From 0433a3b9b78033857446654f16f7d097f71aa2fa Mon Sep 17 00:00:00 2001 From: Keita Onabuta Date: Tue, 12 Apr 2022 15:03:17 +0000 Subject: [PATCH] FIX : typo --- .../src/notebooks/train-notebook.ipynb | 988 +++++++++--------- 1 file changed, 494 insertions(+), 494 deletions(-) diff --git a/fundamentals-JPN/src/notebooks/train-notebook.ipynb b/fundamentals-JPN/src/notebooks/train-notebook.ipynb index 0d1fa39..4df793d 100644 --- a/fundamentals-JPN/src/notebooks/train-notebook.ipynb +++ b/fundamentals-JPN/src/notebooks/train-notebook.ipynb @@ -1,499 +1,499 @@ { - "cells": [ - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "# Azure Machine Learning による機械学習プロセス - モデル学習編\n", - "本ノートブックでは、オープンソースライブラリの LightGBM (Python API) を用いたモデルを構築します。各機械学習プロセスを Azure Machine Learning Python SDK を用いて実行します。" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## アジェンダ\n", - "### **A. 学習編 (本ノートブック)**\n", - "- ワークスペース (Workspace) への接続\n", - "- データセット (Datasets) の登録\n", - "- 環境 (Environments) の登録\n", - "- コンピューティングクラスター (Compute Clusters) の作成\n", - "- モデル学習の実行と実験 (Runs & Experiments)\n", - "- モデル登録 (Models)\n", - "\n", - "### B. デプロイ編\n", - "- ワークスペース (Workspace) への接続\n", - "- 推論環境の作成 (Endpoints)\n", - "- エンドポイントの利用 (Endpoints)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## 事前設定\n", - "- 本ノートブックは Azure Machine Learning の Compute Instances を利用することを想定しています。\n", - "- 開発環境は JupyterLab, VSCode, Integrated Notebook など Compute Instances で稼働するものであれば自由に選択いただけます。\n", - "- カーネルは `python38-azureml (Python 3.8 AzureML)` を選択ください。" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## ワークスペース (Workspace) への接続\n", - "クライアント環境の Python 環境にインストールした Azure ML Python SDK を用いて Azure Machine Learning Workspace に接続します。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085804152 + "cells": [ + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "# Azure Machine Learning による機械学習プロセス - モデル学習編\n", + "本ノートブックでは、オープンソースライブラリの LightGBM (Python API) を用いたモデルを構築します。各機械学習プロセスを Azure Machine Learning Python SDK を用いて実行します。" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## アジェンダ\n", + "### **A. 学習編 (本ノートブック)**\n", + "- ワークスペース (Workspace) への接続\n", + "- データセット (Datasets) の登録\n", + "- 環境 (Environments) の登録\n", + "- コンピューティングクラスター (Compute Clusters) の作成\n", + "- モデル学習の実行と実験 (Runs & Experiments)\n", + "- モデル登録 (Models)\n", + "\n", + "### B. デプロイ編\n", + "- ワークスペース (Workspace) への接続\n", + "- 推論環境の作成 (Endpoints)\n", + "- エンドポイントの利用 (Endpoints)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## 事前設定\n", + "- 本ノートブックは Azure Machine Learning の Compute Instances を利用することを想定しています。\n", + "- 開発環境は JupyterLab, VSCode, Integrated Notebook など Compute Instances で稼働するものであれば自由に選択いただけます。\n", + "- カーネルは `python38-azureml (Python 3.8 AzureML)` を選択ください。" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## ワークスペース (Workspace) への接続\n", + "クライアント環境の Python 環境にインストールした Azure ML Python SDK を用いて Azure Machine Learning Workspace に接続します。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085804152 + } + }, + "outputs": [], + "source": [ + "# Compute Instances を利用する場合\n", + "from azureml.core import Workspace\n", + "ws = Workspace.from_config()" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085804199 + } + }, + "outputs": [], + "source": [ + "# # その他の任意のクライアント環境を利用する場合\n", + "# ws = Workspace.get(\n", + "# name='name',\n", + "# subscription_id='subscription_id',\n", + "# resource_group='resource_group',\n", + "# )" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## データストア (Datastores) の利用\n", + "データソースへの接続情報を保持しているデータストア (Datastores) を利用して、CSV ファイルを Azure ストレージ (Azure ML のデフォルトストレージ) にアップロードします。