पायथन एसडीके का उपयोग करके एज़्योर मशीन लर्निंग के साथ शुरुआत करें

यह लेख अजगर मशीन लर्निंग सेवा कार्यक्षेत्र को बनाने और कार्यान्वित करने के लिए पायथन 3 के लिए एज़्योर मशीन लर्निंग एसडीके का उपयोग करेगा। यह कार्यक्षेत्र एज़्योर मशीन लर्निंग के साथ मशीन लर्निंग मॉडल को प्रयोग करने, सीखने और तैनात करने के लिए क्लाउड में मुख्य बिल्डिंग ब्लॉक है।

आप अपना स्वयं का पायथन वातावरण और ज्यूपिटर नोटबुक सर्वर स्थापित करके शुरू करेंगे। स्थापना के बिना शुरू करने के बारे में जानकारी के लिए, त्वरित प्रारंभ देखें । Azure Portal लर्निंग का उपयोग Azure पोर्टल के साथ शुरू करें ।

इस छोटे ट्यूटोरियल में, आप:

• अजगर एसडीके स्थापित करें
• अपनी एज़्योर सदस्यता में एक कार्यक्षेत्र बनाएँ।
• कार्यक्षेत्र के लिए एक कॉन्फ़िगरेशन फ़ाइल बनाएं जिसे बाद में अन्य नोटबुक और स्क्रिप्ट में उपयोग किया जाएगा;
• उस कोड को लिखें जो कार्यक्षेत्र के अंदर मानों को लॉग करेगा;
• कार्य क्षेत्र में दर्ज मूल्यों को देखें।

आप एक कार्यक्षेत्र और इसकी कॉन्फ़िगरेशन फ़ाइल बनाते हैं जिसे मशीन लर्निंग निर्देशों के साथ अन्य मैनुअल और लेखों के साथ काम करने के लिए आवश्यक घटकों के रूप में उपयोग किया जा सकता है। अन्य Azure सेवाओं की तरह, Azure Machine Learning की कुछ सीमाएँ और कोटा हैं। कोटा के बारे में अधिक जानें और अतिरिक्त कोटा के लिए अनुरोध कैसे भेजें।

यदि आपके क्षेत्र में उपलब्ध हो तो निम्नलिखित एज़्योर संसाधन स्वचालित रूप से कार्यक्षेत्र में जुड़ जाते हैं:

• एज़्योर कंटेनर रजिस्ट्री
• Azure संग्रहण
• Azure एप्लिकेशन अंतर्दृष्टि
• एज़्योर की वॉल्ट

टिप्पणी

इस लेख के कोड को Azure Machine Learning SDK 1.0.2 या बाद के संस्करण की आवश्यकता है। कोड को 1.0.8 संस्करण के साथ परीक्षण किया गया है।

यदि आपके पास अभी तक कोई एज़्योर सदस्यता नहीं है, तो आरंभ करने से पहले एक निःशुल्क एज़्योर खाता बनाएँ। Azure Machine Learning Service के मुफ्त या सशुल्क संस्करण को आज़माएँ।

एसडीके स्थापित करें

महत्वपूर्ण!

यदि आप Azure या Azure Databricks डेटा को संसाधित करने और उसका विश्लेषण करने के लिए वर्चुअल मशीन का उपयोग कर रहे हैं तो इस अनुभाग को छोड़ दें।

• 27 सितंबर, 2018 के बाद बनाई गई एज़्योर डेटा प्रोसेसिंग और विश्लेषण आभासी मशीनें पायथन एसडीके पहले से ही स्थापित हैं।
• किसी Azure Databricks परिवेश में, इसके बजाय Databricks स्थापना चरणों को पूरा करें ।

एसडीके स्थापित करने से पहले, यह अनुशंसा की जाती है कि आप पहले पायथन सैंडबॉक्स बनाएं। हालांकि इस लेख में मिनिकोंडा का उपयोग किया गया है, आप पूरी तरह से स्थापित एनाकोंडा टूल या पायथन वर्चुअनव का भी उपयोग कर सकते हैं।

मिनिकोंडा इंस्टालेशन

मिनिकोंडा को डाउनलोड और इंस्टॉल करें । Python 3.7 या बाद में इंस्टॉल करने के लिए चुनें। अजगर 2.x का चयन न करें।

पायथन सैंडबॉक्स बनाना

1. कमांड प्रॉम्प्ट खोलें, और फिर myvv नामक एक कोंडा वातावरण बनाएं और पायथन 3.6 स्थापित करें। Azure Machine Learning SDK Python 3.5.2 या बाद के संस्करण के साथ काम करेगी, लेकिन Pyonon 3.7 में स्वचालित मशीन लर्निंग घटक पूरी तरह कार्यात्मक नहीं हैं।

   
   

   conda create -n myenv -y Python=3.6 

2. पर्यावरण को सक्रिय करें।

   
   

    conda activate myenv 

एसडीके स्थापित करें

1. एक सक्रिय conda वातावरण में, Jupyter नोटबुक सुविधाओं के साथ Azure मशीन लर्निंग SDK के मुख्य घटकों को स्थापित करें। कंप्यूटर के कॉन्फ़िगरेशन के आधार पर स्थापना में कई मिनट लगते हैं।

