1.
Azure Machine Learning Services
（プレビュー）をさわってみた
2018年4月21日
Azure MVP @kekekekenta

2.
スピーカー
あおきけんたろう
 Microsoft MVP for Azure
 @kekekekenta
 JAZUGコアメンバー
2

3.
はじめに
• 2018年4月20日段階のサービスとなります。今後サービスが更新
されることがありますので、ご注意願います。
• ほぼ全てがプレビューもしくはプレリリースビルドであるため、
GA時に本ドキュメントのURLは変更されると思います。
3

4.
アジェンダ
• Azure Machine Learning Services （サービス）
• 本セッションは、これから Azure を触ってみようとしている皆様
向けに、Azure Machine Learning Services の流れをざっくり紹
介します。
4

5.
AZURE MACHINE LEARNING
STUDIO
今回の説明は Azure Machine Learning Services の紹介ですが、
これから始める人のために少し Azure Machine Learning Studio
の紹介をします
5

6.
Azure Machine Learning の書籍
• Amazonなどで、Azure
Machine Learning を検索す
るといくつかの書籍が出てき
ますが、こちらは全てAzure
Machine Learning Studio の
書籍です。（2018/4/20）
6

7.
Azure Machine Learning Studio
• Microsoft Azure のポータル
から、Machine Learning
Studio のワークスペースを作
成
– ワークスペース
– Webサービス
• https://azure.microsoft.co
m/ja-jp/services/machine-
learning-studio/
7

8.
Azure Machine Learning Studio Experiment (実験)
8
• 機械学習の勉強に
最適なUIやサンプ
ルを提供
• 作成されたモデル
は、そのままWeb
サービス化可能
• 左のサンプルは、
自動車価格予測
• データを学習と推
論向けに分けて、
それぞれをポアソ
ン回帰とディシ
ジョンフォレスト
回帰で比較
• 一目でわかりやす
いのが特徴
https://docs.microsoft.com/ja-jp/azure/machine-
learning/studio/create-experiment

9.
Azure Machine Learning Studio Web Services
9

10.
Azure Machine Learning Studio の Notebook
10
• Azure Machine
Learning Studio
には Jupyter
Notebook もあ
る
• Notebook を使
うなら、Azure
Notebook の方
がいいかも
– https://note
books.azure.
com/

11.
AZURE MACHINE LEARNING
SERVICES
11

12.
Azure Machine Learning Services
• Azure Machine Learning Experimentation（実験）
– 反復を伴う機械学習の枠組みを提供
• Azure Machine Learning Model Management（モデル管理）
– 機械学習により作成されたモデルや、推論向けのREST API
コンテナの管理と、デプロイのワークフローを提供
• Azure Machine Learning Workbench（ワークベンチ）
– ローカルのマシンで機械学習により作成されるモデルの
REST API 開発環境を提供
12

13.
機械学習の主な流れ（①モデル作成）
• 納得のいく精度のモデルができるまで、トライ＆エラーを何度も繰
り返す。以下の処理をプログラムで作成する。
13
学習データ 学習向け
データ
モデル作成
(pickle,hdf5,onnx)

14.
機械学習の主な流れ（②アプリのデプロイ）
• 作成されたモデルをAPI化やアプリに組み込むんで実行環境にデプ
ロイする。
14
モデル
(pickle,hdf5,onnx)
API化や
アプリに組み込み
実行環境に
デプロイ

15.
Azure Machine Learning Services 各サービスとの関係
• ワークベンチのPCで学習からアプリケーションデプロイまでを実施
実験 モデル管理
ワークベンチ
Azure CLI/VS Code
推論
REST API
学習
②アプリの
デプロイ
①モデル作成

16.
準備
• Machine Learning Experimentation（実験）の作成
– シートは、共同作業するユーザの数を指定
– 同時に、Azure Machine Learning Model Management（モデル
管理）も作成可能
• PCに、Azure Machine Learning Workbench（ワークベンチ）のイン
ストール
– プロジェクトをgitなどのリポジトリで管理する場合は、Team
Projectなどのvisualstudio.comのリポジトリを用意しておく
• クイックスタートを参考に！
– https://docs.microsoft.com/ja-jp/azure/machine-
learning/preview/quickstart-installation
16

17.
モデルを作る
17

18.
ワークベンチでプロジェクトの作成
18
• とりあえず動かして
みたい場合は、サン
プルを選択
• あやめの分類
（Classifying Iris）
はハローワールド的
な存在

19.
データの準備
• csvやExcelデータ
を使用する場合は、
ワークベンチで
Data Source設定し
て、Data
Preparation設定の
中でデータクレンジ
ングを行い、学習向
けのデータに整える
19

