Samouczek: wprowadzenie do Azure Machine Learning w środowisku programistycznym (część 1 z 4)Tutorial: Get started with Azure Machine Learning in your development environment (part 1 of 4)

W tej serii samouczków z czterema częściami przedstawiono podstawy Azure Machine Learning i kończenia zadań uczenia maszynowego w języku Python na platformie Azure w chmurze.In this four-part tutorial series, you'll learn the fundamentals of Azure Machine Learning and complete jobs-based Python machine learning tasks on the Azure cloud platform.

W części 1 tej serii samouczków będziesz:In part 1 of this tutorial series, you will:

  • Zainstaluj zestaw SDK Azure Machine Learning.Install the Azure Machine Learning SDK.
  • Skonfiguruj strukturę katalogów dla kodu.Set up the directory structure for code.
  • Utwórz obszar roboczy Azure Machine Learning.Create an Azure Machine Learning workspace.
  • Skonfiguruj lokalne środowisko deweloperskie.Configure your local development environment.
  • Skonfiguruj klaster obliczeniowy.Set up a compute cluster.

Uwaga

Ta seria samouczków koncentruje się na Azure Machine Learning koncepcji wymaganych do przesłania zadań wsadowych — jest to miejsce, w którym kod jest przesyłany do chmury w celu uruchomienia w tle bez żadnej interakcji z użytkownikiem.This tutorial series focuses on the Azure Machine Learning concepts required to submit batch jobs - this is where the code is submitted to the cloud to run in the background without any user interaction. Jest to przydatne w przypadku gotowych skryptów lub kodu, który ma być wykonywany wielokrotnie, lub do zadań uczenia maszynowego intensywnie korzystających z obliczeń.This is useful for finished scripts or code you wish to run repeatedly, or for compute-intensive machine learning tasks. Jeśli jesteś bardziej interesujący przepływ pracy badawczej, zamiast tego możesz użyć Jupyter lub RStudio na wystąpieniu obliczeniowym Azure Machine Learning.If you are more interested in an exploratory workflow, you could instead use Jupyter or RStudio on an Azure Machine Learning compute instance.

Wymagania wstępnePrerequisites

Instalowanie zestawu SDK Azure Machine LearningInstall the Azure Machine Learning SDK

W tym samouczku zostanie użyty zestaw Azure Machine Learning SDK dla języka Python.Throughout this tutorial, you will use the Azure Machine Learning SDK for Python. Aby uniknąć problemów z zależnościami w języku Python, utworzysz środowisko izolowane.To avoid Python dependency issues, you'll create an isolated environment. Ta seria samouczków używa Conda do utworzenia tego środowiska.This tutorial series uses conda to create that environment. Jeśli wolisz używać innych rozwiązań, takich jak venv , virtualenv , lub platformy Docker, upewnij się, że używasz wersji Python >= 3,5 i < 3,9.If you prefer to use other solutions, such as venv, virtualenv, or docker, make sure you use a Python version >=3.5 and < 3.9.

Sprawdź, czy w systemie jest zainstalowany program Conda:Check if you have conda installed on your system:

conda --version

Jeśli to polecenie zwróci conda not found błąd, Pobierz i zainstaluj Miniconda.If this command returns a conda not found error, download and install Miniconda.

Po zainstalowaniu programu Conda należy użyć terminalu lub okna monitu Anaconda w celu utworzenia nowego środowiska:Once you have installed Conda, use a terminal or Anaconda Prompt window to create a new environment:

conda create -n tutorial python=3.8

Następnie Zainstaluj zestaw SDK Azure Machine Learning w utworzonym środowisku Conda:Next, install the Azure Machine Learning SDK into the conda environment you created:

conda activate tutorial
pip install azureml-core

Uwaga

Ukończenie instalacji zestawu SDK Azure Machine Learning wymaga około 2 minut.It takes approximately 2 minutes for the Azure Machine Learning SDK install to complete.

Jeśli zostanie wyświetlony komunikat o błędzie limitu czasu, spróbuj pip install --default-timeout=100 azureml-core zamiast tego.If you get a timeout error, try pip install --default-timeout=100 azureml-core instead.

Tworzenie struktury katalogów dla koduCreate a directory structure for code

Zalecamy skonfigurowanie następującej prostej struktury katalogów dla tego samouczka:We recommend that you set up the following simple directory structure for this tutorial:

Struktura katalogów: najwyższego poziomu samouczka z podkatalogiem.

  • tutorial: Katalog najwyższego poziomu projektu.tutorial: Top-level directory of the project.
  • .azureml: Ukryty podkatalog do przechowywania plików konfiguracji Azure Machine Learning..azureml: Hidden subdirectory for storing Azure Machine Learning configuration files.

