ഭയത്തെ എങ്ങനെ മറികടക്കാം, അസൂർ മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് തുടങ്ങാം

ഒരു ജൂപ്പിറ്റർ നോട്ട്ബുക്ക് വഴിയോ അല്ലെങ്കിൽ ഏതെങ്കിലും തരത്തിലുള്ള പൈത്തൺ വികസന പരിതസ്ഥിതിയിലൂടെയോ ക്ലൗഡിൽ സ്ഥിതി ചെയ്യുന്ന ലോക്കൽ അല്ലെങ്കിൽ വെർച്വൽ ജിപിയു മെഷീനുകളിൽ പ്രവർത്തിക്കുന്ന നിരവധി ഡാറ്റാ സയന്റിസ്റ്റുകളെ എനിക്കറിയാം - ഒരുപക്ഷേ അവരിൽ ഒരാളാണ് ഞാൻ. ഒരു വിദഗ്ധ AI/ML ഡവലപ്പറായി 2 വർഷത്തോളം ജോലി ചെയ്തുകൊണ്ട്, ഒരു സാധാരണ സെർവറിലോ വർക്ക്‌സ്റ്റേഷനിലോ ഡാറ്റ തയ്യാറാക്കുകയും അസ്യൂറിലെ ഒരു GPU ഉള്ള ഒരു വെർച്വൽ മെഷീനിൽ പരിശീലനം നടത്തുകയും ചെയ്യുമ്പോൾ ഞാൻ ഇത് കൃത്യമായി ചെയ്തു.

തീർച്ചയായും, നമ്മൾ എല്ലാവരും കേട്ടിട്ടുണ്ട് അസുർ മെഷീൻ ലേണിംഗ് — മെഷീൻ ലേണിംഗിനുള്ള ഒരു പ്രത്യേക ക്ലൗഡ് പ്ലാറ്റ്ഫോം. എന്നിരുന്നാലും, ആദ്യ നോട്ടത്തിന് ശേഷം ആമുഖ ലേഖനങ്ങൾ, Azure ML നിങ്ങൾക്ക് പരിഹരിക്കുന്നതിനേക്കാൾ കൂടുതൽ പ്രശ്നങ്ങൾ സൃഷ്ടിക്കുമെന്ന് തോന്നുന്നു. ഉദാഹരണത്തിന്, മുകളിൽ സൂചിപ്പിച്ച ട്യൂട്ടോറിയലിൽ, Azure ML-നെക്കുറിച്ചുള്ള പരിശീലനം ഒരു ജൂപ്പിറ്റർ നോട്ട്ബുക്കിൽ നിന്ന് സമാരംഭിക്കുന്നു, അതേസമയം പരിശീലന സ്ക്രിപ്റ്റ് തന്നെ ഒരു സെല്ലിൽ ഒരു ടെക്സ്റ്റ് ഫയലായി സൃഷ്ടിക്കാനും എഡിറ്റ് ചെയ്യാനും നിർദ്ദേശിക്കപ്പെട്ടിരിക്കുന്നു - സ്വയമേവ പൂർത്തിയാക്കൽ, വാക്യഘടന ഉപയോഗിക്കാത്തപ്പോൾ ഹൈലൈറ്റിംഗ്, ഒരു സാധാരണ വികസന പരിതസ്ഥിതിയുടെ മറ്റ് ഗുണങ്ങൾ. ഇക്കാരണത്താൽ, ഞങ്ങൾ വളരെക്കാലമായി ഞങ്ങളുടെ ജോലിയിൽ Azure ML ഗൗരവമായി ഉപയോഗിച്ചിട്ടില്ല.

എന്നിരുന്നാലും, എന്റെ ജോലിയിൽ Azure ML ഫലപ്രദമായി ഉപയോഗിക്കാൻ തുടങ്ങുന്നതിനുള്ള ഒരു മാർഗ്ഗം ഞാൻ അടുത്തിടെ കണ്ടെത്തി! വിശദാംശങ്ങളിൽ താൽപ്പര്യമുണ്ടോ?

