Quickstart: Werkruimteresources maken die u nodig hebt om aan de slag te gaan met Azure Machine Learning

In deze quickstart maakt u een werkruimte en voegt u vervolgens rekenresources toe aan de werkruimte. U hebt dan alles wat u nodig hebt om aan de slag te gaan met Azure Machine Learning.

De werkruimte is de resource op het hoogste niveau voor uw machine learning-activiteiten en biedt een centrale plaats voor het weergeven en beheren van de artefacten die u maakt wanneer u Azure Machine Learning. De rekenbronnen bieden een vooraf geconfigureerde cloudomgeving die u kunt gebruiken voor het trainen, implementeren, automatiseren, beheren en volgen van machine learning modellen.

Vereisten

• Een Azure-account met een actief abonnement. Gratis een account maken

De werkruimte maken

Als u al een werkruimte hebt, slaat u deze sectie over en gaat u verder met Een reken-exemplaar maken.

Als u nog geen werkruimte hebt, maakt u er nu een:

1. Meld u aan bij de Azure-portal met behulp van de referenties van uw Azure-abonnement.

2. Selecteer in de linkerbovenhoek van de Azure Portal de drie balken en vervolgens + Een resource maken.

   

3. Gebruik de zoekbalk om Machine Learning te vinden.

4. Selecteer Machine Learning.

   

5. Selecteer Maken in het deelvenster Machine Learning om te beginnen.

6. Geef de volgende gegevens op om uw nieuwe werkruimte te configureren:

   Veld	Beschrijving
   Werkruimtenaam	Voer een unieke naam in die uw werkruimte aanduidt. In dit voorbeeld gebruiken we docs-ws. Namen moeten uniek zijn binnen de resourcegroep. Gebruik een naam die gemakkelijk te onthouden is en te onderscheiden is van door anderen gemaakte werkruimten.
   Abonnement	Selecteer het Azure-abonnement dat u wilt gebruiken.
   Resourcegroep	Gebruik een bestaande resourcegroep in uw abonnement of voer een naam in om een nieuwe resourcegroep te maken. Een resourcegroep bevat gerelateerde resources voor een Azure-oplossing. In dit voorbeeld gebruiken we docs-aml.
   Locatie	Selecteer de locatie die zich het dichtst bij uw gebruikers en de gegevensresources bevindt om uw werkruimte te maken.

7. Nadat u klaar bent met het configureren van de werkruimte, selecteert u Beoordelen en maken.

8. Selecteer Maken om de werkruimte te maken.

   Waarschuwing

   Het kan enkele minuten duren om uw werkruimte in de cloud te maken.

   Wanneer het proces is voltooid, wordt er een bericht weergegeven dat de implementatie is geslaagd.

9. Selecteer Ga naar resource om de nieuwe werkruimte te bekijken.

10. Selecteer studio starten in de portalweergave van uw werkruimte om naar de Azure Machine Learning-studio.

Een reken-exemplaar maken

U kunt de Azure Machine Learning op uw eigen computer installeren. Maar in deze quickstart maakt u een online rekenresource met een ontwikkelomgeving die al is geïnstalleerd en klaar is voor gebruik. U gebruikt deze online machine, een rekenin instance, voor uw ontwikkelomgeving om code te schrijven en uit te voeren in Python-scripts en Jupyter-notebooks.

Maak een reken-exemplaar om deze ontwikkelomgeving te gebruiken voor de rest van de zelfstudies en quickstarts.

1. Als u in de vorige sectie Niet naar werkruimte gaan hebt geselecteerd, meld u zich dan nu aan bij Azure Machine Learning Studio en selecteert u uw werkruimte.
2. Selecteer aan de linkerkant Compute.
3. Selecteer +Nieuw om een nieuw reken-exemplaar te maken.
4. Een naam en alle standaardwaarden op de eerste pagina behouden.
5. Selecteer Maken.

In ongeveer twee minuten ziet u dat de status van het reken-exemplaar is gewijzigd van Maken in Wordt uitgevoerd. Het is nu klaar om te gaan.

Rekenclusters maken

Vervolgens maakt u een rekencluster. Met clusters kunt u een training- of batchdeferentieproces distribueren over een cluster van CPU- of GPU-rekenknooppunten in de cloud.