Na przykład, aby utworzyć ten element w oknie bash:For example, to create this in a bash window:

mkdir tutorial
cd tutorial
mkdir .azureml

Porada

Aby utworzyć lub wyświetlić strukturę w oknie graficznym, należy najpierw włączyć możliwość wyświetlania i tworzenia ukrytych plików i folderów:To create or view the structure in a graphical window, first enable the ability to see and create hidden files and folders:

  • W oknie Wyszukiwacz Mac Użyj polecenia + Shift +.In a Mac Finder window use Command + Shift + . Aby włączyć wyświetlanie ukrytych plików/folderów.to toggle the display of hidden files/folders.
  • W Eksploratorze plików systemu Windows 10 zapoznaj się z tematem jak wyświetlać ukryte pliki i foldery.In a Windows 10 File Explorer, see how to view hidden files and folders.
  • W interfejsie graficznym systemu Linux Użyj klawiszy CTRL + h lub menu Widok , a następnie zaznacz pole, aby wyświetlić ukryte pliki.In the Linux Graphical Interface, use Ctrl + h or the View menu and check the box to Show hidden files.

Tworzenie obszaru roboczego usługi Azure Machine LearningCreate an Azure Machine Learning workspace

Obszar roboczy jest zasobem najwyższego poziomu dla Azure Machine Learning i jest scentralizowanym miejscem do wykonania:A workspace is a top-level resource for Azure Machine Learning and is a centralized place to:

  • Zarządzaj zasobami, takimi jak obliczenia.Manage resources such as compute.
  • Przechowuj zasoby, takie jak notesy, środowiska, zestawy danych, potoki, modele i punkty końcowe.Store assets like notebooks, environments, datasets, pipelines, models, and endpoints.
  • Współpracuj z innymi członkami zespołu.Collaborate with other team members.

W katalogu najwyższego poziomu tutorial Dodaj nowy plik Python o nazwie przy 01-create-workspace.py użyciu następującego kodu.In the top-level directory, tutorial, add a new Python file called 01-create-workspace.py by using the following code. Dostosuj parametry (nazwa, Identyfikator subskrypcji, Grupa zasobów i Lokalizacja) z preferencjami.Adapt the parameters (name, subscription ID, resource group, and location) with your preferences.

Kod można uruchomić w sesji interaktywnej lub w postaci pliku języka Python.You can run the code in an interactive session or as a Python file.

Uwaga

W przypadku korzystania z lokalnego środowiska programistycznego (na przykład komputera) użytkownik zostanie poproszony o uwierzytelnienie w obszarze roboczym przy użyciu kodu urządzenia podczas pierwszego uruchomienia poniższego kodu.When you're using a local development environment (for example, your computer), you'll be asked to authenticate to your workspace by using a device code the first time you run the following code. Wykonaj instrukcje wyświetlane na ekranie.Follow the on-screen instructions.

# tutorial/01-create-workspace.py
from azureml.core import Workspace

ws = Workspace.create(name='<my_workspace_name>', # provide a name for your workspace
                      subscription_id='<azure-subscription-id>', # provide your subscription ID
                      resource_group='<myresourcegroup>', # provide a resource group name
                      create_resource_group=True,
                      location='<NAME_OF_REGION>') # For example: 'westeurope' or 'eastus2' or 'westus2' or 'southeastasia'.

# write out the workspace details to a configuration file: .azureml/config.json
ws.write_config(path='.azureml')

W oknie, które ma aktywowane środowisko tutorial1 Conda, Uruchom ten kod z tutorial katalogu.In the window that has the activated tutorial1 conda environment, run this code from the tutorial directory.

cd <path/to/tutorial>
python ./01-create-workspace.py

Porada

Jeśli uruchomienie tego kodu spowoduje błąd, że nie masz dostępu do subskrypcji, zobacz Tworzenie obszaru roboczego , aby uzyskać informacje na temat opcji uwierzytelniania.If running this code gives you an error that you do not have access to the subscription, see Create a workspace for information on authentication options.

Po pomyślnym uruchomieniu 01-Create-Workspace.py struktura folderów będzie wyglądać następująco:After you've successfully run 01-create-workspace.py, your folder structure will look like:

Plik config.json pojawia się w katalogu. usługi Azure po uruchomieniu 01-create-workspace.py

Plik .azureml/config.json zawiera metadane niezbędne do nawiązania połączenia z obszarem roboczym Azure Machine Learning.The file .azureml/config.json contains the metadata necessary to connect to your Azure Machine Learning workspace. A mianowicie zawiera identyfikator subskrypcji, grupę zasobów i nazwę obszaru roboczego.Namely, it contains your subscription ID, resource group, and workspace name.

Uwaga

Zawartość config.json nie jest wpisami tajnymi.The contents of config.json are not secrets. Warto udostępnić te szczegóły.It's fine to share these details.

Uwierzytelnianie jest nadal wymagane do współdziałania z obszarem roboczym Azure Machine Learning.Authentication is still required to interact with your Azure Machine Learning workspace.

