Sdílet prostřednictvím

Kurz: Trénování a nasazení modelu Azure Machine Learning

  • Článek

Platí pro: Ikona Ano IoT Edge 1.1

Důležité

Datum ukončení podpory ioT Edge 1.1 bylo 13. prosince 2022. Informace o způsobu podpory tohoto produktu, služby, technologie nebo rozhraní API najdete v tématu věnovaném životnímu cyklu produktů Microsoftu. Další informace o aktualizaci na nejnovější verzi IoT Edge najdete v tématu Aktualizace IoT Edge.

V tomto článku provádíme následující úlohy:

  • K trénování modelu strojového učení použijte Azure Machine Learning Studio.
  • Zabalte natrénovaný model jako image kontejneru.
  • Nasaďte image kontejneru jako modul Azure IoT Edge.

Machine Learning Studio je základní blok používaný k experimentování, trénování a nasazování modelů strojového učení.

Kroky v tomto článku můžou obvykle provádět datoví vědci.

V této části kurzu se naučíte:

  • Vytvořte poznámkové bloky Jupyter v pracovním prostoru Azure Machine Learning pro trénování modelu strojového učení.
  • Kontejnerizace natrénovaného modelu strojového učení
  • Vytvořte modul IoT Edge z kontejnerizovaného modelu strojového učení.

Požadavky

Tento článek je součástí série kurzů o používání služby Machine Learning ve službě IoT Edge. Každý článek v řadě vychází z práce v předchozím článku. Pokud jste se k tomuto článku dostali přímo, podívejte se na první článek série.

Nastavení služby Azure Machine Learning

Machine Learning Studio používáme k hostování dvou poznámkových bloků Jupyter a podpůrných souborů. Tady vytvoříme a nakonfigurujeme projekt Machine Learning. Pokud jste nepoužívali Jupyter nebo Machine Learning Studio, tady jsou dva úvodní dokumenty:

Poznámka:

Po nastavení služby je služba Machine Learning přístupná z libovolného počítače. Během instalace byste měli použít vývojový virtuální počítač, který obsahuje všechny soubory, které budete potřebovat.

Instalace rozšíření Visual Studio Code pro Azure Machine Learning

Visual Studio Code na vývojovém virtuálním počítači by mělo mít toto rozšíření nainstalované. Pokud používáte jinou instanci, přeinstalujte rozšíření podle popisu v tématu Nastavení rozšíření Visual Studio Code.

Vytvoření účtu Služby Azure Machine Learning

Pokud chcete zřídit prostředky a spouštět úlohy v Azure, přihlaste se pomocí svých přihlašovacích údajů k účtu Azure.

  1. V editoru Visual Studio Code otevřete paletu příkazů tak, že v řádku nabídek vyberete Paletu příkazů zobrazení>.

  2. Zadáním příkazu Azure: Sign In na paletě příkazů spusťte proces přihlášení. Podle pokynů dokončete přihlášení.

  3. Vytvořte výpočetní instanci Machine Learning, která spustí vaši úlohu. Na paletě příkazů zadejte příkaz Azure ML: Create Compute.

  4. Vyberte své předplatné Azure.

  5. Vyberte + Vytvořit nový pracovní prostor Azure ML a zadejte název turbofandemo.

  6. Vyberte skupinu prostředků, kterou jste pro tuto ukázku používali.

  7. Průběh vytváření pracovního prostoru byste měli vidět v pravém dolním rohu okna editoru Visual Studio Code: Vytvoření pracovního prostoru: turobofandemo. Tento krok může trvat minutu nebo dvě.

  8. Počkejte, až se pracovní prostor úspěšně vytvoří. Mělo by se říct, že pracovní prostor Azure ML byl vytvořen turbofandemo.

Nahrání souborů Jupyter Notebook

Ukázkové soubory poznámkového bloku nahrajeme do nového pracovního prostoru Machine Learning.

  1. Přejděte na ml.azure.com a přihlaste se.

  2. Vyberte adresář Microsoftu, předplatné Azure a nově vytvořený pracovní prostor Machine Learning.

    Snímek obrazovky znázorňující výběr pracovního prostoru Azure Machine Learning

  3. Po přihlášení k pracovnímu prostoru Machine Learning přejděte do oddílu Poznámkové bloky pomocí nabídky na levé straně.

