Geekly articles weekly

Introdução ao Azure Machine Learning usando o Python SDK

Este artigo usará o SDK do Azure Machine Learning para Python 3 para criar e implementar o espaço de trabalho do Serviço de Aprendizado de Máquina do Azure. Esse espaço de trabalho é o principal componente da nuvem para experimentar, aprender e implantar modelos de aprendizado de máquina com o Azure Machine Learning.




Você começará configurando seu próprio ambiente Python e o servidor Jupyter Notebook. Para obter informações sobre como iniciar sem instalação, consulte Início Rápido. Comece com o Azure Machine Learning usando o portal do Azure .


Neste breve tutorial, você:


  • Instale o Python SDK
  • Crie um espaço de trabalho na sua assinatura do Azure.
  • crie um arquivo de configuração para o espaço de trabalho que será usado posteriormente em outros blocos de anotações e scripts;
  • anote o código que registrará os valores dentro da área de trabalho;
  • Veja os valores registrados na área de trabalho.

Você cria um espaço de trabalho e seu arquivo de configuração que podem ser usados ​​como componentes necessários para trabalhar com outros manuais e artigos com as instruções do Machine Learning. Assim como outros serviços do Azure, o Azure Machine Learning tem certos limites e cotas. Saiba mais sobre cotas e como enviar solicitações de cotas adicionais.


Os seguintes recursos do Azure são adicionados automaticamente à área de trabalho, se disponíveis na sua área:



Nota


O código deste artigo requer o SDK do Azure Machine Learning 1.0.2 ou posterior. O código foi testado com a versão 1.0.8.


Se você ainda não possui uma assinatura do Azure, crie uma conta gratuita do Azure antes de começar. Experimente a versão gratuita ou paga do Serviço de Aprendizado de Máquina do Azure .


Instale o SDK


Importante!


Pule esta seção se você estiver usando a Máquina Virtual para processar e analisar dados do Azure ou Azure Databricks.


  • As máquinas virtuais do Azure para processamento e análise de dados criados após 27 de setembro de 2018 vêm com o Python SDK já instalado.
  • Em um ambiente do Azure Databricks, execute as etapas de instalação do Databricks .


Antes de instalar o SDK, é recomendável primeiro criar uma sandbox do Python. Embora o Miniconda seja usado neste artigo, você também pode usar a ferramenta Anaconda totalmente instalada ou o Python virtualenv .


Instalação Miniconda


Baixe e instale o Miniconda . Selecione Python 3.7 ou posterior para instalar. Não selecione Python 2.x.


Criando uma caixa de areia Python


  1. Abra um prompt de comando e crie um ambiente conda chamado myenv e instale o Python 3.6. O SDK do Azure Machine Learning funcionará com o Python 3.5.2 ou posterior, mas os componentes automáticos do aprendizado de máquina não são totalmente funcionais no Python 3.7.


    conda create -n myenv -y Python=3.6

  2. Ative o ambiente.


     conda activate myenv

Instale o SDK


  1. Em um ambiente conda ativado, instale os componentes principais do SDK do Azure Machine Learning com os recursos do Jupyter Notebook. A instalação leva alguns minutos, dependendo da configuração do computador.


      pip install --upgrade azureml-sdk[notebooks]

  2. Instale o servidor Jupyter Notebook em um ambiente conda.


     conda install -y nb_conda

  3. Para usar esse ambiente nos Tutoriais do Azure Machine Learning, instale os seguintes pacotes.


     conda install -y cython matplotlib pandas

  4. Para usar esse ambiente nos Tutoriais do Azure Machine Learning, instale componentes automáticos de aprendizado de máquina.


     pip install --upgrade azureml-sdk[automl]

Criar espaço de trabalho


Crie uma área de trabalho em um Jupyter Notebook usando o Python SDK.


  1. Crie o diretório que você deseja usar para o guia de início rápido e os tutoriais, ou navegue até ele.

  2. Para iniciar o Jupyter Notebook, digite este comando:


     jupyter notebook

  3. Em uma janela do navegador, crie um notebook usando o kernel padrão do Python 3 .

  4. Para visualizar a versão do SDK, digite o seguinte código Python em uma célula do notebook e execute-o.


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

  5. Encontre o valor do parâmetro <azure-subscription-id> na lista de assinaturas no portal do Azure . Use qualquer assinatura na qual você tenha a função de proprietário ou membro.


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

    Quando você executa o código, pode ser solicitado que você faça logon na sua conta do Azure. Quando você efetua login, o token de autenticação é armazenado em cache localmente.

  6. Para visualizar informações da área de trabalho, como o cofre associado, o registro de contêiner e o cofre de chaves, digite o código a seguir.


     ws.get_details()


Entrada do arquivo de configuração


Salve as informações da área de trabalho em um arquivo de configuração no diretório atual. Esse arquivo é chamado aml_config \ config.json .


Esse arquivo de configuração da área de trabalho facilita o carregamento adicional da mesma área de trabalho. Você pode fazer o download usando outros blocos de anotações e scripts no mesmo diretório ou subdiretório.


 # 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()

Essa chamada de API write_config() permite criar um arquivo de configuração no diretório atual. O arquivo config.json contém o seguinte:


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

Usar espaço de trabalho


Execute o código que usa as APIs básicas do SDK para rastrear várias execuções piloto.


  1. Crie uma experiência na área de trabalho.
  2. Digite um valor para a experiência.
  3. Digite uma lista de valores no 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()

Exibir resultados registrados


Após a conclusão da avaliação, você pode exibir as informações do piloto no portal do Azure. Para exibir o URL do local com os resultados da última execução, use o seguinte código.


 print(run.get_portal_url())

Use o link para exibir os valores registrados no portal do Azure em um navegador.


Valores registrados no Portal do Azure


Limpeza de Recursos


Importante!


Os recursos criados podem ser usados ​​como componentes essenciais ao trabalhar com outros guias do Azure Machine Learning.


Se você não planeja usar os recursos criados neste artigo, exclua-os para que não haja cobrança.


 ws.delete(delete_dependent_resources=True)

Informações Adicionais


Neste artigo, você criou recursos para experimentar e implantar modelos. Além disso, você executou o código em um bloco de anotações e estudou o log de execução desse código no seu espaço de trabalho na nuvem.


ECTS Modelos de classificação de imagens de treinamento


Você também pode aprender exemplos mais avançados no GitHub .

Source: https://habr.com/ru/post/pt442132/

More articles:


All Articles