教程：上传数据和训练模型（SDK v1，第 3 部分，共 3 部分）

项目
07/24/2023

本教程介绍了如何在 Azure 机器学习中上传并使用你自己的数据来训练机器学习模型。本教程是由三个部分构成的教程系列的第 3 部分。

在第 2 部分：训练模型中，你已使用 PyTorch 中的示例数据在云中训练了一个模型。你还通过 PyTorch API 中的 torchvision.datasets.CIFAR10 方法下载了这些数据。在本教程中，你将使用下载的数据来了解用于在 Azure 机器学习中处理自己数据的工作流。

在本教程中，你将了解：

将数据上传到 Azure。
创建控制脚本。
了解新的 Azure 机器学习概念（传递参数、数据集、数据存储）。
提交并运行训练脚本。
在云中查看代码输出。

先决条件

需要上一教程中下载的数据。请确保已完成以下步骤：

创建训练脚本。
在本地测试。

调整训练脚本

现在，你的训练脚本 (get-started/src/train.py) 已在 Azure 机器学习中运行，并且你可以监视模型性能。让我们通过引入参数来将训练脚本参数化。使用参数可轻松比较不同的超参数。

我们的训练脚本目前设置为在每次运行时下载 CIFAR10 数据集。以下 Python 代码已调整为从某个目录中读取数据。

注意

使用 argparse 将脚本参数化。

打开 train.py 并将其替换为以下代码：

import os
import argparse
import torch
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
from model import Net
from azureml.core import Run
run = Run.get_context()
if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--data_path',
        type=str,
        help='Path to the training data'
    )
    parser.add_argument(
        '--learning_rate',
        type=float,
        default=0.001,
        help='Learning rate for SGD'
    )
    parser.add_argument(
        '--momentum',
        type=float,
        default=0.9,
        help='Momentum for SGD'
    )
    args = parser.parse_args()
    print("===== DATA =====")
    print("DATA PATH: " + args.data_path)
    print("LIST FILES IN DATA PATH...")
    print(os.listdir(args.data_path))
    print("================")
    # prepare DataLoader for CIFAR10 data
    transform = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
    ])
    trainset = torchvision.datasets.CIFAR10(
        root=args.data_path,
        train=True,
        download=False,
        transform=transform,
    )
    trainloader = torch.utils.data.DataLoader(
        trainset,
        batch_size=4,
        shuffle=True,
        num_workers=2
    )
    # define convolutional network
    net = Net()
    # set up pytorch loss /  optimizer
    criterion = torch.nn.CrossEntropyLoss()
    optimizer = optim.SGD(
        net.parameters(),
        lr=args.learning_rate,
        momentum=args.momentum,
    )
    # train the network
    for epoch in range(2):
        running_loss = 0.0
        for i, data in enumerate(trainloader, 0):
            # unpack the data
            inputs, labels = data
            # zero the parameter gradients
            optimizer.zero_grad()
            # forward + backward + optimize
            outputs = net(inputs)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()
            # print statistics
            running_loss += loss.item()
            if i % 2000 == 1999:
                loss = running_loss / 2000
                run.log('loss', loss)  # log loss metric to AML
                print(f'epoch={epoch + 1}, batch={i + 1:5}: loss {loss:.2f}')
                running_loss = 0.0
    print('Finished Training')

保存文件。如果需要，请关闭选项卡。

了解代码更改

train.py 中的代码已使用 argparse 库来设置 data_path、learning_rate 和 momentum。

# .... other code
parser = argparse.ArgumentParser()
parser.add_argument('--data_path', type=str, help='Path to the training data')
parser.add_argument('--learning_rate', type=float, default=0.001, help='Learning rate for SGD')
parser.add_argument('--momentum', type=float, default=0.9, help='Momentum for SGD')
args = parser.parse_args()
# ... other code

此外，train.py 脚本已经过改编，以将优化器更新为使用用户定义的参数：

optimizer = optim.SGD(
    net.parameters(),
    lr=args.learning_rate,     # get learning rate from command-line argument
    momentum=args.momentum,    # get momentum from command-line argument
)

将数据上传到 Azure

若要在 Azure 机器学习中运行此脚本，需要使训练数据在 Azure 中可用。 Azure 机器学习工作区附带默认的数据存储。这是一个 Azure Blob 存储帐户，你可以在其中存储训练数据。

注意

Azure 机器学习允许连接其他基于云的数据存储，用来存储你的数据。有关详细信息，请参阅数据存储文档。

在 get-started 文件夹中创建新的 Python 控制脚本（请务必在 get-started 而不是 /src 文件夹中创建）。将该脚本命名为 upload-data.py，并将以下代码复制到该文件中：
```
# upload-data.py
from azureml.core import Workspace
from azureml.core import Dataset
from azureml.data.datapath import DataPath

ws = Workspace.from_config()
datastore = ws.get_default_datastore()
Dataset.File.upload_directory(src_dir='data', 
                              target=DataPath(datastore, "datasets/cifar10")
                             )  
```
target_path 值指定 CIFAR10 数据将要上传到的数据存储的路径。

提示

在使用 Azure 机器学习上传数据时，可以使用 Azure 存储资源管理器来上传临时文件。如果需要 ETL 工具，可以使用 Azure 数据工厂将数据引入 Azure。

选择“保存并在终端中运行脚本”来运行 upload-data.py 脚本。

应该会看到以下标准输出：

Uploading ./data\cifar-10-batches-py\data_batch_2
Uploaded ./data\cifar-10-batches-py\data_batch_2, 4 files out of an estimated total of 9
.
.
Uploading ./data\cifar-10-batches-py\data_batch_5
Uploaded ./data\cifar-10-batches-py\data_batch_5, 9 files out of an estimated total of 9
Uploaded 9 files