എന്നതാണ് പ്രധാന രഹസ്യം Azure ML-നുള്ള വിഷ്വൽ സ്റ്റുഡിയോ കോഡ് വിപുലീകരണം. പരിതസ്ഥിതിയുടെ പൂർണ്ണ പ്രയോജനം ഉപയോഗിച്ച് വിഎസ് കോഡിൽ തന്നെ പരിശീലന സ്ക്രിപ്റ്റുകൾ വികസിപ്പിക്കാൻ ഇത് നിങ്ങളെ അനുവദിക്കുന്നു - കൂടാതെ നിങ്ങൾക്ക് സ്ക്രിപ്റ്റ് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാനും തുടർന്ന് കുറച്ച് ക്ലിക്കുകളിലൂടെ ഒരു Azure ML ക്ലസ്റ്ററിലെ പരിശീലനത്തിലേക്ക് അയയ്ക്കാനും കഴിയും. സൗകര്യപ്രദം, അല്ലേ?

അങ്ങനെ ചെയ്യുമ്പോൾ, Azure ML ഉപയോഗിക്കുന്നതിലൂടെ നിങ്ങൾക്ക് ഇനിപ്പറയുന്ന ആനുകൂല്യങ്ങൾ ലഭിക്കും:

• നിങ്ങൾക്ക് സൗകര്യപ്രദമായ ഒരു IDE-യിൽ നിങ്ങളുടെ മെഷീനിൽ ഭൂരിഭാഗം സമയവും പ്രാദേശികമായി പ്രവർത്തിക്കാനാകും മാതൃകാ പരിശീലനത്തിന് മാത്രം GPU ഉപയോഗിക്കുക. അതേ സമയം, പരിശീലന വിഭവങ്ങളുടെ പൂൾ ആവശ്യമായ ലോഡിലേക്ക് സ്വയമേവ ക്രമീകരിക്കാൻ കഴിയും, കൂടാതെ നോഡുകളുടെ ഏറ്റവും കുറഞ്ഞ എണ്ണം 0 ആയി സജ്ജീകരിക്കുന്നതിലൂടെ, പരിശീലന ജോലികളുടെ സാന്നിധ്യത്തിൽ നിങ്ങൾക്ക് "ആവശ്യകമായ" വെർച്വൽ മെഷീൻ സ്വയമേവ ആരംഭിക്കാൻ കഴിയും.
• ഒരുപക്ഷേ നിങ്ങൾ എല്ലാ പഠന ഫലങ്ങളും ഒരിടത്ത് സംഭരിക്കുക, നേടിയ മെട്രിക്സും തത്ഫലമായുണ്ടാകുന്ന മോഡലുകളും ഉൾപ്പെടെ - എല്ലാ ഫലങ്ങളും സംഭരിക്കുന്നതിന് ഏതെങ്കിലും തരത്തിലുള്ള സംവിധാനമോ ക്രമമോ കൊണ്ടുവരേണ്ട ആവശ്യമില്ല.
• ഇപ്രകാരം ഒരേ പ്രോജക്റ്റിൽ നിരവധി ആളുകൾക്ക് പ്രവർത്തിക്കാൻ കഴിയും - അവർക്ക് ഒരേ കമ്പ്യൂട്ടിംഗ് ക്ലസ്റ്റർ ഉപയോഗിക്കാം, എല്ലാ പരീക്ഷണങ്ങളും ക്യൂ അപ്പ് ചെയ്യും, കൂടാതെ അവർക്ക് പരസ്പരം പരീക്ഷണങ്ങളുടെ ഫലങ്ങൾ കാണാനും കഴിയും. അത്തരത്തിലുള്ള ഒരു സാഹചര്യമാണ് ഡീപ് ലേണിംഗ് പഠിപ്പിക്കുന്നതിന് അസൂർ എംഎൽ ഉപയോഗിക്കുന്നുഓരോ വിദ്യാർത്ഥിക്കും ഒരു ജിപിയു ഉള്ള ഒരു വെർച്വൽ മെഷീൻ നൽകുന്നതിനുപകരം, എല്ലാവർക്കും കേന്ദ്രീകൃതമായി ഉപയോഗിക്കുന്ന ഒരു ക്ലസ്റ്റർ നിങ്ങൾക്ക് സൃഷ്ടിക്കാൻ കഴിയും. കൂടാതെ, മോഡൽ കൃത്യതയുള്ള ഫലങ്ങളുടെ ഒരു പൊതു പട്ടിക ഒരു നല്ല മത്സര ഘടകമായി വർത്തിക്കും.
• അസൂർ എം‌എൽ ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഒരു കൂട്ടം പരീക്ഷണങ്ങൾ എളുപ്പത്തിൽ നടത്താം, ഉദാഹരണത്തിന് ഹൈപ്പർപാരാമീറ്റർ ഒപ്റ്റിമൈസേഷൻ - ഇത് കുറച്ച് വരി കോഡ് ഉപയോഗിച്ച് ചെയ്യാൻ കഴിയും, പരീക്ഷണങ്ങളുടെ ഒരു പരമ്പര സ്വമേധയാ നടത്തേണ്ട ആവശ്യമില്ല.

