在 HDInsight 中的 Apache Spark 上使用自动化机器学习运行 Azure 机器学习工作负载

  • 项目

Azure 机器学习可简化和加速机器学习模型的生成、训练和部署。 在自动化机器学习 (AutoML) 中，一开始可以对带有定义的目标特征的数据进行训练。 以迭代方式将算法和特征选择组合在一起，以便根据训练分数自动为数据选择最佳模型。 HDInsight 允许客户预配具有数百个节点的群集。 在 HDInsight 群集中的 Spark 上运行的 AutoML 允许用户在这些节点上使用计算容量，以横向扩展的方式运行训练作业，以及并行运行多个训练作业。 这样，用户便可以运行 AutoML 试验，同时将计算与其他大数据工作负载共享。

在 HDInsight 群集上安装 Azure 机器学习

有关自动化机器学习的一般教程，请参阅教程：使用自动化机器学习生成回归模型。 所有新的 HDInsight-Spark 群集都预装了 AzureML-AutoML SDK。

注意

Azure 机器学习包将安装到 Python3 conda 环境中。 应该使用 PySpark3 内核来运行安装的 Jupyter Notebook。

还可以通过 Zeppelin 笔记本来使用 AutoML。

工作区身份验证

创建工作区和提交试验需要使用身份验证令牌。 可以使用 Microsoft Entra 应用程序生成此令牌。 如果未在帐户中启用多重身份验证，还可使用 icrosoft Entra 用户来生成所需的身份验证令牌。

以下代码片段使用 Microsoft Entra 应用程序创建身份验证令牌。

from azureml.core.authentication import ServicePrincipalAuthentication
auth_sp = ServicePrincipalAuthentication(
    tenant_id='<Azure Tenant ID>',
    service_principal_id='<Microsoft Entra ID Application ID>',
    service_principal_password='<Microsoft Entra ID Application Key>'
)

以下代码片段使用 Microsoft Entra 用户创建身份验证令牌。

from azure.common.credentials import UserPassCredentials
credentials = UserPassCredentials('user@domain.com', 'my_smart_password')

加载数据集

Spark 上的自动化机器学习使用数据流 - 针对数据执行的松散评估且不可变的操作。 数据流使用公共读取访问权限从 Blob 加载数据集，或使用 SAS 令牌从 Blob URL 加载数据集。

import azureml.dataprep as dprep

dataflow_public = dprep.read_csv(
    path='https://commonartifacts.blob.core.chinacloudapi.cn/automl/UCI_Adult_train.csv')

dataflow_with_token = dprep.read_csv(
    path='https://dpreptestfiles.blob.core.chinacloudapi.cn/testfiles/read_csv_duplicate_headers.csv?st=2018-06-15T23%3A01%3A42Z&se=2019-06-16T23%3A01%3A00Z&sp=r&sv=2017-04-17&sr=b&sig=ugQQCmeC2eBamm6ynM7wnI%2BI3TTDTM6z9RPKj4a%2FU6g%3D')

还可以使用一次性的注册将数据存储注册到到工作区。

试验提交

在自动化机器学习配置中，应设置属性 spark_context，使包在分布式模式下运行。 属性 concurrent_iterations 表示并行执行的最大迭代数，应设置为小于 Spark 应用的执行器核心数。

后续步骤