使用 Azure 机器学习设计器训练模型

Azure 机器学习设计器提供了一个拖放界面，可用于定义工作流。可以创建工作流来训练模型，轻松测试和比较多种算法。

在本练习中，你将使用设计器快速训练和比较两种分类算法。

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。可以通过工作室、Python SDK 和 Azure CLI 与 Azure 机器学习工作区进行交互。

你将使用 Shell 脚本，该脚本使用 Azure CLI 来预配工作区和必要的资源。接下来，你将使用 Azure 机器学习工作室中的设计器来训练和比较模型。

创建工作区和计算群集

若要创建 Azure 机器学习工作区和计算群集，请使用 Azure CLI。所有必需的命令都被分组到一个 Shell 脚本中，以便于执行。

在浏览器中，打开 Azure 门户 (https://portal.azure.com/)，并登录 Microsoft 帐户。
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。
在终端，输入以下命令以克隆此存储库：
```
 rm -r azure-ml-labs -f
 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs
```
使用 SHIFT + INSERT 将复制的代码粘贴到 Cloud Shell 中。
克隆存储库后，输入以下命令以更改为此实验室的文件夹，然后运行其中包含的 setup.ps1 脚本：
```
 cd azure-ml-labs/Labs/05
 ./setup.sh
```
忽略表示扩展未安装的（错误）消息。
等待脚本完成 - 这通常需要大约 5-10 分钟。

配置新管道

创建工作区和必要的计算群集后，可以打开 Azure 机器学习工作室并使用设计器创建训练管道。

在 Azure 门户，导航到名为 mlw-dp100-… 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任何弹出窗口。
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群集是否存在。群集应处于空闲状态，并且有 0 个节点正在运行。
导航到“设计器”页。
选择页面顶部的“自定义”选项卡。
使用自定义组件创建新的空管道。
选择右侧的铅笔图标，将默认管道名称 (Pipeline-Created-on-* date*) 更改为 Train-Diabetes-Classifier。

创建新管道

若要训练模型，将需要数据。可以使用数据存储中存储的任何数据，也可以使用可公开访问的 URL。

选择左侧菜单中的“数据”选项卡。
将“diabetes-folder”组件拖放到画布上。

有了数据后，可以继续使用工作区中已存在的自定义组件（在设置期间为你创建）创建管道。
在左侧菜单中，选择“组件”选项卡。
将“删除空行”组件拖放到画布上“diabetes-folder”的下方。
将数据的输出连接到新组件的输入。
将“规范化数字列”组件拖放到画布上的“删除空行”下方****。
将上一个组件的输出连接到新组件的输入。
将“训练决策树分类器模型”组件拖放到画布上的“规范化数字列”下方****。
将上一个组件的输出连接到新组件的输入。
选择“配置和提交”，然后在“设置管道作业”页中新建一个试验并将其命名为 diabetes-designer-pipeline，然后选择“下一步”。
在“输入和输出”中不进行任何更改，然后选择“下一步”。
在“运行时设置”中，选择“计算群集”，然后在“选择 Azure ML 计算群集”下选择“aml-cluster”。
选择“查看 + 提交”，然后选择“提交”以启动管道运行。
可以通过转到“管道”页然后选择“Train-Diabetes-Classifier”管道来检查运行的状态。
等待所有组件成功完成。

提交作业将初始化计算群集。由于计算群集在此之前一直处于空闲状态，因此可能需要一些时间才能将群集大小调整为 0 个以上的节点。调整群集大小后，它将自动开始运行管道。

你将能够跟踪每个组件的运行。当管道失败时，你将能够了解哪个组件失败，以及它失败的原因。错误消息将显示在作业概述的“输出 + 日志”选项卡中。

训练要比较的第二个模型

若要比较算法并评估哪个性能更好，可以在一个管道中训练两个模型并进行比较。

返回到“设计器”，然后选择“Train-Diabetes-Classifier”管道草稿。
将“训练逻辑回归分类器模型”组件添加到画布上，旁边是其他训练组件。
将“规范化数值列”组件的输出连接到新训练组件的输入**。
在顶部选择“配置和提交”。
在“基本信息”页上，创建名为 designer-compare-classification 的新试验并运行它。
选择“查看 + 提交”，然后选择“提交”以启动管道运行。
可以检查运行的状态，方法是转到“管道”页，选择带有“designer-compare-classification”试验的“Train-Diabetes-Classifier”管道。
等待所有组件成功完成。
选择“作业概述”，然后选择“指标”选项卡以查看这两个训练组件的结果。
尝试确定哪个模型性能更好。

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-…”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”。