Azure ML പരീക്ഷിക്കാൻ ഞാൻ നിങ്ങളെ ബോധ്യപ്പെടുത്തിയെന്ന് ഞാൻ പ്രതീക്ഷിക്കുന്നു! എങ്ങനെ ആരംഭിക്കാമെന്നത് ഇതാ:

• നിങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക വിഷ്വൽ സ്റ്റുഡിയോ കോഡ്, അതുപോലെ വിപുലീകരണങ്ങളും അസുർ സൈൻ ഇൻ и അസൂർ എം.എൽ
• ശേഖരം ക്ലോൺ ചെയ്യുക https://github.com/CloudAdvocacy/AzureMLStarter - MNIST ഡാറ്റാസെറ്റിൽ ഒരു കൈയക്ഷര അക്ക തിരിച്ചറിയൽ മോഡൽ പരിശീലിപ്പിക്കുന്നതിനുള്ള ചില ഡെമോ കോഡ് ഇതിൽ അടങ്ങിയിരിക്കുന്നു.
• വിഷ്വൽ സ്റ്റുഡിയോ കോഡിൽ ക്ലോൺ ചെയ്ത ശേഖരം തുറക്കുക.
• വായിക്കൂ!

അസൂർ എംഎൽ വർക്ക്‌സ്‌പേസും അസൂർ എംഎൽ പോർട്ടലും

ആശയത്തെ ചുറ്റിപ്പറ്റിയാണ് അസൂർ എംഎൽ സംഘടിപ്പിക്കുന്നത് ജോലി സ്ഥലം - ജോലിസ്ഥലം. വർക്ക്‌സ്‌പെയ്‌സിൽ ഡാറ്റ സംഭരിക്കാൻ കഴിയും, പരിശീലനത്തിനായി പരീക്ഷണങ്ങൾ അതിലേക്ക് അയയ്‌ക്കുന്നു, പരിശീലന ഫലങ്ങളും അവിടെ സംഭരിക്കപ്പെടുന്നു - തത്ഫലമായുണ്ടാകുന്ന അളവുകളും മോഡലുകളും. വർക്ക്‌സ്‌പെയ്‌സിനുള്ളിൽ എന്താണ് ഉള്ളതെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും അസൂർ എംഎൽ പോർട്ടൽ - അവിടെ നിന്ന് നിങ്ങൾക്ക് ഡാറ്റ ലോഡുചെയ്യുന്നത് മുതൽ പരീക്ഷണങ്ങൾ നിരീക്ഷിക്കുന്നതും മോഡലുകൾ വിന്യസിക്കുന്നതും വരെയുള്ള നിരവധി പ്രവർത്തനങ്ങൾ നടത്താൻ കഴിയും.

