Sida looga gudbo cabsida oo aad u bilowdo isticmaalka Azure Machine Learning

Waan ogahay saynisyahano xog badan-oo malaha waxaan ahay mid iyaga ka mid ah-kuwaas oo ka shaqeeya mashiinnada ku qalabaysan GPU-da, mid maxalli ah ama mid dalwad ah, oo lagu marti-geliyo daruuraha, iyadoo la adeegsanayo Jupyter Notebook ama qaar ka mid ah deegaanka horumarinta Python. Intii lagu guda jiray labadii sano ee aan ahaa horumariyaha khabiirka AI/ML, waxaan si sax ah u sameeyay, diyaarinta xogta server-ka caadiga ah ama goobta shaqada iyo socodsiinta tababarka mashiinka farsamada ee GPU-qalabaysan ee Azure.

Dabcan, dhammaanteen waan maqalnay Barashada Mashiinka Azure - madal daruur u go'an oo loogu talagalay barashada mashiinka. Si kastaba ha ahaatee, ka dib markii jaleecada hore at maqaallo hordhac ah, waxay u muuqataa in Azure ML ay abuuri doonto dhibaatooyin ka badan inta ay xalliso. Tusaale ahaan, tusaalaha tababarka ee aan soo sheegnay, tababarka Azure ML waxaa laga bilaabay Jupyter Notebook, laakiin qoraalka tababarka laftiisa ayaa la abuuray oo loo habeeyey sida faylka qoraalka ee mid ka mid ah unugyada-iyada oo aan faa'iido u lahayn dhamaystirka, muujinta syntax, ama faa'iidooyinka kale ee jawi horumarineed oo caadi ah. Sababtan awgeed, si dhab ah uguma aannu isticmaalin Azure ML shaqadeena muddo dheer.

Si kastaba ha ahaatee, waxaan dhawaan helay hab aan ku bilaabo isticmaalka Azure ML si wax ku ool ah shaqadayda! Ma rabtaa inaad wax badan barato?

Sirta ugu weyn waa tan Visual Studio Code kordhinta Azure MLWaxay kuu ogolaaneysaa inaad si toos ah u horumariso qoraalada tababarka ee VS Code, adigoo si buuxda uga faa'iideysanaya deegaanka. Xitaa waxaad ku socodsiin kartaa qoraalka gudaha ka dibna si fudud ugu diri kartaa kooxda Azure ML si aad u tababbarto dhowr dhagsiin. Ku habboon, sax?

Isla mar ahaantaana, waxaad ka helaysaa faa'iidooyinka soo socda isticmaalka Azure ML:

• Waxaad inta badan ku shaqayn kartaa gudaha mashiinkaaga IDE ku habboon, iyo u isticmaal GPU kaliya tababarka moodeelkaBarkadda agabka tababbarku waxay si toos ah ula qabsan kartaa culayska shaqada ee loo baahan yahay, iyo adiga oo dejinaya tirada ugu yar ee qanjidhada 0, waxaad si toos ah u bilaabi kartaa mashiinka farsamada "haddii la rabo" marka hawlo tababar la heli karo.
• laga yaabaa in aad ku kaydi dhammaan natiijooyinka waxbarashada hal meel, oo ay ku jiraan cabbirada la gaaray iyo moodooyinka ka dhashay - looma baahna in la yimaado nidaam ama amar lagu kaydiyo dhammaan natiijooyinka.
• Sayidka dhowr qof ayaa ka shaqayn kara hal mashruuc - waxay isticmaali karaan kombuyuutar isku mid ah, dhammaan tijaabooyinka waa la safayn doonaa, waxayna sidoo kale arki karaan natiijooyinka midba midka kale tijaabintiisa. Mid ka mid ah dhacdadan ayaa ah Isticmaalka Azure ML ee Waxbarashada qoto dheerHalkii aad ka siin lahayd arday kasta mashiinka farsamada gacanta oo leh GPU, waxaad abuuri kartaa hal koox oo qof kastaa u isticmaali karo bartamaha. Intaa waxaa dheer, buundada la wadaago ee saxnaanta moodeelku waxay u adeegi kartaa sidii shay tartan oo wanaagsan.
• Azure ML, waxaad si fudud u socodsiin kartaa tijaabooyin taxane ah, sida hagaajinta hyperparameter - Tan waxaa lagu samayn karaa dhowr sadar oo kood ah, looma baahna in la sameeyo tijaabo taxane ah oo gacanta ah.

