Este artículo usará el SDK de Azure Machine Learning para Python 3 para crear e implementar el espacio de trabajo del Servicio de Azure Machine Learning. Este espacio de trabajo es el bloque de construcción principal en la nube para experimentar, aprender e implementar modelos de aprendizaje automático con Azure Machine Learning.
Comenzará configurando su propio entorno Python y el servidor Jupyter Notebook. Para obtener información sobre cómo iniciar sin instalación, consulte Inicio rápido. Comience con Azure Machine Learning con Azure Portal .
En este breve tutorial, usted:
- Instale el SDK de Python
- Cree un espacio de trabajo en su suscripción de Azure.
- cree un archivo de configuración para el espacio de trabajo que se usará más adelante en otros cuadernos y scripts;
- anote el código que registrará los valores dentro del espacio de trabajo;
- Ver los valores registrados en el área de trabajo.
Usted crea un espacio de trabajo y su archivo de configuración que puede usarse como componentes necesarios para trabajar con otros manuales y artículos con instrucciones de Machine Learning. Al igual que con otros servicios de Azure, Azure Machine Learning tiene ciertos límites y cuotas. Obtenga más información sobre las cuotas y cómo enviar solicitudes de cuotas adicionales.
Los siguientes recursos de Azure se agregan automáticamente al espacio de trabajo si están disponibles en su área:
Nota
El código de este artículo requiere Azure Machine Learning SDK 1.0.2 o posterior. El código ha sido probado con la versión 1.0.8.
Si aún no tiene una suscripción de Azure, cree una cuenta gratuita de Azure antes de comenzar. Pruebe la versión gratuita o de pago de Azure Machine Learning Service .
Instalar SDK
Importante!
Omita esta sección si está utilizando la máquina virtual para procesar y analizar datos de Azure o Azure Databricks.
- Las máquinas virtuales de análisis y procesamiento de datos de Azure creadas después del 27 de septiembre de 2018 vienen con el SDK de Python ya instalado.
- En un entorno Azure Databricks, complete los pasos de instalación de Databricks .
Antes de instalar el SDK, se recomienda que primero cree un entorno limitado de Python. Aunque Miniconda se usa en este artículo, también puede usar la herramienta Anaconda completamente instalada o Python virtualenv .
Instalación Miniconda
Descargue e instale Miniconda . Seleccione Python 3.7 o posterior para instalar. No seleccione Python 2.x.
Crear un sandbox de Python
Abra un símbolo del sistema y luego cree un entorno conda llamado myenv e instale Python 3.6. El SDK de Azure Machine Learning funcionará con Python 3.5.2 o posterior, pero los componentes de aprendizaje automático no son totalmente funcionales en Python 3.7.
conda create -n myenv -y Python=3.6
Activar el medio ambiente.
conda activate myenv
Instalar SDK
En un entorno conda activado, instale los componentes principales del SDK de Azure Machine Learning con las características de Jupyter Notebook. La instalación lleva varios minutos dependiendo de la configuración de la computadora.
pip install --upgrade azureml-sdk[notebooks]
Instale el servidor Jupyter Notebook en un entorno conda.
conda install -y nb_conda
Para usar este entorno para los Tutoriales de Azure Machine Learning, instale los siguientes paquetes.
conda install -y cython matplotlib pandas
Para usar este entorno para los Tutoriales de Azure Machine Learning, instale componentes automáticos de aprendizaje automático.
pip install --upgrade azureml-sdk[automl]
Crear espacio de trabajo
Cree un espacio de trabajo en un Jupyter Notebook usando Python SDK.
Cree el directorio que desea usar para la guía de inicio rápido y los tutoriales, o navegue hasta él.
Para iniciar Jupyter Notebook, ingrese este comando:
jupyter notebook
En una ventana del navegador, cree un cuaderno utilizando el núcleo estándar de Python 3 .
Para ver la versión del SDK, ingrese el siguiente código de Python en una celda del cuaderno y ejecútelo.
import azureml.core print(azureml.core.VERSION)
Encuentre el valor para el parámetro <azure-subscription-id> en la lista de suscripciones en Azure Portal . Use cualquier suscripción en la que se le asigne el rol de propietario o miembro.
from azureml.core import Workspace ws = Workspace.create(name='myworkspace', subscription_id='<azure-subscription-id>', resource_group='myresourcegroup', create_resource_group=True, location='eastus2' )
Cuando ejecuta el código, es posible que se le solicite que inicie sesión en su cuenta de Azure. Cuando inicie sesión, el token de autenticación se almacenará en caché localmente.
Para ver la información del espacio de trabajo, como la bóveda asociada, el registro de contenedor y la bóveda de claves, ingrese el siguiente código.
ws.get_details()
Entrada del archivo de configuración
Guarde la información del espacio de trabajo en un archivo de configuración en el directorio actual. Este archivo se llama aml_config \ config.json .
Este archivo de configuración del espacio de trabajo facilita la carga adicional del mismo espacio de trabajo. Puede descargarlo usando otros cuadernos y scripts en el mismo directorio o subdirectorio.
Esta llamada a API write_config() permite crear un archivo de configuración en el directorio actual. El archivo config.json contiene lo siguiente:
{ "subscription_id": "<azure-subscription-id>", "resource_group": "myresourcegroup", "workspace_name": "myworkspace" }
Usar espacio de trabajo
Ejecute el código que utiliza las API básicas del SDK para rastrear varias ejecuciones piloto.
- Crea un experimento en el espacio de trabajo.
- Ingrese un valor en el experimento.
- Ingrese una lista de valores en el experimento.
from azureml.core import Experiment
Ver resultados registrados
Después de completar la prueba, puede ver la información piloto en el portal de Azure. Para mostrar la URL de ubicación con los resultados de la última ejecución, use el siguiente código.
print(run.get_portal_url())
Use el enlace para ver los valores registrados en Azure Portal en un navegador.
Limpieza de recursos
Importante!
Los recursos creados se pueden usar como componentes esenciales cuando se trabaja con otras guías de Azure Machine Learning.
Si no planea utilizar los recursos creados en este artículo, elimínelos para que no haya ningún cargo.
ws.delete(delete_dependent_resources=True)
Información adicional
En este artículo, creó recursos para experimentar e implementar modelos. Además, ejecutó el código en un cuaderno y estudió el registro de ejecución de este código en su espacio de trabajo en la nube.
Guía Entrenamiento Modelos de clasificación de imágenes
También puede obtener ejemplos más avanzados en GitHub .