Maak een rekencluster dat automatisch wordt geschaald tussen nul en vier knooppunten:

1. Selecteer in de sectie Compute op het bovenste tabblad de optie Rekenclusters.
2. Selecteer +Nieuw om een nieuw rekencluster te maken.
3. Laat alle standaardwaarden op de eerste pagina staan en selecteer Volgende.
4. Noem het cluster cpu-cluster. Als deze naam al bestaat, voegt u uw initialen toe aan de naam om deze uniek te maken.
5. Laat het Minimum aantal knooppunten op 0.
6. Wijzig het Maximum aantal knooppunten indien mogelijk in 4. Afhankelijk van uw instellingen hebt u mogelijk een kleinere limiet.
7. Wijzig Seconden inactief voordat u omlaag schaalt naar 2400.
8. Laat de overige standaardwaarden staan en selecteer Maken.

In minder dan een minuut verandert de status van het cluster van Maken in Geslaagd. In de lijst ziet u het inrichtende rekencluster, samen met het aantal niet-actieve knooppunten, bezette knooppunten en niet-inrichtende knooppunten. Omdat u het cluster nog niet hebt gebruikt, zijn alle knooppunten momenteel niet ingericht.

Korte rondleiding door de studio

De studio is uw webportal voor Azure Machine Learning. In deze portal worden no-code en code-first ervaringen gecombineerd voor een inclusief data science-platform.

Bekijk de onderdelen van de studio op de navigatiebalk aan de linkerkant:

• De sectie Auteur van de studio bevat meerdere manieren om aan de slag te gaan met het maken machine learning modellen. U kunt:

  • Met de sectie Notebooks kunt u Jupyter Notebooks maken, voorbeeldnote notebooks kopiëren en notebooks en Python-scripts uitvoeren.
  • Geautomatiseerde ML stappen die u hebt gemaakt machine learning model zonder code te schrijven.
  • Designer biedt u een slepen-en-neerzetten-manier om modellen te bouwen met behulp van vooraf gebouwde onderdelen.

• De sectie Assets van de studio helpt u bij het bijhouden van de assets die u maakt tijdens het uitvoeren van uw taken. Als u een nieuwe werkruimte hebt, staat er nog niets in een van deze secties.

• U hebt de sectie Beheren van de studio al gebruikt om uw rekenbronnen te maken. In deze sectie kunt u ook gegevens en externe services maken en beheren die u aan uw werkruimte koppelt.

Werkruimtediagnose

U kunt diagnostische gegevens uitvoeren op uw werkruimte vanuit Azure Machine Learning Studio of de Python SDK. Nadat de diagnostische gegevens zijn uitgevoerd, wordt er een lijst met gedetecteerde problemen geretourneerd. Deze lijst bevat koppelingen naar mogelijke oplossingen. Zie Diagnostische gegevens van werkruimten gebruiken voor meer informatie.

Resources opschonen

Als u nu wilt doorgaan naar de volgende zelfstudie, gaat u verder met Volgende stappen.

Reken-exemplaar stoppen

Als u deze nu niet gaat gebruiken, stopt u de reken-instantie:

1. Selecteer in de studio aan de linkerkant Compute.
2. Selecteer compute-exemplaren op de bovenste tabbladen
3. Selecteer de reken-instantie in de lijst.
4. Selecteer stoppen op de bovenste werkbalk.

Alle resources verwijderen

Als u niet van plan bent om een van de resources te gebruiken die u hebt gemaakt, verwijdert u deze zodat er geen kosten in rekening worden gebracht:

1. Selecteer Resourcegroepen links in Azure Portal.

2. Selecteer de resourcegroep die u hebt gemaakt uit de lijst.

3. Selecteer Resourcegroep verwijderen.

   

4. Voer de naam van de resourcegroup in. Selecteer vervolgens Verwijderen.

Volgende stappen

U hebt nu een Azure Machine Learning werkruimte die het volgende bevat:

• Een reken-exemplaar dat moet worden gebruikt voor uw ontwikkelomgeving.
• Een rekencluster dat moet worden gebruikt voor het verzenden van trainingsversies.

Gebruik deze resources voor meer informatie over het Azure Machine Learning trainen van een model met Python-scripts.