使用 Azure Machine Learning 資料集定型模型

警告

這篇文章參考 CentOS，這是接近生命週期結束 (EOL) 狀態的 Linux 發行版本。 請據以考慮您的使用方式和規劃。 如需詳細資訊，請參閱 CentOS 生命週期結束指引。

適用於：Python SDK azureml 第 1 版

在本文中，您將了解如何使用 Azure Machine Learning 資料集以定型機器學習模型。 您可以使用本機或遠端計算目標中的資料集，而不需要擔心連接字串或資料路徑。

• 針對結構化資料，請參閱在機器學習定型指令碼中取用資料集。

• 針對非結構化資料，請參閱將檔案掛接至遠端計算目標。

Azure Machine Learning 資料集提供與 Azure Machine Learning 定型功能的順暢整合，例如 ScriptRunConfig、HyperDrive 和 Azure Machine Learning 管線。

如果您尚未準備好將資料用於模型定型，但想要將資料載入至您的筆記本以進行資料探索，請參閱如何探索資料集中的資料。

必要條件

若要建立並使用資料集定型，您需要：

• Azure 訂用帳戶。 如果您沒有 Azure 訂用帳戶，請在開始前建立免費帳戶。 立即試用免費或付費版本的 Azure Machine Learning。

• Azure Machine Learning 工作區。

• 已安裝適用於 Python 的 Azure Machine Learning SDK (>= 1.13.0)，其包含 azureml-datasets 套件。

注意

某些資料集類別具有 azureml-dataprep 套件的相依性。 對於 Linux 使用者，只有下列發行版本才支援這些類別： Red Hat Enterprise Linux、Ubuntu、Fedora 和 CentOS。

使用機器學習服務定型指令碼中的資料集

如果您的結構化資料尚未註冊為資料集，請建立 TabularDataset，並直接在您本機或遠端實驗的定型指令碼中使用。

在此範例中，您會建立未註冊的 TabularDataset，並將其指定為 ScriptRunConfig 物件中的指令碼引數，以供定型使用。 如果您想要在工作區中重複使用此 TabularDataset 與其他實驗，請參閱如何將資料集註冊至您的工作區。

建立 TabularDataset

下列程式碼會從 web url 建立未註冊的 TabularDataset。

from azureml.core.dataset import Dataset

web_path ='https://dprepdata.blob.core.windows.net/demo/Titanic.csv'
titanic_ds = Dataset.Tabular.from_delimited_files(path=web_path)

TabularDataset 物件可讓您將 TabularDataset 中的資料載入 pandas 或 Spark 資料框架，讓您可以使用熟悉的資料準備和定型程式庫，而不需要離開您的筆記本。

存取定型指令碼中的資料集

下列程式碼會設定指令碼引數 --input-data，您可以在設定定型執行時指定該引數 (請參閱下一節)。 當表格式資料集做為引數值傳入時，Azure Machine Learning 會將其解析為資料集的識別碼，然後您可以用它來存取定型指令碼中的資料集 (而不需要在指令碼中將資料集的名稱或識別碼進行硬式編碼)。 然後，使用 to_pandas_dataframe() 方法，將該資料集載入 pandas 資料框架，以便在定型前，進行進一步的資料探索和準備。

注意

如果您的原始資料來源包含 NaN、空字串或空白值，當您使用 to_pandas_dataframe() 時，這些值會取代為 Null 值。

如果您需要將備妥的資料從記憶體內部的 pandas 資料框架載入新的資料集，請將資料寫入本機檔案 (例如 parquet)，然後從該檔案建立新的資料集。 深入了解如何建立資料集。

