In diesem Artikel wird das Azure Machine Learning SDK für Python 3 zum Erstellen und Implementieren des Azure Machine Learning Service- Arbeitsbereichs verwendet . Dieser Arbeitsbereich ist der Hauptbaustein in der Cloud zum Experimentieren, Lernen und Bereitstellen von Modellen für maschinelles Lernen mit Azure Machine Learning.
Zunächst richten Sie Ihre eigene Python-Umgebung und den Jupyter Notebook-Server ein. Informationen zum Starten ohne Installation finden Sie unter Schnellstart. Beginnen Sie mit Azure Machine Learning über das Azure-Portal .
In diesem kurzen Tutorial haben Sie:
- Installieren Sie das Python SDK
- Erstellen Sie einen Arbeitsbereich in Ihrem Azure-Abonnement.
- Erstellen Sie eine Konfigurationsdatei für den Arbeitsbereich, die später in anderen Notizbüchern und Skripten verwendet wird.
- Schreiben Sie den Code auf, der die Werte im Arbeitsbereich protokolliert.
- Zeigen Sie die aufgezeichneten Werte im Arbeitsbereich an.
Sie erstellen einen Arbeitsbereich und seine Konfigurationsdatei, die als erforderliche Komponenten für die Arbeit mit anderen Handbüchern und Artikeln mit Anweisungen zum maschinellen Lernen verwendet werden können. Wie bei anderen Azure-Diensten hat Azure Machine Learning bestimmte Grenzen und Kontingente. Erfahren Sie mehr über Kontingente und wie Sie Anfragen nach zusätzlichen Kontingenten senden.
Die folgenden Azure-Ressourcen werden automatisch zum Arbeitsbereich hinzugefügt, sofern sie in Ihrer Region verfügbar sind:
Hinweis
Für den Code in diesem Artikel ist das Azure Machine Learning SDK 1.0.2 oder höher erforderlich. Der Code wurde mit Version 1.0.8 getestet.
Wenn Sie noch kein Azure-Abonnement haben, erstellen Sie ein kostenloses Azure-Konto, bevor Sie beginnen. Probieren Sie die kostenlose oder kostenpflichtige Version des Azure Machine Learning Service aus .
Installieren Sie das SDK
Wichtig!
Überspringen Sie diesen Abschnitt, wenn Sie die virtuelle Maschine zum Verarbeiten und Analysieren von Azure- oder Azure Databricks-Daten verwenden.
- Für virtuelle Azure-Maschinen zur Verarbeitung und Analyse von Daten, die nach dem 27. September 2018 erstellt wurden, ist das Python SDK bereits installiert.
- Führen Sie in einer Azure Databricks-Umgebung stattdessen die Installationsschritte für Databricks aus .
Vor der Installation des SDK wird empfohlen, zunächst eine Python-Sandbox zu erstellen. Obwohl in diesem Artikel Miniconda verwendet wird, können Sie auch das vollständig installierte Anaconda- Tool oder Python virtualenv verwenden .
Miniconda-Installation
Laden Sie Miniconda herunter und installieren Sie es . Wählen Sie zum Installieren Python 3.7 oder höher aus. Wählen Sie nicht Python 2.x aus.
Erstellen einer Python-Sandbox
Öffnen Sie eine Eingabeaufforderung, erstellen Sie eine Conda-Umgebung mit dem Namen myenv und installieren Sie Python 3.6. Das Azure Machine Learning SDK funktioniert mit Python 3.5.2 oder höher, aber die automatischen Komponenten für maschinelles Lernen sind in Python 3.7 nicht voll funktionsfähig.
conda create -n myenv -y Python=3.6
Aktivieren Sie die Umgebung.
conda activate myenv
Installieren Sie das SDK
Installieren Sie in einer aktivierten Conda-Umgebung die Kernkomponenten des Azure Machine Learning SDK mit Jupyter Notebook-Funktionen. Die Installation dauert je nach Konfiguration des Computers einige Minuten.
pip install --upgrade azureml-sdk[notebooks]
Installieren Sie den Jupyter Notebook-Server in einer Conda-Umgebung.
conda install -y nb_conda
Installieren Sie die folgenden Pakete, um diese Umgebung für Azure Machine Learning-Lernprogramme zu verwenden.
conda install -y cython matplotlib pandas
Installieren Sie automatische Komponenten für maschinelles Lernen, um diese Umgebung für Azure-Lernprogramme für maschinelles Lernen zu verwenden.
pip install --upgrade azureml-sdk[automl]
Arbeitsbereich erstellen
Erstellen Sie mit dem Python SDK einen Arbeitsbereich in einem Jupyter-Notizbuch.
