Övning – Träna ett djupt neuralt nätverk

  • 25 minuter

Hittills i den här modulen har du lärt dig mycket om teorin och principerna för djupinlärning med neurala nätverk. Det bästa sättet att lära sig att tillämpa den här teorin är att faktiskt bygga en djupinlärningsmodell, och det är vad du kommer att göra i den här övningen.

Det finns många ramverk tillgängliga för träning av djupa neurala nätverk, och i den här övningen kan du välja att utforska antingen (eller båda) av två av de mest populära djupinlärningsramverken för Python: PyTorch och TensorFlow.

Innan du börjar

För att slutföra övningen behöver du:

  • En Microsoft Azure-prenumeration. Om du inte redan har en sådan kan du registrera dig för en kostnadsfri utvärderingsversion på https://azure.microsoft.com/free.
  • En Azure Machine Learning-arbetsyta med en beräkningsinstans och ml-basics-lagringsplatsen klonad.

Kommentar

Den här modulen använder en Azure Machine Learning-arbetsyta. Om du slutför den här modulen som förberedelse för Azure Dataforskare-certifieringen bör du överväga att skapa arbetsytan en gång och återanvända den i andra moduler. När du har slutfört övningen ska du följa anvisningarna för att stoppa beräkningsresurserna och behålla arbetsytan om du planerar att återanvända den.

Skapa en Azure Machine Learning-arbetsyta

Om du inte redan har en Azure Machine Learning-arbetsyta i din Azure-prenumeration följer du dessa steg för att skapa en:

  1. Logga in på Azure-portalen med Microsoft-kontot som är kopplat till din Azure-prenumeration.

  2. På sidan Azure-start väljer du Skapa en resurs under Azure-tjänster. Fönstret Skapa en resurs visas.

  3. I sökrutan tjänsten Search s och Marketplace söker du efter och väljer Machine Learning. Fönstret Azure Machine Learning visas.

  4. Välj Skapa. Fönstret Azure Machine Learning visas.

  5. På fliken Grundläggande anger du följande värden för varje inställning.

    Inställning Värde
    Projektinformation
    Prenumeration Välj den Azure-prenumeration som du vill använda för den här övningen.
    Resursgrupp Välj länken Skapa ny och ge den nya resursgruppen ett unikt namn och välj OK.
    Arbetsyteinformation
    Namn på arbetsyta Ange ett unikt namn för din app. Du kan till exempel använda yourname-machinelearn>.<
    Region I listrutan väljer du valfri tillgänglig plats.

  6. Acceptera de återstående standardvärdena och välj Granska + skapa.

  7. När valideringen har slutförts väljer du Skapa.

    Vänta tills arbetsyteresursen har skapats eftersom det kan ta några minuter.

  8. När distributionen är färdig väljer du Gå till resurs. Fönstret Maskininlärning visas.

  9. Välj Starta studio eller gå till https://ml.azure.comoch logga in med ditt Microsoft-konto. Sidan Microsoft Azure Machine Learning-studio visas.

  10. I Azure Machine Learning-studio växlar du ☰ ikonen längst upp till vänster för att utöka/dölja menyfönstret. Du kan använda de här alternativen för att hantera resurserna på din arbetsyta.

Skapa en beräkningsinstans

För att köra notebook-filen som används i den här övningen behöver du en beräkningsinstans på din Azure Machine Learning-arbetsyta.

  1. I det vänstra menyfönstret går du till Hantera och väljer Beräkna. Fönstret Beräkning visas.

  2. Om du redan har en beräkningsinstans på fliken Beräkningsinstanser startar du den. Annars skapar du en ny beräkningsinstans genom att välja Ny. Fönstret Skapa beräkningsinstans visas.

  3. Ange följande värden för varje inställning:

    • Compute name (Beräkningsnamn): Ange ett unikt namn
    • Typ av virtuell dator: CPU
    • Storlek på virtuell dator: Välj bland rekommenderade alternativ: Standard_DS11_v2

  4. Välj Skapa. Fönstret Beräkning visas igen med din Compute-instans listad.

  5. Vänta tills beräkningsinstansen startar eftersom det kan ta några minuter. Under kolumnen Tillstånd ändras beräkningsinstansentill Körs.

Klona ml-basics-lagringsplatsen

Filerna som används i den här modulen och andra relaterade moduler publiceras på GitHub-lagringsplatsen MicrosoftDocs/ml-basics . Om du inte redan har gjort det använder du följande steg för att klona lagringsplatsen till din Azure Machine Learning-arbetsyta:

  1. Välj Arbetsytor i den vänstra menyn i Azure Machine Learning-studio och välj sedan den arbetsyta som du skapade i listan.

  2. Under rubriken Redigering till vänster väljer du länken Notebooks för att öppna Jupyter Notebooks. Fönstret Notebooks visas.

  3. Välj knappen Terminal till höger. Ett terminalgränssnitt visas.

  4. Kör följande kommandon för att ändra den aktuella katalogen till katalogen Användare och klona ml-basics-lagringsplatsen , som innehåller den notebook-fil och de filer som du ska använda i den här övningen.

    cd Users
git clone https://github.com/microsoftdocs/ml-basics

  5. När kommandot har slutförts och utcheckningen av filerna är klar stänger du terminalfliken och visar startsidan i Jupyter Notebook-utforskaren.

  6. Öppna mappen Användare – den bör innehålla en ml-basics-mapp som innehåller de filer som du ska använda i den här modulen.

Kommentar

Vi rekommenderar starkt att du använder Jupyter på en Azure Machine Learning-arbetsyta för den här övningen. Den här konfigurationen säkerställer att rätt version av Python och de olika paket som du behöver är installerade. och när du har skapat arbetsytan en gång kan du återanvända den i andra moduler. Om du föredrar att slutföra övningen i en Python-miljö på din egen dator kan du göra det. Du hittar information om hur du konfigurerar en lokal utvecklingsmiljö som använder Visual Studio Code i Köra labb på din egen dator. Tänk på att om du väljer att göra detta kanske instruktionerna i övningen inte matchar användargränssnittet för notebook-filer.

Träna en djup neural nätverksmodell

När du har skapat en Jupyter-miljö och klonat lagringsplatsen ml-basics är du redo att utforska djupinlärning.

  1. I mappen ml-basics i Jupyter öppnar du antingenDeep Neural Networks (PyTorch).ipynb eller Deep Neural Networks (Tensorflow).ipynb notebook, beroende på din ramverksinställning, och följer instruktionerna som den innehåller.

  2. När du är klar stänger och stoppar du alla notebook-filer.

När du har arbetat klart med notebook-filen går du tillbaka till den här modulen och går vidare till nästa enhet för att lära dig mer.