വെബ് ഇന്റർഫേസിലൂടെ നിങ്ങൾക്ക് ഒരു വർക്ക്‌സ്‌പെയ്‌സ് സൃഷ്‌ടിക്കാൻ കഴിയും അസൂർ പോർട്ടൽ (കാണുക ഘട്ടം ഘട്ടമായുള്ള നിർദ്ദേശങ്ങൾ), അല്ലെങ്കിൽ Azure CLI കമാൻഡ് ലൈൻ ഉപയോഗിക്കുന്നു (നിർദ്ദേശങ്ങൾ):

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

വർക്ക്‌സ്‌പെയ്‌സുമായി ബന്ധപ്പെട്ടതും ചിലതാണ് കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ (കണക്കുകൂട്ടുക). മോഡൽ പരിശീലിപ്പിക്കാൻ നിങ്ങൾ ഒരു സ്ക്രിപ്റ്റ് സൃഷ്ടിച്ചുകഴിഞ്ഞാൽ, നിങ്ങൾക്ക് കഴിയും നിർവ്വഹണത്തിനായി പരീക്ഷണം അയയ്ക്കുക ജോലിസ്ഥലത്തേക്ക്, വ്യക്തമാക്കുക ലക്ഷ്യം കണക്കാക്കുക - ഈ സാഹചര്യത്തിൽ, സ്ക്രിപ്റ്റ് പാക്കേജ് ചെയ്യപ്പെടും, ആവശ്യമുള്ള കമ്പ്യൂട്ടിംഗ് പരിതസ്ഥിതിയിൽ പ്രവർത്തിക്കും, തുടർന്ന് പരീക്ഷണത്തിന്റെ എല്ലാ ഫലങ്ങളും കൂടുതൽ വിശകലനത്തിനും ഉപയോഗത്തിനുമായി വർക്ക്സ്പേസിൽ സംരക്ഷിക്കപ്പെടും.

MNIST-നുള്ള സ്ക്രിപ്റ്റ് പഠിക്കുന്നു

ക്ലാസിക്കൽ പ്രശ്നം പരിഗണിക്കുക കൈയക്ഷര അക്ക തിരിച്ചറിയൽ MNIST ഡാറ്റാസെറ്റ് ഉപയോഗിക്കുന്നു. അതുപോലെ, ഭാവിയിൽ, നിങ്ങളുടെ ഏതെങ്കിലും പരിശീലന സ്ക്രിപ്റ്റുകൾ പ്രവർത്തിപ്പിക്കാൻ കഴിയും.

ഞങ്ങളുടെ ശേഖരത്തിൽ ഒരു സ്ക്രിപ്റ്റ് ഉണ്ട് train_local.py, SkLearn ലൈബ്രറി ഉപയോഗിച്ച് ഞങ്ങൾ ഏറ്റവും ലളിതമായ ലീനിയർ റിഗ്രഷൻ മോഡൽ പരിശീലിപ്പിക്കുന്നു. തീർച്ചയായും, പ്രശ്നം പരിഹരിക്കാനുള്ള ഏറ്റവും നല്ല മാർഗം ഇതല്ലെന്ന് ഞാൻ മനസ്സിലാക്കുന്നു - ഞങ്ങൾ ഇത് ഒരു ഉദാഹരണത്തിനായി ഉപയോഗിക്കുന്നു, ഏറ്റവും ലളിതമാണ്.

സ്ക്രിപ്റ്റ് ആദ്യം OpenML-ൽ നിന്ന് MNIST ഡാറ്റ ഡൗൺലോഡ് ചെയ്യുകയും തുടർന്ന് ക്ലാസ് ഉപയോഗിക്കുകയും ചെയ്യുന്നു LogisticRegression മോഡൽ പരിശീലിപ്പിക്കുക, തുടർന്ന് ഫലമായുണ്ടാകുന്ന കൃത്യത പ്രിന്റ് ചെയ്യുക:

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)

നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിച്ച് കുറച്ച് നിമിഷങ്ങൾക്കുള്ളിൽ ഫലം ലഭിക്കും.

