Verwenden von Umgebungen in Azure Machine Learning

Zum Ausführen von Notebooks und Skripts müssen Sie sicherstellen, dass die erforderlichen Pakete installiert sind. Umgebungen ermöglichen es Ihnen, die Runtimes und Python-Pakete anzugeben, die von Ihrer Compute-Instanz zum Ausführen ihres Codes verwendet werden müssen.

In dieser Übung erfahren Sie mehr über Umgebungen und deren Verwendung beim Trainieren von Machine Learning-Modellen mit der Azure Machine Learning-Compute-Instanz.

Vorbereitung

Sie benötigen ein Azure-Abonnement, in dem Sie Administratorzugriff besitzen.

Bereitstellung eines Azure Machine Learning-Arbeitsbereichs

Ein Azure Machine Learning-Arbeitsbereich ist eine Zentrale zum Verwalten aller Daten- und anderen Ressourcen, die Sie zum Trainieren und Verwalten Ihrer Modelle benötigen. Sie können mit dem Azure Machine Learning-Arbeitsbereich über Studio, das Python SDK und die Azure CLI interagieren.

Sie verwenden die Azure CLI, um den Arbeitsbereich und die erforderliche Compute-Instanz bereitzustellen, und das Python SDK, um ein Klassifizierungsmodell mit automatisiertem maschinellen Lernen zu trainieren.

Erstellen des Arbeitsbereichs und der Computeressourcen

Zum Erstellen des Azure Machine Learning-Arbeitsbereichs und der Computeressourcen verwenden Sie die Azure CLI. Alle erforderlichen Befehle sind in einem Shellskript gruppiert, das Sie ausführen können.

  1. Öffnen Sie in einem Browser unter https://portal.azure.com/ das Azure-Portal, und melden Sie sich mit Ihrem Microsoft-Konto an.
  2. Wählen Sie oben auf der Seite rechts neben dem Suchfeld die Schaltfläche [>_] (Cloud Shell) aus. Dadurch wird am unteren Rand des Portals ein Cloud Shell-Bereich geöffnet.
  3. Wählen Sie bei Aufforderung Bash aus. Wenn Sie die Cloud Shell erstmals öffnen, werden Sie zur Wahl der gewünschten Shell (Bash oder PowerShell) aufgefordert.
  4. Überprüfen Sie, ob das richtige Abonnement angegeben ist und ob kein Speicherkonto ausgewählt ist. Wählen Sie Übernehmen.

  5. Geben Sie im Terminal die folgenden Befehle ein, um dieses Repository zu klonen:

     rm -r azure-ml-labs -f
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs

    Kopieren Sie mit SHIFT + INSERT Ihren Code in die Cloud Shell.

  6. Nachdem das Repository geklont wurde, geben Sie die folgenden Befehle ein, um in den Ordner für dieses Lab zu wechseln. Führen Sie das darin enthaltene Skript setup.sh aus:

     cd azure-ml-labs/Labs/04
 ./setup.sh

    Ignorieren Sie alle (Fehler-) Meldungen, die besagen, dass die Erweiterungen nicht installiert wurden.

  7. Warten Sie, bis das Skript abgeschlossen ist. Dies dauert in der Regel etwa 5–10 Minuten.

    Tipp zur Fehlerbehebung: Fehler bei der Erstellung des Arbeitsbereichs

    Wenn Sie beim Ausführen des Setup-Skripts über die Befehlszeilenschnittstelle einen Fehler empfangen, müssen Sie die Ressourcen manuell bereitstellen:

    1. Wählen Sie auf der Startseite des Azure-Portals die Option + Erstellen einer Ressource.
    2. Suchen Sie nach Maschinelles Lernen und wählen Sie dann Azure Machine Learning. Klicken Sie auf Erstellen.
    3. Erstellen Sie eine neue Azure Machine Learning-Ressource mit den folgenden Einstellungen:
      • Abonnement: Geben Sie Ihr Azure-Abonnement an.
      • Ressourcengruppe: rg-dp100-labs
      • Arbeitsbereichsname: mlw-dp100-labs
      • Region:Wählen Sie die nächstgelegene geografische Region aus.
      • Speicherkonto:Für Ihren Arbeitsbereich wird standardmäßig ein neues Speicherkonto erstellt.
      • Schlüsseltresor:Für Ihren Arbeitsbereich wird standardmäßig ein neuer Schlüsseltresor erstellt.
      • Application Insights:Für Ihren Arbeitsbereich wird standardmäßig eine neue Application Insights-Ressource erstellt.
      • Containerregistrierung: Keine (wird automatisch erstellt, wenn Sie das erste Mal ein Modell in einem Container bereitstellen)
    4. Wählen Sie Review + create und warten Sie, bis der Arbeitsbereich und die ihm zugeordneten Ressourcen erstellt sind - dies dauert in der Regel etwa 5 Minuten.
    5. Wählen Sie Zur Ressource gehen und auf der Seite Übersicht, wählen Sie Studio starten. In Ihrem Browser wird eine weitere Registerkarte geöffnet, auf der Azure Machine Learning Studio geöffnet wird.
    6. Schließen Sie alle Popupelemente, die in Studio angezeigt werden.
    7. Navigieren Sie in Azure Machine Learning Studio zur Seite Compute und wählen Sie +Neu unter der Registerkarte Compute-Instanzen.
    8. Geben Sie der Instanz einen eindeutigen Namen und wählen Sie Standard_DS11_v2 als Größe des virtuellen Computers.
    9. Klicken Sie auf Überprüfen und erstellen und dann auf Erstellen.
    10. Wählen Sie dann die Registerkarte Computecluster und wählen Sie + New.
    11. Wählen Sie dieselbe Region wie die, in der Sie Ihren Arbeitsbereich erstellt haben, und wählen Sie dann Standard-DS11-v2 als Größe des virtuellen Computers. Wählen Sie Weiter aus.
    12. Geben Sie dem Cluster einen eindeutigen Namen und wählen Sie dann Erstellen.
      13. </ol> </details>

