Tutorial: Treinar modelos de classificação de imagem com dados do MNIST e scikit-aprender a usar Azure Machine LearningTutorial: Train image classification models with MNIST data and scikit-learn using Azure Machine Learning

Neste tutorial, você treinará um modelo de aprendizado de máquina em recursos de computação remota.In this tutorial, you train a machine learning model on remote compute resources. Vai utilizar o fluxo de trabalho de preparação e implementação do serviço do Azure Machine Learning (pré-visualização) num bloco de notas do Jupyter em Python.You'll use the training and deployment workflow for Azure Machine Learning service (preview) in a Python Jupyter notebook. Depois, pode utilizar o bloco de notas como um modelo para preparar o seu próprio modelo de machine learning com os seus dados.You can then use the notebook as a template to train your own machine learning model with your own data. Este tutorial é a primeira parte de uma série composta por duas partes.This tutorial is part one of a two-part tutorial series.

Este tutorial treina uma regressão logística simples usando o conjunto de informações MNIST e o scikit-Aprenda com o serviço Azure Machine Learning.This tutorial trains a simple logistic regression by using the MNIST dataset and scikit-learn with Azure Machine Learning service. O MNIST é um conjunto de dados popular que consiste em 70 000 imagens em tons de cinzento.MNIST is a popular dataset consisting of 70,000 grayscale images. Cada imagem é um dígito manuscrito de 28 x 28 pixels, representando um número de zero a nove.Each image is a handwritten digit of 28 x 28 pixels, representing a number from zero to nine. O objetivo é criar um classificador multiclasse para identificar o dígito que uma determinada imagem representa.The goal is to create a multiclass classifier to identify the digit a given image represents.

Saiba como executar as seguintes ações:Learn how to take the following actions:

  • Configure seu ambiente de desenvolvimento.Set up your development environment.
  • Acesse e examine os dados.Access and examine the data.
  • Treinar um modelo de regressão logística simples em um cluster remoto.Train a simple logistic regression model on a remote cluster.
  • Examine os resultados de treinamento e registre o melhor modelo.Review training results and register the best model.

Você aprende a selecionar um modelo e implantá-lo na parte dois deste tutorial.You learn how to select a model and deploy it in part two of this tutorial.

Se você não tiver uma assinatura do Azure, crie uma conta gratuita antes de começar.If you don’t have an Azure subscription, create a free account before you begin. Experimente a versão gratuita ou paga do serviço de Azure Machine Learning hoje mesmo.Try the free or paid version of Azure Machine Learning service today.

Nota

O código deste artigo foi testado com Azure Machine Learning SDK versão 1.0.41.Code in this article was tested with Azure Machine Learning SDK version 1.0.41.

Pré-requisitosPrerequisites

  • Conclua o tutorial: Comece a criar seu primeiro experimento de ml para:Complete the Tutorial: Get started creating your first ML experiment to:

    • Criar uma área de trabalhoCreate a workspace
    • Criar um servidor de notebook de nuvemCreate a cloud notebook server
    • Iniciar o painel do bloco de anotações do JupyterLaunch the Jupyter notebook dashboard
  • Depois de iniciar o painel do notebook Jupyter, abra o bloco de anotações tutoriais/img-Classification-part1-Training. ipynb .After you launch the Jupyter notebook dashboard, open the tutorials/img-classification-part1-training.ipynb notebook.

O tutorial e o arquivo utils.py acompanhante também estarão disponíveis no GitHub se você quiser usá-lo em seu próprio ambiente local.The tutorial and accompanying utils.py file is also available on GitHub if you wish to use it on your own local environment. Verifique se você instalou matplotlib o e scikit-learn o em seu ambiente.Make sure you have installed matplotlib and scikit-learn in your environment.