Azure ML-ൽ സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുക

Azure ML-ലൂടെ ഞങ്ങൾ പരിശീലന സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുകയാണെങ്കിൽ, ഞങ്ങൾക്ക് രണ്ട് പ്രധാന ഗുണങ്ങൾ ഉണ്ടാകും:

• ഒരു അനിയന്ത്രിതമായ കമ്പ്യൂട്ടിംഗ് റിസോഴ്സിൽ റണ്ണിംഗ് പരിശീലനം, ഒരു ചട്ടം പോലെ, പ്രാദേശിക കമ്പ്യൂട്ടറിനേക്കാൾ കൂടുതൽ ഉൽപ്പാദനക്ഷമതയുള്ളതാണ്. അതേ സമയം, നിലവിലെ ഡയറക്‌ടറിയിൽ നിന്നുള്ള എല്ലാ ഫയലുകളും ഒരു ഡോക്കർ കണ്ടെയ്‌നറിലേക്ക് പാക്ക് ചെയ്യുന്നതിനും ആവശ്യമായ ഡിപൻഡൻസികൾ ഇൻസ്റ്റാൾ ചെയ്യുന്നതിനും എക്‌സിക്യൂഷന് അയയ്‌ക്കുന്നതിനും Azure ML തന്നെ ശ്രദ്ധിക്കും.
• ഒരു അസൂർ എംഎൽ വർക്ക്‌സ്‌പെയ്‌സിനുള്ളിലെ ഒരൊറ്റ രജിസ്‌ട്രിയിലേക്ക് ഫലങ്ങൾ എഴുതുക. ഈ സവിശേഷത പ്രയോജനപ്പെടുത്തുന്നതിന്, തത്ഫലമായുണ്ടാകുന്ന കൃത്യത രേഖപ്പെടുത്തുന്നതിന് ഞങ്ങളുടെ സ്ക്രിപ്റ്റിലേക്ക് രണ്ട് കോഡ് വരികൾ ചേർക്കേണ്ടതുണ്ട്:

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

സ്ക്രിപ്റ്റിന്റെ അനുബന്ധ പതിപ്പിനെ വിളിക്കുന്നു train_universal.py (ഇത് മുകളിൽ എഴുതിയതിനേക്കാൾ അൽപ്പം കൂടുതൽ തന്ത്രപരമാണ്, പക്ഷേ കൂടുതലല്ല). ഈ സ്ക്രിപ്റ്റ് പ്രാദേശികമായും റിമോട്ട് കമ്പ്യൂട്ടിംഗ് റിസോഴ്സിലും പ്രവർത്തിപ്പിക്കാം.

VS കോഡിൽ നിന്ന് Azure ML-ൽ ഇത് പ്രവർത്തിപ്പിക്കുന്നതിന്, നിങ്ങൾ ഇനിപ്പറയുന്നവ ചെയ്യേണ്ടതുണ്ട്:

1. അസൂർ എക്സ്റ്റൻഷൻ നിങ്ങളുടെ സബ്‌സ്‌ക്രിപ്‌ഷനുമായി ബന്ധിപ്പിച്ചിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക. ഇടതുവശത്തുള്ള മെനുവിൽ നിന്ന് അസൂർ ഐക്കൺ തിരഞ്ഞെടുക്കുക. നിങ്ങൾ കണക്റ്റുചെയ്‌തിട്ടില്ലെങ്കിൽ, താഴെ വലത് കോണിൽ ഒരു അറിയിപ്പ് ദൃശ്യമാകും (ഇതുപോലെ), നിങ്ങൾക്ക് ബ്രൗസറിലൂടെ പ്രവേശിക്കാൻ കഴിയുന്നതിൽ ക്ലിക്ക് ചെയ്യുക. നിങ്ങൾക്ക് ക്ലിക്ക് ചെയ്യാനും കഴിയും Ctrl-Shift-P വിഎസ് കോഡ് കമാൻഡ് ലൈനിലേക്ക് വിളിച്ച് ടൈപ്പ് ചെയ്യുക അസുർ സൈൻ ഇൻ.

2. അതിനുശേഷം, അസൂർ വിഭാഗത്തിൽ (ഇടതുവശത്തുള്ള ഐക്കൺ), വിഭാഗം കണ്ടെത്തുക യന്ത്ര പഠനം:

ഇവിടെ നിങ്ങൾ വർക്ക്‌സ്‌പെയ്‌സിനുള്ളിലെ ഒബ്‌ജക്റ്റുകളുടെ വിവിധ ഗ്രൂപ്പുകൾ കാണണം: കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ, പരീക്ഷണങ്ങൾ മുതലായവ.

