Trabalhe com recursos de computação no Azure Machine Learning

Um dos principais benefícios da nuvem é a capacidade de usar recursos de computação escalonáveis e sob demanda para o processamento econômico de grandes volumes de dados.

Neste exercício, você aprenderá a usar a computação de nuvem no Azure Machine Learning para executar testes de treinamento e código de produção em escala.

Antes de começar

É necessário ter uma assinatura do Azure com acesso de nível administrativo.

Provisionar um workspace do Azure Machine Learning

Um workspace do Azure Machine Learning fornece um local central para gerenciar todos os recursos e ativos necessários para treinar e gerenciar seus modelos. Você pode interagir com o workspace do Azure Machine Learning por meio do estúdio, do SDK do Python e da CLI do Azure.

Para criar o workspace do Azure Machine Learning, você usará a CLI do Azure. Todos os comandos necessários são agrupados em um script do Shell para você executar.

  1. Na guia do navegador, abra o portal do Azure em https://portal.azure.com/ e entre com sua conta Microsoft.
  2. Selecione o botão [>_] (Cloud Shell) na parte superior da página à direita da caixa de pesquisa. Isso abre um painel do Cloud Shell na parte inferior do Portal.
  3. Selecione Bash se solicitado. Na primeira vez que abrir o Cloud Shell, será solicitado que você escolha o tipo de shell que quer usar (Bash ou PowerShell).
  4. Verifique se a assinatura correta está especificada e se Nenhuma conta de armazenamento necessária está selecionada. Escolha Aplicar.

  5. Para evitar conflitos com versões anteriores, remova todas as extensões ML da CLI (versão 1 e 2) executando este comando no terminal:

     az extension remove -n azure-cli-ml
 az extension remove -n ml

    Use SHIFT + INSERT para colar o código copiado no Cloud Shell.

    Ignore todas as mensagens de (erro) que dizem que as extensões não foram instaladas.

  6. Instale a extensão do Azure Machine Learning (V2) com o seguinte comando:

     az extension add -n ml -y

  7. Crie um grupos de recursos. Escolha um local perto de você.

     az group create --name "rg-dp100-labs" --location "eastus"

  8. Criar um workspace:

     az ml workspace create --name "mlw-dp100-labs" -g "rg-dp100-labs"
  9. Aguarde a conclusão do comando - isso normalmente leva cerca de 5 a 10 minutos.

Criar o script de instalação de computação

Para executar notebooks no workspace do Azure Machine Learning, você precisará de uma instância de computação. Você pode usar um script de instalação para configurar a instância de computação na criação.

  1. No portal do Azure, navegue até o workspace do Azure Machine Learning nomeado mlw-dp100-labs.
  2. Selecione o espaço de trabalho do Azure Machine Learning e, em sua página Visão geral, selecione Iniciar estúdio. Outra guia será aberta em seu navegador para abrir o estúdio do Azure Machine Learning.
  3. Feche todos os pop-ups que aparecem no estúdio.
  4. No estúdio do Azure Machine Learning, navegue até a página Notebooks.
  5. No painel Arquivos, selecione o ícone ⨁ para Adicionar arquivos.
  6. Selecione Criar arquivo.
  7. Verifique se o local do arquivo é Users/* your-user-name*.
  8. Altere o tipo de arquivo para Bash (*.sh).
  9. Altere o nome de arquivo para compute-setup.sh.

  10. Abra o arquivo recém-criado compute-setup.sh e cole o seguinte em seu conteúdo:

     #!/bin/bash

 # clone repository
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
  11. Salve o arquivo compute-setup.sh.

Criar a instância de computação

Para criar a instância de computação, você pode usar o studio, o SDK do Python ou a CLI do Azure. Você usará o estúdio para criar a instância de computação com o script de instalação que acabou de criar.

  1. Navegue até a página Computação, usando o menu à esquerda.
  2. Na guia Instâncias de computação, selecione Nova.
  3. Configure (não crie ainda) a instância de computação com as seguintes configurações:
    • Nome de computação: insira um nome exclusivo
    • Tipo de máquina virtual: CPU
    • Tamanho da máquina virtual: Standard_DS11_v2
  4. Selecione Avançar.
  5. Selecione Adicionar agendamento e configure o agendamento para parar a instância de computação todos os dias às 18:00 ou 6:00 PM.
  6. Selecione Avançar.
  7. Examine as configurações de segurança, mas não as selecione:
    • Habilitar acesso SSH: você pode usar isso para habilitar o acesso direto à máquina virtual usando um cliente SSH.
    • Habilitar rede virtual: você normalmente usaria isso em um ambiente corporativo para aprimorar a segurança da rede.
    • Atribuir a outro usuário: Você pode usar isso para atribuir uma instância de computação a outro cientista de dados.
  8. Selecione Avançar.
  9. Selecione a alternância para Provisionar com um script de criação.
  10. Selecione o script compute-setup.sh que você criou anteriormente.
  11. Selecione Examinar + Criar para criar a instância de computação e aguarde até que ela seja iniciada e seu estado seja alterado para Em Execução.
  12. Quando a instância de computação estiver em execução, navegue até a página Notebooks. No painel Arquivos, clique em ↻ para atualizar o modo de exibição e verificar se uma nova pasta Users/your-user-name/dp100-azure-ml-labs foi criada.

Configurar a instância de computação

Depois de criar a instância de computação, você pode executar notebooks nela. Talvez seja necessário instalar determinados pacotes para executar o código desejado. Você pode incluir pacotes no script de instalação ou instalá-los usando o terminal.

  1. Na guia Instâncias de computação, localize sua instância de computação e selecione o aplicativo Terminal.

  2. No terminal, instale o SDK do Python na instância de computação executando os seguintes comandos no terminal:

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

    Ignore todas as mensagens (de erro) que dizem que os pacotes não foram instalados.

  3. Quando os pacotes estiverem instalados, você pode fechar a guia para encerrar o terminal.

Criar um cluster de cálculo

Os notebooks são ideais para desenvolvimento ou trabalho iterativo durante a experimentação. Ao experimentar, convém executar notebooks em uma instância de computação para testar e revisar rapidamente o código. Ao passar para a produção, convém executar scripts em um cluster de computação. Você criará um cluster de computação com o SDK do Python e o usará para executar um script como um trabalho.

  1. Abra o notebook Labs/04/Work with compute.ipynb.

    Selecione Autenticar e siga as etapas necessárias se aparecer uma notificação solicitando que você se autentique.

  2. Verifique se o notebook usa o kernel Python 3.8 - AzureML.
  3. Execute todas as células no notebook.

Excluir recursos do Azure

Se você terminou de explorar o Azure Machine Learning, exclua os recursos que criou para evitar custos desnecessários do Azure.

  1. Feche a guia do estúdio do Azure Machine Learning e retorne ao portal do Azure.
  2. No portal do Azure, na Página Inicial, selecione Grupos de recursos.
  3. Selecione o grupo de recursos rg-dp100-labs.
  4. Na parte superior da página de Visão Geral do grupo de recursos, selecione Excluir o grupo de recursos.
  5. Digite o nome do grupo de recursos para confirmar que deseja excluí-lo e selecione Excluir.