Configurar seu ambiente de desenvolvimentoSet up your development environment

Toda a configuração para o seu trabalho de desenvolvimento pode ser feita num bloco de notas Python.All the setup for your development work can be accomplished in a Python notebook. A instalação inclui as seguintes ações:Setup includes the following actions:

  • Importar pacotes do Python.Import Python packages.
  • Conecte-se a um espaço de trabalho, para que seu computador local possa se comunicar com recursos remotos.Connect to a workspace, so that your local computer can communicate with remote resources.
  • Crie um experimento para acompanhar todas as suas execuções.Create an experiment to track all your runs.
  • Crie um destino de computação remota a ser usado para treinamento.Create a remote compute target to use for training.

Importar pacotesImport packages

Importe os pacotes Python de que precisa nesta sessão.Import Python packages you need in this session. Exiba também a versão Azure Machine Learning SDK:Also display the Azure Machine Learning SDK version:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

import azureml.core
from azureml.core import Workspace

# check core SDK version number
print("Azure ML SDK Version: ", azureml.core.VERSION)

Conectar-se a um espaço de trabalhoConnect to a workspace

Crie um objeto de área de trabalho a partir da área de trabalho existente.Create a workspace object from the existing workspace. Workspace.from_config()lê o arquivo config. JSON e carrega os detalhes em um objeto chamado ws:Workspace.from_config() reads the file config.json and loads the details into an object named ws:

# load workspace configuration from the config.json file in the current folder.
ws = Workspace.from_config()
print(ws.name, ws.location, ws.resource_group, sep='\t')

Criar uma experimentaçãoCreate an experiment

Crie uma experimentação para acompanhar as execuções na sua área de trabalho.Create an experiment to track the runs in your workspace. Um espaço de trabalho pode ter vários experimentos:A workspace can have multiple experiments:

from azureml.core import Experiment
experiment_name = 'sklearn-mnist'

exp = Experiment(workspace=ws, name=experiment_name)

Criar ou anexar um recurso de computação existenteCreate or attach an existing compute resource

Usando Azure Machine Learning computação, um serviço gerenciado, os cientistas de dados podem treinar modelos de aprendizado de máquina em clusters de máquinas virtuais do Azure.By using Azure Machine Learning Compute, a managed service, data scientists can train machine learning models on clusters of Azure virtual machines. Exemplos incluem VMs com suporte a GPU.Examples include VMs with GPU support. Neste tutorial, você criará Azure Machine Learning computação como seu ambiente de treinamento.In this tutorial, you create Azure Machine Learning Compute as your training environment. O código a seguir criará os clusters de computadores para você se eles ainda não existirem no seu espaço de trabalho.The code below creates the compute clusters for you if they don't already exist in your workspace.

A criação da computação leva cerca de cinco minutos.Creation of the compute takes about five minutes. Se a computação já estiver no espaço de trabalho, o código a usará e ignorará o processo de criação.If the compute is already in the workspace, the code uses it and skips the creation process.

from azureml.core.compute import AmlCompute
from azureml.core.compute import ComputeTarget
import os

# choose a name for your cluster
compute_name = os.environ.get("AML_COMPUTE_CLUSTER_NAME", "cpucluster")
compute_min_nodes = os.environ.get("AML_COMPUTE_CLUSTER_MIN_NODES", 0)
compute_max_nodes = os.environ.get("AML_COMPUTE_CLUSTER_MAX_NODES", 4)

# This example uses CPU VM. For using GPU VM, set SKU to STANDARD_NC6
vm_size = os.environ.get("AML_COMPUTE_CLUSTER_SKU", "STANDARD_D2_V2")


if compute_name in ws.compute_targets:
    compute_target = ws.compute_targets[compute_name]
    if compute_target and type(compute_target) is AmlCompute:
        print('found compute target. just use it. ' + compute_name)
else:
    print('creating a new compute target...')
    provisioning_config = AmlCompute.provisioning_configuration(vm_size=vm_size,
                                                                min_nodes=compute_min_nodes,
                                                                max_nodes=compute_max_nodes)

    # create the cluster
    compute_target = ComputeTarget.create(
        ws, compute_name, provisioning_config)

    # can poll for a minimum number of nodes and for a specific timeout.
    # if no min node count is provided it will use the scale settings for the cluster
    compute_target.wait_for_completion(
        show_output=True, min_node_count=None, timeout_in_minutes=20)

    # For a more detailed view of current AmlCompute status, use get_status()
    print(compute_target.get_status().serialize())

Tem agora os pacotes e os recursos de computação necessários para preparar um modelo na cloud.You now have the necessary packages and compute resources to train a model in the cloud.