1. ഫയലുകളുടെ ലിസ്റ്റിലേക്ക് പോകുക, സ്ക്രിപ്റ്റിൽ റൈറ്റ് ക്ലിക്ക് ചെയ്യുക train_universal.py കൂടാതെ തിരഞ്ഞെടുക്കുക അസൂർ എംഎൽ: അസ്യൂറിൽ പരീക്ഷണമായി പ്രവർത്തിപ്പിക്കുക.

1. ഇതിന് ശേഷം VS കോഡിന്റെ കമാൻഡ് ലൈൻ ഏരിയയിൽ ഡയലോഗുകളുടെ ഒരു പരമ്പര ഉണ്ടാകും: നിങ്ങൾ ഉപയോഗിക്കുന്ന സബ്‌സ്‌ക്രിപ്‌ഷനും Azure ML വർക്ക്‌സ്‌പെയ്‌സും സ്ഥിരീകരിക്കുക, തുടർന്ന് തിരഞ്ഞെടുക്കുക പുതിയ പരീക്ഷണം സൃഷ്ടിക്കുക:

1. ഒരു പുതിയ കമ്പ്യൂട്ട് ഉറവിടം സൃഷ്ടിക്കാൻ തിരഞ്ഞെടുക്കുക പുതിയ കമ്പ്യൂട്ട് സൃഷ്ടിക്കുക:

   • കണക്കുകൂട്ടുക പരിശീലനം നടക്കേണ്ട കമ്പ്യൂട്ടിംഗ് ഉറവിടം നിർണ്ണയിക്കുന്നു. നിങ്ങൾക്ക് ഒരു പ്രാദേശിക കമ്പ്യൂട്ടർ അല്ലെങ്കിൽ ഒരു AmlCompute ക്ലൗഡ് ക്ലസ്റ്റർ തിരഞ്ഞെടുക്കാം. മെഷീനുകളുടെ ഒരു സ്കേലബിൾ ക്ലസ്റ്റർ സൃഷ്ടിക്കാൻ ഞാൻ ശുപാർശ ചെയ്യുന്നു STANDARD_DS3_v2, കുറഞ്ഞത് 0 മെഷീനുകളുടെ എണ്ണം (കൂടാതെ പരമാവധി 1 അല്ലെങ്കിൽ അതിലധികവും, നിങ്ങളുടെ വിശപ്പ് അനുസരിച്ച്). ഇത് വിഎസ് കോഡ് ഇന്റർഫേസ് വഴിയോ മുമ്പ് വഴിയോ ചെയ്യാം ML പോർട്ടൽ.

   

2. അടുത്തതായി, നിങ്ങൾ ഒരു കോൺഫിഗറേഷൻ തിരഞ്ഞെടുക്കേണ്ടതുണ്ട് കമ്പ്യൂട്ട് കോൺഫിഗറേഷൻ, പരിശീലനത്തിനായി സൃഷ്ടിച്ച കണ്ടെയ്നറിന്റെ പാരാമീറ്ററുകൾ നിർവചിക്കുന്നു, പ്രത്യേകിച്ച്, ആവശ്യമായ എല്ലാ ലൈബ്രറികളും. ഞങ്ങളുടെ കാര്യത്തിൽ, ഞങ്ങൾ Scikit Learn ഉപയോഗിക്കുന്നതിനാൽ, ഞങ്ങൾ തിരഞ്ഞെടുക്കുന്നു SkLearn, തുടർന്ന് എന്റർ അമർത്തി ലൈബ്രറികളുടെ നിർദ്ദിഷ്ട ലിസ്റ്റ് സ്ഥിരീകരിക്കുക. നിങ്ങൾ ഏതെങ്കിലും അധിക ലൈബ്രറികൾ ഉപയോഗിക്കുകയാണെങ്കിൽ, അവ ഇവിടെ വ്യക്തമാക്കിയിരിക്കണം.

