[51CTO.com クイック翻訳] このチュートリアルでは、Stackoverflow データセットを使用して給与を予測する機械モデルを構築してデプロイします。 この記事を読んだ後、RESTful Web サービスを呼び出して予測結果を取得できるようになります。 目的はワークフローをデモンストレーションすることなので、勤務経験年数と給与を含む単純な 2 列のデータセットを使用して実験します。データセットの詳細については、線形回帰を紹介した前回の記事を参照してください。 前提条件 1. PythonとScikit-learnの基礎知識 2. 有効なMicrosoft Azureサブスクリプション 3. アナコンダまたはミニコンダ 開発環境の設定 Azure ML SDK を使用して仮想環境を構成します。 次のコマンドを実行して Python SDK をインストールし、Jupyter Notebook を起動します。 Jupyter から新しい Python 3 カーネルを起動します。
Azure ML環境を初期化する まず、標準の Scikit-learn モジュールや Azure ML モジュールなど、必要なすべての Python モジュールをインポートします。
実験の論理境界として機能する Azure ML ワークスペースを作成する必要があります。ワークスペースは、データセットを保存するためのストレージ アカウント、秘密情報を保存するための Key Vault、イメージ センターを維持するためのコンテナー レジストリ、メトリックを記録するための Application Insights を作成します。 プレースホルダーをサブスクリプション ID に置き換えることを忘れないでください。
数分後、ワークスペースに作成されたリソースが表示されます。 これで、実験を作成し、指標の記録を開始できます。記録するパラメータはそれほど多くないので、トレーニング プロセスの開始時刻を取得しましょう。
Scikit-learn MLモジュールのトレーニングとテスト 次に、Scikit-learn の助けを借りてモデルのトレーニングとテストに進みます。
トレーニングされたモデルは、出力ディレクトリ内の pickle ファイルにシリアル化されます。 Azure ML は出力ディレクトリの内容を自動的にクラウドにコピーします。
トレーニング ジョブの傾き、切片、終了時間を記録して、実験を完了しましょう。
Azure ダッシュボードを通じてメトリックと実行時間を追跡できます。 トレーニング済みモデルの登録と読み込み モデルをフリーズするたびに、一意のバージョンで Azure ML に登録できます。これにより、ロード時にさまざまなモデルを簡単に切り替えることができます。 SDK を PKL ファイルの場所を指定して、上記のトレーニング ジョブから給与モデルを登録しましょう。また、タグの形式でモデルに追加のメタデータを追加します。
ワークスペースのモデル セクションをチェックして、モデルが登録されていることを確認します。 次に、モデルをコンテナ イメージ (Web サービスとして公開されます) にパッケージ化してデプロイします。 コンテナー イメージを作成するには、モデルに必要な環境を Azure ML に伝える必要があります。代わりに、受信したデータ ポイントに基づいて値を予測するコードを含む Python スクリプトを渡します。 Azure ML API は、どちらにも便利なメソッドを提供します。まず、ランタイム環境にコンテナ イメージに Scikit-learn を含めるように指示する環境ファイル salenv.yaml を作成します。
次のコード スニペットを Jupyter Notebook から実行すると、モデルの推論ロジックを含む score.py というファイルが作成されます。
ここで、推論ファイルと環境設定をイメージに渡すことで、点と点を結び付けます。
これにより、最終的に、ワークスペースの [イメージ] セクションに表示されるコンテナ イメージが作成されます。 ターゲット環境を定義し、Azure コンテナー インスタンスでホストされる Web サービスとして実行するデプロイ構成を作成する準備が整いました。また、展開先として AKS または IoT Edge 環境を選択することにしました。
Azure リソース グループには、モデルの推論を実行する Azure コンテナー インスタンスが作成されました。 推論サービスの URL は次の方法で取得できます。
次に、cURL を介して Web サービスを呼び出します。同じ Jupyter Notebook からこれを実行できます。 データセットと Jupyter Notebook には Github リポジトリからアクセスできます。 このアプローチのユニークな点は、Jupyter Notebook 内で実行されている Python カーネルからすべてのタスクを実行できることです。開発者はコードを使用して、ML モデルのトレーニングとデプロイに必要なタスクを完了できます。これこそが、ML Service などの ML PaaS を利用するメリットです。 Azure ML Service を使用した機械学習モデルの構築とデプロイ (Janakiram MSV 著) [51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください] |
<<: 調査によると、ヨーロッパ人はロボットに対してますます懐疑的になっている
>>: 今年の2つのホットスポット、5Gと人工知能に冷水を浴びせる
このシリーズの前回の記事では、行列と線形代数についてさらに詳しく説明し、JupyterLab を使用...
近年、人工知能技術は飛躍的な進歩を遂げ、戦闘指揮の分野で広く応用され、観察・判断・決定・行動(OOD...
最後に、「OpenAI は再びオープンになりました。」 OpenAIが発表したばかりのDALL・E ...
数十または数百の層を持つニューラル ネットワークの応用は、ディープラーニングの重要な機能の 1 つで...
ロボティック プロセス オートメーション (RPA) を導入する企業の主な目標は、時間のかかる反復的...
何ですか? Microsoft の Bing は画像を認識できるんですか?それとも ChatGPT ...
6月28日、BBCによると、英国はNHS(国民保健サービス)の全トラストに新しい人工知能技術を原価で...
[[227402]]人工知能が急成長を遂げている現在、AI人材の不足は中国だけでなく、世界全体が直...
オンライン詐欺は長い間、継続的な問題となっています。今日ではテクノロジーはより洗練されているかもしれ...
人工知能 (AI) とモノのインターネット (IoT) は、過去 10 年間を定義してきました。ビッ...
年末です。大学生は期末試験の週で、労働者は KPI の達成に急いでいます。期限のない年末(DDL)は...
AxPOS A8Sは、LianDi Commercialが2020年に構築に注力した新世代のスマート...
1. ニューラルネットワークを構築してレイヤーを追加する入力値、入力サイズ、出力サイズ、活性化関数ニ...