Introduction

Typowym wyzwaniem podczas opracowywania modeli uczenia maszynowego jest przygotowanie się do scenariuszy produkcyjnych. Podczas pisania kodu do przetwarzania danych i trenowania modeli chcesz, aby kod był skalowalny, powtarzalny i gotowy do automatyzacji.

Chociaż notesy są idealne do eksperymentowania i programowania, skrypty są lepiej dopasowane do obciążeń produkcyjnych. W usłudze Azure Machine Learning można uruchomić skrypt jako zadanie polecenia. Podczas przesyłania zadania polecenia można skonfigurować różne parametry, takie jak dane wejściowe i środowisko obliczeniowe.

Po uruchomieniu skryptu szkoleniowego jako zadania należy również monitorować wydajność modelu w czasie. Za pomocą biblioteki MLflow można śledzić metryki, parametry i artefakty bezpośrednio ze skryptów. MLflow to platforma typu open source zintegrowana z usługą Azure Machine Learning, która umożliwia porównywanie przebiegów i podejmowanie decyzji o następnych krokach.

Cele nauczania

Z tego modułu dowiesz się, jak wykonywać następujące czynności:

• Konwertowanie notesu na skrypt.
• Testowanie skryptów w terminalu.
• Uruchom skrypt jako zadanie wiersza poleceń.
• Użyj parametrów w zadaniu polecenia.
• Użyj MLflow podczas uruchamiania skryptu w ramach zadania.
• Przejrzyj metryki, parametry, artefakty i modele z przebiegu.

Zacznijmy od zapoznania się z tym, dlaczego skrypty są lepszym wyborem niż notesy dla obciążeń uczenia maszynowego w środowisku produkcyjnym. Sposób konwertowania istniejących notesów na skrypty gotowe do użycia w środowisku produkcyjnym.