  4. Vyberte kartu Moje soubory.

  5. Vyberte Nahrát (ikona šipky nahoru).

  6. Přejděte na C:\source\IoTEdgeAndMlSample\AzureNotebooks. Vyberte všechny soubory v seznamu a vyberte Otevřít.

  7. Zaškrtněte políčko Důvěřovat obsahu těchto souborů.

  8. Chcete-li zahájit nahrávání, vyberte Nahrát . Po dokončení procesu vyberte Hotovo .

Soubory Jupyter Notebook

Pojďme se podívat na soubory, které jste nahráli do pracovního prostoru Machine Learning. Aktivity v této části kurzu zahrnují dva soubory poznámkového bloku, které používají několik podpůrných souborů.

  • 01-turbofan_regression.ipynb: Tento poznámkový blok používá pracovní prostor Machine Learning k vytvoření a spuštění experimentu strojového učení. Poznámkový blok obecně provede následující kroky:

    1. Stáhne data z účtu služby Azure Storage, který byl vygenerován nástrojem zařízení.
    2. Prozkoumá a připraví data a pak je použije k trénování klasifikátoru.
    3. Vyhodnotí model z experimentu pomocí testovací datové sady (Test_FD003.txt).
    4. Publikuje nejlepší model klasifikátoru do pracovního prostoru Machine Learning.

  • 02-turbofan_deploy_model.ipynb: Tento poznámkový blok vezme model vytvořený v předchozím poznámkovém bloku a použije ho k vytvoření image kontejneru připravené k nasazení do zařízení IoT Edge. Poznámkový blok provede následující kroky:

    1. Vytvoří bodovací skript pro model.
    2. Vytvoří image kontejneru pomocí modelu klasifikátoru, který byl uložen v pracovním prostoru Machine Learning.
    3. Nasadí image jako webovou službu ve službě Azure Container Instances.
    4. Použije webovou službu k ověření modelu a obrázku podle očekávání. Ověřená image se nasadí na naše zařízení IoT Edge v části Vytvoření a nasazení vlastních modulů IoT Edge v tomto kurzu.

  • Test_FD003.txt: Tento soubor obsahuje data, která použijeme jako testovací sadu při ověřování našeho vytrénovaného klasifikátoru. Rozhodli jsme se použít testovací data, jak je uvedeno pro původní soutěž, jako naše testovací sada pro jednoduchost.

  • RUL_FD003.txt: Tento soubor obsahuje zbývající životnost (RUL) pro poslední cyklus každého zařízení v souboru Test_FD003.txt. Podrobné vysvětlení těchto dat najdete v souborech readme.txt readme.txt a Modeling.pdf šíření škod ve složce C:\source\IoTEdgeAndMlSample\data\Turbofan.

  • Utils.py: Tento soubor obsahuje sadu funkcí nástroje Pythonu pro práci s daty. První poznámkový blok obsahuje podrobné vysvětlení funkcí.

  • README.md: Tento soubor readme popisuje použití poznámkových bloků.

Spuštění poznámkových bloků Jupyter

Teď, když je pracovní prostor vytvořený, můžete poznámkové bloky spustit.

  1. Na stránce Moje soubory vyberte 01-turbofan_regression.ipynb.

    Snímek obrazovky znázorňující výběr prvního poznámkového bloku, který se má spustit

  2. Pokud je poznámkový blok uvedený jako Nedůvěryhodný, vyberte widget Not Trusted v pravém horním rohu poznámkového bloku. Po zobrazení dialogového okna vyberte Důvěřovat.

  3. Nejlepších výsledků dosáhnete, když si přečtete dokumentaci pro každou buňku a spustíte ji jednotlivě. Na panelu nástrojů vyberte Spustit . Později zjistíte, že je vhodné spustit více buněk. Upozornění na upgrade a vyřazení můžete ignorovat.

    Když je buňka spuštěná, zobrazí hvězdičku mezi hranatými závorkami ([*]). Po dokončení operace buňky se hvězdička nahradí číslem a může se zobrazit příslušný výstup. Buňky v poznámkovém bloku se sestavují postupně a současně může běžet jenom jedna buňka.