Waxaan rajeynayaa inaan ku qanciyay inaad Azure ML tijaabiso! Waa kan sida loo bilaabo:

• Hubi in lagu rakibay Muuqaalka Muuqaalka Visual Studio, iyo sidoo kale kordhinta Soo gal Azure и Azure ML
• Xir kaydka https://github.com/CloudAdvocacy/AzureMLStarter - waxa ay ka kooban tahay koodka demo si loogu tababaro qaabka aqoonsiga lambar gacan ku qoran ee xogta MNIST.
• Ku fur kaydka la xidhay ee Visual Studio Code.
• Akhristow!

Goobta shaqada ee Azure ML iyo Azure ML Portal

Azure ML waxaa loo habeeyay fikradda goobta shaqada - Goobta shaqada. Goobta shaqadu waxay kaydin kartaa xogta, tijaabooyinka tababarka ayaa loo soo diri karaa, iyo natiijooyinka tababarka - cabbirada iyo moodooyinka ka soo baxay - ayaa sidoo kale lagu kaydiyaa halkaas. Waxaad arki kartaa waxa ku jira goobta shaqada adoo isticmaalaya Azure ML portal - halkaasna waxaad ka samayn kartaa hawlo kala duwan, laga bilaabo rarista xogta ilaa la socodka tijaabooyinka iyo geynta moodooyinka.

Waxaad ku abuuri kartaa goob shaqo adiga oo isticmaalaya interface interneedka. Xariirka Azure (eeg tillaabo tallaabo tallaabo ah), ama adoo isticmaalaya khadka taliska Azure CLI (tilmaamaha):

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

Waxa kale oo jira qaar la xidhiidha goobta shaqada agabka xisaabinta (Xisaabi). Markaad sameysid qoraal si aad u tababarto qaabka, waad awoodaa u dir tijaabo si loo fuliyo galay goobta shaqada oo sheeg xisaabi bartilmaameed - qoraalka ayaa la xiri doonaa, oo lagu bilaabi doonaa jawiga xisaabinta ee loo baahan yahay, ka dibna dhammaan natiijooyinka tijaabada ayaa lagu keydin doonaa goobta shaqada si loo falanqeeyo iyo isticmaalka dheeraadka ah.

Qoraalka tababarka ee MNIST

Aynu ka fiirsan dhibaatada qadiimiga ah aqoonsiga nambar gacanta ku qoran iyadoo la isticmaalayo xogta MNIST. Waxaad u maamuli kartaa mid kasta oo ka mid ah qoraalladaada tababarka si la mid ah.

Waxa jira qoraal ku jira kaydkayaga train_local.py, kaas oo ku tababara qaab toosan oo fudud oo dib-u-celinta iyadoo la adeegsanayo maktabadda SkLearn. Dabcan, waxaan fahamsanahay in tani aysan ahayn habka ugu wanaagsan ee lagu xallin karo dhibaatada-waxaan u isticmaaleynaa tusaale ahaan sababtoo ah waa tan ugu fudud.

Qoraalku wuxuu marka hore ka soo dejiyaa xogta MNIST OpenML ka dibna wuxuu isticmaalaa fasalka LogisticRegression si loo tababaro qaabka, ka dibna u daabaco saxnaanta natiijada:

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)

Waxaad ku socodsiin kartaa qoraalka kumbuyuutarkaaga oo aad natiijada ku heli kartaa dhowr ilbiriqsi gudahood.