Explorar dadosExplore data

Antes de treinar um modelo, você precisa entender os dados que usa para treiná-lo.Before you train a model, you need to understand the data that you use to train it. Você também precisa copiar os dados para a nuvem.You also need to copy the data into the cloud. Em seguida, ele pode ser acessado pelo seu ambiente de treinamento de nuvem.Then it can be accessed by your cloud training environment. Nesta seção, você aprenderá a executar as seguintes ações:In this section, you learn how to take the following actions:

  • Baixe o conjunto de MNIST.Download the MNIST dataset.
  • Exibir algumas imagens de exemplo.Display some sample images.
  • Carregar dados para a nuvem.Upload data to the cloud.

Transferir o conjunto de dados MNISTDownload the MNIST dataset

Transfira o conjunto de dados MNIST e guarde os ficheiros num diretório data localmente.Download the MNIST dataset and save the files into a data directory locally. Imagens e rótulos para treinamento e teste são baixados:Images and labels for both training and testing are downloaded:

import urllib.request
import os

data_folder = os.path.join(os.getcwd(), 'data')
os.makedirs(data_folder, exist_ok=True)

urllib.request.urlretrieve('http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz',
                           filename=os.path.join(data_folder, 'train-images.gz'))
urllib.request.urlretrieve('http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz',
                           filename=os.path.join(data_folder, 'train-labels.gz'))
urllib.request.urlretrieve('http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz',
                           filename=os.path.join(data_folder, 'test-images.gz'))
urllib.request.urlretrieve('http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz',
                           filename=os.path.join(data_folder, 'test-labels.gz'))

Você verá uma saída semelhante a esta:('./data/test-labels.gz', <http.client.HTTPMessage at 0x7f40864c77b8>)You will see output similar to this: ('./data/test-labels.gz', <http.client.HTTPMessage at 0x7f40864c77b8>)

Apresentar algumas imagens de exemploDisplay some sample images

Carregue os ficheiros comprimidos para matrizes numpy.Load the compressed files into numpy arrays. Em seguida, utilize matplotlib para desenhar 30 imagens aleatórias do conjunto de dados com as respetivas etiquetas acima das mesmas.Then use matplotlib to plot 30 random images from the dataset with their labels above them. Esta etapa requer uma load_data função que está incluída em um util.py arquivo.This step requires a load_data function that's included in an util.py file. Este ficheiro está incluído na pasta de exemplo.This file is included in the sample folder. Verifique se ele está posicionado na mesma pasta que este bloco de anotações.Make sure it's placed in the same folder as this notebook. A load_data função simplesmente analisa os arquivos compactados em matrizes numpy:The load_data function simply parses the compressed files into numpy arrays:

# make sure utils.py is in the same directory as this code
from utils import load_data

# note we also shrink the intensity values (X) from 0-255 to 0-1. This helps the model converge faster.
X_train = load_data(os.path.join(
    data_folder, 'train-images.gz'), False) / 255.0
X_test = load_data(os.path.join(data_folder, 'test-images.gz'), False) / 255.0
y_train = load_data(os.path.join(
    data_folder, 'train-labels.gz'), True).reshape(-1)
y_test = load_data(os.path.join(
    data_folder, 'test-labels.gz'), True).reshape(-1)

# now let's show some randomly chosen images from the traininng set.
count = 0
sample_size = 30
plt.figure(figsize=(16, 6))
for i in np.random.permutation(X_train.shape[0])[:sample_size]:
    count = count + 1
    plt.subplot(1, sample_size, count)
    plt.axhline('')
    plt.axvline('')
    plt.text(x=10, y=-10, s=y_train[i], fontsize=18)
    plt.imshow(X_train[i].reshape(28, 28), cmap=plt.cm.Greys)
plt.show()

Um exemplo aleatório de imagens apresenta:A random sample of images displays:

Amostra aleatória de imagens

Agora, tem uma ideia do aspeto destas imagens e do resultado previsto da predição.Now you have an idea of what these images look like and the expected prediction outcome.

