在 Azure ML 上用 .NET 跑机器学习

.NET 是一个跨平台,全场景应用的开源技术。 你有在用 .NET 做机器学习/深度学习的应用吗?如果从框架角度, ML.NET / Tensorflow.NET / 不断在进步的 TorchSharp 通过几年的发展已经开始稳定,但如果在一些大型项目上,特别现在与云端环境的对接上都是非常重要的,毕竟云端可以帮助机器学习每一步的流程进行优化,从数据管理,到训练,再到测试,以及部署都是非常重要的。

Azure ML 是非常优秀的机器学习/深度学习平台,涵盖整个机器学习/深度学习的所有流程。那这个时候有人会问 Azure ML 能跑传统的机器学习/深度学习项目都是基于 Python,但能否可以跑 .NET 的机器学习呢?是否可以让 .NET 的机器学习项目和云端结合在一起。今天我就来给大家展示一下,我是如何使用 .NET 结合 Azure ML 跑图像分类的。

准备工作

从 Azure Portal 上构建一个 Azure 机器学习服务环境,因为你需要用 GPU,所以区域记得选择 “West US2”


在 Azure ML 上用 .NET 跑机器学习_第1张图片

 创建成功后,你可以进入相关资源组,并记录下刚才创建的 Resource Group 和 Azure ML Service Name

在 Azure ML 上用 .NET 跑机器学习_第2张图片

你可以通过点击 Studio Web URL 进入 Azure Machine Learning Studio

在 Azure ML 上用 .NET 跑机器学习_第3张图片

一. 从数据采集与整理开始

这个与编程语言无关的内容,但是也是非常重要的内容,数据是最重要的部分。通过 Azure ML 你可以对数据进行管理,这就包括数据存储,版本管理,以及数据特征提取等工作。我们可以从 Azure ML 门户的数据选项上,进行不同数据的管理。

1. 选择左菜单栏的 Assets ,选择 Data,选择 Data assets 进行添加

 在 Azure ML 上用 .NET 跑机器学习_第4张图片

 2. 创建数据,给名字和对应的格式,这里的数据你可以通过该链接 https://github.com/kinfey/HandsOnLab/tree/main/MLNetLab/tfnetcode/TF_DEEP_WIN_GPU_LearnDemo/image/flower_photos 进行下载

在 Azure ML 上用 .NET 跑机器学习_第5张图片

3. 从本地上传数据

在 Azure ML 上用 .NET 跑机器学习_第6张图片

上传成功后,你可以看到相关信息


在 Azure ML 上用 .NET 跑机器学习_第7张图片

记录下 Named asset URI 的名字,这里是 azureml:flower_data:1

二. 训练

每个人会把数据训练看成非常重要的一环。在 .NET 中你可以选用 ML.NET 或者 TensorFlow.NET / TorchSharp 进行训练,从很多文档或者你只看到了 Python 的方式。我这里分享一下用 .NET 的方式。

首先你需要在 Azure ML 上构建你的算力,点击菜单 “Compute”,再选择“Compute clusters”。通过创建,选择 GPU 选择使用 K80 (如果你需要其他算力,可以自动申请)

在 Azure ML 上用 .NET 跑机器学习_第8张图片

在 Azure ML 上用 .NET 跑机器学习_第9张图片

构建完成后,我这里需要把代码进行调整,代码我这里使用了 Tensorflow.NET 的图像分类的示例,并作了一下调整,大家可以参考我的 GitHub 获取代码 https://github.com/kinfey/dotNETMLinAzureML

这里有几点需要注意的,因为在 Azure ML 上,所有计算的算力都是基于 Linux 和 GPU ,所以在加载 Tensorflow.NET 的库的时候请使用 Tensorflow.NET Linux 的 GPU 版本。大家可以参考下



我们需要让 .NET 在 Azure ML 上跑,我们需要有一个容器的环境结合算了一起跑。这就好比作,你需要一个 .NET 的运行环境然后加上算力。

在 Azure ML , 你可以通过本地配置 yaml 去设定相关的内容,包括需要执行的语句,也包括数据存储相关的路径,运行环境,以及所需要的算力等。如下所示

$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: |
  FILENAME=libtensorflow-gpu-linux-x86_64-2.5.0.tar.gz
  wget -q --no-check-certificate https://storage.googleapis.com/tensorflow/libtensorflow/${FILENAME}
  tar -C /usr/local -xzf ${FILENAME}
  ldconfig /usr/local/lib
  cd code
  dotnet restore
  dotnet build
  dotnet run --dataPath ${{inputs.data_dir}} --outputPath outputs 
code: .
inputs:
  data_dir:
    type: uri_folder
    path: azureml:flower_data:1
experiment_name: tf-image-training
environment: 
  build:
    path: .
    dockerfile_path: Dockerfile
compute: azureml:GPUCluster

 补充说明

  1. input:对应的是输入的数据,可以对应在 Azure ML 设定的数据,你可以选择文件夹和文件类型

  2. command: 对应的是你要执行的文件, 因为 Tensorflow.NET 需要 libtensorflow,你必须去做相关的下载,并在运行环境中设置好