Erstellen Sie das Verzeichnis, das Sie für die Kurzanleitung und die Tutorials verwenden möchten, oder navigieren Sie dorthin.
Geben Sie den folgenden Befehl ein, um das Jupyter-Notizbuch zu starten:
jupyter notebook
Erstellen Sie in einem Browserfenster ein Notizbuch mit dem Standard- Python 3 Kernel.
Geben Sie zum Anzeigen der SDK-Version den folgenden Python-Code in eine Notizbuchzelle ein und führen Sie ihn aus.
import azureml.core print(azureml.core.VERSION)
Suchen Sie den Wert für den Parameter <azure-subscription-id> in der Liste der Abonnements im Azure-Portal . Verwenden Sie ein Abonnement, in dem Sie die Rolle des Eigentümers oder Mitglieds erhalten.
from azureml.core import Workspace ws = Workspace.create(name='myworkspace', subscription_id='<azure-subscription-id>', resource_group='myresourcegroup', create_resource_group=True, location='eastus2' )
Wenn Sie den Code ausführen, werden Sie möglicherweise aufgefordert, sich bei Ihrem Azure-Konto anzumelden. Wenn Sie sich anmelden, wird das Authentifizierungstoken lokal zwischengespeichert.
Geben Sie den folgenden Code ein, um Informationen zum Arbeitsbereich anzuzeigen, z. B. den zugehörigen Tresor, die Containerregistrierung und den Schlüsseldepot.
ws.get_details()
Eintrag in der Konfigurationsdatei
Speichern Sie die Arbeitsbereichsinformationen in einer Konfigurationsdatei im aktuellen Verzeichnis. Diese Datei heißt aml_config \ config.json .
Diese Arbeitsbereichskonfigurationsdatei erleichtert das weitere Laden desselben Arbeitsbereichs. Sie können es mit anderen Notizbüchern und Skripten im selben Verzeichnis oder Unterverzeichnis herunterladen.
Mit diesem API-Aufruf write_config() können Sie eine Konfigurationsdatei im aktuellen Verzeichnis erstellen. Die Datei config.json enthält Folgendes:
{ "subscription_id": "<azure-subscription-id>", "resource_group": "myresourcegroup", "workspace_name": "myworkspace" }
Arbeitsbereich verwenden
Führen Sie Code aus, der die Basis-APIs des SDK verwendet, um mehrere Pilotläufe zu verfolgen.
- Erstellen Sie ein Experiment im Arbeitsbereich.
- Geben Sie einen Wert in das Experiment ein.
- Geben Sie eine Liste der Werte in das Experiment ein.
from azureml.core import Experiment
Protokollierte Ergebnisse anzeigen
Nach Abschluss der Testversion können Sie die Pilotinformationen im Azure-Portal anzeigen. Verwenden Sie den folgenden Code, um die Standort-URL mit den Ergebnissen des letzten Laufs anzuzeigen.
print(run.get_portal_url())
Verwenden Sie den Link, um die protokollierten Werte im Azure-Portal in einem Browser anzuzeigen.
Ressourcenbereinigung
Wichtig!
Erstellte Ressourcen können als wesentliche Komponenten bei der Arbeit mit anderen Azure Machine Guide-Handbüchern verwendet werden.
Wenn Sie die in diesem Artikel erstellten Ressourcen nicht verwenden möchten, löschen Sie sie, damit keine Gebühren anfallen.
ws.delete(delete_dependent_resources=True)
Weitere Informationen
In diesem Artikel haben Sie Ressourcen zum Experimentieren und Bereitstellen von Modellen erstellt. Darüber hinaus haben Sie den Code in einem Notizbuch ausgeführt und das Ausführungsprotokoll dieses Codes in Ihrem Arbeitsbereich in der Cloud untersucht.
Leitfaden Training Bildklassifizierungsmodelle
Sie können auch fortgeschrittenere Beispiele auf GitHub lernen.