[Azure] Azure Machine Learning Service 사용해보기 : Notebooks

애저(Azure) Machine Learning Service의 Notebooks 사용해보기

들어가며

• Azure Machine Learning Service의  Notebooks를 이용하여 실습해보자.
• Azure Machine Learning Service 배포 방법은 이전 글(https://dev-astra.tistory.com/400)을 참고한다.

 

실습하기

• @[Authoring]@ 섹션에서 @[Notebooks]@ 탭을 클릭한다. 그리고 @[Files]@ 버튼을 클릭하고, @[Create new file]@을 선택한다. 그리고 @.ipynb@ 파일을 하나 만들어준다.

• 그리고 실행 환경을 @[Python 3.8 - AzureML]@로 바꿔준다.

 

• 다음 처럼 인증을 해준다. 우측 상단의 @[Authenticate]@ 버튼을 클릭하면 다시 로그인을 하게 된다.

실습 전, 다음 2가지를 확인한다.
① 인증 완료, ② 실행 환경을 Python 3.8 AzureML로 설정하기

 

• 워크 스테이션의 상태를 확인해본다.

from azureml.core import Workspace

ws = Workspace.from_config()    # 워크 스테이션의 상태 확인
print('Workspace name: ' + ws.name, '\n',
      'Azure Region: ' + ws.location, '\n',
      'Subscription ID: ' + ws.subscription_id, '\n',
      'Resource Group: ' + ws.resource_group
)

 

•  실험 공간을 준비한다.

from azureml.core import Experiment

experiment = Experiment(workspace=ws, name='diabetes-experiment')    # 워크 스페이스와 시험의 이름 지정

 

• 데이터를 준비해본다.

from azureml.opendatasets import Diabetes
from sklearn.model_selection import train_test_split

x_df = Diabetes.get_tabular_dataset().to_pandas_dataframe().dropna()
y_df = x_df.pop('Y')    # Y를 끄집어 낸다.

X_train, X_test, y_train, y_test = train_test_split(x_df, y_df, test_size=0.2, random_state=66)

print(X_train)

 

• 모델 훈련, 로그, 모델 파일 관리를 해본다. 이 코드를 실행하면 Azure Machine Learning Service에 모델 파일이 업로드 된다.

# 모델 훈련, 로그, 모델 파일 관리
from sklearn.linear_model import Ridge
from sklearn.metrics import mean_squared_error
from sklearn.externals import joblib
import math

alphas = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]

for alpha in alphas:
    # 실험의 로그 기록
    run = experiment.start_logging()
    run.log('alpha_value', alpha)    # alpha_value에 alpha 값을 대입한다.

    model = Ridge(alpha=alpha)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    rmse = math.sqrt(mean_squared_error(y_test, y_pred))

    run.log('rmse', rmse)    # rmse에 rmse 값을 대입한다.

    print('model_alpha={0}, rmse={1}'.format(alpha, rmse))

    # 모델을 파일로 저장하기
    model_name = 'model_alpha_' + str(alpha) + '.pkl'    # 모델 이름 지정하기
    filename = 'outputs/' + model_name

    joblib.dump(value=model, filename=filename)

    # Azure ML Service에 모델 파일을 업로드 하기
    run.upload_file(name=model_name, path_or_stream=filename)

    run.complete()   # 로그 기록을 끝낸다.

    print(f'{alpha} experiment completed.')

 

실습을 진행하는 모습

 

• 실험이 끝나면, @outputs@ 디렉터리에서 저장한 사이킷런의 모델 파일들(@.pkl@)을 볼 수 있다.

 

• 그리고 좌측의 @[Jobs]@ 탭에서 업로드한 모델 파일(@diabetes-experiment@)을 확인할 수 있다.

 

• 해당 링크를 클릭하면 모델의 여러 가지 정보들을 확인할 수 있다.

 

• Azure ML Service에 업로드한 작업 공간을 연동한다.

from azureml.core import Experiment

experiment = Experiment(workspace=ws, name="diabetes-experiment")
experiment

 

• 최고의 모델을 탐색하고 다운로드 해본다.

# Best Model 탐색 후 다운로드
minimum_rmse = None
minimum_rmse_runid = None

for exp in experiment.get_runs():
    run_metrics = exp.get_metrics()
    run_details = exp.get_details()

    run_rmse = run_metrics['rmse']
    run_id = run_details['runId']

    # 가장 낮은 rmse 값을 가진 실행 ID를 구하기
    if minimum_rmse is None:   # 제일 처음 실행시켰을 경우
        minimum_rmse = run_rmse
        minimum_rmse_runid = run_id
    else:
        if run_rmse < minimum_rmse:
            minimum_rmse = run_rmse
            minimum_rmse_runid = run_id

print('Best run_id: ' + minimum_rmse_runid)
print('Best run_id rmse: ' + str(minimum_rmse))

 

• Best Model을 다운로드 받아본다.

from azureml.core import Run

best_run = Run(experiment=experiment, run_id=minimum_rmse_runid)
print(best_run.get_file_names())

best_run.download_file(name=str(best_run.get_file_names()[0]))

 

• Best Model의 정보가 담긴 모델 파일이 다운로드 받아진 것을 확인할 수 있다.

