¿Qué son los destinos de computación en Azure Machine Learning?

Un destino de proceso es un entorno o recurso de proceso designado en el que se ejecuta el script de entrenamiento o se hospeda la implementación del servicio. Esta ubicación podría ser su equipo local o un recurso de proceso basado en la nube. El uso de los destinos de proceso facilita el cambio posterior del entorno de proceso sin tener que cambiar el código.

Azure Machine Learning admite diferentes objetivos de computación. En un ciclo de vida de desarrollo de modelos típico, puede:

1. Comenzar desarrollando y experimentando con una pequeña cantidad de datos. En esta etapa, use su entorno local, como un equipo local o una máquina virtual (VM) basada en la nube, como destino de proceso.
2. Escalar verticalmente a datos más grandes o realizar un entrenamiento distribuido mediante el uso de uno de estos destinos de proceso de entrenamiento.
3. Después de que el modelo esté listo, impleméntelo en un entorno de hospedaje web con uno de estos destinos de proceso de implementación.

Adjunte los recursos informáticos que utiliza para sus objetivos de computación a un área de trabajo. Los usuarios del área de trabajo comparten recursos de proceso distintos de la máquina local.

Entrenamiento de destinos de proceso

A medida que escale su entrenamiento en conjuntos de datos más grandes o realice entrenamiento distribuido, use los recursos de cómputo de Azure Machine Learning para crear un clúster de nodo único o multinodo que escala automáticamente cada vez que envía trabajos. También puede adjuntar su propio recurso de proceso, aunque el soporte técnico para escenarios distintos puede variar.

Puede reutilizar los destinos de proceso de un trabajo de entrenamiento al siguiente. Por ejemplo, después de adjuntar una VM remota al área de trabajo, puede reutilizarla para varios trabajos.

Puede usar cualquiera de los siguientes recursos para un destino de proceso de entrenamiento para la mayoría de los trabajos. No todos los recursos se pueden usar para el aprendizaje automático automatizado, canalizaciones de aprendizaje automático o el diseñador. Azure Databricks se puede usar como un recurso de entrenamiento para ejecuciones locales y canalizaciones de aprendizaje automático, pero no como destino remoto para otro entrenamiento.

Destinos de proceso para inferencia

Al realizar la inferencia, Azure Machine Learning crea un contenedor de Docker que hospeda el modelo y los recursos asociados necesarios para usarlos. Utiliza este contenedor en un destino de proceso.

El destino de proceso que use para hospedar el modelo afecta al costo y la disponibilidad del punto de conexión implementado. Use esta tabla para elegir un destino de proceso adecuado.

computación de Azure Machine Learning (gestionada)

Azure Machine Learning crea y administra los recursos de proceso administrados. Dicho proceso está optimizado para cargas de trabajo de aprendizaje automático. Azure Machine Learning clústeres de proceso, serverless compute y instancias de proceso son los únicos procesos administrados.

No es necesario crear cómputo sin servidor. Puede crear Azure Machine Learning instancias de proceso o clústeres de proceso desde:

• Estudio de Azure Machine Learning
• El SDK de Python y el CLI de Azure:
  • Instancia de proceso
  • Clúster de proceso
• Una plantilla de Azure Resource Manager. Para obtener una plantilla de ejemplo, consulte Crear un clúster de proceso de Azure Machine Learning.

Al crear estos recursos de proceso, se convierten automáticamente en parte del área de trabajo, a diferencia de otros tipos de destinos de proceso.

Series y tamaños de maquina virtual compatibles

Al seleccionar un tamaño de nodo para un recurso de proceso administrado en Azure Machine Learning, puede elegir entre seleccionar tamaños de máquina virtual disponibles en Azure. Azure ofrece una gama de tamaños para Linux y Windows para diferentes cargas de trabajo. Para más información, consulte Tipos y tamaños de máquina virtual.

Hay algunas excepciones y limitaciones a la hora de elegir un tamaño de máquina virtual:

• Azure Machine Learning no admite algunas series de máquinas virtuales.
• Algunas series de VM, como GPU y otras SKU especiales, pueden no aparecer inicialmente en la lista de VM disponibles. Pero todavía puede usarlas, una vez que solicite un cambio de cuota. Para obtener más información sobre cómo solicitar cuotas, consulte Solicitud de cuota y límite aumenta.

Consulte la tabla siguiente para más información sobre las series admitidas.

Aunque Azure Machine Learning admite estas series de máquinas virtuales, es posible que no estén disponibles en todas las regiones de Azure. Para comprobar si las series de máquinas virtuales están disponibles o no, consulte Productos disponibles por región.

Si usa los destinos de proceso habilitados para GPU, es importante asegurarse de que se han instalado los controladores CUDA correctos en el entorno de entrenamiento. Use la tabla siguiente para determinar la versión correcta de CUDA que se usará:

Además de garantizar que la versión de CUDA y el hardware sean compatibles, también asegúrese de que la versión de CUDA sea compatible con la versión del marco de aprendizaje automático que utiliza:

• Para PyTorch, compruebe la compatibilidad visitando la página versiones anteriores de PyTorch.
• Para TensorFlow, consulte la compatibilidad visitando la compilación de TensorFlow desde la página de origen.

Aislamiento de proceso

Azure Machine Learning de cómputo ofrece tamaños de VM aislados para un tipo de hardware específico y dedicados a un único cliente. Los tamaños de máquina virtual aislados son más adecuados para cargas de trabajo que requieren un alto grado de aislamiento de otros clientes por motivos como, por ejemplo, el cumplimiento normativo y de requisitos legales. Cuando se usa un tamaño aislado, la máquina virtual es la única que se ejecuta en esa instancia de servidor específica.

Las ofertas de máquinas virtuales aisladas actuales incluyen:

• Standard_M128ms
• Standard_F72s_v2
• Standard_NC24s_v3
• Standard_NC24rs_v3 (compatible con RDMA)

Para obtener más información sobre el aislamiento, consulte Isolation en la nube pública Azure.

Proceso no administrado

Azure Machine Learning no administra un destino de proceso unmanaged. Puede crear este tipo de destino de proceso fuera de Azure Machine Learning y, a continuación, adjuntarlo al área de trabajo. Es posible que tenga que realizar pasos adicionales para mantener recursos de proceso no administrados o para mejorar el rendimiento de las cargas de trabajo de aprendizaje automático.

Azure Machine Learning admite los siguientes tipos de proceso no administrados:

• Máquinas virtuales remotas
• Azure HDInsight
• Azure Databricks
• Azure Data Lake Analytics

Para más información, consulte Administración de recursos de proceso.

Contenido relacionado