Carregar os dados para a cloudUpload data to the cloud

Agora torne os dados acessíveis remotamente carregando esses dados de seu computador local no Azure.Now make the data accessible remotely by uploading that data from your local machine into Azure. Em seguida, ele pode ser acessado para treinamento remoto.Then it can be accessed for remote training. O armazenamento de dados é uma construção conveniente associada ao seu espaço de trabalho para que você carregue ou faça o download do mesmo.The datastore is a convenient construct associated with your workspace for you to upload or download data. Você também pode interagir com ele de seus destinos de computação remota.You can also interact with it from your remote compute targets. Ele é apoiado por uma conta de armazenamento de BLOBs do Azure.It's backed by an Azure Blob storage account.

Os arquivos MNIST são carregados em um diretório chamado mnist na raiz do repositório de armazenamento:The MNIST files are uploaded into a directory named mnist at the root of the datastore:

ds = ws.get_default_datastore()
print(ds.datastore_type, ds.account_name, ds.container_name)

ds.upload(src_dir=data_folder, target_path='mnist',
          overwrite=True, show_progress=True)

Tem agora tudo aquilo de que precisa para começar a preparar um modelo.You now have everything you need to start training a model.

Preparar num cluster remotoTrain on a remote cluster

Para esta tarefa, submeta o trabalho para o cluster de preparação remoto que configurou anteriormente.For this task, submit the job to the remote training cluster you set up earlier. Para submeter um trabalho, tem de:To submit a job you:

  • Criar um diretórioCreate a directory
  • Criar um script de preparaçãoCreate a training script
  • Criar um objeto de CalculadoraCreate an estimator object
  • Submeter o trabalhoSubmit the job

Criar um diretórioCreate a directory

Crie um diretório para fornecer o código necessário do computador para o recurso remoto.Create a directory to deliver the necessary code from your computer to the remote resource.

import os
script_folder = os.path.join(os.getcwd(), "sklearn-mnist")
os.makedirs(script_folder, exist_ok=True)

Criar um script de preparaçãoCreate a training script

Para submeter o trabalho para o cluster, crie primeiro um script de preparação.To submit the job to the cluster, first create a training script. Execute o código seguinte para criar o script de preparação denominado train.py no diretório que acabou de criar.Run the following code to create the training script called train.py in the directory you just created.

%%writefile $script_folder/train.py

import argparse
import os
import numpy as np

from sklearn.linear_model import LogisticRegression
from sklearn.externals import joblib

from azureml.core import Run
from utils import load_data

# let user feed in 2 parameters, the location of the data files (from datastore), and the regularization rate of the logistic regression model
parser = argparse.ArgumentParser()
parser.add_argument('--data-folder', type=str, dest='data_folder', help='data folder mounting point')
parser.add_argument('--regularization', type=float, dest='reg', default=0.01, help='regularization rate')
args = parser.parse_args()

data_folder = args.data_folder
print('Data folder:', data_folder)

# load train and test set into numpy arrays
# note we scale the pixel intensity values to 0-1 (by dividing it with 255.0) so the model can converge faster.
X_train = load_data(os.path.join(data_folder, 'train-images.gz'), False) / 255.0
X_test = load_data(os.path.join(data_folder, 'test-images.gz'), False) / 255.0
y_train = load_data(os.path.join(data_folder, 'train-labels.gz'), True).reshape(-1)
y_test = load_data(os.path.join(data_folder, 'test-labels.gz'), True).reshape(-1)
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape, sep = '\n')

