Snabbstart: Skapa arbetsyteresurser som du behöver för att komma igång med Azure Machine Learning

I den här snabbstarten skapar du en arbetsyta och lägger sedan till beräkningsresurser på arbetsytan. Sedan har du allt du behöver för att komma igång med Azure Machine Learning.

Arbetsytan är resursen på den översta nivån för dina maskininlärningsaktiviteter, vilket ger en central plats för att visa och hantera artefakterna du skapar när du använder Azure Machine Learning. Beräkningsresurserna tillhandahåller en förkonfigurerad molnbaserad miljö som du kan använda för att träna, distribuera, automatisera, hantera och spåra maskininlärningsmodeller.

Förutsättningar

Skapa arbetsytan

Om du redan har en arbetsyta hoppar du över det här avsnittet och fortsätter till Skapa en beräkningsinstans.

Om du inte har någon arbetsyta än skapar du en nu:

  1. Logga in på Azure Portal med autentiseringsuppgifterna för din Azure-prenumeration.

  2. I det övre vänstra hörnet i Azure Portal väljer du de tre staplarna och sedan + Skapa en resurs.

    Screenshot showing + Create a resource.

  3. Använd sökfältet för att hitta Machine Learning.

  4. Välj Machine Learning.

    Screenshot shows search results to select Machine Learning.

  5. I fönstret Machine Learning väljer du Skapa för att börja.

  6. Ange följande information för att konfigurera den nya arbetsytan:

    Fält Beskrivning
    Namn på arbetsyta Ange ett unikt namn som identifierar din arbetsyta. I det här exemplet använder vi docs-ws. Namn måste vara unika i resursgruppen. Använd ett namn som är enkelt att återkalla och för att skilja från arbetsytor som skapats av andra.
    Prenumeration Välj den Azure-prenumeration som du vill använda.
    Resursgrupp Använd en befintlig resursgrupp i din prenumeration eller ange ett namn för att skapa en ny resursgrupp. En resursgrupp innehåller relaterade resurser för en Azure-lösning. I det här exemplet använder vi docs-aml.
    Location Välj den plats som är närmast dina användare och dataresurserna för att skapa din arbetsyta.
  7. När du är klar med att konfigurera arbetsytan väljer du Granska + Skapa.

  8. Välj Skapa för att skapa arbetsytan.

    Varning

    Det kan ta flera minuter att skapa din arbetsyta i molnet.

    När processen är klar visas ett meddelande om att distributionen lyckades.

  9. Om du vill visa den nya arbetsytan väljer du Gå till resurs.

  10. I portalvyn för din arbetsyta väljer du Starta studio för att gå till Azure Machine Learning-studio.

Skapa beräkningsinstans

Du kan installera Azure Machine Learning på din egen dator. Men i den här snabbstarten skapar du en onlineberäkningsresurs som redan har en utvecklingsmiljö installerad och redo att användas. Du använder den här onlinedatorn, en beräkningsinstans, för din utvecklingsmiljö för att skriva och köra kod i Python skript och Jupyter Notebooks.

Skapa en beräkningsinstans för att använda den här utvecklingsmiljön för resten av självstudierna och snabbstarterna.

  1. Om du inte valde Gå till arbetsyta i föregående avsnitt loggar du in på Azure Machine Learning-studio nu och väljer din arbetsyta.
  2. Välj Beräkning till vänster.
  3. Välj +Ny för att skapa en ny beräkningsinstans.
  4. Ange ett namn, Behåll alla standardvärden på den första sidan.
  5. Välj Skapa.

Om ungefär två minuter kommer du att se tillståndet för beräkningsinstansen ändras från Skapa till Körs. Nu är det klart.

Skapa beräkningskluster

Därefter skapar du ett beräkningskluster. Med kluster kan du distribuera en tränings- eller batchinferensprocess över ett kluster med CPU- eller GPU-beräkningsnoder i molnet.

