Exercice : former un réseau neuronal profond

25 minutes

Jusqu’ici, dans ce module, vous avez appris beaucoup sur la théorie et les principes de Deep Learning avec les réseaux neuronaux. La meilleure façon d’apprendre à appliquer cette théorie consiste à créer un modèle de Deep Learning, et c’est ce que vous allez faire dans cet exercice.

De nombreuses infrastructures sont disponibles pour l’apprentissage des réseaux neuronaux profonds, et dans cet exercice, vous pouvez choisir d’explorer les deux infrastructures d’apprentissage profond les plus populaires pour Python : PyTorch et TensorFlow.

Avant de commencer

Pour faire cet exercice, vous avez besoin de :

Un abonnement Microsoft Azure. Si vous n’en avez pas, vous pouvez vous inscrire à une évaluation gratuite dans la page https://azure.microsoft.com/free.
Un espace de travail Azure Machine Learning avec une instance de calcul et le référentiel ml-basics cloné.

Notes

Ce module utilise un espace de travail Azure Machine Learning. Si vous suivez ce module en préparation de la certification Scientifique Données Azure, vous pouvez créer l’espace de travail une seule fois et le réutiliser dans d’autres modules. Une fois l’exercice terminé, veillez à suivre les instructions de Nettoyage pour arrêter les ressources de calcul et conserver l’espace de travail si vous envisagez de le réutiliser.

Création d’un espace de travail Microsoft Azure Machine Learning

Si vous ne disposez pas déjà d’un espace de travail Azure Machine Learning dans votre abonnement Azure, suivez les étapes suivantes pour en créer un :

Connectez-vous au portail Azure à l’aide du compte Microsoft associé à votre abonnement Azure.
Dans la page Accueil d’Azure, sous Services Azure, sélectionnez Créer une ressource. Le volet Créer une ressource apparaît.
Dans la zone de recherche Rechercher dans les services et la Place de marché, recherchez et sélectionnez Machine Learning. Le volet Azure Machine Learning s’affiche.
Sélectionnez Créer. Le volet Azure Machine Learning s’affiche.

Sous l’onglet Informations de base, entrez les valeurs suivantes pour chaque paramètre.

Paramètre	Valeur
Détails du projet
Abonnement	Sélectionnez l’abonnement Azure que vous souhaitez utiliser pour cet exercice.
Resource group	Sélectionnez le lien Créer, nommez le nouveau groupe de ressources avec un nom unique, puis sélectionnez OK.
Détails de l’espace de travail
Nom de l’espace de travail	Entrez un nom unique pour votre application. Par exemple, vous pouvez utiliser <votrenom>-machinelearn.
Région	Dans la liste déroulante, sélectionnez un emplacement disponible.

Acceptez les valeurs par défaut restantes, puis sélectionnez Vérifier + créer.
Une fois la validation réussie, sélectionnez Créer.

Attendez que la ressource de votre espace de travail soit créée (cela peut prendre quelques minutes).
Une fois le déploiement terminé, sélectionnez Accéder à la ressource. Votre volet Machine Learning s’affiche.
Sélectionnez Lancer le studio ou accédez à https://ml.azure.com, puis connectez-vous en utilisant votre compte Microsoft. La page Microsoft Azure Machine Learning Studio s’affiche.
Dans Azure Machine Learning Studio, utilisez l’icône ☰ en haut à gauche pour développer/réduire son volet de menu. Vous pouvez utiliser ces options pour gérer les ressources dans votre espace de travail.

Créer une instance de calcul

Pour exécuter le notebook utilisé dans cet exercice, vous aurez besoin d’une instance de calcul dans votre espace de travail Azure Machine Learning.

Dans le volet de menu gauche, sous Gérer, sélectionnez Calcul. Le volet Calcul s’affiche.
Sous l’onglet Instances de calcul, si vous disposez déjà d’une instance de calcul, démarrez-la ; sinon, créez une instance de calcul en sélectionnant Nouveau. Le volet Créer une instance de calcul s’affiche.
Entrez les valeurs suivantes pour chaque paramètre :
- Nom de la capacité de calcul : entrez un nom unique
- Type de machine virtuelle : Processeur
- Taille de machine virtuelle : Sélectionnez une des options recommandées : Standard_DS11_v2
Sélectionnez Create (Créer). Le volet Calcul réapparaît, listant votre Instance de calcul.
Attendez le démarrage de l’instance de calcul (cette opération peut prendre quelques minutes). Sous la colonne État, votre Instance de calcul passe à En cours d’exécution.

Clonez le référentiel ml-basics

Les fichiers utilisés dans ce module et d’autres modules associés sont publiés dans le dépôt GitHub MicrosoftDocs/ml-basics. Si vous ne l’avez pas déjà fait, suivez les étapes suivantes pour cloner le référentiel dans votre espace de travail Azure Machine Learning :

Sélectionnez Espaces de travail dans le menu gauche d’Azure Machine Learning Studio, puis sélectionnez l’espace de travail que vous avez créé dans la liste.
Dans l’en-tête de gauche Création à gauche, sélectionnez le lien Notebooks pour ouvrir des notebooks Jupyter. Le volet Notebooks s’affiche.
Sélectionnez le bouton Terminal à droite. Un shell de terminal apparaît.
Exécutez les commandes suivantes pour remplacer le répertoire actif par le répertoire Utilisateurs, puis clonez le dépôt ml-basics, qui contient le notebook et les fichiers que vous allez utiliser pour cet exercice.
```
cd Users
git clone https://github.com/microsoftdocs/ml-basics
```
Une fois la commande et la validation des fichiers terminées, fermez l’onglet Terminal et affichez la page d’accueil dans l’explorateur de fichiers de votre notebook Jupyter.
Ouvrez ensuite le dossier Utilisateurs : il doit contenir un dossier ml-basics, contenant les fichiers que vous allez utiliser dans ce module.

Notes

Pour cet exercice, nous vous recommandons vivement d’utiliser Jupyter dans un espace de travail Azure Machine Learning. Cette configuration garantit que la version correcte de Python et les différents packages dont vous aurez besoin sont installés. Une fois l’espace de travail créé, vous pouvez le réutiliser dans d’autres modules. Si vous préférez faire l’exercice dans un environnement Python sur votre propre ordinateur, c’est possible. Vous trouverez plus d’informations sur la configuration d’un environnement de développement local qui utilise Visual Studio Code dans Exécuter des labos sur votre propre ordinateur. Sachez que si vous choisissez cette option, les instructions de l’exercice peuvent ne pas correspondre à l’interface utilisateur de votre notebook.

Former un modèle de réseau neuronal profond

Une fois que vous avez créé un environnement Jupyter et cloné le dépôt ml-basics, vous êtes prêt à explorer le deep learning.

Dans Jupyter, dans le dossier ml-basics, ouvrez le notebook Deep Neural Networks (PyTorch).ipynbououDeep Neural Networks (Tensorflow).ipynb, selon le framework que vous préférez, et suivez les instructions qu’il contient.
Lorsque vous avez terminé, fermez et arrêtez tous les notebooks.