Tworzenie klastra obliczeniowego Azure Machine LearningCreate an Azure Machine Learning compute cluster

Utwórz skrypt języka Python w tutorial katalogu najwyższego poziomu o nazwie 02-create-compute.py .Create a Python script in the tutorial top-level directory called 02-create-compute.py. Wypełnij następujący kod, aby utworzyć Azure Machine Learning klaster obliczeniowy, który będzie automatycznie skalowany między zerem i czterema węzłami:Populate it with the following code to create an Azure Machine Learning compute cluster that will autoscale between zero and four nodes:

# tutorial/02-create-compute.py
from azureml.core import Workspace
from azureml.core.compute import ComputeTarget, AmlCompute
from azureml.core.compute_target import ComputeTargetException

ws = Workspace.from_config() # This automatically looks for a directory .azureml

# Choose a name for your CPU cluster
cpu_cluster_name = "cpu-cluster"

# Verify that the cluster does not exist already
try:
    cpu_cluster = ComputeTarget(workspace=ws, name=cpu_cluster_name)
    print('Found existing cluster, use it.')
except ComputeTargetException:
    compute_config = AmlCompute.provisioning_configuration(vm_size='STANDARD_D2_V2',
                                                           idle_seconds_before_scaledown=2400,
                                                           min_nodes=0,
                                                           max_nodes=4)
    cpu_cluster = ComputeTarget.create(ws, cpu_cluster_name, compute_config)

cpu_cluster.wait_for_completion(show_output=True)

W oknie, które ma aktywowane środowisko tutorial1 Conda, uruchom plik języka Python:In the window that has the activated tutorial1 conda environment, run the Python file:

python ./02-create-compute.py

Uwaga

Po utworzeniu klastra zostanie zainicjowana obsługa 0 węzłów.When the cluster is created, it will have 0 nodes provisioned. W klastrze nie są naliczane koszty, dopóki nie zostanie przesłane zadanie.The cluster does not incur costs until you submit a job. Ten klaster zostanie przeskalowany w dół, gdy będzie bezczynny przez 2 400 sekund (40 minut).This cluster will scale down when it has been idle for 2,400 seconds (40 minutes).

Struktura folderów będzie teraz wyglądać następująco:Your folder structure will now look as follows:

Dodawanie 02-create-compute.py do katalogu samouczków

Wyświetl w StudioView in the studio

Zaloguj się do Azure Machine Learning Studio , aby wyświetlić utworzone obszary robocze i wystąpienia obliczeniowe.Sign in to Azure Machine Learning studio to view the workspace and compute instance you created.

  1. Wybierz subskrypcję , która została użyta do utworzenia obszaru roboczego.Select the Subscription you used to create the workspace.
  2. Wybierz utworzony obszar roboczy Machine Learning , samouczek — WS.Select the Machine Learning workspace you created, tutorial-ws.
  3. Po załadowaniu obszaru roboczego po lewej stronie wybierz pozycję Oblicz.Once the workspace loads, on the left side, select Compute.
  4. W górnej części Wybierz kartę Klastry obliczeniowe .At the top, select the Compute clusters tab.

Zrzut ekranu: Wyświetl wystąpienie obliczeniowe w obszarze roboczym.

Ten widok przedstawia klaster obliczeniowy z obsługą administracyjną wraz z liczbą węzłów bezczynnych, zajętymi węzłami i nieudostępnianymi węzłami.This view shows the provisioned compute cluster, along with the number of idle nodes, busy nodes, and unprovisioned nodes. Ponieważ klaster nie został jeszcze użyty, wszystkie węzły są obecnie niezainicjowane.Since you haven't used the cluster yet, all the nodes are currently unprovisioned.

Następne krokiNext steps

W tym samouczku instalacji masz:In this setup tutorial, you have:

  • Utworzono obszar roboczy Azure Machine Learning.Created an Azure Machine Learning workspace.
  • Skonfiguruj lokalne środowisko programistyczne.Set up your local development environment.
  • Utworzono klaster obliczeniowy Azure Machine Learning.Created an Azure Machine Learning compute cluster.

W innych częściach tego samouczka znajdziesz następujące informacje:In the other parts of this tutorial you will learn:

  • Część 2.Part 2. Uruchom kod w chmurze za pomocą zestawu SDK Azure Machine Learning dla języka Python.Run code in the cloud by using the Azure Machine Learning SDK for Python.
  • Część 3.Part 3. Zarządzaj środowiskiem Python używanym do szkolenia modeli.Manage the Python environment that you use for model training.
  • Część 4.Part 4. Przekazuj dane na platformę Azure i korzystaj z nich w szkoleniu.Upload data to Azure and consume that data in training.

Przejdź do następnego samouczka, aby zapoznać się z przesyłaniem skryptu do Azure Machine Learning klastra obliczeniowego.Continue to the next tutorial, to walk through submitting a script to the Azure Machine Learning compute cluster.