了解 Azure 机器学习工作区

Azure 机器学习提供了一个用于训练和管理机器学习模型的数据科学平台。在此实验室中，你将创建一个 Azure 机器学习工作区，并探索使用该工作区的各种方式。该实验室旨在介绍 Azure 机器学习的各种核心功能和开发人员工具。如果想要更深入地了解这些功能，可以探索其他实验室。

准备工作

需要一个你在其中具有管理级权限的 Azure 订阅。

预配 Azure 机器学习工作区

借助 Azure 机器学习工作区，可集中管理训练和管理模型所需的所有资源和资产。可以使用 Azure 门户中的交互式界面预配工作区，也可以将 Azure CLI 与 Azure 机器学习扩展配合使用。在大多数生产场景中，最好使用 CLI 自动预配，以便可以将资源部署整合到可重复的开发和操作 (DevOps) 过程中。

在本练习中，你将使用 Azure 门户预配 Azure 机器学习，以探索所有选项。

登录到 https://portal.azure.com/。
使用以下设置创建新的“Azure 机器学习”资源：
- 订阅：Azure 订阅
- 资源组：rg-dp100-labs
- 工作区名称：mlw-dp100-labs
- 区域：选择最靠近你的地理区域
- 存储帐户：请记下要为工作区创建的默认新存储帐户
- 密钥保管库：请记下要为工作区创建的默认新密钥保管库
- Application Insights：请记下要为工作区创建的默认新 Application Insights
- 容器注册表：无（第一次将模型部署到容器时，将自动创建一个）
等待创建工作区及其关联资源 - 这通常需要大约 5 分钟。

注意：创建 Azure 机器学习工作区时，可以使用一些高级选项来限制通过专用终结点的访问，并指定用于数据加密的自定义密钥。本练习中不使用这些选项，但你应该知道有这些选项。

浏览 Azure 机器学习工作室

Azure 机器学习工作室是一个基于 Web 的门户，可通过其访问 Azure 机器学习工作区。可以使用 Azure 机器学习工作室来管理工作区内的所有资产和资源。

转到名为“rg-dp100-labs”的资源组。
确认资源组包含 Azure 机器学习工作区、Application Insights、Key Vault 和存储帐户。
选择你的 Azure 机器学习工作区。
从“概述”页面选择“启动工作室” 。将在浏览器中打开另一标签页，以打开 Azure 机器学习工作室。
关闭工作室中显示的任何弹出窗口。
请注意工作室左侧显示的不同页面。如果菜单中只显示符号，请选择 ☰ 图标展开菜单并浏览页面的名称。
请注意“创作”部分，其中包括“Notebooks”、“自动化 ML”和“设计器”。可以通过以下三种方式在 Azure 机器学习工作室中创建自己的机器学习模型。
请注意“资产”部分，其中包括“数据”、“作业”和“模型”等。在对模型进行训练或评分时，资产会被消耗或创建。资产用于训练、部署和管理模型，并且可以进行版本控制以跟踪历史记录。
请注意“管理”部分，其中包括“计算”等内容。这些是训练或部署机器学习模型所需的基础结构资源。

创作训练管道

要探索 Azure 机器学习工作区中资产和资源的使用，让我们尝试训练一个模型。

创作模型训练管道的一种快速方法是使用“设计器”。

注意：弹出窗口可能会出现在整个过程中，以引导你完成整个工作室。可以关闭并忽略所有弹出窗口，并专注于本实验室的说明。

从工作室左侧的菜单中选择“设计器”页面。
选择“回归 - 汽车价格预测(基本)”示例。

此时会显示一个新管道。管道顶部显示了一个组件，用于加载“汽车价格数据(原始)”。管道处理数据并训练线性回归模型，以预测每辆汽车的价格。
选择页面顶部的“配置和提交”，打开“设置管道作业”对话框
在“基本信息”页上，选择“新建”，并将试验名称设置为“train-regression-designer”，然后选择“下一步”。
在“输入和输出”页面上，选择“下一步”，不进行任何更改。
在“运行时设置”页上出现错误，因为你没有用于运行管道的默认计算。

让我们创建一个计算目标。

创建计算目标

若要在 Azure 机器学习工作区内运行任何工作负载，将需要一个计算资源。 Azure 机器学习的好处之一是能够创建基于云的计算，可以在其上大规模运行试验和训练脚本。