# get hold of the current run
run = Run.get_context()

print('Train a logistic regression model with regularization rate of', args.reg)
clf = LogisticRegression(C=1.0/args.reg, solver="liblinear", multi_class="auto", random_state=42)
clf.fit(X_train, y_train)

print('Predict the test set')
y_hat = clf.predict(X_test)

# calculate accuracy on the prediction
acc = np.average(y_hat == y_test)
print('Accuracy is', acc)

run.log('regularization rate', np.float(args.reg))
run.log('accuracy', np.float(acc))

os.makedirs('outputs', exist_ok=True)
# note file saved in the outputs folder is automatically uploaded into experiment record
joblib.dump(value=clf, filename='outputs/sklearn_mnist_model.pkl')

Repare que o script obtém dados e guarda modelos:Notice how the script gets data and saves models:

  • O script de treinamento lê um argumento para localizar o diretório que contém os dados.The training script reads an argument to find the directory that contains the data. Quando submete o trabalho posteriormente, tem de apontar para o arquivo de dados deste argumento: parser.add_argument('--data-folder', type=str, dest='data_folder', help='data directory mounting point')When you submit the job later, you point to the datastore for this argument: parser.add_argument('--data-folder', type=str, dest='data_folder', help='data directory mounting point')

  • O script de treinamento salva seu modelo em um diretóriochamado Outputs.The training script saves your model into a directory named outputs. Tudo o que for escrito neste diretório é carregado automaticamente para a sua área de trabalho.Anything written in this directory is automatically uploaded into your workspace. Você acessará seu modelo a partir desse diretório posteriormente no tutorial.You access your model from this directory later in the tutorial. joblib.dump(value=clf, filename='outputs/sklearn_mnist_model.pkl')

  • O script de treinamento requer que utils.py o arquivo carregue o conjunto de os corretamente.The training script requires the file utils.py to load the dataset correctly. O código a seguir utils.py copia script_folder para que o arquivo possa ser acessado junto com o script de treinamento no recurso remoto.The following code copies utils.py into script_folder so that the file can be accessed along with the training script on the remote resource.

    import shutil
    shutil.copy('utils.py', script_folder)
    

Criar simuladorCreate an estimator

Um objeto de estimador SKLearn é usado para enviar a execução.An SKLearn estimator object is used to submit the run. Crie seu estimador executando o seguinte código para definir esses itens:Create your estimator by running the following code to define these items:

  • O nome do objeto estimador, est.The name of the estimator object, est.
  • O diretório que contém os seus scripts.The directory that contains your scripts. Todos os ficheiros neste diretório são carregados para os nós do cluster, para execução.All the files in this directory are uploaded into the cluster nodes for execution.
  • O destino de computação.The compute target. Nesse caso, você usa o cluster de computação Azure Machine Learning que você criou.In this case, you use the Azure Machine Learning compute cluster you created.
  • O nome do script de treinamento, Train.py.The training script name, train.py.
  • Parâmetros necessários do script de treinamento.Parameters required from the training script.

Neste tutorial, este destino é AmlCompute.In this tutorial, this target is AmlCompute. Todos os arquivos na pasta de script são carregados nos nós de cluster para execução.All files in the script folder are uploaded into the cluster nodes for run. O DATA_FOLDER está definido para usar o repositório de armazenamento ds.path('mnist').as_mount(),:The data_folder is set to use the datastore, ds.path('mnist').as_mount():

from azureml.train.sklearn import SKLearn

script_params = {
    '--data-folder': ds.path('mnist').as_mount(),
    '--regularization': 0.5
}

est = SKLearn(source_directory=script_folder,
              script_params=script_params,
              compute_target=compute_target,
              entry_script='train.py')

Submeter o trabalho para o clusterSubmit the job to the cluster

Execute o experimento enviando o objeto estimador:Run the experiment by submitting the estimator object:

run = exp.submit(config=est)
run

Como a chamada é assíncrona, ela retorna um estado de preparação ou de execução assim que o trabalho é iniciado.Because the call is asynchronous, it returns a Preparing or Running state as soon as the job is started.

