Udostępnij za pośrednictwem

機器學習的生命週期作業：Machine Learning Operationalization

  • Artykuł

這篇文章會帶您透過幾個簡單的指令，快速的將 TensorFlow, CNTK 或是 Python 所建立的預測模型，部署到 Azure Container Service (ACS) 或 HDInsight Spark 上，以達到高擴充性的需求。

AML CLI (Azure Machine Learning Command Line Interface) 是個全新的 Azure 機器學習指令集，目前是 preview 版本，目的在將機器學習的生命週期，例如 Experiment, Model training, Deployment, Management 等．能透過指令自動化流程處理。同時支援 CNTK, TenserFlow 等不同的機器學習框架，未來也將支援如 GPU/FPGA 等機器，協助資料科學家們對模型生命週期的訓練及管理。

GitHub 上有完整範例及文件並隨時更新，已可在 Linux Data Science Virtual Machine (DSVM) 上使用。

環境準備

首先你需要有 Azure 訂用帳戶 (取得訂用帳戶)，然後依說明文件建一個 DSVM 出來 (要完成以下練習，只要選擇最便宜的機器即可)。

透過 SSH 連線至 DSVM (可使用 X2Go 或 Putty )後，執行以下指令:

$ wget -q https://amlsamples.blob.core.windows.net/scripts/amlupdate.sh -O - | sudo bash -

$ sudo /opt/microsoft/azureml/initial_setup.sh

注意: 請登出再重新登入以讓改變有效

接下來執行以下指令來設定 AML CLI 環境:

$ az login

$ aml env setup

以上指令會在這個 DSVM 中新增以下這些服務：

  • A resource group
  • A storage account
  • An Azure Container Registry (ACR)
  • An Azure Container Service (ACS)
  • Application insights

注意:

  1. 首先你會被要求到 https://aka.ms/devicelogin 輸入一組代碼，再登入您的 Azure 帳號，確保你有足夠的權限新增服務。
  2. 得輸入小於20個字元、只能包含小寫字母及數字的環境名稱 (Environment names)。

之後你隨時可以執行以下指令來了解所有的環境設定:

$ aml env show

amlenv1

使用 Jupyter

身為資料科學家，您可以使用喜歡的 IDE 來寫作。若使用 Jupyter，在 DSVM 中是跑在 https://<machine-ip-address>:8000 ，請直接以瀏覽器打開並以登入 DSVM 的帳密登入。

在以下資料夾中可分別找到即時及批次服務的範例:

即時: azureml/realtime/realtimewebservices.ipynb notebook

批次: azureml/batch/batchwebservices.ipynb notebook

jupyter1-1

照著步驟即可訓練出一個預測模型：

jupyter2-1

CNTK, TensorFlow 及 Python 範例

利用 AML 部署

若是即時服務 (realtime)，會部署到 Azure Container Service (ACS)，若是批次服務 (batch) 會部署到 HDInsight Spark，以達成高擴充性及高可用性的目標，無論您的預測模型是由 TensorFlow、CNTK 或 Python 所建制的。

以 realtime 服務範例。SSH到DSVM後，切換到訓練出來的預測模型所在資料夾：

$ cd ~/notebooks/azureml/realtime

接下來執行以下指令，就能部署 realtime service 至所在的 DSVM：

$ aml env local

$ aml service create realtime -f testing.py -m housing.model -s webserviceschema.json -n mytestapp

部署成功後的畫面：

amlenv2

你也可以執行以下指令，部署到 Azure Container Service (ACS) cluster 中：

$ aml env cluster

$ aml service create realtime -f testing.py -m housing.model -s webserviceschema.json -n mytestapp

了解更多 AML CLI 指令

在 https://github.com/Azure/Machine-Learning-Operationalization/blob/master/aml-cli-reference.md 可看到所有的指令，例如可以執行

$ aml service list

會看到所有已部署的 realtime 或 batch 服務