 

• 다음 코드를 작성하여, 모델에서 사용했던 Feature와 Label을 각각 @.csv@ 파일로 저장해본다.

import numpy as np
from azureml.core import Dataset

np.savetxt('feature.csv', X_train, delimiter=',')     # Feature 데이터 저장
np.savetxt('label.csv', y_train, delimiter=',')     # Label 데이터 저장

해당 디렉터리에 csv 파일들이 생성된다.

 

• 다음 코드를 작성하여 Data Store에 csv 파일들을 업로드 해본다.

# Data Store에 업로드 하기
datastore = ws.get_default_datastore()     # Data Store 정보 가져오기

datastore.upload_files(files=['./feature.csv', './label.csv'],
                        target_path='diabetes-experiment/',      # 업로드할 경로 
                        overwrite=True                           # 덮어쓰기 가능
)

 

• 그리고 다음과 같이 @[Data]@ 탭 > @[Datastores]@ 탭 > @[workspaceblobstore (Default)]@에 진입한다.

다음과 같이 업로드한 파일들을 확인할 수 있다.

 

• 다음 명령을 실행하여 Data Store에서 방금 업로드한 파일들을 가져와본다.

feature_dataset = Dataset.Tabular.from_delimited_files(path=[(datastore, 'diabetes-experiment/feature.csv')])    # 해당 경로에 있는 파일들을 가져온다.
label_dataset = Dataset.Tabular.from_delimited_files(path=[(datastore, 'diabetes-experiment/label.csv')])

 

• 다음 명령을 실행하여 생성했었던 Best Model을 Data Store에 등록해본다. @[Models]@ 탭에서 업로드한 Best Model을 확인할 수 있다.

import sklearn

from azureml.core import Model
from azureml.core.resource_configuration import ResourceConfiguration

# 모델의 등록
model = Model.register(workspace=ws,
                model_name='diabetes-experiment-data',
                model_path=f'./{str(best_run.get_file_names()[0])}',
                model_framework=Model.Framework.SCIKITLEARN,    # 사이킷런
                model_framework_version=sklearn.__version__,
                sample_input_dataset=feature_dataset,
                sample_output_dataset=label_dataset,
                resource_configuration=ResourceConfiguration(cpu=1, memory_in_gb=0.5),    # 실행 환경 지정 : CPU 1개, 0.5GB RAM
                description='Ridge Regression Model to predict diabetes progression',
                tags={'area' : 'diabetes', 'type' : 'regression'}
        )

 

• 다음 명령을 실행하여 모델 정보를 확인해본다.

print('Model Name: ', model.name)
print('Model Version: ', model.version)

 

• 다음 명령을 실행하여 생성한 모델을 배포(Deployment) 해본다. 마치기 까지 시간이 꽤 걸린다.

service_name = 'diabetes-service'

service = Model.deploy(ws, service_name, [model], overwrite=True)   # 모델은 여러 개 배포할 수 있기 때문에 리스트 타입으로 표현한다.
service.wait_for_deployment(show_output=True)

학습 완료까지 22분이 걸렸다. 🗿 배포가 완료되면 인터넷에서 서비스가 시작되기 시작한다.

 

• 배포가 완료되면, 엔드포인트(Endpoint)를 확인해본다.

링크를 클릭해서 들어가면 엔드포인트를 확인할 수 있다.

 

• @REST endpoint@를 복사해서 사용하면, 이 모델을 사용하여 다른 데이터의 분석 및 예측 작업을 수행할 수 있다.
• 다음과 같이 @[Test]@ 탭에서 간단하게 테스트도 해볼 수 있다.

간단하게 테스트를 진행하는 모습

 

• 다음 명령을 실행하여 서비스 안에서 배포된 모델을 이용하여 예측 작업을 수행해본다.

import json

input_payload = json.dumps({
    'data': X_train[0:2].values.tolist(),
    'method': 'predict'
})

output = service.run(input_payload)
print(output)

 

• 이밖에도, 엔드포인트(Endpoint)를 이용하면 편하게 모델을 끌여와 사용할 수 있다.
• 지금까지 간단하게 데이터를 가공하여 모델을 만든 후, 예측 작업을 해보고, 모델을 Azure에 업로드하여 서비스로 배포해보는 과정을 진행해 보았다. 

 

이와 같은 작업을 통해 AI 모델을 배포하고 웹, 앱 등에서 필요할 때 끌어와 쓸 수 있다.

 

참고 사이트

Azure Machine Learning 설명서

자습서: 모델 학습 - Azure Machine Learning

자습서: Notebook을 사용하여 예측 모델 만들기(2-1부) - Azure Machine Learning