    Můžete také použít možnosti spuštění z nabídky Buňka . Pokud chcete buňku spustit, vyberte Ctrl+Enter, aby se buňka spustila, a přejděte na další buňku.

    Tip

    V případě konzistentních operací buněk nepoužívejte stejný poznámkový blok z několika karet v prohlížeči.

  4. Do buňky, která se řídí pokyny k nastavení globálních vlastností , zadejte hodnoty pro vaše předplatné Azure, nastavení a prostředky. Potom buňku spusťte.

    Snímek obrazovky znázorňující nastavení globálních vlastností v poznámkovém bloku

  5. V buňce předchozí s podrobnostmi pracovního prostoru vyhledejte po spuštění odkaz, který vás vyzve k přihlášení k ověření.

    Snímek obrazovky s výzvou k přihlášení k ověření zařízení

    Otevřete odkaz a zadejte zadaný kód. Tento přihlašovací postup ověřuje poznámkový blok Jupyter pro přístup k prostředkům Azure pomocí rozhraní příkazového řádku Microsoft Azure pro různé platformy.

    Snímek obrazovky znázorňující ověření aplikace na potvrzení zařízení

  6. V buňce, která předchází prozkoumání výsledků, zkopírujte hodnotu z ID spuštění a vložte ji pro ID spuštění do buňky, která následuje po rekonstituci spuštění.

    Snímek obrazovky znázorňující zkopírování ID spuštění mezi buňkami

  7. Spusťte zbývající buňky v poznámkovém bloku.

  8. Uložte poznámkový blok a vraťte se na stránku projektu.

  9. Otevřete 02-turbofan_deploy_model.ipynb a spusťte každou buňku. Abyste se mohli ověřit v buňce, která následuje po konfiguraci pracovního prostoru, budete se muset přihlásit.

  10. Uložte poznámkový blok a vraťte se na stránku projektu.

Ověření úspěchu

Pokud chcete ověřit, že se poznámkové bloky úspěšně dokončily, ověřte, že se vytvořilo několik položek.

  1. Na kartě Moje soubory v poznámkových blocích Machine Learning vyberte Aktualizovat.

  2. Ověřte, že byly vytvořeny následující soubory.

    Soubor Popis
    ./aml_config/.azureml/config.json Konfigurační soubor použitý k vytvoření pracovního prostoru Machine Learning.
    ./aml_config/model_config.json Konfigurační soubor, který budeme muset nasadit v pracovním prostoru turbofanDemo Machine Learning v Azure.
    myenv.yml Poskytuje informace o závislostech nasazeného modelu Machine Learning.

  3. Ověřte, že byly vytvořeny následující prostředky Azure. Některé názvy prostředků se připojují s náhodnými znaky.

    Prostředek Azure Název
    Pracovní prostor služby Azure Machine Learning turborfanDemo
    Azure Container Registry turbofandemoxxxxxxxxxx
    Application Insights turbofaninsightxxxxxxxxxx
    Azure Key Vault turbofankeyvaultbxxxxxxxx
    Azure Storage turbofanstoragexxxxxxxxxxx

Ladění

Do poznámkového bloku můžete vložit příkazy Pythonu pro ladění, například print() příkaz k zobrazení hodnot. Pokud se zobrazí proměnné nebo objekty, které nejsou definované, spusťte buňky, ve kterých jsou poprvé deklarovány nebo vytvořena instance.

Pokud potřebujete znovu vytvořit poznámkové bloky, budete možná muset odstranit dříve vytvořené soubory a prostředky Azure.

Vyčištění prostředků

Tento kurz je součástí sady, kde každý článek vychází z práce provedené v předchozích článcích. Počkejte, až vyčistíte všechny prostředky, dokud dokončíte konečný kurz.

Další kroky

V tomto článku jsme použili dva poznámkové bloky Jupyter spuštěné v nástroji Machine Learning Studio k použití dat ze zařízení turbofanu k:

  • Trénujte klasifikátor RUL.
  • Uložte klasifikátor jako model.
  • Vytvořte image kontejneru.
  • Nasaďte a otestujte image jako webovou službu.

Pokračujte k dalšímu článku a vytvořte zařízení IoT Edge.

Konfigurace zařízení IoT Edge