Exercício – Treine uma rede neural profunda

25 minutos

Até o momento, você aprendeu muito sobre a teoria e os princípios do aprendizado profundo com redes neurais. A melhor maneira de aprender a aplicar essa teoria é realmente criar um modelo de aprendizado profundo, e é isso o que você fará neste exercício.

Há muitas estruturas disponíveis para o treinamento de redes neurais profundas e, neste exercício, você pode optar por conhecer uma (ou ambas) das duas estruturas de aprendizado profundo mais populares para Python: PyTorch e TensorFlow.

Antes de começar

Para concluir este exercício, você precisará de:

Uma assinatura do Microsoft Azure. Caso ainda não tenha uma, inscreva-se em uma avaliação gratuita em https://azure.microsoft.com/free.
Um workspace do Azure Machine Learning com uma instância de computação e o repositório ml-basics clonado.

Observação

Este módulo usa um workspace do Azure Machine Learning. Se você estiver concluindo este módulo em preparação para a certificação Azure Data Scientist, considere criar o workspace uma vez e reutilizá-lo em outros módulos. Depois de concluir o exercício, siga as instruções para Limpar, a fim de interromper os recursos de computação e manter o workspace se você planeja reutilizá-lo.

Criar um workspace do Azure Machine Learning

Se você ainda não tiver um workspace do Azure Machine Learning em sua assinatura do Azure, siga estas etapas para criar um:

Entre no portal do Azure usando a conta Microsoft associada à sua assinatura do Azure.
Na Página inicial do Azure, em Serviços do Azure, selecione Criar um recurso. O painel Criar um recurso será exibido.
Na caixa de pesquisa Pesquisar serviços e o marketplace, procure e selecione Machine Learning. O painel Azure Machine Learning é exibido.
Selecione Criar. O painel Azure Machine Learning é exibido.

Na guia Básico, insira os valores a seguir para cada configuração.

Configuração	Valor
Detalhes do projeto
Subscription	Selecione a assinatura do Azure que você deseja usar neste exercício.
Resource group	Selecione o link Criar, nomeie o novo grupo de recursos com um nome exclusivo e selecione OK.
Detalhes do Workspace
Nome do workspace	Insira um nome exclusivo para seu aplicativo. Por exemplo, você pode usar <seunome>-machinelearn.
Região	Na lista suspensa, selecione qualquer local disponível.

Aceite os padrões restantes e selecione Examinar + criar.
Depois da aprovação na validação, selecione Criar.

Aguarde até o recurso de workspace ser criado (isso pode levar alguns minutos).
Quando a implantação for concluída, selecione Ir para o recurso. O painel Machine Learning é exibido.
Selecione Iniciar o Estúdio ou acesse https://ml.azure.come entre usando sua conta Microsoft. A página Estúdio do Microsoft Azure Machine Learning é exibida.
No Estúdio do Azure Machine Learning, alterne o ícone ☰ na parte superior esquerda para expandir/recolher o painel de menus. Use essas opções para gerenciar os recursos no workspace.

Criar uma instância de computação

Para executar o notebook usado neste exercício, você precisará ter uma instância de computação no seu workspace do Azure Machine Learning.

No painel do menu esquerdo, em Gerenciar, selecione Computação. O painel Computação é exibido.
Na guia Instâncias de Computação, se você já tiver uma instância de computação, inicie-a. Caso contrário, crie uma instância de computação selecionando Nova. O painel Criar instância de computação é exibido.
Insira os seguintes valores para cada configuração:
- Nome de computação: insira um nome exclusivo
- Tipo de máquina virtual: CPU
- Tamanho da máquina virtual: selecione entre as opções recomendadas: Standard_DS11_v2
Selecione Criar. O painel Computação reaparece com sua Instância de computação listada.
Aguarde até a instância de computação ser iniciada (isso pode levar alguns minutos). Na coluna Estado, sua Instância de computação será alterável para Em execução.

Clonar o repositório ml-basics

Os arquivos usados neste módulo (e outros módulos relacionados) estão publicados no repositório GitHub MicrosoftDocs/ml-basics. Caso ainda não tenha feito isso, use as seguintes etapas para clonar o repositório para seu workspace do Azure Machine Learning:

Clique em Workspaces no menu à esquerda do Estúdio do Azure Machine Learning e selecione o workspace criado na lista.
No título Criador à esquerda, selecione o link Notebooks para abrir o Jupyter Notebooks. O painel Notebooks é exibido.
Clique no botão Terminal à direita. Um shell de terminal é exibido.
Execute os comandos a seguir para alterar o diretório atual para o diretório Usuários e clone o repositório ml-basics, que contém o notebook e os arquivos que você usará neste exercício.
```
cd Users
git clone https://github.com/microsoftdocs/ml-basics
```
Depois da conclusão do comando e do check-out dos arquivos, feche a aba do terminal e veja a página inicial no explorador de arquivos do Jupyter Notebook.
Abra a pasta Users, que deve conter uma pasta ml-basics com os arquivos que você usará neste módulo.

Observação

Para este exercício, recomenda-se o uso do Jupyter em um espaço de trabalho do Azure Machine Learning. Essa configuração garante a instalação da versão correta do Python e dos diversos pacotes necessários, além da oferecer a possibilidade de reutilizar o workspace criado em outros módulos. Se preferir concluir o exercício em um ambiente do Python em seu computador, você poderá fazer isso. Você encontrará detalhes para configurar um ambiente de desenvolvimento local que usa o Visual Studio Code em Executar os laboratórios no seu computador. No entanto, lembre-se de que isso pode fazer com que as instruções do exercício não correspondam à interface do usuário de seus notebooks.

Treinar um modelo de rede neural profunda

Depois de criar um ambiente Jupyter e clonar o repositório ml-basics, você está pronto para testar o aprendizado profundo.

No Jupyter, na pasta ml-basics, abra o notebook Deep Neural Networks (PyTorch).ipynbou então o notebook Deep Neural Networks (Tensorflow).ipynb (dependendo de sua preferência de estrutura), depois siga as instruções contidas nele.
Quando terminar, feche e pare todos os notebooks.