Comience con Azure Machine Learning con Python SDK

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 suscripci√≥n de Azure.
  • cree un archivo de configuraci√≥n para el espacio de trabajo que se usar√° m√°s adelante en otros cuadernos y scripts;
  • anote el c√≥digo que registrar√° los valores dentro del espacio de trabajo;
  • Ver los valores registrados en el √°rea 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 autom√°ticamente al espacio de trabajo si est√°n disponibles en su √°rea:



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 a√ļn no tiene una suscripci√≥n de Azure, cree una cuenta gratuita de Azure antes de comenzar. Pruebe la versi√≥n 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 m√°quinas virtuales de an√°lisis y procesamiento de datos de Azure creadas despu√©s del 27 de septiembre de 2018 vienen con el SDK de Python ya instalado.
  • En un entorno Azure Databricks, complete los pasos de instalaci√≥n 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


  1. 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 
  2. Activar el medio ambiente.


     conda activate myenv 

Instalar SDK


  1. 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] 
  2. Instale el servidor Jupyter Notebook en un entorno conda.


     conda install -y nb_conda 
  3. Para usar este entorno para los Tutoriales de Azure Machine Learning, instale los siguientes paquetes.


     conda install -y cython matplotlib pandas 
  4. Para usar este entorno para los Tutoriales de Azure Machine Learning, instale componentes autom√°ticos de aprendizaje autom√°tico.


     pip install --upgrade azureml-sdk[automl] 

Crear espacio de trabajo


Cree un espacio de trabajo en un Jupyter Notebook usando Python SDK.


  1. Cree el directorio que desea usar para la guía de inicio rápido y los tutoriales, o navegue hasta él.

  2. Para iniciar Jupyter Notebook, ingrese este comando:


     jupyter notebook 
  3. En una ventana del navegador, cree un cuaderno utilizando el n√ļcleo est√°ndar de Python 3 .

  4. Para ver la versi√≥n del SDK, ingrese el siguiente c√≥digo de Python en una celda del cuaderno y ejec√ļtelo.


     import azureml.core print(azureml.core.VERSION) 
  5. 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.

  6. 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.


 # Create the configuration file. ws.write_config() # Use this code to load the workspace from # other scripts and notebooks in this directory. # ws = Workspace.from_config() 

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.


  1. Crea un experimento en el espacio de trabajo.
  2. Ingrese un valor en el experimento.
  3. Ingrese una lista de valores en el experimento.

 from azureml.core import Experiment # Create a new experiment in your workspace. exp = Experiment(workspace=ws, name='myexp') # Start a run and start the logging service. run = exp.start_logging() # Log a single number. run.log('my magic number', 42) # Log a list (Fibonacci numbers). run.log_list('my list', [1, 1, 2, 3, 5, 8, 13, 21, 34, 55]) # Finish the run. run.complete() 

Ver resultados registrados


Despu√©s de completar la prueba, puede ver la informaci√≥n piloto en el portal de Azure. Para mostrar la URL de ubicaci√≥n con los resultados de la √ļltima ejecuci√≥n, use el siguiente c√≥digo.


 print(run.get_portal_url()) 

Use el enlace para ver los valores registrados en Azure Portal en un navegador.


Valores registrados en el Portal de Azure


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 art√≠culo, elim√≠nelos para que no haya ning√ļn 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 .

Source: https://habr.com/ru/post/442132/


All Articles