模型產生器 Azure 訓練資源
下列指南可協助您深入瞭解如何使用模型產生器在 Azure 中定型模型的資源。
什麼是 Azure Machine Learning 實驗？
Azure Machine Learning 實驗是必須在 Azure 上執行模型產生器定型之前建立的資源。
實驗會封裝一或多個機器學習訓練回合的組態和結果。 實驗屬於特定工作區。 第一次建立實驗時，其名稱會在工作區中註冊。 如果使用相同的實驗名稱，則任何後續執行都會記錄為相同實驗的一部分。 否則，會建立新的實驗。
什麼是 Azure Machine Learning 工作區？
工作區是 Azure Machine Learning 資源，可為在定型執行時建立的所有 Azure Machine Learning 資源和成品提供集中位置。
若要建立 Azure Machine Learning 工作區，需要下列專案：
- 名稱：3-33 個字元之間的工作區名稱。 名稱只能包含英數位元和連字元。
- 區域：部署工作區和資源之數據中心的地理位置。 建議您選擇靠近您或客戶所在位置的位置。
- 資源群組：包含 Azure 解決方案所有相關資源的容器。
什麼是 Azure Machine Learning 計算？
Azure Machine Learning 計算是用於定型的雲端式 Linux VM。
若要建立 Azure Machine Learning 計算，需要下列值：
名稱：2-16 個字元之間的計算名稱。 名稱只能包含英數位元和連字元。
計算大小。
模型產生器可以使用下列其中一種 GPU 優化的計算類型：
大小 vCPU 記憶體：GiB 暫存記憶體 （SSD） GiB GPU GPU 記憶體：GiB 最大數據磁碟 最大 NIC Standard_NC12 12 112 680 2 24 48 2 Standard_NC24 24 224 1440 4 48 64 4 如需 GPU 優化計算類型的詳細資訊，請流覽 NC 系列 Linux VM 檔。
計算優先順序。
- 低優先順序：適用於運行時間較短的工作。 工作可能會受到中斷和可用性不足的影響。 此選項的成本通常較低，因為它會利用 Azure 中的剩餘容量。
- 專用：適用於任何持續時間的工作，但特別適用於長時間執行的工作。 工作不會受到中斷或可用性不足的影響。 此選項通常成本較高，因為它會在 Azure 中為您的工作保留一組專用的計算資源。
訓練
Azure 上的定型僅適用於模型產生器影像分類案例。 用來定型這些模型的演算法是以 ResNet50 架構為基礎的深度類神經網路。 定型程式需要一些時間，時間量可能會根據選取的計算大小以及數據量而有所不同。 您可以選取 Visual Studio 中的 [監視 Azure 入口網站中的目前執行] 連結，以追蹤執行進度。
結果
定型完成後，系統會使用下列後綴將兩個專案新增至您的解決方案：
ConsoleApp：C# 控制台應用程式，提供入門程式代碼來建置預測管線並進行預測。
模型：C# .NET Standard 應用程式，其中包含定義輸入和輸出模型數據架構的數據模型，以及下列資產：
- bestModel.onnx：開放式類神經網路交換 （ONNX） 格式的模型串行化版本。 ONNX 是 AI 模型的開放原始碼格式，可支援 ML.NET、PyTorch 和 TensorFlow 等架構之間的互操作性。
- bestModelMap.json：進行預測以將模型輸出對應至文字類別時所使用的類別清單。
- MLModel.zip：ML.NET 預測管線的串行化版本，使用模型串行化版本 bestModel.onnx，使用
bestModelMap.json檔案進行預測和對應輸出。
使用機器學習模型
模型 專案中 ModelInput 和 ModelOutput 類別分別定義模型預期的輸入和輸出架構。
在影像分類案例中，ModelInput 包含兩個數據行：
-
ImageSource：影像位置的字串路徑。 -
Label：影像所屬的實際類別。 只有在定型時，Label才會做為輸入，而且在進行預測時不需要提供。
ModelOutput 包含兩個資料列：
-
Prediction：影像的預測類別。 -
Score：所有類別的機率清單（最高屬於Prediction）。
故障排除
無法建立計算
如果在 Azure Machine Learning 計算建立期間發生錯誤，計算資源可能仍然存在，處於錯誤狀態。 如果您嘗試使用相同的名稱重新建立計算資源，作業會失敗。 若要修正此錯誤，請：
- 使用不同的名稱建立新的計算
- 移至 Azure 入口網站，並移除原始計算資源
