Trenowanie modeli w obszarze roboczym
Aby wytrenować modele za pomocą obszaru roboczego usługi Azure Machine Learning, dostępnych jest kilka opcji:
- Użyj zautomatyzowanego uczenia maszynowego.
- Uruchom notes Jupyter.
- Uruchom skrypt jako zadanie.
Eksplorowanie algorytmów i wartości hiperparametrów za pomocą zautomatyzowanego uczenia maszynowego
Jeśli masz zestaw danych szkoleniowych i masz zadanie znalezienia najlepszego modelu, warto eksperymentować z różnymi algorytmami i wartościami hiperparametrów.
Ręczne eksperymentowanie z różnymi konfiguracjami w celu wytrenowania modelu może potrwać długo. Alternatywnie możesz użyć zautomatyzowanego uczenia maszynowego, aby przyspieszyć proces.
Zautomatyzowane uczenie maszynowe iteruje za pomocą algorytmów sparowanych z wyborami funkcji w celu znalezienia najlepszego modelu dla danych.
Uruchamianie notesu
Jeśli wolisz programować, uruchamiając kod w notesach, możesz użyć wbudowanej funkcji notesu w obszarze roboczym.
Strona Notesy w programie Studio umożliwia edytowanie i uruchamianie notesów Jupyter.
Wszystkie pliki sklonowane lub utworzone w sekcji notesów są przechowywane w udziale plików konta usługi Azure Storage utworzonego za pomocą obszaru roboczego.
Aby uruchomić notesy, należy użyć wystąpienia obliczeniowego, ponieważ są one idealne do programowania i pracy podobnej do maszyny wirtualnej.
Możesz również edytować i uruchamiać notesy w programie Visual Studio Code, a jednocześnie używać wystąpienia obliczeniowego do uruchamiania notesów.
Uruchamianie skryptu jako zadania
Jeśli chcesz przygotować kod do przygotowania do produkcji, lepiej użyć skryptów. Możesz łatwo zautomatyzować wykonywanie skryptu w celu zautomatyzowania dowolnego obciążenia uczenia maszynowego.
Skrypt można uruchomić jako zadanie w usłudze Azure Machine Learning. Po przesłaniu zadania do obszaru roboczego wszystkie dane wejściowe i wyjściowe są przechowywane w obszarze roboczym.
Istnieją różne typy zadań w zależności od tego, jak chcesz wykonać obciążenie:
- Polecenie: Wykonaj pojedynczy skrypt.
- Zamiatanie: wykonaj dostrajanie hiperparametryczne podczas wykonywania pojedynczego skryptu.
- Potok: uruchom potok składający się z wielu skryptów lub składników.
Uwaga
Po przesłaniu potoku utworzonego za pomocą projektanta zostanie on uruchomiony jako zadanie potoku. Po przesłaniu eksperymentu zautomatyzowanego uczenia maszynowego zostanie on również uruchomiony jako zadanie.