6、利用Azure工具构建与部署机器学习模型及调用认知服务

利用Azure工具构建与部署机器学习模型及调用认知服务

1. Azure机器学习中的学习与模型优化

学习在训练期间和模型推理运行时都可用于改进模型。监测工具可辅助在训练期间调整模型，确保模型初始时就具备鲁棒性，减少重新训练的频率，这在考虑到训练所需的大量计算和GPU资源时尤为重要。调整工具也是MLOps生命周期的重要组成部分，能让开发者在训练过程中微调模型及其所基于的神经网络。

1.1 Azure机器学习中的日志记录

Azure机器学习提供了监测训练运行的工具，可通过默认的Python日志工具和SDK中的自定义日志工具进行实时日志记录。可以使用MLflow日志工具处理数据，在Azure机器学习工作区中安装相应的包：

pip install mlflow
pip install azureml-mlflow

之后可以编写针对Azure机器学习服务的日志脚本。如果使用笔记本构建和测试实验，可使用Python可视化工具在笔记本中查看结果数据；也可以通过工作室进行运行后可视化，使用“实验”选项卡查看数据、比较不同运行，并使用过滤器提取特定数据。笔记本还提供了交互式日志记录工具和显示日志数据的小部件。所有运行的日志文件都存储在工作区中，可下载进行额外分析，这些文件包括文本文件、JSON和日志格式文件。

1.2 使用超参数进行调整

日志可通过Azure机器学习的超参数为模型调整提供输入。超参数是管理学习过程的关键元素，能在实验外部调整模型和神经网络的性能。在学习开始前设置，例如学习率和决策树中的分支数量。

Az