   
   

3. ഇത് പരീക്ഷണം വിവരിക്കുന്ന JSON ഫയലുള്ള ഒരു വിൻഡോ തുറക്കും. അതിൽ, നിങ്ങൾക്ക് ചില പാരാമീറ്ററുകൾ ശരിയാക്കാൻ കഴിയും - ഉദാഹരണത്തിന്, പരീക്ഷണത്തിന്റെ പേര്. അതിനു ശേഷം ലിങ്കിൽ ക്ലിക്ക് ചെയ്യുക പരീക്ഷണം സമർപ്പിക്കുക ഈ ഫയലിനുള്ളിൽ തന്നെ:

1. VS കോഡിലൂടെ ഒരു പരീക്ഷണം വിജയകരമായി സമർപ്പിച്ചതിന് ശേഷം, അറിയിപ്പ് ഏരിയയുടെ വലതുവശത്ത്, ഇതിലേക്കുള്ള ഒരു ലിങ്ക് നിങ്ങൾ കാണും അസൂർ എംഎൽ പോർട്ടൽ, അവിടെ നിങ്ങൾക്ക് പരീക്ഷണത്തിന്റെ നിലയും ഫലങ്ങളും ട്രാക്ക് ചെയ്യാം.

തുടർന്ന്, നിങ്ങൾക്ക് അത് എല്ലായ്പ്പോഴും വിഭാഗത്തിൽ കണ്ടെത്താനാകും പരീക്ഷണങ്ങൾ അസൂർ എംഎൽ പോർട്ടൽ, അല്ലെങ്കിൽ വിഭാഗത്തിൽ അസുർ മെഷീൻ ലേണിംഗ് പരീക്ഷണങ്ങളുടെ പട്ടികയിൽ:

1. അതിനുശേഷം നിങ്ങൾ കോഡിൽ ചില തിരുത്തലുകൾ വരുത്തുകയോ പാരാമീറ്ററുകൾ മാറ്റുകയോ ചെയ്താൽ, പരീക്ഷണം പുനരാരംഭിക്കുന്നത് വളരെ വേഗത്തിലും എളുപ്പത്തിലും ആയിരിക്കും. ഒരു ഫയലിൽ വലത്-ക്ലിക്കുചെയ്യുന്നതിലൂടെ, നിങ്ങൾ ഒരു പുതിയ മെനു ഇനം കാണും അവസാന ഓട്ടം ആവർത്തിക്കുക - അത് തിരഞ്ഞെടുക്കുക, പരീക്ഷണം ഉടൻ ആരംഭിക്കും:

Azure ML പോർട്ടലിൽ എല്ലാ ലോഞ്ചുകളിൽ നിന്നുമുള്ള മെട്രിക്കുകളുടെ ഫലങ്ങൾ നിങ്ങൾക്ക് എല്ലായ്പ്പോഴും കണ്ടെത്താനാകും, അവ എഴുതേണ്ട ആവശ്യമില്ല.

Azure ML ഉപയോഗിച്ചുള്ള പരീക്ഷണങ്ങൾ ലളിതവും വേദനയില്ലാത്തതുമാണെന്ന് ഇപ്പോൾ നിങ്ങൾക്കറിയാം, അങ്ങനെ ചെയ്യുന്നതിലൂടെ നിങ്ങൾക്ക് നിരവധി നല്ല നേട്ടങ്ങൾ ലഭിക്കും.

എന്നാൽ പോരായ്മകളും നിങ്ങൾക്ക് കാണാൻ കഴിയും. ഉദാഹരണത്തിന്, സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കാൻ ഗണ്യമായ സമയമെടുത്തു. തീർച്ചയായും, സ്‌ക്രിപ്റ്റ് ഒരു കണ്ടെയ്‌നറിൽ പൊതിഞ്ഞ് സെർവറിൽ വിന്യസിക്കാൻ സമയമെടുക്കും. അതേ സമയം ക്ലസ്റ്റർ 0 നോഡുകളുടെ വലുപ്പത്തിലേക്ക് മുറിച്ചിട്ടുണ്ടെങ്കിൽ, വെർച്വൽ മെഷീൻ ആരംഭിക്കാൻ കൂടുതൽ സമയമെടുക്കും, കൂടാതെ കുറച്ച് നിമിഷങ്ങൾക്കുള്ളിൽ പരിഹരിക്കപ്പെടുന്ന MNIST പോലുള്ള ലളിതമായ ജോലികളിൽ ഞങ്ങൾ പരീക്ഷിക്കുമ്പോൾ ഇതെല്ലാം വളരെ ശ്രദ്ധേയമാണ്. . എന്നിരുന്നാലും, യഥാർത്ഥ ജീവിതത്തിൽ, പരിശീലനം മണിക്കൂറുകളോ ദിവസങ്ങളോ ആഴ്ചകളോ നീണ്ടുനിൽക്കുമ്പോൾ, ഈ അധിക സമയം നിസ്സാരമായിത്തീരുന്നു, പ്രത്യേകിച്ചും ഒരു കമ്പ്യൂട്ടിംഗ് ക്ലസ്റ്ററിന് നൽകാൻ കഴിയുന്ന ഉയർന്ന പ്രകടനത്തിന്റെ പശ്ചാത്തലത്തിൽ.