Skapa ett beräkningskluster som ska skalas automatiskt mellan noll och fyra noder:

  1. I avsnittet Beräkning går du till den översta fliken och väljer Beräkningskluster.
  2. Välj +Nytt för att skapa ett nytt beräkningskluster.
  3. Behåll alla standardvärden på den första sidan och välj Nästa. Om du inte ser någon tillgänglig beräkning måste du begära en kvotökning. Läs mer om att hantera och öka kvoter.
  4. Ge klustret namnet cpu-cluster. Om det här namnet redan finns lägger du till dina initialer i namnet för att göra det unikt.
  5. Låt minsta antal noder vara 0.
  6. Ändra maximalt antal noder till 4 om det är möjligt. Beroende på dina inställningar kan du ha en mindre gräns.
  7. Ändra inaktiva sekunder innan du skalar ned till 2400.
  8. Lämna resten av standardinställningarna och välj Skapa.

På mindre än en minut ändras klustrets tillstånd från Skapa till Lyckades. Listan visar det etablerade beräkningsklustret, tillsammans med antalet inaktiva noder, upptagna noder och oetablerade noder. Eftersom du inte har använt klustret ännu är alla noder för närvarande oetablerade.

Anteckning

När klustret skapas har det 0 noder etablerade. Klustret medför inte kostnader förrän du skickar ett jobb. Det här klustret skalas ned när det har varit inaktivt i 2 400 sekunder (40 minuter). Detta ger dig tid att använda den i några självstudier om du vill utan att vänta på att den skalar upp igen.

Snabb rundtur i studion

Studion är din webbportal för Azure Machine Learning. Den här portalen kombinerar funktioner utan kod och kod för en inkluderande datavetenskapsplattform.

Granska delarna i studion i det vänstra navigeringsfältet:

  • Avsnittet Författare i studion innehåller flera sätt att komma igång med att skapa maskininlärningsmodeller. Du kan:

    • Med avsnittet Notebooks kan du skapa Jupyter Notebooks, kopiera exempelanteckningsböcker och köra notebook-filer och Python skript.
    • Automatiserad ML vägleder dig genom att skapa en maskininlärningsmodell utan att skriva kod.
    • Designern ger dig ett dra och släpp-sätt att skapa modeller med hjälp av fördefinierade komponenter.
  • Avsnittet Tillgångar i studion hjälper dig att hålla reda på de tillgångar som du skapar när du kör dina jobb. Om du har en ny arbetsyta finns det inget i något av de här avsnitten ännu.

  • Du har redan använt avsnittet Hantera i studio för att skapa dina beräkningsresurser. I det här avsnittet kan du också skapa och hantera data och externa tjänster som du länkar till din arbetsyta.

Diagnostik för arbetsyta

Du kan köra diagnostik på din arbetsyta från Azure Machine Learning-studio eller Python SDK. När diagnostiken har körts returneras en lista över eventuella identifierade problem. Den här listan innehåller länkar till möjliga lösningar. Mer information finns i Så här använder du arbetsytediagnostik.

Rensa resurser

Om du planerar att fortsätta nu till nästa självstudie går du vidare till Nästa steg.

Stoppa beräkningsinstans

Om du inte ska använda den nu stoppar du beräkningsinstansen:

  1. Välj Beräkning till vänster i studion.
  2. På de översta flikarna väljer du Beräkningsinstanser
  3. Välj beräkningsinstansen i listan.
  4. I det övre verktygsfältet väljer du Stoppa.

Ta bort alla resurser

Viktigt

De resurser som du har skapat kan användas som förutsättningar för andra Azure Machine Learning självstudier och instruktionsartiklar.

Om du inte planerar att använda någon av de resurser som du skapade tar du bort dem så att du inte debiteras några avgifter:

  1. I Azure-portalen väljer du Resursgrupper längst till vänster.

  2. Välj resursgruppen som du skapade från listan.

  3. Välj Ta bort resursgrupp.

    Screenshot of the selections to delete a resource group in the Azure portal.

  4. Ange resursgruppsnamnet. Välj sedan Ta bort.

Nästa steg

Nu har du en Azure Machine Learning arbetsyta som innehåller:

  • En beräkningsinstans som ska användas för utvecklingsmiljön.
  • Ett beräkningskluster som ska användas för att skicka träningskörningar.

Använd dessa resurser för att lära dig mer om Azure Machine Learning och träna en modell med Python skript.