新闻发布网站模板,云县网站建设找那家,wordpress首页没有,泰顺网站建设了解如何使用 TensorFlow 和 Azure 机器学习 Visual Studio Code 扩展训练图像分类模型来识别手写数字。 关注TechLead#xff0c;分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验#xff0c;同济本复旦硕#xff0c;复旦机器人智能实验室成员… 了解如何使用 TensorFlow 和 Azure 机器学习 Visual Studio Code 扩展训练图像分类模型来识别手写数字。 关注TechLead分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验同济本复旦硕复旦机器人智能实验室成员阿里云认证的资深架构师项目管理专业人士上亿营收AI产品研发负责人。 一、环境准备 Azure 订阅。 如果没有订阅注册之后即可试用 Azure 机器学习免费版或付费版。 如果使用的是免费订阅则仅支持 CPU 群集。 安装 Visual Studio Code一种轻量型跨平台代码编辑器。 Azure 机器学习工作室 Visual Studio Code 扩展。 有关安装说明请参阅 Azure 机器学习 Visual Studio Code 扩展指南 CLI (v2)。 有关安装说明请参阅安装、设置和使用 CLI (v2) 克隆社区主导的存储库 git clone https://github.com/Azure/azureml-examples.git二、了解代码
本教程的代码使用 TensorFlow 来训练可以对手写数字 0-9 进行分类的图像分类机器学习模型。 它通过创建一个神经网络来实现此目的。该神经网络将“28 像素 x 28 像素”图像的像素值作为输入输出一个包含 10 个概率的列表一个概率对应于要分类的一个数字。 下面是数据的外观示例。 三、创建工作区
若要在 Azure 机器学习中生成应用程序第一件必须做的事是创建工作区。 工作区包含用于训练模型的资源以及已训练的模型本身。 有关详细信息请参阅什么是工作区。 在 Visual Studio Code 中从社区主导的存储库打开 azureml-examples/cli/jobs/single-step/tensorflow/mnist 目录。 在 Visual Studio Code 活动栏上选择 Azure 图标打开“Azure 机器学习”视图。 在“Azure 机器学习”视图中右键单击你的订阅节点然后选择“创建工作区”。 此时会显示规范文件。 用以下选项配置规范文件。 $schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.jsonname: TeamWorkspacelocation: WestUS2display_name: team-ml-workspacedescription: A workspace for training machine learning modelstags:purpose: trainingteam: ml-team规格文件将在 WestUS2 区域中创建名为 TeamWorkspace 的工作区。 规格文件中定义的其余选项为工作区提供友好的命名、说明和标记。 右键单击规范文件然后选择“AzureML: 执行 YAML”。 创建资源时将使用 YAML 规范文件中定义的配置选项并使用 CLI (v2) 提交一个作业。 此时系统会向 Azure 发出请求以便在你的帐户中创建新的工作区和相关资源。 几分钟后新工作区会显示在订阅节点中。 将 TeamWorkspace 设置为默认工作区。 这样会默认将你创建的资源和作业放入该工作区。 在 Visual Studio Code 状态栏上选择“设置 Azure 机器学习工作区”按钮然后按照提示将 TeamWorkspace 设置为默认工作区。
有关工作区的详细信息请参阅如何在 VS Code 中管理资源。 四、创建用于训练的 GPU 群集
计算目标是在其中运行训练作业的计算资源或环境。 有关详细信息请参阅 Azure 机器学习计算目标文档。 在“Azure 机器学习”视图中展开你的工作区节点。 右键单击工作区的“计算”节点内的“计算群集”节点然后选择“创建计算” 此时会显示规范文件。 用以下选项配置规范文件。 $schema: https://azuremlschemas.azureedge.net/latest/compute.schema.jsonname: gpu-clustertype: amlcomputesize: Standard_NC12min_instances: 0max_instances: 3idle_time_before_scale_down: 120规格文件将创建名为 gpu-cluster 的 GPU 群集其中最多包含 3 个 Standard\_NC12 VM 节点在处于非活动状态 120 秒后该群集将自动纵向缩减为 0 个节点。有关 VM 大小的详细信息请参阅 [Azure 中的 Linux 虚拟机大小](https://learn.microsoft.com/zh-cn/azure/virtual-machines/sizes?viewazureml-api-2)。右键单击规范文件然后选择“AzureML: 执行 YAML”。
几分钟后新计算目标会出现在工作区的“计算”“计算群集”节点中。 五、定型模型
在训练过程中训练 TensorFlow 模型的方式是这样的针对要分类的每个相应的数字处理在该模型中嵌入的训练数据和学习模式。
与工作区和计算目标一样训练作业是使用资源模板定义的。 对于本示例规格文件在 job.yml 文件中定义如下所示
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json code: src command: python train.py environment: azureml:AzureML-tensorflow-2.4-ubuntu18.04-py37-cuda11-gpu:48 compute: azureml:gpu-cluster experiment_name: tensorflow-mnist-example description: Train a basic neural network with TensorFlow on the MNIST dataset.
此规格文件将名为 tensorflow-mnist-example 的、用于运行 train.py Python 脚本中的代码的训练作业提交到最近创建的 gpu-cluster 计算机目标。 使用的环境是 Azure 机器学习提供的特选环境之一其中包含 TensorFlow 以及运行训练脚本所需的其他软件依赖项。 有关特选环境的详细信息请参阅 Azure 机器学习特选环境。
若要提交训练作业请执行以下操作
打开“job.yml”文件。在文本编辑器中右键单击该文件然后选择“AzureML: 执行 YAML”。
此时系统会向 Azure 发送请求以便在工作区中所选的计算目标上运行试验。 此过程需要几分钟。 运行训练作业的时间长度受多种因素如计算类型和训练数据大小的影响。 若要跟踪试验进度请右键单击当前的运行节点然后选择“在 Azure 门户中查看作业”。
出现请求打开外部网站的对话框时请选择“打开”。 训练完模型后运行节点旁边的状态标签会更新为“已完成”。 关注TechLead分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验同济本复旦硕复旦机器人智能实验室成员阿里云认证的资深架构师项目管理专业人士上亿营收AI产品研发负责人。
