使用ML.NET和Azure Function进行机器学习 - 第1部分

介绍

一提到机器学习，总是让人望而生畏。幸运的是，Azure正在想方设法让开发人员更容易进入机器学习。ML.NET是Microsoft Research专为.NET开发人员开发的机器学习框架，因此您可以在Visual Studio中完成所有工作。如果你还没有玩过它，我想你会爱上它。当您准备好部署ML.NET算法时，您可以通过Azure Function使用无服务器架构- 而不必担心运行时会把服务器和容器弄得一团糟。

无服务器机器学习

受到Luis Quintanilla的文章启发，有关ML.NET与Azure Function，我们尝试把二者结合起来使用。您将在本地使用ML.NET来训练您的机器学习模型。然后，您将创建一个Azure环境，其中包含存储帐户和Azure Function，以托管您的机器学习应用程序。使用您的模型构建应用程序的最后一步将在下一篇文章中介绍。

创建您的模型

对于这个快速项目的ML.NET部分，让我们从ML.NET10分钟入门教程中构建鸢尾花分类模型。作为先决条件，您需要安装Azure CLI 2.0， Azure Function Core Tools和最新版本的.NET Core。

 

打开命令提示符并为ML.NET项目创建一个新文件夹。

> mkdir demo
> cd demo

接下来，创建一个新的解决方案以及一个新的控制台项目并安装ML.NET包。

> dotnet new solution
> dotnet new console -o model
> dotnet sln add model/model.csproj
> cd model
> dotnet add package Microsoft.ML --version 0.4.0
> dotnet restore

在模型下创建数据目录。

> mkdir data

打开UCI机器学习库：Iris数据集，将数据复制并粘贴到VS Code或TextEdit或Notepad中，并将其保存为数据目录中的iris-data.txt。现在是时候写一些代码了。在Visual Studio Code中打开项目并创建几个数据结构类：IrisData.cs和IrisPrediction.cs。

using Microsoft.ML.Runtime.Api;

        public class IrisData
        {
            [Column("0")]
            public float SepalLength;

            [Column("1")]
            public float SepalWidth;

            [Column("2")]
            public float PetalLength;

            [Column("3")]
            public float PetalWidth;

            [Column("4")]
            [ColumnName("Label")]
            public string Label;
        }

        public class IrisPrediction
        {
            [ColumnName("PredictedLabel")]
            public string PredictedLabels;
        }

添加模型类以执行机器学习训练。

using System.Threading.Tasks;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Trainers;
using Microsoft.ML.Transforms;

    class Model
    {
        public static async Task> Train(LearningPipeline pipeline, string dataPath, string modelPath)
        {
            // Load Data
            pipeline.Add(new TextLoader(dataPath).CreateFrom(separator: ','));

            // Transform Data
            // Assign numeric values to text in the "Label" column, because
            // only numbers can be processed during model training
            pipeline.Add(new Dictionarizer("Label"));

            // Vectorize Features
            pipeline.Add(new ColumnConcatenator("Features", "SepalLength", "SepalWidth", "PetalLength", "PetalWidth"));

            // Add Learner
            pipeline.Add(new StochasticDualCoordinateAscentClassifier());

            // Convert Label back to text
            pipeline.Add(new PredictedLabelColumnOriginalValueConverter() { PredictedLabelColumn = "PredictedLabel" });

            // Train Model
            var model = pipeline.Train();

            // Persist Model
            await model.WriteAsync(modelPath);

            return model;
        }
    }

将您的逻辑放在Program.cs文件中以运行该过程：

 class Program
    {
        static void Main(string[] args)
        {
            string dataPath = "/Users/mbcrump/Documents/demo/model/data/iris-data.txt";

            string modelPath = "/Users/mbcrump/Documents/demo/model/model.zip";

            var model = Model.Train(new LearningPipeline(), dataPath, modelPath).Result;

            // Test data for prediction
            var prediction = model.Predict(new IrisData()
            {
                SepalLength = 3.3f,
                SepalWidth = 1.6f,
                PetalLength = 0.2f,
                PetalWidth = 5.1f
            });

            Console.WriteLine($"Predicted flower type is: {prediction.PredictedLabels}");

        }
    }

运行模型项目以在根目录中创建新的model.zip文件。以下是我得到的结果。

Michaels-MacBook-Pro:model mbcrump$ dotnet run
Automatically adding a MinMax normalization transform, use 'norm=Warn' or 'norm=No' to turn this behavior off.
Using 4 threads to train.
Automatically choosing a check frequency of 4.
Auto-tuning parameters: maxIterations = 9996.
Auto-tuning parameters: L2 = 2.668802E-05.
Auto-tuning parameters: L1Threshold (L1/L2) = 0.
Using best model from iteration 500.
Not training a calibrator because it is not needed.
Predicted flower type is: Iris-virginica

恭喜！您已经使用ML.NET对机器学习模型进行了培训，对鸢尾花进行了分类。

使用Cloud Shell设置Azure环境

我们将使用Azure Cloud Shell，它使用Azure CLI来设置我们的Azure环境。最简单的方法是登录Azure门户帐户，然后单击下面显示的Cloud Shell图标以打开bash shell或转到shell.azure.com。

 

登录后，在bash shell中为此项目创建一个新资源组（并用您自己的一个替换“mlnetdemo”以及该位置）。

$ az group create --name mlnetdemo --location westus

将存储添加到此资源组。

注意：您必须将以下名称更改为唯一的名称

$ az storage account create --name mlnetdemostorage --location westus --resource-group mlnetdemo --sku Standard_LRS

创建Azure Function并将其配置为使用支持.NET Core的beta运行时。

注意：您必须将以下名称更改为唯一的名称

 $ az functionapp create --name mlnetdemoazfunction1 --storage-account mlnetdemostorage1 --consumption-plan-location westus --resource-group mlnetdemo 

 $ az functionapp config appsettings set --name mlnetdemoazfunction1 --resource-group mlnetdemo --settings FUNCTIONS_EXTENSION_VERSION=beta 

部署您的机器学习模型

要将模型部署到服务器，您需要获取存储帐户的密钥。在bash窗口中使用以下命令来获取它。

$ az storage account keys list --account-name mlnetdemostorage1 --resource-group mlnetdemo 

你会看到以下内容：

[
  {
    "keyName": "key1",
    "permissions": "Full",
    "value": "YOURKEY"
  },
  {
    "keyName": "key2",
    "permissions": "Full",
    "value": "NONEYOBUSINESS"
  }
]

使用以下命令基于您的帐户密钥创建一个名为models的新目录，用于放入模型（可以在设置|访问键下的导航窗口中找到）。

$ az storage container create --name models --account-key YOURKEY --account-name mlnetdemostorage1

 

由于我们使用的是Cloud Shell，因此在此步骤中使用Azure Portal会更容易。如果您愿意，也可以使用Azure CLI。浏览到您的mlnetdemo资源组版本，并深入查看您之前创建的存储资源。以这些blob进行训练前，您会看到models文件夹下新的子目录，在硬盘上找到model.zip上传到这里。

在第2部分中，我们将介绍构建由Azure Function托管的应用程序，该应用程序将针对您的鸢尾花图像进行分类。

 

 

转载于:https://www.cnblogs.com/BeanHsiang/p/9995865.html