   
   

     pip install --upgrade azureml-sdk[notebooks] 

2. एक conda वातावरण में Jupyter नोटबुक सर्वर स्थापित करें।

   
   

    conda install -y nb_conda 

3. Azure Machine Learning Tutorials के लिए इस वातावरण का उपयोग करने के लिए, निम्नलिखित पैकेजों को स्थापित करें।

   
   

    conda install -y cython matplotlib pandas 

4. Azure Machine Learning Tutorials के लिए इस वातावरण का उपयोग करने के लिए, स्वचालित मशीन शिक्षण घटकों को स्थापित करें।

   
   

    pip install --upgrade azureml-sdk[automl] 

कार्यक्षेत्र बनाएँ

पायथन एसडीके का उपयोग करके ज्यूपिटर नोटबुक में एक कार्यक्षेत्र बनाएं।

1. उस निर्देशिका को बनाएं जिसे आप त्वरित शुरुआत गाइड और ट्यूटोरियल के लिए उपयोग करना चाहते हैं, या उस पर नेविगेट करें।

2. Jupyter नोटबुक शुरू करने के लिए, इस कमांड को दर्ज करें:

   
   

    jupyter notebook 

3. ब्राउज़र विंडो में, मानक Python 3 कर्नेल का उपयोग करके एक नोटबुक बनाएं।

4. एसडीके संस्करण देखने के लिए, नोटबुक सेल में निम्नलिखित पायथन कोड दर्ज करें और इसे निष्पादित करें।

   
   

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

5. Azure पोर्टल में सदस्यता की सूची में <azure-subscription-id> पैरामीटर के लिए मान ज्ञात करें। किसी भी सदस्यता का उपयोग करें जिसमें आपको मालिक या सदस्य की भूमिका दी जाती है।

   
   

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

   
   

   जब आप कोड चलाते हैं, तो आपको अपने Azure खाते में लॉग इन करने के लिए प्रेरित किया जा सकता है। जब आप लॉग इन करते हैं, तो स्थानीय रूप से प्रमाणीकरण टोकन कैश हो जाएगा।

6. संबंधित तिजोरी, कंटेनर रजिस्ट्री, और कुंजी तिजोरी जैसे कार्यक्षेत्र की जानकारी देखने के लिए, निम्न कोड दर्ज करें।

   
   

    ws.get_details() 

   
   

कॉन्फ़िगरेशन फ़ाइल प्रविष्टि

वर्तमान निर्देशिका में कॉन्फ़िगरेशन फ़ाइल में कार्यक्षेत्र जानकारी सहेजें। इस फ़ाइल को aml_config \ config.json कहा जाता है।

यह कार्यक्षेत्र कॉन्फ़िगरेशन फ़ाइल उसी कार्यक्षेत्र को आगे लोड करना आसान बनाता है। आप एक ही निर्देशिका या उपनिर्देशिका में अन्य नोटबुक और स्क्रिप्ट का उपयोग करके इसे डाउनलोड कर सकते हैं।

 # 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() 

यह API कॉल write_config() आपको वर्तमान निर्देशिका में कॉन्फ़िगरेशन फ़ाइल बनाने की अनुमति देता है। Config.json फ़ाइल में निम्न शामिल हैं:

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

कार्यक्षेत्र का उपयोग करें

कई पायलट रन को ट्रैक करने के लिए एसडीके के मूल एपीआई का उपयोग करने वाला कोड चलाएँ।

1. कार्यक्षेत्र में एक प्रयोग बनाएँ।
2. प्रयोग में एक मान दर्ज करें।
3. प्रयोग में मूल्यों की एक सूची दर्ज करें।

 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() 

लॉग किए गए परिणाम देखें

परीक्षण पूरा होने के बाद, आप Azure पोर्टल पर पायलट जानकारी देख सकते हैं। अंतिम रन के परिणामों के साथ स्थान URL प्रदर्शित करने के लिए, निम्न कोड का उपयोग करें।

 print(run.get_portal_url()) 

किसी ब्राउज़र में Azure पोर्टल पर लॉग किए गए मानों को देखने के लिए लिंक का उपयोग करें।

संसाधन सफाई

महत्वपूर्ण!

अन्य Azure मशीन लर्निंग गाइड के साथ काम करते समय निर्मित संसाधनों को आवश्यक घटकों के रूप में उपयोग किया जा सकता है।

यदि आप इस लेख में बनाए गए संसाधनों का उपयोग करने की योजना नहीं बनाते हैं, तो उन्हें हटा दें ताकि कोई शुल्क न लगे।

 ws.delete(delete_dependent_resources=True) 

अतिरिक्त जानकारी

इस लेख में, आपने मॉडल के प्रयोग और तैनाती के लिए संसाधन बनाए। इसके अलावा, आपने एक नोटबुक में कोड चलाया और क्लाउड में अपने कार्यक्षेत्र में इस कोड से निष्पादन लॉग का अध्ययन किया।

गाइड प्रशिक्षण छवि वर्गीकरण मॉडल

आप GitHub पर अधिक उन्नत उदाहरण भी सीख सकते हैं।