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": [ + "# データストア (Datastores) へのアップロード\n", + "datastore = ws.get_default_datastore()\n", + "datastore.upload_files(files=['../data/Titanic.csv'],\n", + " target_path='demo',\n", + " overwrite=True)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## データセット (Datasets) の登録\n", + "データストア (Datstores) として定義されたAzure のストレージやデータベースに格納されているデータをデータセット (Datasets) として登録します。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085810518 + } + }, + "outputs": [], + "source": [ + "from azureml.core import Dataset\n", + "\n", + "# データセット (Datasets) の登録\n", + "datastore_paths = [(datastore, 'demo/Titanic.csv')]\n", + "# 表形式を選択\n", + "titanic_ds = Dataset.Tabular.from_delimited_files(path=datastore_paths)\n", + "titanic_ds.register(ws, \"titanic\", create_new_version=True)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## 環境 (Environments) の登録\n", + "モデル学習や推論で利用する Python ライブラリとそのバージョンを環境 (Environments) として登録します。" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "環境の名称は `lightgbm-python-env` とし、「Python 仮想環境」を選択し、Python ライブラリとそのバージョンが記載されている [environments/requirements.txt](environments/requirements.txt) のファイルを読み込み、環境を作成します。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085810575 + } + }, + "outputs": [], + "source": [ + "from azureml.core import Environment\n", + "environment_name = \"lightgbm-python-env\"\n", + "pip_file_path = \"../environments/requirements.txt\"\n", + "conda_file_path = \"../environments/conda-env.yml\"\n", + "env = Environment.from_conda_specification(name = environment_name, file_path = conda_file_path)\n", + "#env = Environment.from_pip_requirements(name = environment_name, file_path = pip_file_path)\n", + "env.register(ws)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## コンピューティングクラスター (Compute Clusters) の作成\n", + "(バッチ的な) モデル学習に利用する計算クラスターであるコンピューティングクラスター (Compute Clusters) を作成します。" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "名称は `cpu-clusters` とし、(例えば) Standard_F4s_v2 VM ファミリーを選択します。
\n", + "最小ノード数は 0、最大ノード数は 4 などに設定し、コンピューティングクラスターを作成します。
" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085810668 + } + }, + "outputs": [], + "source": [ + "compute_name = \"cpu-clusters\"" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085811507 + } + }, + "outputs": [], + "source": [ + "from azureml.core.compute import ComputeTarget, AmlCompute\n", + "\n", + "# TODO: 仮想ネットワークの情報を記載\n", + "# vnet_resourcegroup_name = \"\"\n", + "# vnet_name = \"\"\n", + "# subnet_name = \"default\"\n", + "\n", + "if compute_name not in ws.compute_targets: # compute_name の名前の Compute Cluster が無ければ...\n", + " compute_config = AmlCompute.provisioning_configuration(vm_size = \"Standard_F4S_V2\", \n", + " max_nodes=4, \n", + " idle_seconds_before_scaledown = 300,\n", + " #vnet_resourcegroup_name=vnet_resourcegroup_name,\n", + " #vnet_name=vnet_name,\n", + " #subnet_name=subnet_name\n", + " )\n", + "\n", + " ct = ComputeTarget.create(ws, compute_name, compute_config)\n", + " ct.wait_for_completion(show_output=True)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## モデル学習の実行 (Runs & Experiments)\n", + "モデル学習を実行します。それぞれの実行 (Runs) は実験 (Experiments) に情報が集約されます。実験名は `ftalive-lgb-train` とします。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085811566 + } + }, + "outputs": [], + "source": [ + "from azureml.core import Experiment\n", + "\n", + "experiment_name = \"ftalive-lgb-train\"\n", + "experiment = Experiment(ws, experiment_name)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "ScriptRunConfig で実行の構成設定をします。