Tutorial: Entrenamiento e implementación de un modelo de Azure Machine Learning

Se aplica a: IoT Edge 1.1

En este artículo, realizamos las siguientes tareas:

• Use Azure Machine Learning Studio para entrenar un modelo de aprendizaje automático.
• Empaquete el modelo entrenado en una imagen de contenedor.
• Implemente la imagen de contenedor como un módulo de Azure IoT Edge.

Machine Learning Studio es un bloque fundamental que se usa para experimentar, entrenar e implementar modelos de aprendizaje automático.

Normalmente, los científicos de datos pueden realizar los pasos de este artículo.

En esta sección del tutorial, aprenderá a:

Prerrequisitos

Este artículo forma parte de una serie para un tutorial sobre cómo utilizar Machine Learning con IoT Edge. Cada artículo de la serie se basa en el trabajo del artículo anterior. Si ha llegado directamente a este artículo, consulte el primer artículo de la serie.

Configuración de Azure Machine Learning

Usamos Machine Learning Studio para hospedar los dos cuadernos de Jupyter Notebook y los archivos auxiliares. Aquí se crea y configura un proyecto de Machine Learning. Si no ha usado Jupyter o Machine Learning Studio, estos son dos documentos introductorios:

• Jupyter Notebook: trabajar con cuadernos de Jupyter en Visual Studio Code
• Azure Machine Learning: Introducción a Azure Machine Learning en cuadernos de Jupyter

Instalación de la extensión de Visual Studio Code de Azure Machine Learning

Visual Studio Code en la máquina virtual de desarrollo debe tener instalada esta extensión. Si se ejecuta en otra instancia, vuelva a instalar la extensión como se describe en Configuración de la extensión de Visual Studio Code.

Creación de una cuenta de Azure Machine Learning

Para aprovisionar recursos y ejecutar cargas de trabajo en Azure, inicie sesión con las credenciales de la cuenta de Azure.

1. En Visual Studio Code, abra la Paleta de Comandos seleccionando Ver>Paleta de Comandos en la barra de menú.

2. Escriba el comando Azure: Sign In en la paleta de comandos para iniciar el proceso de inicio de sesión. Siga las instrucciones para completar el inicio de sesión.

3. Cree una instancia de cómputo de aprendizaje automático para ejecutar la carga de trabajo. En la paleta de comandos, escriba el comando Azure ML: Create Compute.

4. Seleccione la suscripción de Azure.

5. Seleccione + Crear nuevo área de trabajo de Azure MLy escriba el nombre turbofandemo.

6. Seleccione el grupo de recursos que ha usado para esta demostración.

7. Debería ver el progreso de la creación del espacio de trabajo en la esquina inferior derecha de la ventana de Visual Studio Code: Creación de espacio de trabajo: turobofandemo. Este paso puede tardar un minuto o dos.

8. Espere a que el área de trabajo se cree con éxito. Debería decir área de trabajo de Azure ML turbofandemo creada.

Carga de archivos de Jupyter Notebook

Cargaremos archivos de cuaderno de ejemplo en un nuevo área de trabajo de Machine Learning.

1. Vaya a ml.azure.com e inicie sesión.

2. Seleccione el directorio de Microsoft, la suscripción de Azure y el área de trabajo de Machine Learning recién creada.

   

3. Después de iniciar sesión en su área de trabajo de Machine Learning, vaya a la sección cuadernos mediante el menú del lado izquierdo.

4. Seleccione la pestaña Mis archivos .

5. Seleccione Cargar (el icono de flecha arriba).

6. Vaya a C:\source\IoTEdgeAndMlSample\AzureNotebooks. Seleccione todos los archivos de la lista y seleccione Abrir.

7. Seleccione la casilla Confío en el contenido de estos archivos.

8. Seleccione Cargar para empezar a cargar. A continuación, seleccione Done una vez completado el proceso.

Archivos de Jupyter Notebook

Vamos a revisar los archivos que cargó en el área de trabajo de Machine Learning. Las actividades de esta parte del tutorial abarcan dos archivos de cuaderno, que usan algunos archivos auxiliares.

• 01-turbofan_regression.ipynb: este cuaderno usa el área de trabajo de Machine Learning para crear y ejecutar un experimento de aprendizaje automático. En términos generales, el cuaderno realiza los pasos siguientes:

  1. Descarga datos de la cuenta de Azure Storage generada por el arnés del dispositivo.
  2. Explora y prepara los datos y, a continuación, usa los datos para entrenar el modelo clasificador.
  3. Evalúa el modelo del experimento mediante un conjunto de datos de prueba (Test_FD003.txt).
  4. Publica el mejor modelo clasificador en el área de trabajo de Machine Learning.

• 02-turbofan_deploy_model.ipynb: este cuaderno toma el modelo creado en el cuaderno anterior y lo usa para crear una imagen de contenedor lista para implementarse en un dispositivo IoT Edge. El cuaderno realiza los pasos siguientes:

  1. Crea un código de evaluación para el modelo.
  2. Genera una imagen de contenedor mediante el modelo clasificador que se guardó en el área de trabajo de Machine Learning.
  3. Implementa la imagen como servicio web en Azure Container Instances.
  4. Usa el servicio web para validar que el modelo y la imagen funcionan según lo previsto. La imagen validada se implementará en nuestro dispositivo IoT Edge durante la sección Creación e implementación de módulos personalizados de IoT Edge de este tutorial.

