Introduction

Een veelvoorkomende uitdaging bij het ontwikkelen van machine learning-modellen is het voorbereiden op productiescenario's. Wanneer u code schrijft om gegevens te verwerken en modellen te trainen, wilt u dat de code schaalbaar, herhaalbaar en gereed is voor automatisering.

Hoewel notebooks ideaal zijn voor experimenten en ontwikkeling, zijn scripts beter geschikt voor productieworkloads. In Azure Machine Learning kunt u een script uitvoeren als een opdrachttaak. Wanneer u een opdrachttaak verzendt, kunt u verschillende parameters configureren, zoals de invoergegevens en de rekenomgeving.

Zodra uw trainingsscript als een taak wordt uitgevoerd, wilt u ook de prestaties van het model in de loop van de tijd bewaken. U kunt MLflow gebruiken om metrische gegevens, parameters en artefacten rechtstreeks vanuit uw scripts bij te houden. MLflow is een opensource-platform dat is geïntegreerd met Azure Machine Learning waarmee u uitvoeringen kunt vergelijken en kunt beslissen over de volgende stappen.

Doelstellingen voor leren

In deze module leert u het volgende:

• Converteer een notebook naar een script.
• Testscripts in een terminal.
• Voer een script uit als een opdrachttaak.
• Gebruik parameters in een opdrachttaak.
• Gebruik MLflow wanneer u een script als taak uitvoert.
• Bekijk metrische gegevens, parameters, artefacten en modellen uit een uitvoering.

Laten we eerst eens kijken waarom scripts een betere keuze zijn dan notebooks voor machine learning-workloads voor productie. En hoe u uw bestaande notebooks converteert naar herbruikbare scripts die gereed zijn voor productie.