Azure Machine Learning のコンピュートターゲットとは何ですか?

"コンピューティング ターゲット" とは、トレーニング スクリプトを実行したり、サービスのデプロイをホストしたりする、指定されたコンピューティング リソースまたは環境のことです。 この場所は、ローカル コンピューターでも、クラウドベースのコンピューティング リソースでもかまいません。 コンピューティング ターゲットを使用すると、コードを変更しなくても、後でコンピューティング環境を容易に変更できます。

Azure Machine Learningでは、さまざまなコンピューティング ターゲットがサポートされています。 一般的なモデル開発ライフサイクルでは、次のことを行う可能性があります。

1. 最初に、少量のデータを開発して実験します。 この段階では、コンピューティング ターゲットとしてローカル環境 (ローカル コンピューターやクラウド ベースの仮想マシン (VM) など) を使用します。
2. より大きなデータにスケールアップするか、またはこれらのトレーニング コンピューティング ターゲットのいずれかを使用して分散トレーニングを実行します。
3. モデルの準備ができたら、これらのデプロイ コンピューティング ターゲットのいずれかを使用して、そのモデルを Web ホスティング環境にデプロイします。

コンピュートターゲットに使用するコンピュートリソースを、ワークスペースにアタッチします。 ワークスペースのユーザーは、ローカル コンピューター以外のコンピューティング リソースを共有します。

コンピューティング ターゲットのトレーニング

大規模なデータセットでトレーニングをスケールアップしたり、分散トレーニングを実行したりするときは、Azure Machine Learningコンピューティングを使用して、ジョブを送信するたびに自動スケールする単一ノードまたはマルチノード クラスターを作成します。 また、独自のコンピューティング リソースを接続することもできますが、シナリオごとにサポートは異なることがあります。

コンピューティング ターゲットは、あるトレーニング ジョブから次へと再利用できます。 たとえば、リモート VM をワークスペースにアタッチした後、複数のジョブでそれを再利用できます。

ほとんどのジョブのトレーニング コンピューティング ターゲットには、次のいずれかのリソースを使用できます。 一部のリソースは、自動機械学習、機械学習パイプライン、またはデザイナーで使用することができません。 Azure Databricksは、ローカル実行と機械学習パイプラインのトレーニング リソースとして使用できますが、他のトレーニングのリモート ターゲットとして使用することはできません。

推論のコンピューティング先

Azure Machine Learning は推論を実行すると、モデルとそれを使用するために必要な関連リソースをホストする Docker コンテナーを作成します。 このコンテナーは、計算ターゲットとして使用します。

モデルをホストするために使用するコンピューティング先は、デプロイされたエンドポイントのコストと可用性に影響します。 次のテーブルを使用して、適切なコンピューティング先を選択します。

Azure Machine Learning 計算リソース (管理対象)

Azure Machine Learningマネージド コンピューティング リソースを作成および管理します。 この種のコンピューティングは、機械学習ワークロード向けに最適化されています。 コンピューティング クラスター Azure Machine Learning、サーバーレス コンピューティング、および compute インスタンスのみがマネージド コンピューティングです。

サーバーレス コンピューティングを作成する必要はありません。 Azure Machine Learningコンピューティング インスタンスまたはコンピューティング クラスターは、次の場所から作成できます。

• Azure Machine Learning studio
• Python SDK とAzure CLI:
  • コンピューティング インスタンス
  • コンピューティング クラスター
• Azure Resource Manager テンプレート。 テンプレートの例については、「Azure Machine Learning コンピューティング クラスターの作成を参照してください。

これらのコンピューティング リソースを作成すると、他の種類のコンピューティング ターゲットとは異なり、自動的にワークスペースの一部になります。

サポートされている VM シリーズおよびサイズ

Azure Machine Learningでマネージド コンピューティング リソースのノード サイズを選択すると、Azureで使用可能な VM サイズを選択できます。 Azureでは、さまざまなワークロードに対して Linux とWindowsのさまざまなサイズが提供されます。 詳細については、「VM の 種類とサイズ」を参照してください。

VM サイズを選択する際には次のような例外と制限事項があります。

• Azure Machine Learningでは、一部の VM シリーズはサポートされていません。
• GPU やその他の特別な SKU など、一部の VM は使用可能な VM の一覧に最初は表示されないことがあります。 ただし、クォータの変更を要求すれば、それらも使用できます。 クォータの要求について詳しくは、「クォータと制限の増加を要求」を参照してください。

サポートされているシリーズの詳細については、次の表を参照してください。

Azure Machine Learningはこれらの VM シリーズをサポートしていますが、Azureリージョンによっては使用できない場合があります。 VM シリーズが使用可能かどうかを確認するには、「リージョン別の利用可能な製品」を参照してください。

GPU 対応のコンピューティング先を使用する場合は、トレーニング環境に適切な CUDA ドライバーがインストールされていることを確認することが重要です。 次の表を使用して、使用する適切な CUDA バージョンを決定します。

CUDA のバージョンとハードウェアに互換性があることを確認するだけでなく、CUDA のバージョンが、使用している機械学習フレームワークのバージョンと互換性があることを確認します。

• PyTorch の場合は、 PyTorch の以前のバージョンのページにアクセスして互換性を確認します。
• TensorFlow の場合は、 ソース ページから TensorFlow のビルドにアクセスして互換性を確認します。

コンピューティングの分離

Azure Machine Learning コンピューティングでは、特定のハードウェアの種類に分離され、1 人の顧客専用の VM サイズが提供されます。 分離された VM サイズは、コンプライアンスや規制上の要件を満たすなどの理由で、他の顧客のワークロードからの高いレベルの分離を必要とするワークロードに最適です。 分離サイズを使用する場合、その特定のサーバー インスタンスで実行されているのは VM だけです。

現在の分離された VM のプランには、以下が含まれます。

• Standard_M128ms
• Standard_F72s_v2
• Standard_NC24s_v3
• Standard_NC24rs_v3 (RDMA 対応)

分離の詳細については、「Azure パブリック クラウドでの Isolation を参照してください。

アンマネージド コンピューティング

Azure Machine Learningは、unmanaged コンピューティング ターゲットを管理しません。 この種類のコンピューティング ターゲットは、Azure Machine Learning外に作成し、ワークスペースにアタッチします。 アンマネージド コンピューティング リソースを維持したり、機械学習ワークロードのパフォーマンスを向上させたりするために、追加の手順を実行する必要がある場合があります。

Azure Machine Learningでは、次のアンマネージ コンピューティングの種類がサポートされています。

• リモート仮想マシン
• Azure HDInsight
• Azure Databricks
• Azure Data Lake Analytics

詳細については、コンピューティング リソースの管理に関するページを参照してください。

関連コンテンツ