Azure Machine Learning 스튜디오에서 교육 작업 제출

Azure Machine Learning을 사용하여 학습 작업을 만드는 방법에는 여러 가지가 있습니다. Azure CLI, REST API를 사용하여 모델을 학습하거나 스튜디오 UI를 사용하여 학습 작업을 직접 만들 수 있습니다.

이 문서에서는 사용자 고유의 데이터와 코드를 사용하여 Azure Machine Learning 스튜디오에서 학습 작업을 제출하기 위한 안내된 환경을 사용하여 기계 학습 모델을 학습시키는 방법을 알아봅니다.

필수 구성 요소

• Azure 구독 Azure 구독이 아직 없는 경우 시작하기 전에 Azure 체험 계정을 만듭니다.

• Azure Machine Learning 작업 영역 방법을 알아보려면 작업 영역 리소스 만들기를 참조하세요.

• Azure Machine Learning에서 학습 작업이 무엇인지 이해합니다. 자세한 내용은 모델을 학습하는 방법을 참조하세요.

시작하기

1. Azure Machine Learning 스튜디오에 로그인한 다음, 구독 및 작업 영역을 선택합니다.

2. 홈페이지에서 작업 만들기 UI를 입력합니다. + 새 작업을 선택하고 훈련 작업을 선택합니다.

   

3. 학습 방법을 선택한 다음, 작업 구성 시작을 선택하여 제출 양식을 엽니다.

   

   다음 섹션에서는 사용자 지정 학습 스크립트(명령 작업)를 실행하는 단계를 사용하여 양식을 안내합니다.

기본 설정을 구성하다

학습 작업에 대한 기본 정보를 구성합니다. 선택한 기본값에 만족하는 경우 다음 페이지로 이동하거나 원하는 기본 설정에 따라 변경할 수 있습니다.

다음 필드를 사용할 수 있습니다.

학습 스크립트 업로드

다음 페이지에서 소스 코드를 업로드합니다. 학습 작업을 실행하는 데 필요한 입력 또는 출력을 구성하고 학습 스크립트를 실행할 명령을 지정합니다.

로컬 컴퓨터 또는 작업 영역의 기본 Blob Storage에서 코드 파일 또는 폴더를 사용할 수 있습니다. Azure는 선택한 후 업로드할 파일을 표시합니다.

코드

명령은 업로드된 코드 폴더의 루트 디렉터리에서 실행됩니다. 코드 파일이나 폴더를 선택한 후 업로드할 파일을 볼 수 있습니다. 진입점을 포함하는 코드의 상대 경로를 복사하고 명령을 입력하여 작업을 시작합니다.라는 상자에 붙여넣습니다.

코드가 루트 디렉터리에 있으면 명령에서 해당 코드를 직접 참조할 수 있습니다. 예: python main.py

코드가 루트 디렉터리에 없으면 상대 경로를 사용해야 합니다. 예를 들어, 단어 언어 모델의 구조는 다음과 같습니다.

.
├── job.yml
├── data
└── src
    └── main.py

여기에서 소스 코드는 src 하위 디렉터리에 있습니다. 명령은 python ./src/main.py(+ 기타 명령줄 인수)입니다.

입력

명령에서 입력을 사용하는 경우 입력 이름을 지정해야 합니다. 입력 변수를 나타내려면 ${{inputs.input_name}} 형식을 사용합니다. 예: ${{inputs.wiki}} 그런 다음, 명령에서 이를 참조할 수 있습니다(예: --data ${{inputs.wiki}}).

컴퓨팅 리소스 선택

다음 페이지에서 작업을 실행할 컴퓨팅 대상을 선택합니다. 작업 만들기 UI는 여러 가지 컴퓨팅 형식을 지원합니다.

1. 컴퓨팅 유형을 선택합니다.

2. 기존 컴퓨팅 리소스를 선택합니다. 드롭다운에는 선택에 도움이 되는 노드 정보와 SKU 형식이 표시됩니다.

3. 컴퓨팅 클러스터 또는 Kubernetes 클러스터의 경우 인스턴스 수에서 작업에 원하는 노드 수를 지정할 수도 있습니다. 기본 인스턴스 수는 1입니다.

4. 선택 사항에 만족하면 다음을 선택합니다.

Azure Machine Learning을 처음 사용하는 경우 새 컴퓨팅을 만들기 위한 빈 목록과 링크가 표시됩니다. 다양한 형식을 만드는 방법에 관한 자세한 내용은 다음을 참조하세요.

필요한 환경 지정

컴퓨팅 대상을 선택한 후 작업의 런타임 환경을 지정해야 합니다. 작업 만들기 UI는 세 가지 유형의 환경을 지원합니다.

• 큐레이션된 환경
• 사용자 지정 환경
• 컨테이너 레지스트리 이미지

큐레이션된 환경

큐레이팅 환경은 일반적인 ML 워크로드에서 사용되는 Python 패키지의 Azure 정의 컬렉션입니다. 큐레이팅 환경은 기본적으로 작업 영역에서 사용할 수 있습니다. 이러한 환경은 작업 준비 오버헤드를 줄일 수 있는 캐시된 Docker 이미지에서 지원됩니다. 큐레이팅된 환경 페이지에 표시되는 카드는 각 환경의 세부 정보를 표시합니다. 자세한 내용은 Azure Machine Learning 큐레이팅된 환경을 참조하세요.

사용자 지정 환경

사용자 지정 환경은 사용자가 지정하는 환경입니다. 환경을 지정하거나 이미 만든 환경을 다시 사용할 수 있습니다. 자세한 내용은 Azure Machine Learning 스튜디오의 소프트웨어 환경 관리를 참조하세요.

컨테이너 레지스트리 이미지

Azure Machine Learning 큐레이팅 환경을 사용하거나 고유한 사용자 지정 환경을 지정하지 않으려는 경우 Docker Hub와 같은 퍼블릭 컨테이너 레지스트리에서 docker 이미지를 사용할 수 있습니다.

검토 및 만들기

작업을 구성한 후 [다음 ]을 선택하여 검토 페이지로 이동합니다. 설정을 수정하려면 연필 아이콘을 선택하고 변경합니다.

작업을 시작하려면 학습 작업 제출을 선택합니다. 작업이 만들어지면 Azure에 학습 작업을 모니터링하고 관리할 수 있는 작업 세부 정보 페이지가 표시됩니다.

스튜디오에서 이메일을 구성하는 방법

작업, 온라인 엔드포인트 또는 일괄 처리 엔드포인트가 완료되거나 문제(실패, 취소)가 있는 경우 이메일 수신을 시작하려면 다음 단계를 사용합니다.

1. Azure ML 스튜디오에서 기어 아이콘을 선택하여 설정으로 이동합니다.
2. 이메일 알림 탭을 선택합니다.
3. 특정 이벤트에 대한 이메일 알림을 사용하거나 사용하지 않도록 설정하려면 토글합니다.

관련 콘텐츠

• 온라인 엔드포인트를 사용하여 기계 학습 모델 배포 및 점수 매기기
• Azure Machine Learning CLI, SDK 및 REST API를 사용하여 모델 학습