Inledning

En vanlig utmaning när du utvecklar maskininlärningsmodeller är att förbereda för produktionsscenarier. När du skriver kod för att bearbeta data och träna modeller vill du att koden ska vara skalbar, repeterbar och redo för automatisering.

Även om notebook-filer är idealiska för experimentering och utveckling passar skript bättre för produktionsarbetsbelastningar. I Azure Machine Learning kan du köra ett skript som ett kommandojobb. När du skickar ett kommandojobb kan du konfigurera olika parametrar som indata och beräkningsmiljön.

När träningsskriptet körs som ett jobb vill du också övervaka modellens prestanda över tid. Du kan använda MLflow för att spåra mått, parametrar och artefakter direkt från skripten. MLflow är en plattform med öppen källkod integrerad med Azure Machine Learning som gör att du kan jämföra körningar och besluta om nästa steg.

Utbildningsmål

I den här modulen lär du dig att:

• Konvertera en notebook-fil till ett skript.
• Testa skript i en terminal.
• Kör ett skript som ett kommandojobb.
• Använd parametrar i ett kommandojobb.
• Använd MLflow när du kör ett skript som ett jobb.
• Granska mått, parametrar, artefakter och modeller från en körning.

Vi börjar med att utforska varför skript är ett bättre val än notebook-filer för maskininlärningsarbetsbelastningar i produktion. Och hur du konverterar dina befintliga notebook-filer till återanvändbara, produktionsklara skript.