Ku socodsii qoraalka Azure ML

Haddii aan ku socodsiino qoraalka tababarka Azure ML, waxaan yeelan doonnaa laba faa'iidooyin oo waaweyn:

• Bilaw tabobar ku saabsan kheyraadka xisaabinta ee aan sabab lahayn, kaas oo sida caadiga ah ka awood badan kombuyuutarka maxaliga ah. Azure ML waxay si toos ah ugu xidhi doontaa qoraalkayaga dhammaan faylalka tusaha hadda jira weel Docker ah, rakibi doona ku-tiirsanaanta loo baahan yahay, oo u diri doona si loo fuliyo.
• Natiijooyinka u qorida diiwaanka midaysan ee gudaha goobta shaqada ee Azure ML. Si aan uga faa'iidaysano sifadan, waxaan u baahanahay in aan ku darno dhowr sadar oo kood ah qoraalkeena si aan u duubno saxnaanta ka dhalata:

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

Nooca u dhigma ee qoraalka ayaa la yiraahdaa train_universal.py (Waa wax yar oo ka casrisan sida kor lagu sheegay, laakiin ma badna.) Qoraalkan waxa lagu socodsiin karaa labadaba gudaha iyo agabka xisaabinta fog.

Si aad ugu socodsiiso Azure ML ka VS Code, waxaad u baahan tahay inaad sameyso waxyaabaha soo socda:

1. Hubi in Extension Azure uu ku xidhan yahay rukunka. Dooro summada Azure ee liiska bidix. Haddii aanad ku xidhnayn, wargelin ayaa ka soo bixi doonta geeska midig ee hoose (sida tan), adigoo gujinaya kaas oo aad ka gali karto browserka. Waxaad sidoo kale riix kartaa Ctrl-Shift-P si aad u furto khadka taliska VS Code, oo ku qor Soo gal Azure.

2. Taas ka dib, qaybta Azure (astaanta bidix), hel qaybta BARASHADA MACHINE:

Halkan waa inaad ku aragto kooxo kala duwan oo walxo ah oo ku dhex jira goobta shaqada: ilaha xisaabinta, tijaabooyinka, iwm.

1. Tag liiska faylka, midig-guji qoraalka train_universal.py dooro Azure ML: Ku orod sidii tijaabo gudaha Azure.

1. Tani waxay markaa kugula socodsiin doontaa taxane taxane ah oo ku yaal aagga amarka degdegga ah ee VS Code: xaqiiji rukunka Azure ML iyo goobta shaqada ee aad isticmaaleyso, oo dooro Abuur tijaabo cusub:

1. Dooro si aad u abuurto agab xisaabeed cusub Abuur Xisaabeed Cusub:

   • Xisaabi Wuxuu go'aamiyaa ilaha xisaabinta ee tababarka lagu qaadan doono. Waxaad dooran kartaa kombuyuutar maxalli ah ama AmlCompute Cloud cluster. Waxaan ku talinayaa in la abuuro koox mashiino ah oo la miisaami karo. STANDARD_DS3_v2, oo leh tirada ugu yar ee mishiinada 0 (iyo ugu badnaan waxay noqon kartaa 1 ama ka badan, iyadoo ku xidhan rabitaanka cuntadaada). Tan waxaa lagu samayn karaa iyada oo loo marayo VS Code interface, ama horay loo sii marayo Xariirka ML.

   

2. Marka xigta waxaad u baahan tahay inaad doorato qaabeynta Xisaabinta Isku-habaynta, kaas oo qeexaya xuduudaha weelka loo abuuray tababarka, gaar ahaan, dhammaan maktabadaha lagama maarmaanka ah. Xaaladeena, maadaama aan isticmaaleyno Scikit Learn, waxaan dooranaa SkLearn, ka dibna si fudud u xaqiiji liiska la soo jeediyay ee maktabadaha adiga oo riixaya Gelida. Haddii aad isticmaasho maktabado dheeraad ah, waa inaad ku qeexdaa halkan.