%%writefile $script_folder/train_titanic.py

import argparse
from azureml.core import Dataset, Run

parser = argparse.ArgumentParser()
parser.add_argument("--input-data", type=str)
args = parser.parse_args()

run = Run.get_context()
ws = run.experiment.workspace

# get the input dataset by ID
dataset = Dataset.get_by_id(ws, id=args.input_data)

# load the TabularDataset to pandas DataFrame
df = dataset.to_pandas_dataframe()

設定定型執行

ScriptRunConfig 物件用於設定和提交定型執行。

此程式碼會建立 ScriptRunConfig 物件，src，藉以指定：

• 適用於您指令碼的指令碼目錄。 在此目錄中的所有檔案都會上傳到叢集節點以便執行。
• 定型指令碼，train_titanic.py。
• 定型的輸入資料集，titanic_ds，做為指令碼引數。 Azure Machine Learning 會在傳遞至您的指令碼時，將其解析為資料集的對應識別碼。
• 執行時的計算目標。
• 執行時的環境。

from azureml.core import ScriptRunConfig

src = ScriptRunConfig(source_directory=script_folder,
                      script='train_titanic.py',
                      # pass dataset as an input with friendly name 'titanic'
                      arguments=['--input-data', titanic_ds.as_named_input('titanic')],
                      compute_target=compute_target,
                      environment=myenv)
                             
# Submit the run configuration for your training run
run = experiment.submit(src)
run.wait_for_completion(show_output=True)                             

將檔案掛接至遠端計算目標

如果您有非結構化的資料，請建立 FileDataset，並掛接或下載您的資料檔案，使其可供您的遠端計算目標用於定型。 針對您的遠端訓練實驗深入了解使用掛接與下載的時機。

下列範例，

• 為您的定型資料建立輸入 FileDataset，mnist_ds。
• 指定要寫入定型結果的位置，以及將這些結果升階為 FileDataset。
• 將輸入資料集掛接至計算目標。

注意

如果您使用自訂的 Docker 基礎映像，則需要透過 apt-get install -y fuse 以安裝 fuse 做為相依性，以便資料集掛接正常運作。 了解如何建立自訂建置映像。

如需筆記本範例，請參閱如何使用資料輸入和輸出來設定定型執行。

建立 FileDataset

下列範例會從 web url 建立未註冊的 FileDataset mnist_data。 此 FileDataset 是您定型執行的輸入資料。

深入了解如何從其他來源建立資料集。

from azureml.core.dataset import Dataset

web_paths = [
            'http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz',
            'http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz',
            'http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz',
            'http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz'
            ]

mnist_ds = Dataset.File.from_files(path = web_paths)

在哪裡寫入定型輸出

您可以使用 OutputFileDatasetConfig 物件，以指定寫入定型結果的位置。

OutputFileDatasetConfig 物件可讓您：

• 將執行的輸出掛接或上傳至您指定的雲端儲存體。
• 以 FileDataset 的形式將輸出另存為這些支援的儲存體類型：
  • Azure Blob
  • Azure 檔案共用
  • Azure Data Lake Storage 世代 1 和 2
• 追蹤定型執行之間的資料譜系。

下列程式碼指定定型結果應儲存為預設 blob 資料存放區 def_blob_store 中 outputdataset 資料夾中的 FileDataset。

from azureml.core import Workspace
from azureml.data import OutputFileDatasetConfig

ws = Workspace.from_config()

def_blob_store = ws.get_default_datastore()
output = OutputFileDatasetConfig(destination=(def_blob_store, 'sample/outputdataset'))

設定定型執行

建議您在透過 ScriptRunConfig 建構函式的 arguments 參數掛接時，以引數形式傳遞資料集。 如此一來，您就能透過引數，取得定型指令碼中 (掛接點) 的資料路徑。 這樣，您就可以在任何雲端平台上，使用相同的定型指令碼進行本機偵錯和遠端訓練。

下列範例會透過 arguments 建立傳遞至 FileDataset 的 ScriptRunConfig。 在您提交執行之後，資料檔案所參考的資料集 mnist_ds 會掛接至計算目標，而定型結果會儲存至預設資料存放區中指定的 outputdataset 資料夾。

from azureml.core import ScriptRunConfig

input_data= mnist_ds.as_named_input('input').as_mount()# the dataset will be mounted on the remote compute 

src = ScriptRunConfig(source_directory=script_folder,
                      script='dummy_train.py',
                      arguments=[input_data, output],
                      compute_target=compute_target,
                      environment=myenv)