  3. environment: 环境依赖,你可以直接设定容器,但我更喜欢把环境设置在 Dockerfile 上,这样你可以随时添加所需要的支持,如 ML.NET CLI 环境或者是一些包等,以下是我的 Dockerfile

FROM mcr.microsoft.com/dotnet/sdk:6.0
RUN  apt install wget

        4. compute: 就是对应创建的算力

        本地的 yaml 环境后,就可以在本地运行对应的脚本 (你必须安装 Azure CLI 环境,还有 Azure ML SDK v2 的扩展支持,这是必须的。具体你可以点击该地址 https://learn.microsoft.com/en-us/cli/azure/install-azure-cli 了解更多), 在本机环境中执行如下步骤

az configure --defaults group=CUDAWSGroup workspace=CUDAWS    
az ml job create --file AzureTrain.yml

        5. experiment_name: 你可以给训练起一个名字,这个我觉得蛮好用的,可以针对不同的项目进行归类

如果执行顺利,你就可以直接通过 Azure ML 开启你的 .NET 机器学习/深度学习训练了,下图是通过点击 job 看到的每次训练的内容

在 Azure ML 上用 .NET 跑机器学习_第10张图片

你也可以点击某次训练了解更多

在 Azure ML 上用 .NET 跑机器学习_第11张图片

这个例子并不是完美的算法,但也足矣说明问题了,当然你可以通过程序设定看看调整算法来提升精确度 

三. 模型测试

你可以在程序中添加测试的样例去看结果,这个会在以后的内容中和大家再说说

四. 模型部署

如果你对某次模型训练比较满意,你就可以选择把该次训练产生的模型注册,并部署到 endpoint,可以选择在本地用 yaml 完成,但有些小伙伴喜欢在 Azure 门户上用一些手动化操作也可以

  1. 模型注册

选择 Models , 并点击 Register ,选择 From a job input

在 Azure ML 上用 .NET 跑机器学习_第12张图片

选择你所需要的训练

在 Azure ML 上用 .NET 跑机器学习_第13张图片

你就可以从 outputs 文件夹中选取对应的模型,作为部署

在 Azure ML 上用 .NET 跑机器学习_第14张图片

部署成功后你就可以看到相关的模型信息 

在 Azure ML 上用 .NET 跑机器学习_第15张图片

 当然你也可以不在 Azure 上部署,可以在 Jobs 把模型下载下来给不同平台使用

在 Azure ML 上用 .NET 跑机器学习_第16张图片

当然你也可以不在 Azure 上部署,可以在 Jobs 把模型下载下来给不同平台使用

在 Azure ML 上用 .NET 跑机器学习_第17张图片

        2. 在 Endpoints 中生成服务

或者你需要在 Azure 上直接部署服务,这个时候你只需要点击 Endpoints 和对应服务关联就可以了。或者我更喜欢用 Azure Functions 来完成该步骤,这个日后再和大家说说了

Azure 上可以支持托管部署,和 Kubernetes 部署,这就看你需要什么方式

在 Azure ML 上用 .NET 跑机器学习_第18张图片

总结

你可以看到在 Azure ML 上,通过 .NET 把机器学习的整个流程都完成了。这也让各位 .NET 的开发人员和团队更有信心地采用 .NET 做机器学习/深度学习的项目。现在 .NET 机器学习不仅仅只是框架,也可以通过云端进行管理,是完整的解决方案。各位小伙伴请放胆使用。也希望有更多小伙伴来做更多有趣的机器学习应用。

最后和大家剧透一下 ,全球的 .NET Conf 2022 下周就开始了,我在 .NET Conf 2022 上,我会和大家谈谈全场景的 .NET 深度学习开发,具体时间北京时间 11 月 10 日 北京时间 13:30 - 14:00 ,大家一定不要错过!(虽然是英文,但希望更位小伙伴也能上线大家)。下周约定大家不见不散

在 Azure ML 上用 .NET 跑机器学习_第19张图片

还有我们 12 月 3 日 和 12 月 4 日 的 .NET Conf 2022 中国也会开始了,有更多小伙伴们熟悉的 .NET 大神 。 大家也一定不要错过。 

在 Azure ML 上用 .NET 跑机器学习_第20张图片

相关链接

  1. 免费 Azure 账号申请 Create Your Azure Free Account Today | Microsoft Azure
  2. 学生免费 Azure 账号申请 面向学生的 Azure - 免费帐户额度 | Microsoft Azure
  3. 了解 Azure ML What is Azure Machine Learning? - Azure Machine Learning | Microsoft Learn
  4. 安装 Azure CLI How to install the Azure CLI | Microsoft Learn
  5. 安装 Azure ML SDK v2 Install and set up the CLI (v2) - Azure Machine Learning | Microsoft Learn
  6. 了解 ML.NET ML.NET | Machine Learning made for .NET
  7. 了解 Tensorflow.NET GitHub - SciSharp/TensorFlow.NET: .NET Standard bindings for Google's TensorFlow for developing, training and deploying Machine Learning models in C# and F#.
  8. 学习 Tensorflow.NET 的相关案例 GitHub - SciSharp/SciSharp-Stack-Examples: Practical examples written in SciSharp's machine learning libraries

你可能感兴趣的:(CA周记,Azure,机器学习,azure,microsoft)