设置 Azure 机器学习 Visual Studio Code 扩展

了解如何使用 Azure 机器学习 Visual Studio Code 扩展安装和运行脚本。

本教程将介绍以下任务:

  • 安装 Azure 机器学习 Visual Studio Code 扩展
  • 从 Visual Studio Code 登录到 Azure 帐户
  • 使用 Azure 机器学习扩展来运行示例脚本

先决条件

安装扩展

  1. 打开 Visual Studio Code。

  2. 活动栏 选择“扩展”图标,打开“扩展”视图。

  3. 在“扩展”视图中,搜索“Azure 机器学习”。

  4. 选择“安装”。

    安装 Azure 机器学习 VS Code 扩展

备注

也可直接下载安装程序,以便通过 Visual Studio Marketplace 安装 Azure 机器学习扩展。

本教程中的其余步骤已使用扩展的 版本 0.6.8 进行了测试。

登录 Azure 帐户

若要在 Azure 上预配资源并运行工作负载,必须使用 Azure 帐户凭据登录。 Azure 机器学习会自动安装 Azure 帐户扩展,帮助你进行帐户管理。 请访问以下站点,详细了解 Azure 帐户扩展

  1. 从菜单栏选择“视图”>“命令面板”,打开命令面板。
  2. 将命令“Azure:登录”输入命令面板,启动登录过程。

在 Azure 中运行机器学习模型训练脚本

使用帐户凭据登录到 Azure 后,即可执行此部分中的步骤,了解如何使用该扩展训练机器学习模型。

  1. 在计算机上的任何位置下载并解压缩 VS Code Tools for AI 存储库

  2. 在 Visual Studio Code 中打开 mnist-vscode-docs-sample 目录。

  3. 在活动栏中选择“Azure”图标。

  4. 选择“Azure 机器学习”视图顶部的“运行试验”图标。

    运行试验

  5. 命令面板展开后,请按提示操作。

    备注

    如果已预配现有的 Azure 机器学习资源,请参阅“如何在 VS Code 中运行试验”指南

    1. 选择 Azure 订阅。
    2. 从环境列表中选择“Conda 依赖项文件”。
    3. 按“Enter”以浏览 Conda 依赖项文件。 此文件包含运行脚本所需的依赖项。 在本例中,依赖项文件是 mnist-vscode-docs-sample 目录中的 env.yml 文件。
    4. 按“Enter”以浏览训练脚本文件。 这是一个文件,其中包含机器学习模型的代码,用于对手写数字的图像分类。 在此示例中,用于训练模型的脚本是 mnist-vscode-docs-sample 目录内的 train.py 文件。
  6. 此时会在文本编辑器中显示如下所示的配置文件。 此配置包含运行训练作业所需的信息,例如,包含训练模型所需的代码以及在上一步指定的任何 Python 依赖项的文件。

    {
        "workspace": "WS06271500",
        "resourceGroup": "WS06271500-rg2",
        "location": "China East 2",
        "experiment": "WS06271500-exp1",
        "compute": {
            "name": "WS06271500-com1",
            "vmSize": "Standard_D1_v2, Cores: 1; RAM: 3.5GB;"
        },
        "runConfiguration": {
            "filename": "WS06271500-com1-rc1",
            "environment": {
                "name": "WS06271500-env1",
                "conda_dependencies": [
                    "python=3.6.2",
                    "tensorflow=1.15.0",
                    "pip"
                ],
                "pip_dependencies": [
                    "azureml-defaults"
                ],
                "environment_variables": {}
            }
        }
    }
    
  7. 对配置满意以后,即可提交试验,方法是:打开命令面板并输入以下命令:

    Azure ML: Submit Experiment
    

    这样就会将 train.py 和配置文件发送到 Azure 机器学习工作区。 然后就会在 Azure 中的计算资源上启动训练作业。

跟踪训练脚本的进度

运行脚本可能需要几分钟时间。 若要跟踪其进度,请执行以下操作:

  1. 在活动栏中选择“Azure”图标。

  2. 展开订阅节点。

  3. 展开当前正在运行的试验的节点。 它位于 {workspace}/Experiments/{experiment} 节点中,其中的工作区和试验的值与配置文件中定义的属性相同。

  4. 将列出试验的所有运行及其状态。 若要获取最新状态,请单击“Azure 机器学习”视图顶部的刷新图标。

    跟踪试验进度

下载训练的模型

试验运行完成后,输出是训练的模型。 若要在本地下载输出,请执行以下操作:

  1. 右键单击最近的运行,然后选择“下载输出”。

    下载训练的模型

  2. 选择要将输出保存到其中的位置。

  3. 带有运行名称的文件夹下载到本地。 导航到此页。

  4. 模型文件位于 outputs/outputs/model 目录中。

后续步骤