# Submit the run configuration for your training run
run = experiment.submit(src)
run.wait_for_completion(show_output=True)

簡單定型指令碼

下列指令碼是透過 ScriptRunConfig 提交的。 它會將 mnist_ds 資料集讀取為輸入，並將檔案寫入預設 blob 資料存放區 def_blob_store 中的 outputdataset 資料夾。

%%writefile $source_directory/dummy_train.py

# Copyright (c) Microsoft Corporation. All rights reserved.
# Licensed under the MIT License.
import sys
import os

print("*********************************************************")
print("Hello Azure Machine Learning!")

mounted_input_path = sys.argv[1]
mounted_output_path = sys.argv[2]

print("Argument 1: %s" % mounted_input_path)
print("Argument 2: %s" % mounted_output_path)
    
with open(mounted_input_path, 'r') as f:
    content = f.read()
    with open(os.path.join(mounted_output_path, 'output.csv'), 'w') as fw:
        fw.write(content)

掛接與下載

從 Azure Blob 儲存體、Azure 檔案儲存體、Azure Data Lake Storage Gen1、Azure Data Lake Storage Gen2、Azure SQL Database 以及適用於 PostgreSQL 的 Azure 資料庫建立的資料集支援掛接或下載任何格式的檔案。

當您掛接資料集時，您會將資料集所參考的檔案連結至目錄 (掛接點)，並使其可在計算目標上使用。 以 Linux 為基礎的計算支援掛接，包括 Azure Machine Learning Compute、虛擬機器和 HDInsight。 如果您的資料大小超過計算磁碟大小，則不可能進行下載。 在此案例中，我們建議您掛接，因為處理時，只會載入指令碼所使用的資料檔案。

當您下載資料集時，資料集參考的所有檔案將下載至計算目標。 所有計算類型皆支援下載。 如果您的指令碼會處理資料集參考的所有檔案，而您的計算磁碟可以容納您的完整資料集，則建議下載，以避免來自儲存體服務串流資料的額外負荷。 對於多節點下載，請參閱如何防止節流。

注意

Windows OS 的下載路徑名稱不應該超過 255 個英數字元。 對於 Linux OS，下載路徑名稱長度不應該超過 4,096 個英數字元。 此外，對於 Linux OS，檔案名稱 (下載路徑 /path/to/file/{filename} 的最後一個區段) 長度不應該超過 255 個英數字元。

下列程式碼會將 dataset 掛接至位於 mounted_path 的暫存目錄

import tempfile
mounted_path = tempfile.mkdtemp()

# mount dataset onto the mounted_path of a Linux-based compute
mount_context = dataset.mount(mounted_path)

mount_context.start()

import os
print(os.listdir(mounted_path))
print (mounted_path)

取得機器學習指令碼中的資料集

註冊的資料集可在本機或遠端的計算叢集上存取，例如 Azure Machine Learning Compute。 若要跨實驗存取您註冊的資料集，請使用下列程式碼存取您的工作區，並取得先前提交執行中所使用的資料集。 依預設，Dataset 類別上的 get_by_name() 方法會傳回向工作區註冊的最新版本資料集。

%%writefile $script_folder/train.py

from azureml.core import Dataset, Run

run = Run.get_context()
workspace = run.experiment.workspace

dataset_name = 'titanic_ds'

# Get a dataset by name
titanic_ds = Dataset.get_by_name(workspace=workspace, name=dataset_name)

# Load a TabularDataset into pandas DataFrame
df = titanic_ds.to_pandas_dataframe()

在定型期間存取原始程式碼

Azure Blob 儲存體的輸送量速度高於 Azure 檔案共用，且會調整為以平行方式啟動的大量作業。 因此，建議您將執行設定為使用 Blob 儲存體來傳輸原始程式碼檔案。

