可以通过多种方式在 Azure Machine Learning 中创建训练作业。 可以使用 Azure CLI、 REST API 训练模型，也可以使用工作室 UI 直接创建训练作业。
本文介绍如何使用自己的数据和代码来训练机器学习模型，方法是使用引导式体验在Azure Machine Learning studio中提交训练作业。
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。
先决条件
Azure 订阅。 如果还没有 Azure 订阅，可以在开始前创建一个 Azure 帐户。
Azure 机器学习工作区。 若要了解如何作，请参阅 “创建工作区资源”。
了解 Azure 机器学习中的训练作业是什么。 若要了解详细信息，请参阅 如何训练模型。
开始
登录到 Azure Machine Learning studio，然后选择订阅和工作区。
可以从主页进入作业创建 UI。 选择 “+ 新建 ”，然后选择“ 训练作业”。
选择训练方法，然后选择 “开始配置作业 ”以打开提交表单。
下一部分演示如何在表单中运行自定义训练脚本（命令作业）的步骤。
配置基本设置
配置有关训练作业的基本信息。 如果对默认值感到满意，也可以根据所需的首选项进行更改，可以转到下一页。
以下字段可用：
| 字段 | 说明 |
|---|---|
| 作业名称 | 使用作业名称来唯一标识你的作业。 它还被用作您任务的显示名称。 |
| 实验名称 | 在Azure Machine Learning studio中组织作业。 每个作业的运行记录都按工作室的 “试验 ”选项卡中的相应实验进行组织。默认情况下，Azure 会将作业置于 默认 试验中。 |
| 说明 | 如果需要，请添加一些描述作业的文本。 |
| 超时 | 指定允许整个训练作业运行的小时数。 达到此限制后，系统将取消作业，包括所有子作业。 |
| 标记 | 添加标记以帮助组织作业。 |
上传训练脚本
在下一页上，上传源代码。 配置执行训练作业所需的任何输入或输出，并指定执行训练脚本的命令。
您可以使用来自本地计算机或工作区默认 Blob 存储的代码文件或文件夹。 Azure 显示进行选择后要上传的文件。
| 字段 | 说明 |
|---|---|
| Code | 来自本地计算机或工作区默认 Blob 存储，作为训练脚本的文件或文件夹。 界面在您进行选择后显示要上传的文件。 |
| 输入 | 根据需要指定以下数据类型的任意数量的输入：整数、数字、布尔值、字符串。 |
| 命令 | 要执行的命令。 可以将命令行参数显式写入到命令中，或者使用大括号表示法从其他部分（具体而言，是“输入”，具体请参阅下一部分）推断这些参数。 |
Code
从上传的代码文件夹的根目录运行该命令。 选择代码文件或文件夹后，可以看到要上传的文件。 将入口点的相对路径复制到代码中，并将其粘贴到 输入命令以启动作业 框中。
如果代码位于根目录中，则可以直接在命令中引用它。 例如：python main.py。
如果代码不在根目录中，请使用相对路径。 例如，字词语言模型的结构为：
.
├── job.yml
├── data
└── src
└── main.py
此处，源代码位于 src 子目录中。 该命令是 python ./src/main.py （加上其他命令行参数）。
输入
在命令中使用输入时，请指定输入名称。 若要指示输入变量，请使用 ${{inputs.input_name}} 格式。 例如，${{inputs.wiki}}。 然后，可以在命令中引用它，例如 --data ${{inputs.wiki}}。
选择计算资源
在下一页上，选择要在其中运行作业的计算目标。 作业创建 UI 支持多种计算类型：
| 计算类型 | 简介 |
|---|---|
| 计算实例 | 什么是 Azure 机器学习计算实例？ |
| 计算群集 | 什么是计算群集？ |
| 附加的 Kubernetes 群集 | 在任意位置配置和附加 Kubernetes 群集 |
选择计算类型。
选择现有的计算资源。 下拉列表显示了节点信息和 SKU 类型以帮助你进行选择。
对于计算群集或 Kubernetes 群集，还可以指定实例 计数中作业所需的节点数。 默认实例数为 1。
对选择感到满意时，请选择“ 下一步”。
如果你是第一次使用 Azure 机器学习，会看到一个空列表和一个用于创建新计算的链接。 有关创建各种类型的更多信息，请参阅：
| 计算类型 | 操作方法 |
|---|---|
| 计算实例 | 创建 Azure 机器学习计算实例 |
| 计算群集 | 创建 Azure 机器学习计算群集 |
| 连接的 Kubernetes 群集 | 附加已启用 Azure Arc 的 Kubernetes 群集 |
指定所需的环境
选择计算目标后，指定作业的运行时环境。 作业创建 UI 支持三种类型的环境：
- 精心策划的环境
- 自定义环境
- 容器注册表映像
精心策划的环境
特选环境是 Azure 定义的、在常见 ML 工作负载中使用的 Python 包集合。 默认情况下，你有权访问工作区中的特选环境。 这些环境使用缓存的 Docker 映像，从而减少了作业准备开销。 “特选环境”页中显示的卡片显示每个环境的详细信息。 若要了解详细信息，请参阅 Azure 机器学习特选环境。
自定义环境
自定义环境是指定的环境。 可以指定一个环境，也可以重复使用已创建的环境。 若要了解详细信息，请参阅 Azure 机器学习工作室中的管理软件环境。
容器注册表映像
如果不想使用Azure Machine Learning特选环境或指定自己的自定义环境，请使用公共容器注册表中的 Docker 映像，例如 Docker Hub。
查看并创建
配置作业后，选择“ 下一步 ”转到“ 审阅 ”页。 若要修改设置，请选择铅笔图标并进行更改。
若要启动作业，请选择“ 提交训练作业”。 创建作业后，Azure 会显示作业详细信息页，可在其中监视和管理训练作业。
如何在工作室中配置电子邮件
若要开始在作业、联机终结点或批处理终结点完成时或者在出现问题（失败、取消）的情况下接收电子邮件，请按照以下步骤操作：
- 在 Azure ML 工作室中，通过选择齿轮图标来转到设置。
- 选择“电子邮件通知”选项卡。
- 切换开关，为某个特定事件启用或禁用电子邮件通知。
