信したら、スタジオで状態と結果を確認できます。

Azure Machine Learning Studio にサインインします。
まだワークスペースが読み込まれていない場合は、それを選びます。
左側のナビゲーションで、[ジョブ] を選択します。
モデルのトレーニングに使用した [実験名] を選択します。
ジョブの [表示名] を選択し、ジョブで使用されるメトリック、イメージ、子ジョブ、出力、ログ、コードなど、ジョブの詳細と成果物を表示します。

モデルの登録

最後に、トレーニングジョブが完了したら、モデルをデプロイする場合はそれを登録します。スタジオのジョブの詳細を示すページから開始します。

ジョブが完了したら、[出力とログ] を選択してジョブの出力を表示します。
models フォルダーを開き、crate.bin と MLmodel が存在することを確認します。ない場合は、ログを調べて、エラーが発生したかどうかを確認します。
上部のツールバーで、[+ モデルの登録] を選択します。
[MLflow] モデルの種類は検出された場合でも使わないでください。 [モデルの種類] を既定の [MLflow] から [未指定の種類] に変更します。 [MLflow] のままにするとエラーが発生します。
[ジョブ出力] で、モデルを含むフォルダーである [モデル] を選択します。
[次へ] を選択します。
モデルに使用する名前を指定します。必要に応じて、[説明]、[バージョン]、[タグ] を追加します。
[次へ] を選択します。
情報を確認します。
[登録] を選択します。