\n", + "- 参考ドキュメント : [トレーニングの実行を構成して送信する - スクリプト実行構成とは](https://docs.microsoft.com/ja-JP/azure/machine-learning/how-to-set-up-training-targets#whats-a-script-run-configuration)\n", + "\n", + "なお、学習コードは [script/train-lgb.py](script/train-lgb.py) から確認できます。学習データは Azure Machine Learning に登録されているものを呼びだしています。メトリックの記録は MLflow の Autolog 機能などを用いています。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085811603 + } + }, + "outputs": [], + "source": [ + "from azureml.core import ScriptRunConfig\n", + "\n", + "script_dir = \"script\"\n", + "script_name = \"train-lgb.py\"\n", + "args = [\"--input-data\", titanic_ds.as_named_input('titanic')]\n", + "\n", + "src = ScriptRunConfig(\n", + " source_directory=script_dir,\n", + " script=script_name,\n", + " environment=env,\n", + " arguments=args,\n", + " compute_target=compute_name,\n", + ")" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "ジョブを実行します。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085817723 + } + }, + "outputs": [], + "source": [ + "run = experiment.submit(src)\n", + "run" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "ジョブ実行が完了するまで待機します。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085966563 + } + }, + "outputs": [], + "source": [ + "run.wait_for_completion(show_output=True)" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085966613 + } + }, + "outputs": [], + "source": [ + "# run.download_files(output_directory=experiment_name+\"_logging\")" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085966620 + } + }, + "outputs": [], + "source": [ + "run" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "Azure Machine Learning Studio にて正常にジョブが実行されたことを確認します。
\n", + "
\n", + "実行時間、メトリック、コードなどの情報が確認できます。
\n", + "
\n" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "
" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## モデル登録 (Models)\n", + "ジョブ実行の run オブジェクトを利用して、モデル登録をします。
\n", + "※ Azure Machine Learning Studio 経由で実行する場合と違って、クライアント端末への学習済みモデルのダウンロードは不要です。" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": { + "gather": { + "logged": 1649085966624 + } + }, + "outputs": [], + "source": [ + "from azureml.core import Model\n", + "\n", + "model = run.register_model(\n", + " model_name=\"ftalive-lgb-model\",\n", + " model_framework=\"LightGBM\",\n", + " model_framework_version=\"3.3.1\",\n", + " tags={'algorithm': 'lightGBM'}, \n", + " model_path = 'model')" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", + "
" + ] } - }, - "outputs": [], - "source": [ - "# Compute Instances を利用する場合\n", - "from azureml.core import Workspace\n", - "ws = Workspace.from_config()" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085804199 + ], + "metadata": { + "interpreter": { + "hash": "6d65a8c07f5b6469e0fc613f182488c0dccce05038bbda39e5ac9075c0454d11" + }, + "kernel_info": { + "name": "python3" + }, + "kernelspec": { + "display_name": "Python 3", + "language": "python", + "name": "python3" + }, + "language_info": { + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "file_extension": ".py", + "mimetype": "text/x-python", + "name": "python", + "nbconvert_exporter": "python", + "pygments_lexer": "ipython3", + "version": "3.8.5" + }, + "microsoft": { + "host": { + "AzureML": { + "notebookHasBeenCompleted": true + } + } + }, + "nteract": { + "version": "nteract-front-end@1.0.0" } - }, - "outputs": [], - "source": [ - "# # その他の任意のクライアント環境を利用する場合\n", - "# ws = Workspace.get(\n", - "# name='name',\n", - "# subscription_id='subscription_id',\n", - "# resource_group='resource_group',\n", - "# )" - ] }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## データストア (Datastores) の利用\n", - "データソースへの接続情報を保持しているデータストア (Datastores) を利用して、CSV ファイルを Azure ストレージ (Azure ML のデフォルトストレージ) にアップロードします。