Geekly articles weekly

Premiers pas avec Azure Machine Learning Ă  l'aide du SDK Python

Cet article utilisera le SDK Azure Machine Learning pour Python 3 pour créer et implémenter l' espace de travail du service Azure Machine Learning. Cet espace de travail est le principal élément constitutif du cloud pour l'expérimentation, l'apprentissage et le déploiement de modèles d'apprentissage automatique avec Azure Machine Learning.




Vous commencerez par configurer votre propre environnement Python et le serveur Jupyter Notebook. Pour plus d'informations sur le démarrage sans installation, voir Démarrage rapide. Commencez avec Azure Machine Learning à l'aide du portail Azure .


Dans ce court didacticiel, vous:


  • Installez le SDK Python
  • CrĂ©ez un espace de travail dans votre abonnement Azure.
  • crĂ©er un fichier de configuration pour l'espace de travail qui sera utilisĂ© plus tard dans d'autres cahiers et scripts;
  • notez le code qui enregistrera les valeurs Ă  l'intĂ©rieur de l'espace de travail;
  • Affichez les valeurs enregistrĂ©es dans la zone de travail.

Vous créez un espace de travail et son fichier de configuration qui peuvent être utilisés comme composants nécessaires pour travailler avec d'autres manuels et articles avec des instructions Machine Learning. Comme avec d'autres services Azure, Azure Machine Learning a certaines limites et quotas. En savoir plus sur les quotas et comment envoyer des demandes de quotas supplémentaires.


Les ressources Azure suivantes sont automatiquement ajoutées à l'espace de travail si elles sont disponibles dans votre région:



Remarque


Le code de cet article nécessite le SDK Azure Machine Learning 1.0.2 ou version ultérieure. Le code a été testé avec la version 1.0.8.


Si vous n'avez pas encore d'abonnement Azure, créez un compte Azure gratuit avant de commencer. Essayez la version gratuite ou payante du service Azure Machine Learning .


Installer le SDK


Important!


Ignorez cette section si vous utilisez la machine virtuelle pour traiter et analyser les données Azure ou Azure Databricks.


  • Les machines virtuelles de traitement et d'analyse des donnĂ©es Azure crĂ©Ă©es après le 27 septembre 2018 sont livrĂ©es avec le SDK Python dĂ©jĂ  installĂ©.
  • Dans un environnement Azure Databricks, effectuez plutĂ´t les Ă©tapes d'installation de Databricks .


Avant d'installer le SDK, il est recommandé de créer d'abord un sandbox Python. Bien que Miniconda soit utilisé dans cet article, vous pouvez également utiliser l'outil Anaconda entièrement installé ou Python virtualenv .


Installation de Miniconda


Téléchargez et installez Miniconda . Sélectionnez Python 3.7 ou version ultérieure pour installer. Ne sélectionnez pas Python 2.x.


Création d'un sandbox Python


  1. Ouvrez une invite de commande, puis créez un environnement conda appelé myenv et installez Python 3.6. Le SDK Azure Machine Learning fonctionnera avec Python 3.5.2 ou version ultérieure, mais les composants d'apprentissage automatique de la machine ne sont pas entièrement fonctionnels dans Python 3.7.


    conda create -n myenv -y Python=3.6

  2. Activez l'environnement.


     conda activate myenv

Installer le SDK


  1. Dans un environnement conda activé, installez les composants principaux du SDK Azure Machine Learning avec les fonctionnalités du bloc-notes Jupyter. L'installation prend plusieurs minutes selon la configuration de l'ordinateur.


      pip install --upgrade azureml-sdk[notebooks]

  2. Installez le serveur Jupyter Notebook dans un environnement conda.


     conda install -y nb_conda

  3. Pour utiliser cet environnement pour les didacticiels Azure Machine Learning, installez les packages suivants.


     conda install -y cython matplotlib pandas

  4. Pour utiliser cet environnement pour les didacticiels Azure Machine Learning, installez des composants d'apprentissage automatique.


     pip install --upgrade azureml-sdk[automl]

Créer un espace de travail


Créez un espace de travail dans un bloc-notes Jupyter à l'aide du SDK Python.


  1. Créez le répertoire que vous souhaitez utiliser pour le guide de démarrage rapide et les didacticiels, ou accédez-y.

  2. Pour démarrer le bloc-notes Jupyter, entrez cette commande:


     jupyter notebook

  3. Dans une fenêtre de navigateur, créez un bloc-notes à l'aide du noyau Python 3 standard.

  4. Pour afficher la version du SDK, entrez le code Python suivant dans une cellule de bloc-notes et exécutez-le.


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

  5. Recherchez la valeur du paramètre <azure-subscription-id> dans la liste des abonnements dans le portail Azure . Utilisez n'importe quel abonnement dans lequel vous avez le rôle de propriétaire ou de membre.


     from azureml.core import Workspace ws = Workspace.create(name='myworkspace', subscription_id='<azure-subscription-id>', resource_group='myresourcegroup', create_resource_group=True, location='eastus2' )

    Lorsque vous exécutez le code, vous pouvez être invité à vous connecter à votre compte Azure. Lorsque vous vous connectez, le jeton d'authentification sera mis en cache localement.

  6. Pour afficher les informations de l'espace de travail, telles que le coffre-fort, le registre de conteneurs et le coffre de clés associés, entrez le code suivant.


     ws.get_details()


Entrée du fichier de configuration


Enregistrez les informations de l'espace de travail dans un fichier de configuration dans le répertoire actuel. Ce fichier s'appelle aml_config \ config.json .


Ce fichier de configuration de l'espace de travail facilite le chargement ultérieur du même espace de travail. Vous pouvez le télécharger à l'aide d'autres blocs-notes et scripts dans le même répertoire ou sous-répertoire.


 # 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()

Cet appel API write_config() vous permet de créer un fichier de configuration dans le répertoire courant. Le fichier config.json contient les éléments suivants:


 { "subscription_id": "<azure-subscription-id>", "resource_group": "myresourcegroup", "workspace_name": "myworkspace" }

Utiliser l'espace de travail


Exécutez du code qui utilise les API de base du SDK pour suivre plusieurs exécutions pilotes.


  1. Créez une expérience dans l'espace de travail.
  2. Entrez une valeur dans l'expérience.
  3. Entrez une liste de valeurs dans l'expérience.

 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()

Afficher les résultats enregistrés


Une fois l'essai terminé, vous pouvez afficher les informations du pilote sur le portail Azure. Pour afficher l'URL de l'emplacement avec les résultats de la dernière exécution, utilisez le code suivant.


 print(run.get_portal_url())

Utilisez le lien pour afficher les valeurs enregistrées sur le portail Azure dans un navigateur.


Valeurs enregistrées dans le portail Azure


Nettoyage des ressources


Important!


Les ressources créées peuvent être utilisées comme composants essentiels lorsque vous travaillez avec d'autres guides Azure Machine Learning.


Si vous ne prévoyez pas d'utiliser les ressources créées dans cet article, supprimez-les afin qu'il n'y ait aucun frais.


 ws.delete(delete_dependent_resources=True)

Information additionnelle


Dans cet article, vous avez créé des ressources pour expérimenter et déployer des modèles. De plus, vous avez exécuté le code dans un bloc-notes et étudié le journal d'exécution de ce code dans votre espace de travail dans le cloud.


Guide de formation Modèles de classification d'images


Vous pouvez également découvrir des exemples plus avancés sur GitHub .

Source: https://habr.com/ru/post/fr442132/

More articles:


All Articles