Enviar um trabalho de treinamento no estúdio
Há várias maneiras de criar um trabalho de treinamento com o Azure Machine Learning. Você pode usar a CLI (confira Treinar modelos (criar trabalhos)), a API REST (confira Treinar modelos com o REST (versão prévia)) ou você pode usar a interface do usuário para criar diretamente um trabalho de treinamento. Neste artigo, você aprenderá a usar seus dados e código para treinar um modelo de machine learning com uma experiência guiada para enviar trabalhos de treinamento no Estúdio do Azure Machine Learning.
Importante
Esse recurso está atualmente em visualização pública. Essa versão prévia é fornecida sem um contrato de nível de serviço e não é recomendada para cargas de trabalho de produção. Alguns recursos podem não ter suporte ou podem ter restrição de recursos.
Para obter mais informações, consulte Termos de Uso Complementares de Versões Prévias do Microsoft Azure.
Pré-requisitos
Uma assinatura do Azure. Caso não tenha uma assinatura do Azure, crie uma conta gratuita antes de começar. Experimente hoje mesmo a versão gratuita ou paga do Azure Machine Learning.
Um Workspace do Azure Machine Learning. Confira Criar recursos de workspace.
Noções básicas sobre o que é um trabalho no Azure Machine Learning. Confira Como treinar modelos.
Introdução
Entre no Estúdio do Azure Machine Learning.
Selecione sua assinatura e seu espaço de trabalho.
- Você pode inserir a interface do usuário de criação de trabalho na página inicial. Selecione Criar novo e Trabalho.
Nesta etapa, você pode selecionar seu método de treinamento, concluir o restante do formulário de envio com base na sua seleção e enviar o trabalho de treinamento. Abaixo, seguiremos o assistente para executar um script personalizado (trabalho de comando).
Definir as configurações básicas
A primeira etapa é configurar informações básicas sobre seu trabalho de treinamento. Você pode prosseguir se estiver satisfeito com os padrões que escolhemos para você ou fazer alterações na preferência que desejar.
Estes são os campos disponíveis:
| Campo | Descrição |
|---|---|
| Nome do trabalho | O campo nome do trabalho é usado para identificar exclusivamente seu trabalho. Ele também é usado como o nome de exibição para seu trabalho. |
| Nome do experimento | Isso ajuda a organizar o trabalho no Estúdio do Azure Machine Learning. O registro de execução de cada trabalho é organizado no experimento correspondente da guia "Experimento" do estúdio. Por padrão, o Azure coloca o trabalho no experimento Padrão. |
| Descrição | Adicione um texto que descreva seu trabalho, se desejar. |
| Tempo limite | Especifique o número de horas que todo o trabalho de treinamento pode ficar em execução. Quando esse limite for atingido, o sistema cancelará o trabalho, incluindo todos os trabalhos secundários. |
| Marcações | Adicione marcas ao seu trabalho para ajudar na organização. |
Script de treinamento
A próxima etapa é carregar seu código-fonte, configurar as entradas ou saídas necessárias para executar o trabalho de treinamento e especificar o comando para executar seu script de treinamento.
Isso pode ser um arquivo de código ou uma pasta do seu computador local ou armazenamento de blobs padrão do workspace. O Azure mostrará os arquivos a serem carregados depois que você fizer a seleção.
| Campo | Descrição |
|---|---|
| Código | Isso pode ser um arquivo ou uma pasta do seu computador local ou armazenamento de blobs padrão do workspace como seu script de treinamento. O Estúdio mostrará os arquivos a serem carregados depois que você fizer a seleção. |
| Entradas | Especifique quantas entradas forem necessárias dos seguintes tipos de dados: inteiro, número, booliano, cadeia de caracteres. |
| Comando | O comando a ser executado. Os argumentos de linha de comando podem ser gravados explicitamente no comando ou inferidos de outras seções, especificamente ou, usando a notação de chaves, conforme discutido na próxima seção. |
Código
O comando é executado no diretório raiz da pasta de código carregada. Depois de selecionar o arquivo de código ou a pasta, você poderá ver os arquivos a serem carregados. Copie o caminho relativo para o código que contém seu ponto de entrada e cole-o na caixa rotulada Inserir o comando para iniciar o trabalho.
Se o código estiver no diretório raiz, você poderá consultá-lo diretamente no comando. Por exemplo, python main.py.
