作者的一幅图像
- 管理资源:包括计算实例和计算集群。
- 联动服务:
- 数据存储:这是一种存储各种数据的服务。例如— Blob 存储、hive 存储和 SQL 数据库。
- 计算目标:这些是我们运行模型、进行训练和测试的机器。
- 资产:
- 环境
- 实验
- 管道
- 数据集
- 模型
- 端点
工作空间的整个范围取决于一些依赖关系，将会有各种日志、各种笔记本、资产条目等。对他们来说，工作空间需要储物空间。
- 依赖关系
- Azure 存储帐户:用于工作区的管理和工作。
- Azure container registry:当我们将模型部署到生产和 docker 实例时。
- Azure key vault:存储各种密钥、秘密信息和隐私信息。
- Azure application insight:它用于监控我们的机器学习应用程序和各种信息，如响应时间、请求、失败条件、性能等。
- 数据集
它是以行和列的形式组成的信息，即数据的集合。azure 中有很多方法可以上传/获取机器学习实验的数据集。
- 数据存储
当我们想从本地系统获取数据集时，我们需要一些存储，这就是数据存储的作用。数据存储只是各种存储类型的连接，如帐户存储、数据库或作为数据湖的分析。
- 各种存储类型
Blob，文件存储，数据湖，Azure SQL，Azure PostgreSQL，MySQL，Azure 数据砖。这些都是 azure 系统支持的。
下面是创建工作区的步骤
- 打开 azure 仪表盘，搜索机器学习资源，点击然后创建。如果您没有 azure 帐户，请点击下面的链接。
amitprius.medium.com](https://amitprius.medium.com/how-to-open-an-azure-cloud-account-with-debit-card-87e0d0dd66c) 
作者的一幅图像
2.填写所有信息。
如果没有资源组名，则创建一个新的。当我们写入工作区名称时，其他信息(如密钥库、存储帐户和应用洞察)会自动填充。我们现在将保持容器注册为‘None ’,因为在部署时需要它。
作者的一幅图像
我们可以选择任何地区，但如果我们有大量的数据，我们可以选择最近的快速数据传输的地区。
- 在网络选项中，选择公共访问来练习实验。
- 在高级选项中，有许多选项，并保持原样，在数据影响中，如果我们启用，那么我们告诉微软，我们将上传的数据是敏感的。
3.通过验证后，单击 create 创建工作区。它将创建如下所示的四个资源。
作者的一幅图像
4.现在，单击 go to the resource，workspace dashboard 将打开，并显示 launch studio 选项，如下所示。
作者的一幅图像
在上图中，访问控制(IAM)用于创建更多用户来使用此工作区。
- 创建工作区后，就该启动 ML studio 了，它看起来会像下图一样。
作者的一幅图像
上图中的作者负责制作机器学习实验和流水线。
2.创建新的存储帐户，以避免其他存储系统的文件。
作者的一幅图像
3.现在，在这个存储帐户中创建一个容器。
作者的一幅图像
4.现在，在 ML studio 中创建一个数据存储，它将连接到这个新创建的存储帐户。
作者的一幅图像
5.填写信息。
作者的一幅图像
要获取访问密钥，请转到步骤 2 中的新存储帐户，并从访问密钥选项中复制密钥，如下所示。
作者的一幅图像
现在，单击数据存储的 create 按钮。创建数据存储，并将其与存储帐户一起注册到工作区。
6.现在，将数据集上传到我们在步骤 3 中在存储帐户中创建的容器中。
作者的一幅图像
我们还通过存储帐户中的存储浏览器选项来检查文件。
作者的一幅图像
7.现在，创建数据集并从数据存储中选择文件。
作者的一幅图像
单击“下一步”按钮；当我们选择“从 Azure 存储”时，其他选项将出现在左侧。我们选择这个选项是因为我们的存储是 blob 类型的。
作者的一幅图像
作者的一幅图像
作者的一幅图像
作者的一幅图像
现在，我们可以取消选择 Schema 选项中的 Loan_ID 和 Gender 列。
作者的一幅图像
我们的数据被上传到数据集中。
作者的一幅图像
作者的一幅图像
在本主题中，我们将讨论托管资源工件，即机器学习工作区中的计算实例和计算集群。
这些只是计算机和虚拟机的不同名称。计算目标与工作空间中的链接服务相连接。
我们为什么需要计算资源？
对于任何机器学习建模，我们都需要一个计算资源来训练我们的模型。
- 计算实例:它是一种用于云计算的虚拟机/服务器或计算机。它不仅仅是一台机器，而是连接到工作空间，并且配置了 Python、R、Docker 和 Azure ML SDK。创建工作区时的默认存储帐户与此实例相关联，这意味着我们可以访问所有笔记本和存储的其他数据。主要用于开发过程中的培训、测试和推理。推断意味着为 web 服务创建端点。