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": {}, - "outputs": [], - "source": [ - "# データストア (Datastores) へのアップロード\n", - "datastore = ws.get_default_datastore()\n", - "datastore.upload_files(files=['../data/Titanic.csv'],\n", - " target_path='demo',\n", - " overwrite=True)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## データセット (Datasets) の登録\n", - "データストア (Datstores) として定義されたAzure のストレージやデータベースに格納されているデータをデータセット (Datasets) として登録します。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085810518 - } - }, - "outputs": [], - "source": [ - "from azureml.core import Dataset\n", - "\n", - "# データセット (Datasets) の登録\n", - "datastore_paths = [(datastore, 'demo/Titanic.csv')]\n", - "# 表形式を選択\n", - "titanic_ds = Dataset.Tabular.from_delimited_files(path=datastore_paths)\n", - "titanic_ds.register(ws, \"titanic\", create_new_version=True)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## 環境 (Environments) の登録\n", - "モデル学習や推論で利用する Python ライブラリとそのバージョンを環境 (Environments) として登録します。" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "環境の名称は `lightgbm-python-env` とし、「Python 仮想環境」を選択し、Python ライブラリとそのバージョンが記載されている [environments/requirements.txt](environments/requirements.txt) のファイルを読み込み、環境を作成します。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085810575 - } - }, - "outputs": [], - "source": [ - "from azureml.core import Environment\n", - "environment_name = \"lightgbm-python-env\"\n", - "pip_file_path = \"../environments/requirements.txt\"\n", - "conda_file_path = \"../environments/conda-env.yml\"\n", - "env = Environment.from_conda_specification(name = environment_name, file_path = conda_file_path)\n", - "#env = Environment.from_pip_requirements(name = environment_name, file_path = pip_file_path)\n", - "env.register(ws)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## コンピューティングクラスター (Compute Clusters) の作成\n", - "(バッチ的な) モデル学習に利用する計算クラスターであるコンピューティングクラスター (Compute Clusters) を作成します。" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "名称は `cpu-clusters` とし、(例えば) Standard_F4s_v2 VM ファミリーを選択します。
\n", - "最小ノード数は 0、最大ノード数は 4 などに設定し、コンピューティングクラスターを作成します。
" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085810668 - } - }, - "outputs": [], - "source": [ - "compute_name = \"cpu-clusters\"" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085811507 - } - }, - "outputs": [], - "source": [ - "from azureml.core.compute import ComputeTarget, AmlCompute\n", - "\n", - "# TODO: 仮想ネットワークの情報を記載\n", - "# vnet_resourcegroup_name = \"\"\n", - "# vnet_name = \"\"\n", - "# subnet_name = \"default\"\n", - "\n", - "if compute_name not in ws.compute_targets: # compute_name の名前の Compute Cluster が無ければ...\n", - " compute_config = AmlCompute.provisioning_configuration(vm_size = \"Standard_F4S_V2\", \n", - " max_nodes=4, \n", - " idle_seconds_before_scaledown = 300,\n", - " #vnet_resourcegroup_name=vnet_resourcegroup_name,\n", - " #vnet_name=vnet_name,\n", - " #subnet_name=subnet_name\n", - " )\n", - "\n", - " ct = ComputeTarget.create(ws, compute_name, compute_config)\n", - " ct.wait_for_completion(show_output=True)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## モデル学習の実行 (Runs s& Experiments)\n", - "モデル学習を実行します。それぞれの実行 (Runs) は実験 (Experiments) に情報が集約されます。実験名は `ftalive-lgb-train` とします。