Monitorizar uma execução remotaMonitor a remote run

No total, a primeira execução leva cerca de 10 minutos.In total, the first run takes about 10 minutes. Mas, para execuções subsequentes, desde que as dependências de script não sejam alteradas, a mesma imagem é reutilizada.But for subsequent runs, as long as the script dependencies don't change, the same image is reused. Portanto, o tempo de inicialização do contêiner é muito mais rápido.So the container startup time is much faster.

O que acontece enquanto você espera:What happens while you wait:

  • Criação de imagem: É criada uma imagem do Docker que corresponde ao ambiente do Python especificado pelo estimador.Image creation: A Docker image is created that matches the Python environment specified by the estimator. A imagem é carregada para a área de trabalho.The image is uploaded to the workspace. A criação e o carregamento de imagens leva cerca de cinco minutos.Image creation and uploading takes about five minutes.

    Esse estágio ocorre uma vez para cada ambiente do Python porque o contêiner é armazenado em cache para execuções subsequentes.This stage happens once for each Python environment because the container is cached for subsequent runs. Durante a criação da imagem, os registos são transmitidos para o histórico de execuções.During image creation, logs are streamed to the run history. Você pode monitorar o progresso da criação da imagem usando esses logs.You can monitor the image creation progress by using these logs.

  • Dimensionamento: Se o cluster remoto exigir mais nós para executar a execução que está disponível no momento, nós adicionais serão adicionados automaticamente.Scaling: If the remote cluster requires more nodes to do the run than currently available, additional nodes are added automatically. O dimensionamento normalmente leva cerca de cinco minutos.Scaling typically takes about five minutes.

  • Em execução: Neste estágio, os scripts e arquivos necessários são enviados para o destino de computação.Running: In this stage, the necessary scripts and files are sent to the compute target. Em seguida, os repositórios de armazenamento são montados ou copiados.Then datastores are mounted or copied. Em seguida, o entry_script é executado.And then the entry_script is run. Enquanto o trabalho está em execução, stdout e o diretório ./logs são transmitidos para o histórico de execução.While the job is running, stdout and the ./logs directory are streamed to the run history. Você pode monitorar o progresso da execução usando esses logs.You can monitor the run's progress by using these logs.

  • Pós-processamento: O diretório ./Outputs da execução é copiado para o histórico de execução em seu espaço de trabalho, para que você possa acessar esses resultados.Post-processing: The ./outputs directory of the run is copied over to the run history in your workspace, so you can access these results.

Você pode verificar o progresso de um trabalho em execução de várias maneiras.You can check the progress of a running job in several ways. Este tutorial usa um widget Jupyter e um wait_for_completion método.This tutorial uses a Jupyter widget and a wait_for_completion method.

Widget JupyterJupyter widget

Observe o progresso da execução com um widget Jupyter.Watch the progress of the run with a Jupyter widget. Como o envio de execução, o widget é assíncrono e fornece atualizações dinâmicas a cada 10 a 15 segundos até que o trabalho seja concluído:Like the run submission, the widget is asynchronous and provides live updates every 10 to 15 seconds until the job finishes:

from azureml.widgets import RunDetails
RunDetails(run).show()

O widget se parecerá com o seguinte no final do treinamento:The widget will look like the following at the end of training:

Widget Notebook

Se precisar cancelar uma execução, você poderá seguir estas instruções.If you need to cancel a run, you can follow these instructions.

Obter resultados do registo após a conclusãoGet log results upon completion

A preparação e a monitorização do modelo são feitas em segundo plano.Model training and monitoring happen in the background. Aguarde até que o modelo tenha concluído o treinamento antes de executar mais código.Wait until the model has finished training before you run more code. Use wait_for_completion para mostrar quando o treinamento do modelo foi concluído:Use wait_for_completion to show when the model training is finished:

run.wait_for_completion(show_output=False)  # specify True for a verbose log

Apresentar os resultados da execuçãoDisplay run results

Tem agora um modelo preparado num cluster remoto.You now have a model trained on a remote cluster. Obtenha a precisão do modelo:Retrieve the accuracy of the model:

print(run.get_metrics())

A saída mostra que o modelo remoto tem precisão de 0,9204:The output shows the remote model has accuracy of 0.9204:

{'regularization rate': 0.8, 'accuracy': 0.9204}

No próximo tutorial, você explora esse modelo com mais detalhes.In the next tutorial, you explore this model in more detail.

