Quam vincere timorem et incipiunt uti Machina caerulea Learning

Multas Datas Scientistae novi - et probabiliter sum unus ex illis ipse - qui in machinis GPU, localibus vel virtualibus, in nube sita est, vel per Iuppiter Comentarium vel per Pythonis evolutionis genus. Hoc per 2 annos laborans ut peritus AI/ML elit, hoc egi, dum notitias parat in regulari servo vel workstation, et disciplina currentis in apparatus virtuali cum GPU in Azure.

Utique audivimus de omnibus Machina Doctrina caeruleum — pulpitum peculiare nubis machinae discendi. Sed post primum aspectum vasa introductoryvidetur Azure ML problemata plura tibi creabit quam solvit. Exempli gratia, in tutoreali supra memorato educatio de Azure ML ex Iuppiter Comentario educitur, dum ipsa scriptura institutio creanda et elaboranda proponitur sicut fasciculus textus in una cellularum - auto-completione, syntaxi non utens. in luce collocari, aliaque commoda environment normali in evolutione. Quam ob rem in opere nostro diuturno caeruleo ML serio usi sumus.

Autem, nuper inventam viam utendi cazure ML in meo opere efficaciter incipere! Quaero in singulis?

Principale secretum est Visual Studio Code extensio pro Azure ML. Permittit vos ut scriptorum institutio recta in VS Codicis evolvendi, adhibito ambitu ambitus - ac etiam scriptioni localiter currere possitis, et tunc simpliciter mitte ad palaestra ML botrum cum paucis clicks. Annon commodum est?

Quod cum facis, sequentia beneficia accipias ab Azure ML utendo;

• Plurimum temporis localiter operari potes in machina tua in IDE opportuno, et uti GPU modo ad exemplar disciplina. Eodem tempore piscina subsidiorum disciplinae ad onus debitum automatice accommodare potest, et minimum numerum nodum ad 0 constituendo, automatice apparatus virtualis "in demanda" in praesentia laboris exercere potest.
• ut vos repone omnes eruditionis eventus alibiinclusis metricis effectibus et inde exemplaribus - nihil opus est cum aliqua ratione vel ordine ad omnes exitus condere.
• haec Multi homines possunt operari in eodem project - eodem glomerulo computando uti possunt, omnia experimenta exstare, et eventum experimentorum alterius videre possunt. Unum tale sem est utens caeruleus ML in doctrina profunda Learningcum pro singulis studentibus virtualem machinam cum GPU dare, unum botrum facere potes qui centro ab omnibus adhibebitur. Praeterea, generalis mensa eventus cum accuratione exemplarium efficere potest ut bonum elementum competitive.
• Cum Azure ML, seriem experimentorum facile peragere potes, v. gr hyperparameter ipsum - Quod fieri potest cum paucis lineis codicis, non est opus experimentorum manually seriem peragere.

Spero te persuasum esse ut Azure ML experior! Ecce quomodo incipias:

• Fac es installed Visual Bulla CodeTum extensiones Caeruleum Sign In и caeruleus ML
• Clone repositio https://github.com/CloudAdvocacy/AzureMLStarter - continet demo codicem alicuius digiti recognitionis autographi ad formandam exemplar in MNIST dataset.
• Cloned repositorium in Visual Code Aperi.
• Perlege!

Azure ML Workspace et Azure ML Portal

Azure ML circa conceptum ordinatur operantes area - workspace. Data in workspace reponi possunt, experimenta ad eam mittuntur ad formandum, proventus etiam ibi reponuntur, inde metrica et exempla. Potes videre quid intus in workspace per Caeruleus ML portal - et inde operationes multas exercere potes, vndique a notitia oneratione ad experimenta vigilantia et exempla explicandi.

Facere workspace per interface Caeruleus Portal (Am. paulatim instructiones) Vel per caeruleum CLI order versus (instructiones):

az extension add -n azure-cli-ml
az group create -n myazml -l northeurope
az ml workspace create -w myworkspace -g myazml

Etiam consociata cum workspace sunt quidam computatis opibus (Computo). Postquam scriptum creasti ad exemplar instituendi, potes experimentum mittere supplicium in workspace et specificare computa scopum - hoc in casu, scriptura fasciculabitur, in ambitu computationis desideratae percurret, et tunc omnes experimenti eventus in fabrica ad ulteriorem analysin et usum servabuntur.

Doctrina scripta pro MNIST

Considerans classicis quaestio digiti autographam recognition MNIST dataset usura. Similiter in posterum, ullus ex scriptis eruditionis tuae currere potes.

Scriptum est in repositorio nostro train_local.py, quod exemplar regressionis simplicissimae lineari usu in bibliotheca SkLearn instituimus. Nempe hanc quaestionem solvendam non optime intelligo - eo exemplo utamur, ut facillimum.

Scriptum primum downloads datam MNIST ab OpenML et classe utitur LogisticRegression exemplar instituendi et inde accurate imprimendi;

mnist = fetch_openml('mnist_784')
mnist['target'] = np.array([int(x) for x in mnist['target']])

shuffle_index = np.random.permutation(len(mist['data']))
X, y = mnist['data'][shuffle_index], mnist['target'][shuffle_index]

X_train, X_test, y_train, y_test = 
  train_test_split(X, y, test_size = 0.3, random_state = 42)

lr = LogisticRegression()
lr.fit(X_train, y_train)
y_hat = lr.predict(X_test)
acc = np.average(np.int32(y_hat == y_test))

print('Overall accuracy:', acc)

Potes scriptorem in computatro tuo currere et eventum in duobus secundis consequi.

