簡介

開發機器學習模型時，常見的挑戰是為生產情境做好準備。 當你撰寫處理資料和訓練模型的程式碼時，你希望程式碼具備可擴展性、可重複性，且準備好自動化。

雖然筆記本非常適合實驗和開發，但腳本更適合生產工作負載。 在 Azure Machine Learning 中，你可以執行腳本作為 指令工作。 當你提交指令工作時，可以設定各種參數，例如輸入資料和計算環境。

當你的訓練腳本以工作形式執行後，你也要監控模型隨時間的表現。 你可以直接用 MLflow 追蹤腳本的指標、參數和瑕疵。 MLflow 是一個與 Azure Machine Learning 整合的開源平台，讓你能比較運行並決定下一步。

學習目標

在本課程單元中，您將瞭解如何：

• 把筆記本轉成腳本。
• 在終端機裡測試腳本。
• 執行腳本作為命令作業。
• 在指令工作中使用參數。
• 執行腳本當作工作時，請使用 MLflow。
• 檢閱執行中的計量、參數、成品和模型。

讓我們先從說明為什麼腳本比筆記本更適合用於生產機器學習工作。 以及如何將現有筆記本轉換成可重複使用、可投入生產的腳本。