【 MLOps 】在 AzureML Pipeline 中啟用 TensorFlow GPU

【 MLOps 】在 AzureML Pipeline 中啟用 TensorFlow GPU
Photo by Jake Irish / Unsplash

內容

  • 學習目標
  • 前置準備作業
  • 上傳 Sample Code
  • AzureML Pipeline 啟用 Tensorfow GPU

前置準備作業

  • 已建立 Azure 帳號並能正常登入

  • 已於 Microsoft Azure Machine Learning Studio 建立所要使用的 Compute
    ---2023-03-30---1.30.02

  • 確認 Compute instance 與 Python 3.8 - AuzreML 是否為綠燈 ( 綠燈代表正常運作中 ) 且已建立 Juypter Notebook

---2023-03-30---1.33.00

上傳 Sample Code

  • 在 Jupyter Notebook 中執行下方指令
!git clone https://github.com/ArcherHuang/AzureML_TensorFlow_GPU.git
  • 點選程式區塊左側的 以執行程式

---2023-03-30---3.17.54

  • 執行結果

---2023-03-30---3.21.02

AzureML Pipeline 啟用 Tensorfow GPU

  • 建立運算叢集 區塊中的第 13 行可選擇所要使用的 GPU 規格

---2023-03-30---3.29.53

  • 設定執行環境的 config ( GPU ) 區塊中的第 5 行可選擇所要使用的 Docker Base Image 的類型、第 11 行可選擇所要使用的 Tensorfow 版本

---2023-03-30---3.31.11

  • 以上資訊修改完成後點選 use_gpu.ipynb 程式區塊點擊 Alt + R 以執行所有程式區塊 ( 首次執行因要下載多個 Docker Layer,故需花費約 16 分鐘 )

    • 點選左側的 Pipelines > 再點選最新的 Display name 所顯示的名稱
      ---2023-03-30---3.34.24
    • 正確執行完成後會從 藍色 變為 綠色
      • 執行中
        ---2023-03-30---3.34.34
      • 執行完成
        ---2023-03-30---4.00.43
  • 點選右上角的 Job overview
    ---2023-03-30---4.00.43--

  • 點選右上角的 Outputs + logs
    ---2023-03-30---4.02.14

  • 點選 azureml-logs 資料夾中的 20_image_build_log.txt 查看 Docker Base Image
    ---2023-03-30---4.05.04

  • 點選 user_logs 資料夾中的 std_log.txt 查看程式執行過程中所輸出的資訊
    ---2023-03-30---4.07.30

Sample Code

GitHub

List of blogs