Notatnik do tego ćwiczenia

Lab 6A: Tworzenie potoku (pipeline)

Za pomocą Azure Machine Learning SDK v2 wykonasz wszystkie czynności potrzebne do zbudowania i utrzymania rozwiązania uczenia maszynowego w Azure. Zamiast uruchamiać je pojedynczo, możesz połączyć je w potok (pipeline), który spina komponenty odpowiedzialne za przygotowanie danych, uruchomienie skryptów trenujących, rejestrację modelu i pozostałe etapy.

Zanim zaczniesz

Zanim rozpoczniesz to ćwiczenie, upewnij się, że masz ukończone Lab 1A i Lab 1B - powstaje w nich obszar roboczy Azure Machine Learning oraz inne zasoby używane w tym ćwiczeniu.

Krok 1: Tworzenie potoku

W tym kroku utworzysz potok, który wytrenuje i zarejestruje model.

1. W Azure Machine Learning studio przejdź do strony Compute swojego obszaru roboczego, a na karcie Compute instances upewnij się, że Twoja instancja obliczeniowa jest uruchomiona. Jeśli nie, uruchom ją.
2. Gdy instancja obliczeniowa jest uruchomiona, kliknij link JupyterLab przy tej instancji, aby otworzyć JupyterLab w nowej karcie przeglądarki.
3. W przeglądarce plików JupyterLab otwórz folder MachineLearningCourse/materialy/azure-ml/pl (repozytorium sklonowane w Lab 1B), a w nim notatnik 06A - Creating a Pipeline.ipynb. Upewnij się, że korzysta on z kernela Python 3.10 - SDK v2, a potem czytaj komentarze w notatniku, uruchamiając kolejno każdą komórkę kodu.

Uwaga: Jeśli zamierzasz od razu przejść do kolejnego ćwiczenia, zostaw instancję obliczeniową uruchomioną. Jeśli robisz przerwę, warto zamknąć wszystkie karty JupyterLab i zatrzymać instancję obliczeniową przyciskiem Stop, aby uniknąć niepotrzebnych kosztów.