运行 R 作业以训练模型

项目
08/29/2024

适用于：Azure CLI ml 扩展 v2（当前）

本文介绍如何使用 Azure 机器学习 CLI V2 获取改编为在生产环境中运行的 R 脚本，并将其设置为作为 R 作业运行。

注意

尽管本文的标题是指训练模型，但只要符合改编文章中列出的要求，就可以实际运行任何类型的 R 脚本。

必备条件

一个 Azure 机器学习工作区。
训练作业将使用的已注册数据资产。
已安装 Azure CLI 和 ml 扩展。或者在工作区中使用预安装了 CLI 的计算实例。
用于运行训练作业的计算群集或计算实例。
计算群集用于运行作业的 R 环境。

创建一个具有此结构的文件夹

为项目创建此文件夹结构：

📁 r-job-azureml
├─ src
│  ├─ azureml_utils.R
│  ├─ r-source.R
├─ job.yml

重要

所有源代码都位于 src 目录中。

r-source.R 文件是你改编为在生产环境中运行的 R 脚本。请确保按照此脚本中的步骤创建并记录模型。
azureml_utils.R 文件是必需的。使用此源代码来获取文件的内容。

准备作业 YAML

Azure 机器学习 CLI v2 具有用于不同操作的各种 YAML 架构。可使用作业 YAML 架构在属于该项目的 job.yml 文件中提交作业。

需要收集要放入 YAML 的以下特定信息：

将用作数据输入的已注册数据资产的名称（及版本）：azureml:<REGISTERED-DATA-ASSET>:<VERSION>
你创建的环境的名称（及版本）：azureml:<R-ENVIRONMENT-NAME>:<VERSION>
计算群集的名称：azureml:<COMPUTE-CLUSTER-NAME>

提示

对于需要版本（数据资产、环境）的 Azure 机器学习项目，如果不需要设置特定版本，则可以使用快捷方式 URI azureml:<AZUREML-ASSET>@latest 获取该项目的最新版本。

用于提交作业的示例 YAML 架构

编辑 job.yml 文件，使之包含以下内容。确保替换显示的值 <IN-BRACKETS-AND-CAPS> 并删除括号。

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
# the Rscript command goes in the command key below. Here you also specify 
# which parameters are passed into the R script and can reference the input
# keys and values further below
# Modify any value shown below <IN-BRACKETS-AND-CAPS> (remove the brackets)
command: >
Rscript <NAME-OF-R-SCRIPT>.R
--data_file ${{inputs.datafile}}  
--other_input_parameter ${{inputs.other}}
code: src   # this is the code directory
inputs:
  datafile: # this is a registered data asset
    type: uri_file
    path: azureml:<REGISTERED-DATA-ASSET>@latest
  other: 1  # this is a sample parameter, which is the number 1 (as text)
environment: azureml:<R-ENVIRONMENT-NAME>@latest
compute: azureml:<COMPUTE-CLUSTER-OR-INSTANCE-NAME>
experiment_name: <NAME-OF-EXPERIMENT>
description: <DESCRIPTION>

提交作业

在本节的以下命令中，你可能需要知道：

Azure 机器学习工作区名称
工作区所在的资源组名称
工作区所在的订阅

从 Azure 机器学习工作室查找以下值：

登录并打开你的工作区。
在右上方的 Azure 机器学习工作室工具栏中，选择你的工作区名称。
可以从显示的部分复制值。

若要提交作业，请在终端窗口中运行以下命令：

将目录更改为 r-job-azureml。
```
cd r-job-azureml
```
登录 Azure。如果从 Azure 机器学习计算实例执行此操作，请使用：
```
az login --identity
```
如果你不在计算实例上，请省略 --identity 并按照提示打开浏览器窗口进行身份验证。
确保你拥有最新版本的 CLI 和 ml 扩展：
```
az upgrade
```
如果你有多个 Azure 订阅，请将活动订阅设置为用于工作区的订阅。（如果你只能访问单个订阅，则可以跳过此步骤。）将 <SUBSCRIPTION-NAME> 替换为订阅名称。另请删除括号 <>。
```
az account set --subscription "<SUBSCRIPTION-NAME>"
```
现在可以使用 CLI 提交作业。如果你在工作区中的计算实例上执行此操作，则可以将环境变量用于工作区名称和资源组，如以下代码所示。如果你不在计算实例上，请将这些值替换为工作区名称和资源组。
```
az ml job create -f job.yml  --workspace-name $CI_WORKSPACE --resource-group $CI_RESOURCE_GROUP
```

提交作业后，可以在工作室中检查状态和结果：

登录到 Azure 机器学习工作室。
选择工作区（如果它尚未加载）。
在左侧导航栏中，选择“作业”。
选择用于训练模型的“试验名称”。
选择作业的“显示名称”以查看作业的详细信息和项目，包括作业中使用的指标、图像、子作业、输出、日志和代码。

注册模型

最后，训练作业完成后，如果想要部署模型，请注册该模型。在工作室中从显示作业详细信息的页面开始。

作业完成后，请选择“输出 + 日志”以查看作业的输出。
打开 models 文件夹，验证 crate.bin 和 MLmodel 是否存在。如果没有，请检查日志以查看是否存在错误。
在顶部工具栏上，选择“+ 注册模型”。
即使检测到 MLflow 模型类型，也不要使用该类型。将“模型类型”从默认值“MLflow”更改为“未指定的类型”。将它保留为 MLflow 将导致出现错误。
对于“作业输出”，请选择“模型”，即包含该模型的文件夹。
选择“下一页”。
提供要用于模型的名称。如果需要，请添加“说明”、“版本”和“标记”。
选择“下一页”。
查看信息。
选择“注册”。

在页面顶部，你将看到模型已注册的确认信息。确认如下所示：

屏幕截图显示了成功注册的示例。

如果要查看已注册的模型详细信息，请选择“单击此处转到此模型”。

后续步骤

现在，你拥有已注册的模型，请了解如何将 R 模型部署到联机（实时）终结点。

通过