• Test_FD003.txt: este archivo contiene los datos que usaremos como conjunto de pruebas al validar nuestro clasificador entrenado. Decidimos usar los datos de prueba, como se proporciona para el concurso original, como nuestro conjunto de pruebas por su simplicidad.

• RUL_FD003.txt: este archivo contiene la vida útil restante (RUL) para el último ciclo de cada dispositivo en el archivo Test_FD003.txt. Consulte los archivos readme.txt y propagación de daños Modeling.pdf en C:\source\IoTEdgeAndMlSample\data\Turbofan para obtener una explicación detallada de los datos.

• Utils.py: este archivo contiene un conjunto de funciones de utilidad de Python para trabajar con datos. El primer cuaderno contiene una explicación detallada de las funciones.

• README.md: Este archivo README describe el uso de los cuadernos.

Ejecuta los cuadernos de Jupyter

Ahora que se crea el área de trabajo, puede ejecutar los cuadernos.

1. En la página Mis archivos , seleccione 01-turbofan_regression.ipynb.

   

2. Si el cuaderno aparece como no de confianza, seleccione el widget no de confianza en la esquina superior derecha del cuaderno. Cuando aparezca el cuadro de diálogo, seleccione Confiar.

3. Para obtener los mejores resultados, lea la documentación de cada celda y ejecútelo individualmente. Seleccione Ejecutar en la barra de herramientas. Más adelante, resultará útil ejecutar varias celdas. Puede ignorar las advertencias de actualización y obsolescencia.

   Cuando se ejecuta una celda, muestra un asterisco entre los corchetes ([*]). Una vez completada la operación de la celda, el asterisco se reemplaza por un número y puede aparecer la salida pertinente. Las celdas de un cuaderno se compilan secuencialmente y solo se puede ejecutar una celda a la vez.

   También puede usar las opciones de ejecución en el menú de celda de. Seleccione Ctrl+Entrar para ejecutar una celda y seleccione Mayús+Entrar para ejecutar una celda y avanzar a la celda siguiente.

   Sugerencia

   Para garantizar operaciones coherentes en las celdas, evite ejecutar el mismo cuaderno desde varias pestañas en su navegador.

4. Después de las instrucciones de Establecer propiedades globales, escriba los valores de su suscripción, configuración y recursos de Azure. Ejecute la celda.

   

5. En la celda anterior a detalles del área de trabajo, una vez que se haya ejecutado, busque el vínculo que indica que inicie sesión para autenticarse.

   

   Abra el vínculo y escriba el código especificado. Este procedimiento de inicio de sesión autentica el cuaderno de Jupyter Notebook para acceder a los recursos de Azure mediante la interfaz de la línea de comandos multiplataforma de Microsoft Azure.

   

6. En la celda que precede a Explorar los resultados, copia el valor del ID de ejecución y pégalo en el ID de ejecución de la celda que sigue a Reconstituir una ejecución.

   

7. Ejecuta las celdas restantes del cuaderno.

8. Guarde el cuaderno y vuelva a la página del proyecto.

9. Abra 02-turbofan_deploy_model.ipynby ejecute cada celda. Deberá iniciar sesión para autenticarse en la celda siguiente Configuración del área de trabajo.

10. Guarde el cuaderno y vuelva a la página del proyecto.

Comprobación de que la operación se ha completado correctamente

Para comprobar que los cuadernos se han completado correctamente, compruebe que se crearon algunos elementos.

1. En la pestaña Mis archivos de los cuadernos de Machine Learning, seleccione actualizar.

2. Compruebe que se crearon los archivos siguientes.

   Archivo	Descripción
   ./aml_config/.azureml/config.json	Archivo de configuración que se usa para crear el área de trabajo de Machine Learning.
   ./aml_config/model_config.json	Archivo de configuración que necesitaremos para implementar el modelo en el entorno de trabajo de Machine Learning turbofanDemo en Azure.
   myenv.yml	Proporciona información sobre las dependencias del modelo de Machine Learning implementado.

3. Compruebe que se crearon los siguientes recursos de Azure. Algunos nombres de recursos se anexan con caracteres aleatorios.

   Recurso de Azure	Nombre
   Área de trabajo de Azure Machine Learning	turborfanDemo
   Azure Container Registry (Registro de Contenedores de Azure)	turbofandemoxxxxxxxx
   Application Insights	turbofaninsightxxxxxxxx
   Azure Key Vault	turbofankeyvaultbxxxxxxxx
   Azure Storage	almacenamientoturbofanxxxxxxxxx

Depuración de errores

Puede insertar instrucciones de Python en el cuaderno para la depuración, como el comando print() para mostrar valores. Si ve variables u objetos que no están definidos, ejecute las celdas donde se declaran por primera vez o se instancian.

Es posible que tenga que eliminar los archivos creados anteriormente y los recursos de Azure si necesita rehacer los cuadernos.

Limpieza de recursos

Este tutorial forma parte de un conjunto en el que cada artículo se basa en el trabajo realizado en los anteriores. Espere para proceder con la limpieza de los recursos hasta que haya completado el tutorial final.

Pasos siguientes

En este artículo, usamos dos Jupyter notebooks ejecutándose en Machine Learning Studio para utilizar los datos de los dispositivos turbofan con el fin de:

• Entrenar un clasificador RUL.
• Guarde el clasificador como modelo.
• Cree una imagen de contenedor.
• Implemente y pruebe la imagen como un servicio web.

Continúe con el siguiente artículo para crear un dispositivo IoT Edge.