Curre scriptum in caeruleum ML

Si curramus litteras disciplinas per Azure ML, duas praecipuas utilitates habebimus;

• Disciplina currit de subsidiis computandis arbitrariis, quae, regulariter, fertilior est quam computatrum locale. Eodem tempore, Azure ML ipsum scriptorem nostrum cum omnibus documentis e directorio currenti in vas indicem inaugurare curabit, inaugurari debitas clientelas et mittens ad executionem.
• Scribere eventus ad unum subcriptio intra caeruleum ML workspace. Ut hac in re uti, necesse est duas lineas codicis ad scripturam nostram addere, quae inde accurate notentur;

from azureml.core.run import Run
...
try:    
    run = Run.get_submitted_run()
    run.log('accuracy', acc)
except:
    pass

Versio scriptionis correspondens appellatur train_universal.py est paulo astutius quam supra scriptum est, sed non multum. Scriptum hoc tam localiter quam in remoto computandi facultate currere potest.

Ad ML in Azure ex Codice VS currente, sequentia facere debes:

1. Fac extensio caerulea cum subscriptione tua coniuncta est. Iconem caeruleum ex elencho sinistro elige. Si non connexa, notitia anguli recti inferioris apparebit (sic) strepitando quo per navigatrum ingredi potes. Etiam click Ctrl- Amoveo-P* ut VS Codex order versus et typus Caeruleum Sign In.

2. Deinde in sectione caerulea (icon ad sinistram) sectionem invenimus MACHINA DISCERE PER:

Hic videre debes varios circulos rerum intra spatium work: computandi facultates, experimenta, etc.

1. Vade ad indicem fasciculorum, deprime scripturam train_universal.py et eligere Caeruleus ML: Curre ut experimentum in caeruleum.

1. Hoc sequetur series dialogorum in linea area praecepti VS Codicis: subscriptionem confirma et azure ML workspace quam uteris, et elige Novam experimentum crea:

1. Elige ad creare novum computa resource Novam Computum:

   • Computo computationem resource determinat qua disciplina fient. Computatorium localem eligere potes, vel glomeratum nubem AmlCompute. Commendo creando scalable botrum machinarum STANDARD_DS3_v2cum minimo numero machinis ipsius 0 (maxime ac 1 vel plurium, secundum gulam tuam). Id fieri potest per VS Codicis interfaciei, vel antea per ML Portal.

   

2. Deinde, configurationem eligere debes Computo configurationisquae particulariter omnes bibliothecas necessarias ad formandas parametros continentis definit. In casu nostro, cum utemur Scikit Disce, eligimus SkLearnac deinde propositae bibliothecae indicem confirmamus premendo Intra. Si bibliothecas adiectis quibuslibet uteris, hic notandae sunt.

   
   

3. Hoc fenestram aperiet cum tabella JSON descripto experimento. In eo potes aliquos parametros corrigere, verbi gratia, nomen experimenti. Post hoc deprime nexum Submit Experimentum ius intra hunc fasciculum;

1. Postquam experimentum feliciter exhibens per Codicem VS, ad dextram notificationis partem, nexum videbis Azure ML Portalubi experimentum status et eventus investigare possis.

Postea semper in sectione reperire potes experimenta Azure ML PortalAut in sectione Machina Doctrina caeruleum in indice experimentorum;

1. Si postquam emendationes aliquas in codicem fecistis vel parametros mutasti, experimentum reprimens multo citius ac facilius erit. Per ius strepitando in tabula, novum item menu videbis Iterare ultimum currere - Modo eam elige, et experimentum statim incipe;

Semper invenire potes eventus metri ab omnibus immissis in Azure ML Portal, quos scribere non oportet.

Nunc scis experimenta currens cum Azure ML simplex et sine dolore esse, et plurimas utilitates iucundas in hoc facto habes.

Sed etiam incommoda videre potes. Exempli gratia, signanter cepit currere scriptor. Scilicet, scripturam in vase packing et explicando servo operam dat. Si simul botrus incisus est ad quantitatem nodis 0, plus etiam tempus erit ut machina virtualis committitur, et haec omnia valde notabilia sunt cum experimentum de simplicibus operibus sicut MNIST, quae in brevi solvuntur. . Attamen in vita reali, cum institutio plures horas perstat, vel etiam dies vel septimanas, hoc addito tempus vilescit, praesertim in prospectu multo altioris effectus quem glomus computans praebere potest.

Quid deinde?

Spero te post hunc articulum perlectis posse et uti Azure ML in opere tuo ad scripta currere, computatis facultatibus administrare et eventus reponunt centraliter. Quamquam, Azure ML etiam plura beneficia tibi dare potest!

Intra spatium operis, notitias condere potes, inde repositorium centralizatum omnium operum tuorum creans, quod aditu facile est. Praeterea experimenta currere non potes ex Visual Studio Codicis, sed utens API - hoc maxime utile est si hyperparametri optimizationem praestare debes et pluries diversis parametris scriptionem currere necesse est. Specialis insuper technologia in Azure ML aedificatur Hyper coegiquae te permittit ut subtilius investigatio et melioratio hyperparametris facias. De his possibilitatibus in proximo poste loquar.

utilis Resources

Ut plura discas de Azure ML, potes invenire Microsoft sequentes cursus utiles Disce:

• Introductio ad caeruleum ML Service
• Building AI solutions with Azure ML Service
• Exemplar loci instituendi cum Azure ML Service

Source: www.habr.com