Klonen der Labmaterialien

Wenn Sie den Arbeitsbereich und die erforderlichen Computeressourcen erstellt haben, können Sie Azure Machine Learning Studio öffnen und die Labmaterialien klonen.

  1. Navigieren Sie im Azure-Portal zum Azure Machine Learning-Arbeitsbereich mit dem Namen mlw-dp100-… .
  2. Wählen Sie den Azure Machine Learning-Arbeitsbereich und dann auf der Seite Übersicht die Option Studio starten aus. In Ihrem Browser wird eine weitere Registerkarte geöffnet, auf der Azure Machine Learning Studio geöffnet wird.
  3. Schließen Sie alle Popupelemente, die in Studio angezeigt werden.
  4. Navigieren Sie innerhalb von Azure Machine Learning Studio zur Seite Compute, und überprüfen Sie, ob die Compute-Instanz und der Cluster vorhanden sind, die Sie im vorherigen Abschnitt erstellt haben. Die Compute-Instanz sollte ausgeführt werden, der Cluster sollte sich mit 0 ausgeführten Knoten im Leerlauf befinden.
  5. Navigieren Sie auf der Registerkarte Compute-Instanzen zu Ihrer Compute-Instanz, und wählen Sie die Anwendung Terminal aus.

  6. Installieren Sie im Terminal das Python SDK in der Compute-Instanz, indem Sie die folgenden Befehle ausführen:

     pip uninstall azure-ai-ml
 pip install azure-ai-ml

    Ignorieren Sie alle (Fehler-) Meldungen, die besagen, dass die Pakete nicht gefunden und deinstalliert werden konnten.

  7. Führen Sie den folgenden Befehl aus, um ein Git-Repository mit Notebooks, Daten und anderen Dateien in Ihrem Arbeitsbereich zu klonen:

     git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
  8. Wenn der Befehl abgeschlossen ist, klicken Sie im Bereich Dateien auf ↻ , um die Ansicht zu aktualisieren und sicherzustellen, dass der neue Ordner Users/Ihr-Benutzername/azure-ml-labs erstellt wurde.

Arbeiten mit Umgebungen

Der Code zum Erstellen und Verwalten von Umgebungen mit dem Python SDK wird in einem Notebook bereitgestellt.

  1. Öffnen Sie das Notebook Labs/04/Work with environments.ipynb.

    Wählen Sie Authentifizieren aus, und führen Sie die erforderlichen Schritte aus, wenn eine Benachrichtigung angezeigt wird, in der Sie zur Authentifizierung aufgefordert werden.

  2. Stellen Sie sicher, dass das Notebook den Kernel Python 3.8 – AzureML verwendet.
  3. Führen Sie alle Zellen im Notebook aus.

Löschen von Azure-Ressourcen

Wenn Sie mit der Erkundung von Azure Machine Learning fertig sind, löschen Sie die erstellten Ressourcen, um unnötige Azure-Kosten zu vermeiden.

  1. Schließen Sie die Registerkarte „Azure Machine Learning Studio“, und kehren Sie zum Azure-Portal zurück.
  2. Wählen Sie auf der Startseite des Azure-Portals die Option Ressource erstellen aus.
  3. Wählen Sie die Ressourcengruppe rg-dp100-… aus.
  4. Wählen Sie oben auf der Seite Übersicht für Ihre Ressourcengruppe die Option Ressourcengruppe löschen aus.
  5. Geben Sie den Namen der Ressourcengruppe ein, um zu bestätigen, dass Sie sie löschen möchten, und wählen Sie Löschen aus.