下列程式碼範例會在執行設定中指定要用於原始程式碼傳輸的 Blob 資料存放區。

# workspaceblobstore is the default blob storage
src.run_config.source_directory_data_store = "workspaceblobstore" 

筆記本範例

• 如需其他資料集範例和概念，請參閱資料集筆記本。
• 請參閱如何在您的 ML 管線中參數化資料集。

疑難排解

資料集初始化失敗：等候掛接點就緒逾時：

• 如果您沒有任何輸出網路安全性群組規則，而且正在使用 azureml-sdk>=1.12.0，請將 azureml-dataset-runtime 及其相依性更新為特定次要版本的最新版本，或如果您在執行中使用，請重新建立環境，使其能夠有最新的修補程式來進行修正。
• 如果使用 azureml-sdk<1.12.0，請升級至最新版本。
• 如果您有輸出 NSG 規則，請確定有允許服務標籤 AzureResourceMonitor 之所有流量的輸出規則。

資料集初始化失敗：StreamAccessException 是由 ThrottlingException 造成的

對於多節點檔案下載，所有節點可能會嘗試從 Azure 儲存體服務下載檔案資料集中的所有檔案，而這會造成節流錯誤。 為了防止節流，一開始請將環境變數 AZUREML_DOWNLOAD_CONCURRENCY 設為 CPU 核心數除以節點數的 8 倍。 為此環境變數設定值可能需要一些測試，因此，上述指導是一個起點。

下列範例假設 32 個核心和 4 個節點。

from azureml.core.environment import Environment 
myenv = Environment(name="myenv")
myenv.environment_variables = {"AZUREML_DOWNLOAD_CONCURRENCY":64}

AzureFile 儲存體

因為儲存體已多載，所以無法將專案檔上傳至 AzureFile 中的工作目錄：

• 如果您針對其他工作負載（例如資料傳輸）使用檔案共用，建議使用 blob，讓檔案共用可用於提交執行。

• 另一個選項是在兩個不同的工作區之間分割工作負載。

ConfigException：因為缺少認證，所以無法建立 AzureFileService 的連線。 帳戶金鑰或 SAS 權杖必須連結預設的工作區 blob 存放區。

為了確保您的儲存體存取認證連結到工作區和相關的檔案存放區，請完成下列步驟：

1. 在 Azure 入口網站中巡覽至您的工作區。
2. 在工作區的 [概觀] 頁面中，選取儲存體連結。
3. 在 [儲存體] 頁面上，在左側功能表上選取 [存取金鑰]。
4. 複製金鑰。
5. 瀏覽至您工作區的 [Azure Machine Learning 工作室]。
6. 在工作室中，選取您要提供驗證登入資訊的檔案資料存放區。
7. 選取 [更新驗證]。
8. 貼上先前步驟中的金鑰。
9. 選取 [儲存]。

以輸入形式傳遞資料

TypeError: FileNotFound：沒有此類檔案或目錄：如果您提供的檔案路徑不是檔案所在位置，就會發生此錯誤。 您需要確定您參照檔案的方式，與計算目標上掛接資料集的位置一致。 為了確保確定性狀態，建議您在將資料集掛接至計算目標時，使用抽象路徑。 例如，在下列程式碼中，我們會將資料集掛接在計算目標 /tmp 的檔案系統根目錄下。

# Note the leading / in '/tmp/dataset'
script_params = {
    '--data-folder': dset.as_named_input('dogscats_train').as_mount('/tmp/dataset'),
} 

如果您未包含前置正斜線「/」，則需要在工作目錄前面加上前置詞，例如，計算目標上的 /mnt/batch/.../tmp/dataset，藉以指出您要掛接資料集的位置。

下一步

• 透過 TabularDatasets 自動定型機器學習模型。

• 透過 FileDatasets 定型影像分類模型。

• 使用管線透過資料集進行定型。