작업 영역 상호 작용을 위한 개발자 도구 살펴보기

다양한 도구를 사용하여 Azure Machine Learning 작업 영역과 상호 작용할 수 있습니다. 수행해야 하는 작업과 개발자 도구의 기본 설정에 따라 언제 어떤 도구를 사용할지 선택할 수 있습니다. 이 랩은 작업 영역 상호 작용에 일반적으로 사용되는 개발자 도구를 소개하기 위해 설계되었습니다. 특정 도구를 사용하는 방법을 더 깊이 배우고 싶다면 다른 랩을 살펴 보세요.

시작하기 전에

관리 수준 액세스 권한이 있는 Azure 구독이 필요합니다.

Azure Machine Learning 작업 영역과 상호 작용하기 위해 일반적으로 사용되는 개발자 도구는 다음과 같습니다.

Azure Machine Learning 확장이 포함된 Azure CLI: 이 명령줄 방식은 인프라 자동화에 이상적입니다.
Azure Machine Learning 스튜디오: 사용자 친화적인 UI를 사용하여 작업 영역과 모든 기능을 살펴봅니다.
Azure Machine Learning용 Python SDK: 데이터 과학자에게 이상적인 Jupyter Notebook에서 작업을 제출하고 모델을 관리하는 데 사용됩니다.

해당 도구를 사용하여 일반적으로 수행되는 작업에 대해 이러한 각 도구를 살펴보겠습니다.

Azure CLI를 사용하여 인프라 프로비전

데이터 과학자가 Azure Machine Learning을 사용하여 기계 학습 모델을 학습하려면 필요한 인프라를 설정해야 합니다. Azure Machine Learning 확장과 함께 Azure CLI를 사용하여 Azure Machine Learning 작업 영역 및 컴퓨팅 인스턴스와 같은 리소스를 만들 수 있습니다.

시작하려면 Azure Cloud Shell을 열고, Azure Machine Learning 확장을 설치하고, Git 리포지토리를 복제합니다.

브라우저에서 https://portal.azure.com/에서 Azure Portal을 열고 Microsoft 계정으로 로그인합니다.
검색 상자 오른쪽 페이지 맨 위에 있는 [>_](Cloud Shell) 단추를 선택합니다. 그러면 포털 아래쪽에 Cloud Shell 창이 열립니다.
메시지가 표시되면 Bash를 선택합니다. Cloud Shell을 처음 열면 사용할 셸 유형(Bash 또는 PowerShell)을 선택하라는 메시지가 표시됩니다.**
올바른 구독이 지정되어 있고 필요한 스토리지 계정이 선택되어 있지 않은지 확인합니다. 적용을 선택합니다.
이전 버전과의 충돌을 방지하려면 다음 명령을 사용하여 ML CLI 확장(버전 1 및 2 모두)을 제거합니다.
```
 az extension remove -n azure-cli-ml
 az extension remove -n ml
```
SHIFT + INSERT를 사용하여 복사한 코드를 Cloud Shell에 붙여넣습니다.

확장 기능이 설치되지 않았다는 오류 메시지는 무시합니다.
다음 명령을 사용하여 Azure Machine Learning(v2) 확장을 설치합니다.
```
 az extension add -n ml -y
```
리소스 그룹을 만듭니다. 가까운 위치를 선택합니다.
```
 az group create --name "rg-dp100-labs" --location "eastus"
```

작업 영역을 만듭니다.

 az ml workspace create --name "mlw-dp100-labs" -g "rg-dp100-labs"

작업 영역 및 관련 리소스가 만들어질 때까지 기다립니다. 일반적으로 약 5분 정도 걸립니다.

Azure CLI를 사용하여 컴퓨팅 인스턴스 만들기

기계 학습 모델을 학습하는 데 필요한 인프라의 또 다른 중요한 부분은 컴퓨팅입니다. 모델을 로컬에서 학습할 수 있지만 클라우드 컴퓨팅을 사용하는 것이 더 확장 가능하고 비용 효율적입니다.