   
   

3. Daaqad ayaa ku furmi doonta faylka JSON oo qeexaya tijaabada Waxaad wax ka beddeli kartaa cabbirrada qaarkood halkan, sida magaca tijaabada. Intaa ka dib, guji xiriirka Soo gudbi tijaabada isla gudaha faylkan:

1. Markaad si guul leh ugu soo gudbiso tijaabadaada VS Code, waxaad arki doontaa isku xirka Azure ML Portal, halkaas oo aad kala socon karto heerka iyo natiijada tijaabada.

Mar walba waxaad ka heli kartaa qaybta dambe. Tijaabooyin Azure ML Portal, ama qaybta Barashada Mashiinka Azure Liiska tijaabooyinka:

1. Haddii aad wax ka beddel ah ku samaysay koodka ama aad beddeshay cabbir kasta tan iyo markaas, dib u socodsiinta tijaabadu waxay noqon doontaa mid dhakhso badan oo fudud. Midig ku dhufo faylka ayaa muujin doonta shay cusub. Ku celi orodkii u dambeeyay - kaliya dooro, tijaabada ayaa isla markiiba la bilaabi doonaa:

Waxaad had iyo jeer ka heli kartaa natiijooyinka cabbirka dhammaan orodyada ku jira Xariirka Azure ML; Looma baahna in la duubo.

Hadda waxaad ogtahay in tijaabinta Azure ML ay tahay mid fudud oo aan xanuun lahayn, waxaadna heleysaa tiro faa'iidooyin fiican ah.

Laakiin waxaa laga yaabaa inaad dareentay cilladaha qaarkood. Tusaale ahaan, socodsiinta qoraalka waxay qaadatay waqti dheer. Dabcan, ku xidhidhiyaha qoraalka weel iyo geynta server-ka waxay qaadataa wakhti. Haddii kooxdu hoos loo dhigo ilaa 0 qanjidhada, waxay qaadan doontaa xataa in ka badan in la bilaabo mishiinka farsamada. Tani waxay si gaar ah loo dareemi karaa marka aan tijaabineyno mashaakil fudud sida MNIST, oo qaata dhowr ilbiriqsi si loo xalliyo. Si kastaba ha ahaatee, nolosha dhabta ah, marka tababarku qaato saacado, ama xitaa maalmo ama toddobaadyo, wakhtigan dheeraadka ah wuxuu noqonayaa mid aan muhiim ahayn, gaar ahaan marka la barbar dhigo waxqabadka aadka u sarreeya ee kooxda xisaabintu ay bixin karto.

Maxaa ku xiga?

Waxaan rajeynayaa in akhrinta maqaalkan ka dib, aad awoodi doonto oo aad u isticmaali doonto Azure ML socodka shaqadaada si aad u socodsiiso qoraallada, u maamusho agabka xisaabinta, oo aad u dhexeeyso natiijooyinka. Si kastaba ha ahaatee, Azure ML waxay ku siin kartaa faa'iidooyin badan!

Waxaad ku kaydin kartaa xogta gudaha goobtaada shaqada, adigoo abuuraya meel dhexe, oo si sahlan loo heli karo kaydinta dhammaan hawlahaaga. Waxa kale oo aad tijaabin kartaa adigoo isticmaalaya API-ga halkii aad ka isticmaali lahayd Visual Studio Code-tani waxay si gaar ah faa'iido u yeelan kartaa haddii aad u baahan tahay inaad sameyso hagaajinta hyperparameterka oo aad sameyso qoraal dhowr jeer ah oo leh cabbirro kala duwan. Intaa waxaa dheer, Azure ML waxay u leedahay tignoolajiyada ku dhisan tan. kaxaynta sare, kaas oo u oggolaanaya raadinta iyo hagaajinta hyperparameter aad u casrisan. Waxaan kaga hadli doonaa awoodahaan qoraalkayga soo socda.

Kheyraad Faa'iido Leh

Si aad u hesho faham qoto dheer oo ku saabsan Azure ML, waxaad ka heli kartaa koorsooyinka Barashada Microsoft ee soo socda:

• Hordhac adeega Azure ML
• Dhisida xalalka AI ee Azure ML
• Tababar nooc maxalli ah adoo isticmaalaya adeega Azure ML

Source: www.habr.com