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085811566 - } - }, - "outputs": [], - "source": [ - "from azureml.core import Experiment\n", - "\n", - "experiment_name = \"ftalive-lgb-train\"\n", - "experiment = Experiment(ws, experiment_name)" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "ScriptRunConfig で実行の構成設定をします。\n", - "- 参考ドキュメント : [トレーニングの実行を構成して送信する - スクリプト実行構成とは](https://docs.microsoft.com/ja-JP/azure/machine-learning/how-to-set-up-training-targets#whats-a-script-run-configuration)\n", - "\n", - "なお、学習コードは [src/train-lgb.py](src/train-lgb.py) から確認できます。学習データは Azure Machine Learning に登録されているものを呼びだしています。メトリックの記録は MLflow の Autolog 機能などを用いています。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085811603 - } - }, - "outputs": [], - "source": [ - "from azureml.core import ScriptRunConfig\n", - "\n", - "script_dir = \"script\"\n", - "script_name = \"train-lgb.py\"\n", - "args = [\"--input-data\", titanic_ds.as_named_input('titanic')]\n", - "\n", - "src = ScriptRunConfig(\n", - " source_directory=script_dir,\n", - " script=script_name,\n", - " environment=env,\n", - " arguments=args,\n", - " compute_target=compute_name,\n", - ")" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "ジョブを実行します。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085817723 - } - }, - "outputs": [], - "source": [ - "run = experiment.submit(src)\n", - "run" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "ジョブ実行が完了するまで待機します。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085966563 - } - }, - "outputs": [], - "source": [ - "run.wait_for_completion(show_output=True)" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085966613 - } - }, - "outputs": [], - "source": [ - "# run.download_files(output_directory=experiment_name+\"_logging\")" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085966620 - } - }, - "outputs": [], - "source": [ - "run" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "Azure Machine Learning Studio にて正常にジョブが実行されたことを確認します。
\n", - "
\n", - "実行時間、メトリック、コードなどの情報が確認できます。
\n", - "
\n" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "
" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "## モデル登録 (Models)\n", - "ジョブ実行の run オブジェクトを利用して、モデル登録をします。
\n", - "※ Azure Machine Learning Studio 経由で実行する場合と違って、クライアント端末への学習済みモデルのダウンロードは不要です。" - ] - }, - { - "cell_type": "code", - "execution_count": null, - "metadata": { - "gather": { - "logged": 1649085966624 - } - }, - "outputs": [], - "source": [ - "from azureml.core import Model\n", - "\n", - "model = run.register_model(\n", - " model_name=\"ftalive-lgb-model\",\n", - " model_framework=\"LightGBM\",\n", - " model_framework_version=\"3.3.1\",\n", - " tags={'algorithm': 'lightGBM'}, \n", - " model_path = 'model')" - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "Azure Machine Learning Studio にて正常に登録されていることを確認します。
\n", - "
" - ] - } - ], - "metadata": { - "interpreter": { - "hash": "6d65a8c07f5b6469e0fc613f182488c0dccce05038bbda39e5ac9075c0454d11" - }, - "kernel_info": { - "name": "python38-azureml" - }, - "kernelspec": { - "display_name": "Python 3", - "language": "python", - "name": "python3" - }, - "language_info": { - "codemirror_mode": { - "name": "ipython", - "version": 3 - }, - "file_extension": ".py", - "mimetype": "text/x-python", - "name": "python", - "nbconvert_exporter": "python", - "pygments_lexer": "ipython3", - "version": "3.8.5" - }, - "microsoft": { - "host": { - "AzureML": { - "notebookHasBeenCompleted": true - } - } - }, - "nteract": { - "version": "nteract-front-end@1.0.0" - } - }, - "nbformat": 4, - "nbformat_minor": 1 + "nbformat": 4, + "nbformat_minor": 0 }