Registar o modeloRegister model

A última etapa no script de treinamento escreveu o arquivo outputs/sklearn_mnist_model.pkl em um diretório chamado outputs na VM do cluster em que o trabalho é executado.The last step in the training script wrote the file outputs/sklearn_mnist_model.pkl in a directory named outputs in the VM of the cluster where the job is run. outputsé um diretório especial no qual todo o conteúdo desse diretório é carregado automaticamente em seu espaço de trabalho.outputs is a special directory in that all content in this directory is automatically uploaded to your workspace. Esses conteúdos aparecem no registo de execução na experimentação, na área de trabalho.This content appears in the run record in the experiment under your workspace. Portanto, o arquivo de modelo agora também está disponível no seu espaço de trabalho.So the model file is now also available in your workspace.

Você pode ver os arquivos associados a essa execução:You can see files associated with that run:

print(run.get_file_names())

Registre o modelo no espaço de trabalho, para que você ou outros colaboradores possam consultar, examinar e implantar posteriormente esse modelo:Register the model in the workspace, so that you or other collaborators can later query, examine, and deploy this model:

# register model
model = run.register_model(model_name='sklearn_mnist',
                           model_path='outputs/sklearn_mnist_model.pkl')
print(model.name, model.id, model.version, sep='\t')

Limpar recursosClean up resources

Importante

Os recursos que criou podem ser utilizados como pré-requisitos para outros tutoriais e artigos de procedimentos do serviço do Azure Machine Learning.The resources you created can be used as prerequisites to other Azure Machine Learning service tutorials and how-to articles.

Se não planeja usar os recursos que criou, eliminá-los, para que não existem custos:If you don't plan to use the resources you created, delete them, so you don't incur any charges:

  1. No portal do Azure, selecione Grupos de recursos na extremidade esquerda.In the Azure portal, select Resource groups on the far left.

    Eliminar no portal do Azure

  2. Na lista, selecione o grupo de recursos que criou.From the list, select the resource group you created.

  3. Selecione Eliminar grupo de recursos.Select Delete resource group.

  4. Introduza o nome do grupo de recursos.Enter the resource group name. Em seguida, selecione Eliminar.Then select Delete.

Você também pode excluir apenas o cluster de computação Azure Machine Learning.You can also delete just the Azure Machine Learning Compute cluster. No entanto, o dimensionamento automático é ativado e o mínimo do cluster é zero.However, autoscale is turned on, and the cluster minimum is zero. Portanto, esse recurso específico não incorrerá em cobranças de computação adicionais quando não estiver em uso:So this particular resource won't incur additional compute charges when not in use:

# optionally, delete the Azure Machine Learning Compute cluster
compute_target.delete()

Passos seguintesNext steps

Neste tutorial de serviço Azure Machine Learning, você usou o Python para as seguintes tarefas:In this Azure Machine Learning service tutorial, you used Python for the following tasks:

  • Configure seu ambiente de desenvolvimento.Set up your development environment.
  • Acesse e examine os dados.Access and examine the data.
  • Treinar vários modelos em um cluster remoto usando a popular biblioteca de aprendizado de máquina scikit-LearnTrain multiple models on a remote cluster using the popular scikit-learn machine learning library
  • Examine os detalhes de treinamento e registre o melhor modelo.Review training details and register the best model.

Você está pronto para implantar esse modelo registrado usando as instruções na próxima parte da série de tutoriais:You're ready to deploy this registered model by using the instructions in the next part of the tutorial series:

Tutorial 2 - Deploy models (Tutorial 2 - Implementar modelos)Tutorial 2 - Deploy models