教程：使用 Azure 机器学习 Visual Studio Code 扩展（预览版）训练图像分类 TensorFlow 模型

项目
08/29/2024

适用于：Azure CLI ml 扩展 v2（当前）

了解如何使用 TensorFlow 和 Azure 机器学习 Visual Studio Code 扩展训练图像分类模型来识别手写数字。

重要

此功能目前处于公开预览状态。此预览版在提供时没有附带服务级别协议，我们不建议将其用于生产工作负荷。某些功能可能不受支持或者受限。

有关详细信息，请参阅适用于 Azure 预览版的补充使用条款。

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

Azure 订阅。如果没有，请注册以尝试试用版订阅。
安装 Visual Studio Code，一种轻量型跨平台代码编辑器。
Azure 机器学习工作室 Visual Studio Code 扩展。有关安装说明，请参阅 Azure 机器学习 Visual Studio Code 扩展安装指南
CLI (v2)。有关安装说明，请参阅安装、设置和使用 CLI (v2)

克隆社区驱动的存储库

    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来实现此目的。该神经网络将“28 像素 x 28 像素”图像的像素值作为输入，输出一个包含 10 个概率的列表，一个概率对应于要分类的一个数字。下面是数据的外观示例。

MNIST 数字

创建工作区

若要在 Azure 机器学习中生成应用程序，第一件必须做的事是创建工作区。工作区包含用于训练模型的资源以及已训练的模型本身。有关详细信息，请参阅什么是工作区。

在 Visual Studio Code 中，从社区主导的存储库打开 azureml-examples/cli/jobs/single-step/tensorflow/mnist 目录。
在 Visual Studio Code 活动栏上选择 Azure 图标，打开“Azure 机器学习”视图。
在“Azure 机器学习”视图中，右键单击你的订阅节点，然后选择“创建工作区”。

此时会显示规范文件。用以下选项配置规范文件。

$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 ChinaEast2 区域中创建名为 TeamWorkspace 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”。创建资源时将使用 YAML 规范文件中定义的配置选项，并使用 CLI (v2) 提交一个作业。此时，系统会向 Azure 发出请求，以便在你的帐户中创建新的工作区和相关资源。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。这样会默认将你创建的资源和作业放入该工作区。在 Visual Studio Code 状态栏上选择“设置 Azure 机器学习工作区”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，请参阅如何在 VS Code 中管理资源。

定型模型

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。对于本示例，规格定义见 job.yml 文件，如下所示：

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
code: src
command: >
    python train.py
environment: azureml:AzureML-tensorflow-2.4-ubuntu18.04-py37-cuda11-gpu:48
resources:
 � instance_type: Standard_NC12
 � instance_count: 3
experiment_name: tensorflow-mnist-example
description: Train a basic neural network with TensorFlow on the MNIST dataset.

此规格文件将名为 tensorflow-mnist-example 的、用于运行 train.py Python 脚本中的代码的训练作业提交到最近创建的 gpu-cluster 计算机目标。使用的环境是 Azure 机器学习提供的特选环境之一，其中包含 TensorFlow 以及运行训练脚本所需的其他软件依赖项。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”。

此时系统会向 Azure 发送请求，以便在工作区中所选的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。若要跟踪试验进度，请右键单击当前的运行节点，然后选择“在 Azure 门户中查看作业”。

出现请求打开外部网站的对话框时，请选择“打开”。

跟踪试验进度

训练完模型后，运行节点旁边的状态标签会更新为“已完成”。

后续步骤

启动与 Azure 机器学习集成的 Visual Studio Code（预览版）
若要详细了解如何在本地编辑、运行和调试代码，请参阅 Python hello-world 教程。
使用远程 Jupyter 服务器在 Visual Studio Code 中运行 Jupyter Notebook。
若要详细了解如何在 Visual Studio Code 外部使用 Azure 机器学习进行训练，请参阅教程：使用 Azure 机器学习训练和部署模型。

通过