അടുത്തത് എന്ത്?

ഈ ലേഖനം വായിച്ചതിനുശേഷം, സ്‌ക്രിപ്റ്റുകൾ പ്രവർത്തിപ്പിക്കുന്നതിനും കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങൾ നിയന്ത്രിക്കുന്നതിനും ഫലങ്ങൾ കേന്ദ്രീകൃതമായി സംഭരിക്കുന്നതിനും നിങ്ങൾക്ക് Azure ML ഉപയോഗിക്കാനും ഉപയോഗിക്കാനും കഴിയുമെന്ന് ഞാൻ പ്രതീക്ഷിക്കുന്നു. എന്നിരുന്നാലും, Azure ML നിങ്ങൾക്ക് കൂടുതൽ ആനുകൂല്യങ്ങൾ നൽകും!

വർക്ക്‌സ്‌പെയ്‌സിനുള്ളിൽ, നിങ്ങൾക്ക് ഡാറ്റ സംഭരിക്കാനാകും, അതുവഴി നിങ്ങളുടെ എല്ലാ ടാസ്‌ക്കുകൾക്കുമായി ഒരു കേന്ദ്രീകൃത ശേഖരം സൃഷ്‌ടിക്കാം, അത് ആക്‌സസ് ചെയ്യാൻ എളുപ്പമാണ്. കൂടാതെ, വിഷ്വൽ സ്റ്റുഡിയോ കോഡിൽ നിന്നല്ല, API ഉപയോഗിച്ച് നിങ്ങൾക്ക് പരീക്ഷണങ്ങൾ പ്രവർത്തിപ്പിക്കാൻ കഴിയും - നിങ്ങൾക്ക് ഹൈപ്പർപാരാമീറ്റർ ഒപ്റ്റിമൈസേഷൻ നടത്തേണ്ടതുണ്ടെങ്കിൽ, വ്യത്യസ്ത പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് സ്ക്രിപ്റ്റ് നിരവധി തവണ പ്രവർത്തിപ്പിക്കേണ്ടതുണ്ടെങ്കിൽ ഇത് പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാകും. മാത്രമല്ല, പ്രത്യേക സാങ്കേതികവിദ്യ അസൂർ എം.എൽ ഹൈപ്പർഡ്രൈവ്, ഹൈപ്പർപാരാമീറ്ററുകളുടെ കൂടുതൽ തന്ത്രപ്രധാനമായ തിരയലും ഒപ്റ്റിമൈസേഷനും ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്നു. എന്റെ അടുത്ത പോസ്റ്റിൽ ഈ സാധ്യതകളെക്കുറിച്ച് ഞാൻ സംസാരിക്കും.

ഉപയോഗപ്രദമായ ഉറവിടങ്ങൾ

Azure ML-നെ കുറിച്ച് കൂടുതലറിയാൻ, നിങ്ങൾക്ക് ഇനിപ്പറയുന്ന Microsoft Learn കോഴ്സുകൾ സഹായകമായേക്കാം:

• Azure ML സേവനത്തിലേക്കുള്ള ആമുഖം
• Azure ML സേവനം ഉപയോഗിച്ച് AI പരിഹാരങ്ങൾ നിർമ്മിക്കുന്നു
• Azure ML സേവനം ഉപയോഗിച്ച് ഒരു പ്രാദേശിക മോഡൽ പരിശീലിപ്പിക്കുക

അവലംബം: www.habr.com