创建控制脚本

如之前所做的那样，在 get-started 文件夹中新建名为 run-pytorch-data.py 的 Python 控制脚本：

# run-pytorch-data.py
from azureml.core import Workspace
from azureml.core import Experiment
from azureml.core import Environment
from azureml.core import ScriptRunConfig
from azureml.core import Dataset

if __name__ == "__main__":
    ws = Workspace.from_config()
    datastore = ws.get_default_datastore()
    dataset = Dataset.File.from_files(path=(datastore, 'datasets/cifar10'))

    experiment = Experiment(workspace=ws, name='day1-experiment-data')

    config = ScriptRunConfig(
        source_directory='./src',
        script='train.py',
        compute_target='cpu-cluster',
        arguments=[
            '--data_path', dataset.as_named_input('input').as_mount(),
            '--learning_rate', 0.003,
            '--momentum', 0.92],
    )

    # set up pytorch environment
    env = Environment.from_conda_specification(
        name='pytorch-env',
        file_path='pytorch-env.yml'
    )
    config.run_config.environment = env

    run = experiment.submit(config)
    aml_url = run.get_portal_url()
    print("Submitted to compute cluster. Click link below")
    print("")
    print(aml_url)

提示

如果在创建计算群集时使用了其他名称，请确保也调整代码 compute_target='cpu-cluster' 中的名称。

了解代码更改

该控制脚本类似于此系列第 3 部分中的控制脚本，包含以下新行：

dataset = Dataset.File.from_files( ... )

数据集用于引用上传到 Azure Blob 存储的数据。数据集是基于数据的抽象层，旨在提高可靠性和可信任性。

config = ScriptRunConfig(...)

ScriptRunConfig 已修改，包含将传递到 train.py 中的参数列表。 dataset.as_named_input('input').as_mount() 参数表示指定的目录将会被装载到计算目标。

将该运行提交到 Azure 机器学习

选择“保存并在终端中运行脚本”以运行 run-pytorch-data.py 脚本。此运行将使用你上传的数据在计算群集上训练模型。

此代码将会在 Azure 机器学习工作室中输出一个指向试验的 URL。如果访问该链接，就可以看到代码在运行。

注意

你可能看到以“加载 azureml_run_type_providers.... 时出错”开头的警告。可以忽略这些警告。使用这些警告底部的链接查看输出。

检查日志文件

在工作室中，转到实验作业（通过选择先前的 URL 输出），然后选择“输出 + 日志”。选择 std_log.txt 文件。向下滚动日志文件，直到看到以下输出：

Processing 'input'.
Processing dataset FileDataset
{
  "source": [
    "('workspaceblobstore', 'datasets/cifar10')"
  ],
  "definition": [
    "GetDatastoreFiles"
  ],
  "registration": {
    "id": "XXXXX",
    "name": null,
    "version": null,
    "workspace": "Workspace.create(name='XXXX', subscription_id='XXXX', resource_group='X')"
  }
}
Mounting input to /tmp/tmp9kituvp3.
Mounted input to /tmp/tmp9kituvp3 as folder.
Exit __enter__ of DatasetContextManager
Entering Job History Context Manager.
Current directory:  /mnt/batch/tasks/shared/LS_root/jobs/dsvm-aml/azureml/tutorial-session-3_1600171983_763c5381/mounts/workspaceblobstore/azureml/tutorial-session-3_1600171983_763c5381
Preparing to call script [ train.py ] with arguments: ['--data_path', '$input', '--learning_rate', '0.003', '--momentum', '0.92']
After variable expansion, calling script [ train.py ] with arguments: ['--data_path', '/tmp/tmp9kituvp3', '--learning_rate', '0.003', '--momentum', '0.92']

Script type = None
===== DATA =====
DATA PATH: /tmp/tmp9kituvp3
LIST FILES IN DATA PATH...
['cifar-10-batches-py', 'cifar-10-python.tar.gz']

注意：

Azure 机器学习已自动为你将 Blob 存储装载到计算群集。
控制脚本中使用的 dataset.as_named_input('input').as_mount() 将解析为装入点。

清理资源

如果你现在打算继续学习另一个教程，或者开始自己的训练作业，请跳到后续步骤。

停止计算实例

如果不打算现在使用它，请停止计算实例：

在工作室的左侧，选择“计算”。
在顶部选项卡中，选择“计算实例”
在列表中选择该计算实例。
在顶部工具栏中，选择“停止”。

删除所有资源

重要

已创建的资源可用作其他 Azure 机器学习教程和操作方法文章的先决条件。

如果你不打算使用已创建的任何资源，请删除它们，以免产生任何费用：

在 Azure 门户中，选择最左侧的“资源组” 。
从列表中选择你创建的资源组。
选择“删除资源组”。
输入资源组名称。然后选择“删除”。

还可保留资源组，但请删除单个工作区。显示工作区属性，然后选择“删除”。

后续步骤

在本教程中，我们了解了如何通过使用 Datastore 将数据上传到 Azure。数据存储充当工作区的云存储，为你提供了一个持久且灵活的数据保存位置。

你已了解如何修改训练脚本，以通过命令行接受数据路径。通过使用 Dataset，能够将目录装载到远程作业。

有了模型后，接下来请学习：

如何部署 MLflow 模型。

通过

教程：上传数据和训练模型（SDK v1，第 3 部分，共 3 部分）

先决条件

调整训练脚本

了解代码更改

将数据上传到 Azure

创建控制脚本

了解代码更改

将该运行提交到 Azure 机器学习

检查日志文件

清理资源

停止计算实例

删除所有资源

后续步骤

其他资源