在 Azure 机器学习工作室中，从左侧菜单中选择“计算”页面。可以使用四种类型的计算资源：
- 计算实例：由 Azure 机器学习管理的虚拟机。非常适合在探索数据和迭代试验机器学习模型时进行开发。
- 计算群集：用于按需处理试验代码的可缩放虚拟机群集。非常适合运行生产代码或自动化作业。
- Kubernetes 群集：用于训练和评分的 Kubernetes 群集。非常适合大规模实时模型部署。
- 附加计算：将现有的 Azure 计算资源附加到工作区，例如虚拟机或 Azure Databricks 群集。
要训练使用设计器创作的机器学习模型，可以使用计算实例或计算群集。
在“计算实例”选项卡上，通过以下设置添加新计算实例。
- 计算名称：输入唯一名称
- 位置：自动与工作区位于同一位置
- 虚拟机类型：CPU
- 虚拟机大小：Standard_DS11_v2
- 可用配额：显示可用的专用内核。
- 显示高级设置：请注意以下设置，但不要选择它们：
  - 启用 SSH 访问：Unselected（可使用此设置来实现使用 SSH 客户端直接访问虚拟机）
  - 启用虚拟网络：Unselected（通常会在企业环境中使用此设置来增强网络安全）
  - 分配给其他用户：Unselected（可使用此设置将计算实例分配给数据科学家）
  - 使用安装脚本进行预配：Unselected（可使用此设置添加一个要在远程实例创建后在其上运行的脚本）
  - 分配托管标识：Unselected （可以附加系统分配的托管标识或用户分配的托管标识，以授予对资源的访问权限）
选择“创建”并等待计算实例启动，以及其状态更改为“正在运行” 。

注意：计算实例和群集是基于标准 Azure 虚拟机映像的。对于本练习，建议使用 Standard_DS11_v2 映像来实现成本和性能的最佳平衡。如果你的订阅配额不包含此映像，请选择其他映像；但请注意，较大的映像可能会产生较高的成本，而较小的映像可能不足以完成任务。或者，让 Azure 管理员扩展配额。

运行训练管道

你已经创建计算目标，现在可以在设计器中运行示例训练管道。

导航到“设计器”页。
选择“回归 - 汽车价格预测(基本)”管道草稿。
选择页面顶部的“配置和提交”，打开“设置管道作业”对话框
在“基本信息”页上，选择“新建”，并将试验名称设置为“train-regression-designer”，然后选择“下一步”。
在“输入和输出”页面上，选择“下一步”，不进行任何更改。
在“运行时设置”的“选择计算类型”下拉列表中，选择“计算实例”，并在“选择 Azure ML 计算实例”下拉列表中选择新创建的计算实例。
选择“查看 + 提交”查看管道作业，然后选择“提交”以运行训练管道。

训练管道现在将提交到计算实例。完成管道大约需要 10 分钟。同时，让我们浏览一些其他页面。

使用作业查看历史记录

每当在 Azure 机器学习工作区中运行脚本或管道时，它都会被记录为“作业”。使用作业可以跟踪运行的工作负载，并将它们相互比较。作业属于“试验”，因此可以将作业运行进行分组。

使用 Azure 机器学习工作室左侧的菜单，导航到“作业”页面。
选择“train-regression-designer”实验，以查看其作业运行。在这里，你将看到属于此试验的所有作业的概述。如果运行了多个训练管道，则使用此视图可以比较管道并确定最佳管道。
选择“train-regression-designer”试验中的最后一个作业。
请注意，将显示训练管道，可在其中查看运行成功或失败的组件。如果作业仍在运行，还可以确定当前正在运行的内容。
要查看管道作业详细信息，请选择右上角的“作业概述”以展开“管道作业概述” 。
请注意，在“概述”参数中，可以找到作业的状态、管道的创建者、创建时间以及运行完整管道所花费的时间（以及其他信息）。

将脚本或管道作为作业运行时，可以定义任何输入并记录任何输出。 Azure 机器学习还会自动跟踪作业的属性。通过使用工作，可以轻松查看历史记录以了解你或同事已经完成的操作。

在实验期间，作业有助于跟踪训练的不同模型，以比较和确定最佳模型。在生产期间，通过作业可以检查自动化工作负载是否按预期运行。
作业完成后，还可以单独查看每个组件运行的详细信息，包括输出。可随时浏览管道，了解模型的训练方式。

删除 Azure 资源

当你完成对 Azure 机器学习的探索时，应删除已创建的资源，以避免产生不必要的 Azure 成本。

关闭“Azure 机器学习工作室”选项卡并返回到 Azure 门户。
在 Azure 门户的主页上，选择“资源组”。
选择“rg-dp100-labs”资源组。
在资源组的“概述”页的顶部，选择“删除资源组”。
输入资源组名称以确认要删除该资源组，然后选择“删除”。