本文介绍如何训练图像分类模型，以使用 TensorFlow 和 Azure 机器学习 Visual Studio Code 扩展识别手写数字。
本教程将介绍以下任务：
- 了解代码
- 创建工作区
- 训练模型
先决条件
- 一个 Azure 订阅。 如果没有，请注册以尝试试用版订阅。
- Visual Studio Code，一种轻型跨平台代码编辑器。
- Python 3.10 或更高版本。
- Azure 机器学习 Visual Studio Code扩展。 有关安装说明，请参阅 Setup Azure 机器学习 Visual Studio Code 扩展。
- CLI (v2)。 有关安装说明，请参阅安装和设置 CLI （v2）。
- 克隆社区驱动Azure 机器学习示例存储库。
git clone https://github.com/Azure/azureml-examples.git
了解代码
本教程的代码使用 TensorFlow 来训练可以对手写数字 0-9 进行分类的图像分类机器学习模型。 它通过创建一个神经网络，将 28x28 像素图像的像素值作为输入，然后输出 10 个概率的列表，其中每个数字都分类一个。 以下示例显示了数据的外观。
创建工作区
若要在 Azure 机器学习 中生成应用程序，首先需要创建工作区。 工作区包含用于训练模型的资源以及训练的模型本身。 有关详细信息，请参阅 什么是Azure 机器学习工作区？
在Visual Studio Code中，从示例存储库打开 azureml-examples/cli/jobs/single-step/tensorflow/mnist 目录。
在Visual Studio Code活动栏上，选择Azure图标以打开Azure 机器学习视图。
在 机器学习 下，右键单击订阅节点并选择创建工作区。
将显示规范文件。 使用以下选项配置规范文件，然后将其保存。
$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json name: TeamWorkspace location: ChinaEast2 display_name: team-ml-workspace description: A workspace for training machine learning models tags: purpose: training team: ml-team规格文件将在
TeamWorkspace区域中创建名为ChinaEast2的工作区。 规格文件中定义的其余选项为工作区提供友好的命名、说明和标记。右键单击规范文件，然后选择“AzureML: 执行 YAML”。 创建资源使用 YAML 规范文件中定义的配置选项，并使用 CLI （v2） 提交作业。 此时，该扩展会请求Azure在帐户中创建新的工作区和依赖资源。 几分钟后，新工作区会显示在订阅节点中。
将
TeamWorkspace设置为默认工作区。 通过将此工作区设置为默认工作区，您创建的资源和作业将默认放置在此工作区中。 选择Visual Studio Code状态栏上的 Set Azure 机器学习 Workspace 按钮，然后按照提示将TeamWorkspace设置为默认工作区。
有关工作区的详细信息，请参阅 使用 VS Code 扩展管理 Azure 机器学习 资源。
训练模型
在训练过程中训练 TensorFlow 模型的方式是这样的：针对要分类的每个相应的数字，处理在该模型中嵌入的训练数据和学习模式。
与工作区和计算目标一样，训练作业是使用资源模板定义的。 对于此示例，规范在 job.yml 文件中定义，该文件位于示例存储库中的 azureml-examples/cli/jobs/single-step/tensorflow/mnist 文件夹中。
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
code: src
command: >
python train.py
environment: azureml:AzureML-tensorflow-2.12-cuda11@latest
compute: azureml:gpu-cluster
experiment_name: tensorflow-mnist-example
description: Train a basic neural network with TensorFlow on the MNIST dataset.
此规范文件将名为 tensorflow-mnist-example 的训练作业提交到在 gpu-cluster Python 脚本中运行代码的 计算目标。 使用的环境是Azure 机器学习提供的特选环境之一，其中包含运行训练脚本所需的 TensorFlow 和其他软件依赖项。 有关特选环境的详细信息，请参阅Azure 机器学习特选环境。
若要提交训练作业，请执行以下操作：
- 打开“job.yml”文件。
- 在文本编辑器中右键单击该文件，然后选择“AzureML: 执行 YAML”。
此时，会向Azure发送请求，以在工作区中的所选计算目标上运行试验。 此过程需要几分钟。 运行训练作业的时间长度受多种因素（如计算类型和训练数据大小）的影响。 若要跟踪试验的进度，请右键单击当前运行节点，然后在 Azure 门户中选择 View 作业。
出现请求打开外部网站的对话框时，请选择“打开”。
训练模型后，运行节点旁边的状态标签将更新为 “已完成”。