Se o código não estiver no diretório raiz, você deverá usar o caminho relativo. Por exemplo, a estrutura do modelo de idioma do Word é:
.
├── job.yml
├── data
└── src
└── main.py
Aqui, o código-fonte está no subdiretório src. O comando seria python ./src/main.py (além de outros argumentos de linha de comando).
Entradas
Ao usar uma entrada no comando, você precisa especificar o nome de entrada. Para indicar uma variável de entrada, use o formulário ${{inputs.input_name}}. Por exemplo, ${{inputs.wiki}}. Em seguida, você pode consultá-lo no comando, por exemplo, --data ${{inputs.wiki}}.
Selecionar recursos de computação
A próxima etapa é selecionar o destino de computação no qual você gostaria que seu trabalho fosse executado. A interface do usuário de criação de trabalho dá suporte a vários tipos de computação:
| Tipo de computação | Introdução |
|---|---|
| Instância de computação | O que é uma instância de computação do Azure Machine Learning? |
| Cluster de computação | O que é um cluster de cálculo? |
| Computação anexada (cluster do Kubernetes) | Configure e anexe o cluster do Kubernetes em qualquer lugar (versão prévia). |
- Selecionar um tipo de computação
- Selecione um destino de computação existente. A lista suspensa mostra as informações do nó e o tipo de SKU para ajudar na sua escolha.
- Para um cluster de cálculo ou um cluster Kubernetes, você também pode especificar quantos nós deseja para o trabalho na Contagem de instâncias. O número padrão de instâncias é 1.
- Quando estiver satisfeito com suas escolhas, selecione Próximo.
Se você estiver usando o Azure Machine Learning pela primeira vez, verá uma lista vazia e um link para criar uma nova computação. Para obter mais informações sobre como criar os vários tipos, confira:
| Tipo de computação | Como |
|---|---|
| Instância de computação | Criar uma instância de computação do Azure Machine Learning |
| Cluster de computação | Criar um cluster de computação do Azure Machine Learning |
| Cluster Kubernetes anexado | Anexar um cluster do Kubernetes habilitado para Azure Arc |
Especificar o ambiente necessário
Depois de selecionar um destino de computação, você precisa especificar o ambiente de runtime para seu trabalho. A interface do usuário de criação de trabalho dá suporte a três tipos de ambiente:
- Ambientes selecionados
- Ambientes personalizados
- Imagem do registro de contêiner
Ambientes selecionados
Ambientes com curadoria são coleções definidas pelo Azure de pacotes do Python usados em cargas de trabalho do ML comuns. Os ambientes coletador estão disponíveis no workspace por padrão. Esses ambientes são apoiados por imagens do Docker armazenadas em cache, o que reduz a sobrecarga de preparação do trabalho. Os cartões exibidos na página “Ambientes coletados” mostram detalhes de cada ambiente. Para saber mais, confira ambientes coletados em Azure Machine Learning.
Ambientes personalizados
Ambientes personalizados são ambientes que você mesmo(a) especificou. Você pode especificar um ambiente ou reutilizar um ambiente que você já criou. Para saber mais, confira Gerenciar ambientes no Estúdio do Azure Machine Learning (versão prévia).
Imagem do registro de contêiner
Se você não quiser usar os ambientes do Azure Machine Learning ou especificar seu próprio ambiente personalizado, poderá usar uma imagem do Docker de um registro de contêiner público, como o Docker Hub.
Examinar e criar
Depois de configurar o trabalho, escolha Próximo para ir para a página Revisão. Para modificar uma configuração, escolha o ícone de lápis e faça a alteração.
Para iniciar o trabalho, escolha Enviar trabalho de treinamento. Depois que o trabalho for criado, o Azure mostrará a página de detalhes do trabalho, na qual você pode monitorar e gerenciar seu trabalho de treinamento.
Como configurar e-mails no estúdio
Para começar a receber e-mails quando seu trabalho, ponto de extremidade online ou ponto de extremidade de lote estiver concluído ou se houver um problema (falhou, cancelado), use as seguintes etapas:
- No Azure ML studio, vá para configurações selecionando o ícone de engrenagem.
- Selecione a guia Notificações por email.
- Alterne para habilitar ou desabilitar notificações por email para um evento específico.