데이터 과학자는 Azure Machine Learning 작업 영역에서 기계 학습 모델을 개발할 때 Jupyter Notebooks를 실행할 수 있는 가상 머신을 사용하려고 합니다. 개발에는 컴퓨팅 인스턴스가 가장 적합합니다.

Azure Machine Learning 작업 영역을 만든 후 Azure CLI를 사용하여 컴퓨팅 인스턴스를 만들 수도 있습니다.

이 연습에서는 다음 설정을 사용하여 컴퓨팅 인스턴스를 만듭니다.

컴퓨팅 이름: 컴퓨팅 인스턴스의 이름입니다. 고유해야 하며 24자 미만이어야 합니다.
가상 머신 크기: STANDARD_DS11_V2
컴퓨팅 형식(인스턴스 또는 클러스터): ComputeInstance
Azure Machine Learning 작업 영역 이름: mlw-dp100-labs
리소스 그룹: rg-dp100-labs

다음 명령을 사용하여 작업 영역에 컴퓨팅 인스턴스를 만듭니다. 컴퓨팅 인스턴스 이름에 “XXXX”가 포함된 경우 이를 임의의 숫자로 바꿔 고유한 이름을 만듭니다.
```
 az ml compute create --name "ciXXXX" --size STANDARD_DS11_V2 --type ComputeInstance -w mlw-dp100-labs -g rg-dp100-labs
```
해당 이름의 컴퓨팅 인스턴스가 이미 존재한다는 오류 메시지가 표시되면 이름을 변경하고 명령을 다시 시도합니다.

Azure CLI를 사용하여 컴퓨팅 클러스터 만들기

컴퓨팅 인스턴스는 개발에 이상적이지만 기계 학습 모델을 학습하려는 경우에는 컴퓨팅 클러스터가 더 적합합니다. 컴퓨팅 클러스터를 사용하기 위해 작업이 제출된 경우에만 0개 이상의 노드로 크기가 조정되고 작업이 실행됩니다. 컴퓨팅 클러스터가 더 이상 필요하지 않으면 비용을 최소화하기 위해 자동으로 크기를 0 노드로 다시 조정합니다.

컴퓨팅 클러스터를 만들려면 컴퓨팅 인스턴스를 만드는 것과 유사하게 Azure CLI를 사용할 수 있습니다.

다음 설정을 사용하여 컴퓨팅 클러스터를 만듭니다.

컴퓨팅 이름: aml-cluster
가상 머신 크기: STANDARD_DS11_V2
컴퓨팅 형식: AmlCompute (컴퓨팅 클러스터 만들기)
최대 인스턴스 수: 최대 노드 수
Azure Machine Learning 작업 영역 이름: mlw-dp100-labs
리소스 그룹: rg-dp100-labs

작업 영역에 컴퓨팅 클러스터를 만들려면 다음 명령을 사용합니다.

 az ml compute create --name "aml-cluster" --size STANDARD_DS11_V2 --max-instances 2 --type AmlCompute -w mlw-dp100-labs -g rg-dp100-labs

Azure Machine Learning 스튜디오를 사용하여 워크스테이션 구성

Azure CLI는 자동화에 이상적이지만 실행한 명령의 출력을 검토하는 것이 좋습니다. Azure Machine Learning 스튜디오를 사용하여 리소스 및 자산이 만들어졌는지 확인하고 작업이 성공적으로 실행되었는지 확인하거나 작업이 실패한 이유를 검토할 수 있습니다.

Azure Portal에서 mlw-dp100-labs라는 Azure Machine Learning 작업 영역으로 이동합니다.
Azure Machine Learning 작업 영역을 선택하고 개요 페이지에서 스튜디오 시작을 선택합니다. Azure Machine Learning 스튜디오를 열 수 있는 또 다른 탭이 브라우저에 열립니다.
스튜디오에 나타나는 팝업을 모두 닫으세요.
Azure Machine Learning 스튜디오 내에서 컴퓨팅 페이지로 이동하여 이전 섹션에서 만든 컴퓨팅 인스턴스와 클러스터가 있는지 확인합니다. 컴퓨팅 인스턴스가 실행 중이어야 하고, 클러스터는 유휴 상태여야 하며 실행 중인 노드가 0개여야 합니다.

