重新训练设计

• 7 分钟

在机器学习运营 (MLOps) 解决方案中准备用于生产的模型时，需要针对重新训练进行设计。

通常，有两种方法可用于重新训练模型：

• 基于计划：当你知道始终需要最新版本的模型时，可以决定每周或每月根据计划重新训练模型。
• 基于指标：如果只想在必要时重新训练模型，可以监视模型的性能和数据偏移，以决定何时需要重新训练模型。

在任一情况下，都需要针对重新训练进行设计。 若要轻松重新训练模型，应为自动化准备代码。

准备代码

理想情况下，应使用脚本而不是笔记本来训练模型。 脚本更适合自动化。 可以将参数添加到脚本并更改输入参数，例如训练数据或超参数值。 参数化脚本后，可以根据需要轻松基于新数据重新训练模型。

准备代码的另一个重要事项是将代码托管在中央存储库中。 存储库是指存储所有与项目相关的文件的位置。 对于机器学习项目，基于 Git 的存储库非常适合实现源代码管理。

将源代码管理应用于项目时，可以轻松协作处理项目。 可以指派某人通过更新代码来改进模型。 你将能够查看过去的更改，并且可以在将更改提交到主存储库之前查看这些更改。

自动执行代码

若要自动执行代码，可以将 Azure 机器学习作业配置为运行脚本。 在 Azure 机器学习中，也可以创建和计划管道来运行脚本。

如果希望脚本基于 Azure 机器学习外部发生的触发器或事件运行，可能需要从其他工具触发 Azure 机器学习作业。

MLOps 项目中常用的两个工具是 Azure DevOps 和 GitHub (Actions)。 这两种工具都允许创建自动化管道，并可以触发 Azure 机器学习管道。

作为数据科学家，你可能更喜欢使用 Azure 机器学习 Python SDK。 但是，在使用 Azure DevOps 和 GitHub 等工具时，可能希望改为使用 Azure 机器学习 CLI 扩展来配置必要的资源和作业。 Azure CLI 旨在自动执行任务，可能更易于与 Azure DevOps 和 GitHub 配合使用。