Eseguire il training di modelli a elevato utilizzo di calcolo con Azure Machine Learning
I modelli di Machine Learning e Deep Learning su larga scala richiedono una notevole potenza di calcolo. Verrà illustrato quando scegliere il calcolo GPU e come i diversi framework consentono di usare in modo ottimale le risorse di calcolo GPU durante la pre-elaborazione, il training dei modelli e la distribuzione.
Prerequisiti
Il percorso di apprendimento richiede che si abbia familiarità con il servizio Azure Machine Learning e con il training di modelli di Machine Learning e Deep Learning a elevato utilizzo di risorse di calcolo.
Codice obiettivo
Si vuole richiedere un codice obiettivo?
Moduli in questo percorso di apprendimento
Scegliere il calcolo della GPU in Azure Machine Learning per il training di modelli a elevato utilizzo di calcolo. Per ridurre il tempo necessario all'elaborazione dei dati, è possibile archiviarli in modo efficiente e usare una libreria di manipolazione dei dati compatibile con il calcolo della GPU.
Eseguire il training di modelli a elevato utilizzo di calcolo con il calcolo della GPU in Azure Machine Learning. Monitorando i carichi di lavoro è possibile trovare la configurazione di calcolo ottimale. Il training distribuito consente di coinvolgere più nodi per velocizzare il tempo di training.
La distribuzione di modelli su larga scala per l'inferenza in tempo reale è complessa a causa delle dimensioni del modello. Informazioni sulle operazioni che è possibile eseguire e sui framework che possono essere usati per ottimizzare le prestazioni del modello durante il calcolo del punteggio del modello.