了解用于工作区交互的开发人员工具

可使用各种工具与 Azure 机器学习工作区进行交互。根据需要执行的任务和对开发人员工具的偏好，可选择何时使用哪种工具。本实验室旨在介绍通常用于工作区交互的开发人员工具。若要更深入地了解如何使用特定工具，可探索其他实验室。

准备工作

需要一个你在其中具有管理级权限的 Azure 订阅。

用于与 Azure 机器学习工作区交互的常用开发人员工具包括：

带有 Azure 机器学习扩展的 Azure CLI：此命令行方法非常适合基础结构自动化。
Azure 机器学习工作室：使用用户友好的 UI 探索工作区及其所有功能。
适用于 Azure 机器学习的 Python SDK：用于从 Jupyter 笔记本提交作业和管理模型，非常适合数据科学家。

你将针对通常使用该工具完成的任务探索其中的每一个工具。

使用 Azure CLI 预配基础结构

若要让数据科学家使用 Azure 机器学习训练机器学习模型，你需要设置必要的基础结构。可使用带有 Azure 机器学习扩展的 Azure CLI，创建 Azure 机器学习工作区和资源，例如计算实例。

首先，打开 Azure Cloud Shell，安装 Azure 机器学习扩展并克隆 Git 存储库。

在浏览器中，打开 Azure 门户 (https://portal.azure.com/)，并使用 Microsoft 帐户登录。
选择页面顶部搜索框右侧的 [>_] (Cloud Shell) 按钮。这会打开门户底部的 Cloud Shell 窗格。
如果系统询问，请选择“Bash”。首次打开 Cloud Shell 时，系统可能会要求你选择要使用的 shell 类型（Bash 或 PowerShell）。
如果系统要求你为 Cloud Shell 创建存储，请确认已指定正确的订阅，然后选择“创建存储”。等待存储创建完成。
使用以下命令删除任何 ML CLI 扩展（版本 1 和 2），避免与以前的版本发生任何冲突：
```
 az extension remove -n azure-cli-ml
 az extension remove -n ml
```
使用 SHIFT + INSERT 将复制的代码粘贴到 Cloud Shell 中。

忽略任何指示扩展未安装的（错误）消息。
使用以下命令安装 Azure 机器学习 (v2) 扩展：
```
 az extension add -n ml -y
```

创建资源组。选择靠近你的位置。

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

创建工作区：

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

等待创建工作区及其关联资源 - 这通常需要大约 5 分钟。

使用 Azure CLI 创建计算实例

训练机器学习模型所需的基础结构的另一个重要部分是计算。虽然可在本地训练模型，但使用云计算更具可伸缩性和成本效益。

当数据科学家在 Azure 机器学习工作区中开发机器学习模型时，他们希望使用可在其中运行 Jupyter 笔记本的虚拟机。对于开发，计算实例是理想的选择。

创建 Azure 机器学习工作区后，还可使用 Azure CLI 创建计算实例。

在本练习中，使用以下设置创建计算实例：

计算名称：计算实例的名称。必须是唯一的且字符数少于 24 个。
虚拟机大小：STANDARD_DS11_V2
计算类型（实例或群集）：ComputeInstance
Azure 机器学习工作区名称：mlw-dp100-labs
资源组：rg-dp100-labs

使用以下命令在工作区中创建计算实例。如果计算实例名称包含“XXXX”，请将其替换为随机数以创建唯一名称。
```
 az ml compute create --name "ciXXXX" --size STANDARD_DS11_V2 --type ComputeInstance -w mlw-dp100-labs -g rg-dp100-labs
```
如果收到错误消息，指出具有该名称的计算实例已存在，请更改名称并重试命令。

使用 Azure CLI 创建计算群集

尽管计算实例非常适合开发，但当我们想要训练机器学习模型时，计算群集更适合。仅当提交作业以使用计算群集时，才会将其大小调整为 0 个以上的节点并运行该作业。不再需要计算群集后，它会自动重设回 0 个节点的大小，最大程度地降低成本。

若要创建计算群集，可使用 Azure CLI，类似于创建计算实例。

使用以下设置创建计算群集：

计算名称：aml-cluster
虚拟机大小：STANDARD_DS11_V2
计算类型：AmlCompute（创建计算群集）
最大实例数：最大节点数
Azure 机器学习工作区名称：mlw-dp100-labs
资源组：rg-dp100-labs

使用以下命令在工作区中创建计算群集。

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

使用 Azure 机器学习工作室配置工作站

尽管 Azure CLI 非常适合自动化，但你可能想要查看所执行的命令的输出。可使用 Azure 机器学习工作室检查是否已创建资源和资产，以及检查作业是否成功运行或查看作业失败的原因。

在 Azure 门户中，导航到名为 mlw-dp100-labs 的 Azure 机器学习工作区。
选择 Azure 机器学习工作区，并在其“概述”页中选择“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弹出窗口。
在 Azure 机器学习工作室中，导航到“计算”页，并验证在上一部分中创建的计算实例和群集是否存在。计算实例应正在运行，群集应处于空闲状态，且运行中的节点数为 0。

使用 Python SDK 训练模型

验证已创建必要的计算后，可使用 Python SDK 运行训练脚本。在计算实例上安装并使用 Python SDK，并在计算群集上训练机器学习模型。

选择计算实例的“终端”应用程序以启动终端。
在终端中，通过在终端中运行以下命令，在计算实例上安装 Python SDK：
```
 pip uninstall azure-ai-ml
 pip install azure-ai-ml
```
忽略任何指示包未安装的（错误）消息。
运行以下命令，将包含笔记本、数据和其他文件的 Git 存储库克隆到工作区：
```
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
命令完成后，在“文件”窗格中，选择“↻”刷新视图，并验证是否已创建新的 /users/your-user-name/azure-ml-labs 文件夹。
打开 Labs/02/Run training script.ipynb 笔记本。

如果出现要求进行身份验证的通知，选择“验证”并按照必要的步骤进行操作。
验证笔记本是否使用“Python 3.8 - AzureML”内核。每个内核都有自己的映像，并预安装了自己的一组包。
运行笔记本中的所有单元。

将在 Azure 机器学习工作区中创建一个新作业。作业跟踪作业配置中定义的输入、使用的代码及用于评估模型的指标等输出。

在 Azure 机器学习工作室中查看作业历史记录

将作业提交到 Azure 机器学习工作区时，可在Azure 机器学习工作室查看其状态。

选择笔记本中作为输出提供的作业 URL，或导航到 Azure 机器学习工作室中的“作业”页。
列出了一个名为 diabetes-training 的新实验。选择最新的作业 diabetes-pythonv2-train。
查看作业的属性。注意作业状态：
- 已排队：作业正在等待计算变得可用。
- 正在准备：计算群集正在调整大小或正在计算目标上安装环境。
- 正在运行：正在执行训练脚本。
- 正在完成：训练脚本已运行，正在使用所有最终信息更新作业。
- 已完成：作业已成功完成并已终止。
- 失败：作业失败且已终止。
在“输出 + 日志”下，可以在“user_logs/std_log.txt”中找到脚本的输出。脚本中 print 语句的输出将在此处显示。如果由于脚本问题而出现错误，也可在此处找到错误消息。
在“代码”下，可找到作业配置中指定的文件夹。此文件夹包括训练脚本和数据集。

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”。