- 计算集群:它也是一个托管资源，是一组虚拟机。我们可以将集群用于所有三个作者，即计算实例、设计者或 autoML，用于培训和有限的部署。
- 计算目标:这些计算由远程/附属计算和推理集群组成。
- 远程计算:目标的主要目的是用于训练和测试部署。我们可以使用任何本地机器、计算实例或虚拟机作为计算目标。我们还可以在计算集群上使用批量推理。
- 推理集群:它用于使用我们的模型在生产中进行实时预测。它们可以是 Azure Kubernetes 服务(AKS)。
- 转到 compute 选项卡，在 ML studio 中找到 compute cluster 选项，如下所示:
作者的一幅图像
2.现在，选择预算较低的计算，因为我们只是在练习。
作者的一幅图像
3.给出集群的名称，然后单击 create 按钮。
作者的一幅图像
4.此外，使用与上面相同的信息创建一个计算实例，如下所示。
作者的一幅图像
它只是从数据处理到部署的一系列测试或工作流。
作者的一幅图像
我们可能需要在清理和培训过程中创建计算实例。
- 单击设计器选项中的“立即开始”按钮，如下所示:
作者的一幅图像
2.现在，单击加号按钮创建管道。
作者的一幅图像
3.单击加号按钮后，管道界面将打开。
作者的一幅图像
4.在我们的数据选项中，我们的数据集如下图所示:
作者的一幅图像
5.只需将数据拖放到右侧。
作者的一幅图像
6.现在，在 component 选项中检查从数据集中选择的列，并将它们放到右侧。将数据集的输出连接到选择列的输入。
作者的一幅图像
7.现在，双击选择列，然后单击编辑列。
作者的一幅图像
8.现在选择“清除缺失”选项，并在“编辑列”按钮中选择列。
作者的一幅图像
9.现在选择分割选项，然后选择分数为“0.7”，并通过编辑列选择列名为“loan_status”的分层列。
作者的一幅图像
10.现在，我们准备训练我们的两类逻辑回归模型。
作者的一幅图像
11.完成画布中的所有选项后，我们的管道就完成了。现在转到设置选择计算集群。
作者的一幅图像
12.假设我们的培训模型很大，我们需要使用不同的计算集群。然后，我们可以选择训练模型选项，并在运行设置中选择另一台计算机，如下所示:
作者的一幅图像
13.我们的管道已经完成，我们可以点击提交按钮来运行管道。
作者的一幅图像
我们的管道运行成功完成。
14.完成后，右键单击评估模型以查看 ROC 曲线。
作者的一幅图像
包括混淆矩阵
作者的一幅图像
- 完成管道后，我们可以获得如下所示的创建推理管道选项:
作者的一幅图像
2.当我们选择实时推理时，azure 会在管道中做一些更改，如下所示:
作者的一幅图像
3.我们在管道中做了一些改变，如下所示:
作者的一幅图像
4.现在，单击提交按钮运行实时推理。完成自动化后，我们可以查看分数。
作者的一幅图像
我们也得到了分数和概率。
5.但是我们只需要 web 服务输出中的分数标签，所以我们需要画布中的选择列选项来限制输出。
作者的一幅图像
6.为了进行预测，我们需要在云中部署模型，如果显示了 deploy 按钮，那么在提交运行完成后刷新页面。
但是在部署之前，我们需要一个 Azure Kubernetes 集群服务来满足从 ML studio 创建新的推理集群的需求。
作者的一幅图像
选择虚拟机配置。
作者的一幅图像
写下端点的群集名称。
作者的一幅图像
现在，单击“create”按钮来创建集群，几分钟后它就成功完成了。
作者的一幅图像
创建推理集群之后，现在是时候部署模型和制作端点了。
作者的一幅图像
给出端点的名称，选择新创建的推理集群，然后单击 deploy 按钮，如下所示:
作者的一幅图像
几分钟后，部署完成，在端点部分，我们将看到端点处于健康状态。
作者的一幅图像
在测试部分，我们可以根据输入参数进行预测。
作者的一幅图像
在消费部分，我们可以使用分数的 URL。
作者的一幅图像
这篇文章正在清理 Azure cloud 中机器学习管道的工作流。重要的步骤是处理连接在一起的连接和服务。
我希望你喜欢这篇文章。通过我的 LinkedIn 和 twitter 联系我。
1。Python 2 中最有用的 NumPy 方法。 NumPy:图像上的线性代数 3。Python 中的异常处理概念 4。熊猫:处理分类数据 5。超参数:机器学习中的 RandomSeachCV 和 GridSearchCV 6。用 Python 充分解释了线性回归 7。用 Python 充分解释了 Logistic 回归 8。使用 Numpy 与 Python 9 进行数据分发。Python 中 40 个最疯狂可用的方法 10。Python 中最常用的 20 种熊猫快捷方式