Python SDK를 사용하여 모델 학습

이제 필요한 컴퓨팅이 만들어졌는지 확인했으므로 Python SDK를 사용하여 학습 스크립트를 실행할 수 있습니다. 컴퓨팅 인스턴스에 Python SDK를 설치 및 사용하고 컴퓨팅 클러스터에서 기계 학습 모델을 학습합니다.

컴퓨팅 인스턴스에 대한 터미널 애플리케이션을 선택하여 터미널을 시작합니다.
터미널에서 다음 명령을 실행하여 컴퓨팅 인스턴스에 Python SDK를 설치합니다.
```
 pip uninstall azure-ai-ml
 pip install azure-ai-ml
```
패키지가 설치되지 않았다는 내용의(오류) 메시지는 무시합니다.
다음 명령을 실행하여 Notebooks, 데이터 및 기타 파일이 포함된 Git 리포지토리를 작업 영역에 복제합니다.
```
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
명령이 완료되면 파일 창에서 ↻ 를 선택하여 보기를 새로 고치고 Users/*your-user-name */azure-ml-labs 폴더가 새로 만들어졌는지 확인합니다.
Labs/02/Run training script.ipynb Notebook을 엽니다.

인증을 선택하고 인증을 요청하는 알림이 표시되면 필요한 단계를 따릅니다.
Notebook이 Python 3.8 - AzureML 커널을 사용하는지 확인합니다. 각 커널에는 자체 패키지 집합이 미리 설치된 자체 이미지가 있습니다.
Notebook의 모든 셀을 실행합니다.

Azure Machine Learning 작업 영역에 새 작업이 만들어집니다. 작업은 작업 구성에 정의된 입력, 사용된 코드, 모델을 평가하기 위한 메트릭과 같은 출력을 추적합니다.

Azure Machine Learning 스튜디오에서 작업 기록을 검토합니다.

Azure Machine Learning 작업 영역에 작업을 제출하면 Azure Machine Learning 스튜디오에서 해당 상태를 검토할 수 있습니다.

Notebook 출력으로 제공된 작업 URL을 선택하거나 Azure Machine Learning 스튜디오의 작업 페이지로 이동합니다.
diabetes-training이라는 새로운 실험이 나열됩니다. 최신 작업 diabetes-pythonv2-train을 선택합니다.
작업의 속성을 검토합니다. 작업 상태를 확인합니다.
- 대기: 작업이 컴퓨팅을 사용할 수 있을 때까지 기다립니다.
- 준비: 컴퓨팅 클러스터의 크기가 조정 중이거나 환경이 컴퓨팅 대상에 설치되고 있습니다.
- 실행: 학습 스크립트가 실행 중입니다.
- 종료: 학습 스크립트가 실행되었으며 작업이 모든 최종 정보로 업데이트되고 있습니다.
- 완료됨: 작업이 성공적으로 완료되어 종료되었습니다.
- 실패: 작업이 실패하여 종료되었습니다.
출력 + 로그 아래의 user_logs/std_log.txt에서 스크립트 출력을 찾을 수 있습니다. 스크립트의 print 문의 출력이 여기에 표시됩니다. 스크립트 문제로 인해 오류가 발생한 경우 여기에서도 오류 메시지를 찾을 수 있습니다.
코드 아래에서 작업 구성에 지정한 폴더를 찾을 수 있습니다. 이 폴더에는 학습 스크립트와 데이터 세트가 포함되어 있습니다.

Azure 리소스 삭제

Azure Machine Learning 탐색을 마치면 지금까지 만든 리소스를 삭제하여 불필요한 Azure 비용을 방지해야 합니다.

Azure Machine Learning 스튜디오 탭을 닫고 Azure Portal로 돌아갑니다.
Azure Portal의 홈 페이지에서 리소스 그룹을 선택합니다.
rg-dp100-labs 리소스 그룹을 선택합니다.
리소스 그룹의 개요 페이지에서 리소스 그룹 삭제를 선택합니다.
리소스 그룹 이름을 입력하여 삭제 의사를 확인한 다음 삭제를 선택합니다.