Azure Machine Learning에서 컴퓨팅 리소스 작업

클라우드의 주요 이점 중 하나는 대규모 데이터의 비용 효율적인 처리를 위해 스케일링 가능한 주문형 컴퓨팅 리소스를 사용하는 기능입니다.

이 연습에서는 Azure Machine Learning에서 클라우드 컴퓨팅을 사용하여 대규모 실험 및 프로덕션 코드를 실행하는 방법을 알아봅니다.

시작하기 전에

관리 수준 액세스 권한이 있는 Azure 구독이 필요합니다.

Azure Machine Learning 작업 영역 프로비저닝

Azure Machine Learning 작업 영역은 모델을 학습하고 관리하는 데 필요한 모든 리소스 및 자산을 관리하기 위한 중심지를 제공합니다.** 스튜디오, Python SDK, Azure CLI를 통해 Azure Machine Learning 작업 영역과 상호 작용할 수 있습니다.

Azure Machine Learning 작업 영역을 만들려면 Azure CLI를 사용합니다. 필요한 모든 명령은 실행할 수 있도록 셸 스크립트로 그룹화됩니다.

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 터미널에서 다음 명령을 실행하여 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"

명령이 완료될 때까지 기다립니다. 일반적으로 5~10분 정도 걸립니다.

컴퓨팅 설정 스크립트 만들기

Azure Machine Learning 작업 영역 내에서 Notebooks를 실행하려면 컴퓨팅 인스턴스가 필요합니다. 설정 스크립트를 사용하여 만들 때 컴퓨팅 인스턴스를 구성할 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 Notebooks 페이지로 이동합니다.
파일 창에서 파일 추가 ⨁ 아이콘을 클릭합니다.
새 파일 만들기를 선택합니다.
파일 위치가 Users/* your-user-name*인지 확인합니다.
파일 형식을 Bash(*.sh) 로 변경합니다.
파일 이름을 compute-setup.sh로 변경합니다.

새로 만들어진 compute-setup.sh 파일을 열고 다음 콘텐츠를 해당 콘텐츠에 붙여넣습니다.

 #!/bin/bash

 # clone repository
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs

compute-setup.sh 파일을 저장합니다.

컴퓨팅 인스턴스 만들기

컴퓨팅 인스턴스를 만들려면 Studio, Python SDK 또는 Azure CLI를 사용할 수 있습니다. 스튜디오를 사용하여 방금 만든 설정 스크립트로 컴퓨팅 인스턴스를 만듭니다.

왼쪽 메뉴를 사용하여 컴퓨팅 페이지로 이동합니다.
컴퓨팅 인스턴스 탭에서 새로 만들기를 선택합니다.
다음 설정으로 컴퓨팅 인스턴스를 구성합니다(아직 만들지 않음).
- 컴퓨팅 이름: 고유한 이름 입력
- 가상 머신 유형: CPU
- 가상 머신 크기: Standard_DS11_v2
다음을 선택합니다.
일정 추가를 선택하고 매일 18:00 또는 오후 6시에 컴퓨팅 인스턴스를 중지하도록 일정을 구성합니다.
다음을 선택합니다.
보안 설정을 검토하되 선택하지 마세요.
- SSH 액세스 사용: 이를 사용하면 SSH 클라이언트를 통해 가상 머신에 직접 액세스할 수 있습니다.
- 가상 네트워크 사용: 일반적으로 엔터프라이즈 환경에서 네트워크 보안을 강화하기 위해 이 기능을 사용합니다.
- 다른 사용자에게 할당: 이를 사용하여 컴퓨팅 인스턴스를 다른 데이터 과학자에게 할당할 수 있습니다.
다음을 선택합니다.
생성 스크립트로 프로비전 토글을 선택합니다.
이전에 만든 compute-setup.sh 스크립트를 선택합니다.
검토 + 만들기를 선택하여 컴퓨팅 인스턴스를 만들고 인스턴스가 시작되어 상태가 실행 중으로 바뀔 때까지 기다립니다.
컴퓨팅 인스턴스가 실행 중이면 Notebooks 페이지로 이동합니다. 파일 창에서 ↻ 을 클릭하여 보기를 새로 고치고 새 Users/your-user-name/dp100-azure-ml-labs 폴더가 만들어졌는지 확인합니다.

컴퓨팅 인스턴스 구성

컴퓨팅 인스턴스를 만들면 해당 인스턴스에서 Notebooks를 실행할 수 있습니다. 원하는 코드를 실행하려면 특정 패키지를 설치해야 할 수도 있습니다. 설치 스크립트에 패키지를 포함하거나 터미널을 사용하여 설치할 수 있습니다.

컴퓨팅 인스턴스 탭에서 컴퓨팅 인스턴스를 찾고 터미널 애플리케이션을 선택합니다.
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.
패키지가 설치되면 탭을 닫아 터미널을 종료할 수 있습니다.

컴퓨팅 클러스터 만들기

Notebooks는 실험 중 개발 또는 반복 작업에 이상적입니다. 실험할 때 컴퓨팅 인스턴스에서 Notebooks를 실행하여 코드를 빠르게 테스트하고 검토할 수 있습니다. 프로덕션으로 전환할 때 컴퓨팅 클러스터에서 스크립트를 실행하려고 합니다. Python SDK를 사용하여 컴퓨팅 클러스터를 만든 다음 이를 사용하여 스크립트를 작업으로 실행합니다.

Labs/04/Work with compute.ipynb Notebook을 엽니다.

인증을 선택하고 인증을 요청하는 알림이 표시되면 필요한 단계를 따릅니다.
Notebook이 Python 3.8 - AzureML 커널을 사용하는지 확인합니다.
Notebook의 모든 셀을 실행합니다.

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.