選擇適當的計算目標

7 分鐘

在 Azure Machine Learning 中，計算目標 是執行作業的實體或虛擬電腦。

瞭解可用的計算類型

Azure Machine Learning 支援多種類型的計算，以進行實驗、定型和部署。藉由有多個類型的計算，您可以針對您的需求選取最適當的計算目標類型。

執行超參數微調，以產生不同模型的不同超參數值的圖表。

計算實例：行為類似於虛擬機，主要用於執行筆記本。它非常適合實驗。
計算叢集：多節點虛擬機群集，自動擴展或縮減以滿足需求。執行需要處理大量數據之腳本的符合成本效益的方式。叢集也可讓您使用平行處理來散發工作負載，並減少執行腳本所需的時間。
Kubernetes 叢集：以 Kubernetes 技術為基礎的叢集，讓您更充分掌控如何設定和管理計算。您可以連結適用於雲端計算的自我管理 Azure Kubernetes （AKS）叢集，或內部部署工作負載的 Arc Kubernetes 叢集。
附加的計算：允許您將現有的計算資源，如 Azure 虛擬機器或 Azure Databricks 叢集，附加至您的工作區。
無伺服器運算：您可以用於訓練工作的完全受控隨需運算。

注意

Azure Machine Learning 可讓您選擇建立和管理自己的計算，或使用完全由 Azure Machine Learning 管理的計算。

何時要使用哪種類型的計算？

一般而言，使用計算目標時，您可以遵循一些最佳做法。若要瞭解如何選擇適當的計算類型，會提供數個範例。請記住，您使用的計算類型一律取決於您的特定情況。

選擇實驗的計算目標

假設您是數據科學家，並要求您開發新的機器學習模型。您可能有一小部分的訓練數據可以用來進行實驗。

在實驗和開發期間，您偏好在 Jupyter Notebook 中工作。筆記本的使用體驗最能從持續運作的運算中受益。

許多數據科學家都熟悉在其本機裝置上執行筆記本程式。 Azure Machine Learning 所管理的雲端替代專案是 計算實例。或者，如果您想要使用 Spark 的分散式計算能力，您也可以選擇 Spark 無伺服器計算 在筆記本中執行 Spark 程式代碼。

選擇生產環境的計算目標

經過實驗後，您可以執行 Python 腳本來訓練模型，以準備進入生產環境。當您想要在一段時間內持續重新定型模型時，腳本將更容易自動化並排程。您可以將腳本執行為管線作業。

移至生產環境時，您希望計算目標準備好處理大量數據。您使用的數據越多，機器學習模型可能就越好。

使用腳本定型模型時，您需要隨選計算目標。 計算叢集 在需要執行腳本時會自動擴展，當腳本執行完成時會自動縮減。如果您想要不需要建立和管理的替代方案，您可以使用 Azure Machine Learning 的 無伺服器計算。

選擇用於部署的計算目標

使用模型產生預測時所需的計算類型取決於您想要批次或實時預測。

針對批次預測，您可以在 Azure Machine Learning 中執行管線作業。計算目標，例如計算叢集和 Azure Machine Learning 的無伺服器計算，非常適合管線作業，因為它們是隨選且可調整的。