真正的大殺器來了!-
Azure Machine Learning Studio
!!
我們前面學習過了透過配合的來訓練迴歸模型,如果大家沒有什麼印象,可以透過文章結尾的文章列表重溫一下:在這些例項中我們使用了程式碼進行資料預處理,然後使用SDK進行AutoML的模型訓練,我們寫了很多程式碼,今天我們來給大家演示如果透過提供的工具無需寫任何一行程式碼僅僅只需要幾個小小的配置就能完整一個分類AutoML模型的訓練。
那麼我們就開始吧。
開始之前,請點選這裡下載我們需要的例項資料:https://automlsamplenotebookdata。blob。core。windows。net/automl-sample-notebook-data/bankmarketing_train。csv
使用Studio進行AutoML分類模型訓練
在本章所有的訓練都無需寫任何的程式碼,這對於非程式是非常友好的,即便是程式設計師也能使用提供的便利功能大大介紹專案的開發成本,我們在本節中即將做如下的事情:
建立一個的
執行一個Auto ML的
檢視執行細節。
部署模型
在開始之前,你至少需要有一個訂閱,以及從這裡下載一個預先準備好的資料檔案https://automlsamplenotebookdata。blob。core。windows。net/automl-sample-notebook-data/bankmarketing_train。csv
建立的workspace
建立的非常直觀,只需要登入到Azure的portal, 然後在marketplace裡搜尋, 然後按照提示一步一步操作就可以了。
關於如何建立一個, 你可以參考文件https://docs。azure。cn/zh-cn/machine-learning/how-to-manage-workspace?tabs=python
建立完成後,進入到的概要頁面,點選啟動工具,
啟動後,的全貌如下圖:
下面我們將使用工具進行Auto ML 分類模型訓練
建立資料集(DataSet)
在之前的文章中我們已經學習過了Azure ML基本的資料處理概念和工具,在Azure ML中使用和來表示資料處理概念和工具。在我們使用的時候,可以使用程式碼來建立和,然後將 掛載(mount)到用於訓練的機器上,程式碼可以像使用本地檔案系統一樣來使用儲存在裡的資料, 關於這個部分,您可以從這篇文章來複習一下。本章中我們使用來視覺化的建立和,並應用於。
啟動之後,選擇左側的選單,如下圖:
然後選擇建立資料集,並選擇
在出現的第一個介面,開始建立資料集,需要注意的是僅僅支援表格形式的資料:
給資料集起一個名字,然後資料集型別選擇, 新增描述,然後下一步:
注意:
資料儲存和檔案選擇,選擇預設的, 這是workspace建立時預設會建立一個
選擇選擇剛剛下載的檔案, 然後下一步:
請注意按照上圖所示設定,特別需要注意, , , 等等設定,然後下一步
開始進入了資料預覽和設定的部分,例如本例中我們不需要列資料, 即可以透過開關不包含該列資料,設定後下一步:
最後一步,預覽一下資料集的配置,然後點選建立,完成資料集建立。
建立計算群集
建立了資料集之後,我們需要再建立用於模型訓練的資料群集。
開啟之後,選擇左側的選單:, 然後選擇, 如下圖:
點選之後
點選之後
在出現的介面之後,選擇, 選擇, 選擇, 虛擬機器大小可以選擇, 然後選擇下一步
輸入叢集名稱,節點數下限選擇0, 節點數上限,然後選擇下一步。
計算叢集建立完成。
建立Auto ML任務
建立完資料集和計算叢集之後,可以開始正式的使用來建立任務。
回到首頁之後,選擇左側選單的, 然後選擇
在出現的介面裡選擇剛剛建立的資料集:
然後下一步,選擇資料集之後,建立用於執行計算任務的和計算叢集
這裡輸入experiment的名字, 然後最需要注意的是:選擇我們需要預測的資料列, 我們這裡選擇資料列, 選擇用於計算的群集為剛剛建立的群集,然後下一步
在本部我們需要選擇演算法型別,本例中我們選擇, 然後選擇, 在出現的對話方塊裡按照對話方塊裡進行分類的引數設定:
然後點選下一步:
至此,Azure Auto ML型別開始進行了訓練,一切全部自動,在出現的介面裡可以檢視各種資訊,如下圖:
部署
等候訓練完成後,進入左側選單(), 找到剛剛建立的: , 點選進入後,如下圖:
選擇執行的ID, 進入該執行的概要, 然後選擇模型,如下圖:
在上圖選擇,如下圖:
點選, 根據提示即可將已經訓練好的模型部署到或者, 同時你可以將自己的自建的k8s繼承進來,如下圖:
至此我們已經使用工具完成了一個的分類模型訓練以及部署,可以看到整個過程中,沒有寫一行程式碼,完全只需要在圖形介面上配置就可以了,這個大大降低了模型開發的難度。
我們總結一下使用 進行訓練的基本步驟:
資料載入和處理
選擇用於計算的計算叢集
選擇計算的模型型別,需要注意的是Azure AutoML 僅僅支援:分類,基於時序資料預測,迴歸
執行experiment
檢視訓練模型
部署模型
AzureDeveloper 往期文章目錄:
AzureDeveloper,一個分享和學習Azure技術的好去處,歡迎關注