20.
モデル作成のためのプログラム作成
• Data Preparation で設定した
ファイルを読み込むとPandas
のDataFrameとなる
• モデルはPickleでoutputsフォ
ルダにシリアライズして保存
20
from azureml.dataprep.package import run
iris = run('iris.dprep', dataflow_idx=0)
import pickle
f = open('./outputs/model.pkl', 'wb')
pickle.dump(clf1, f)
f.close()

21.
モデル作成のための学習を実行環境
• どこで学習を実行するか
– ローカル Conda Python 環境
– ローカル Docker コンテナーの
Conda Python 環境
– リモート Linux の Python 環境
• DSVMやDLVMなど
– リモート Docker コンテナーの
Conda Python 環境
• nvidia-docker利用可能
– HDInsight for Spark
21

22.
実行環境の構成ファイルを作成
• 構成ファイルはワー
クベンチから作成
• Conda
Dependenciesは、
Condaの環境をエク
スポートすると簡単
に作れる
• conda env export >
conda.yml
22

23.
実行
• 実行はワークベンチのUIもしくはコマンドから実行する
– az ml experiment submit -c gpudsvm .iris_sklearn.py
0.01
• Dockerを使用した実行で使用するDockerfileは以下のディレクトリ
に作られる
– C:Users<User>AppDataLocalTempazureml_runs
<Image>azureml-setupDockerfile
23

24.
Dockerfile
FROM microsoft/mmlspark:plus-0.9.9
USER root
RUN mkdir -p $HOME/.cache
WORKDIR /
COPY azureml-setup/99brokenproxy /etc/apt/apt.conf.d/
RUN if dpkg --compare-versions `conda --version | grep -oE '[^ ]+$'` lt 4.4.0; then conda update conda -c conda-
canary; fi
COPY azureml-setup/mutated_conda_dependencies.yml azureml-setup/mutated_conda_dependencies.yml
RUN conda env create -f azureml-setup/mutated_conda_dependencies.yml
# AzureML Conda environment name: azureml_ xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
ENV PATH $CONDA_HOME/envs/azureml_ xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx/bin:$PATH
COPY azureml-setup/spark_cache.py .
RUN $SPARK_HOME/bin/spark-submit "--repositories"
"https://mmlspark.azureedge.net/maven,https://azuremldownloads.blob.core.windows.net/repo5qh91kdjs6" "--
packages" "com.microsoft.ml.spark:mmlspark_2.11:0.7.91,com.microsoft.sqlserver:mssql-
jdbc:6.2.1.jre8,com.microsoft:dprep_2.11:0.17" "--conf" "spark.app.name=Classifying Iris" "--conf"
"spark.yarn.maxAppAttempts=1" "--driver-java-options" "-Dlog4j.configuration=file:./azureml-setup/log4j.properties" "-
-conf" "spark.eventLog.enabled=true" "--conf" "spark.eventLog.dir=./azureml-logs" spark_cache.py
WORKDIR /azureml-run
# AzureML container control script version: yyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyy
COPY azureml-setup/container_control_script.py /
CMD ["bash"]

25.
WEB APIとしてデプロイする
25

26.
準備
• デプロイメント環境の作成
– 開発環境やプロダクション環境など、環境の数だけ作成
– コンテナ レジストリとストレージが作られる
– az ml env setup -n <environment name> -g <resource group> -l
<azure region>
• 環境設定
– az ml env set -n <environment name> -g <resource group>
– az ml account modelmanagement set -n <model management> -g
<resource group>
• Web APIの作成
– az ml service create realtime -f <score.py> --model-file <model.pkl> -s
<service_schema.json> -n <container name> -r python --collect-model-
data true -c aml_configconda_dependencies.yml
26

27.
作成されたWeb APIの動作確認
• LinuxからWeb APIにアクセス
– curl -X POST -H "Content-Type:application/json" --data
"{"input_df": [{"petal length": 1.3, "sepal width":
3.6, "sepal length": 3.0, "petal width": 0.25}]}"
http://hostname:32770/score
• Windows（Power Shell）からWeb APIにアクセス
– Invoke-RestMethod -Uri "http://hostname:32770/score" -
Method POST -Body "{""input_df"": [{""petal length"":
1.3, ""sepal width"": 3.6, ""sepal length"": 3.0, ""petal
width"": 0.25}]}" -ContentType "application/json"
27

28.
コマンドオプション対応のSSHDを
作ってみた
※これはAzure Machine Learningの機能ではありません
28

29.
Multi argument 対応 sshdはなにができる
• Linuxのpasswdで設定されているshellの複数引数を有効にしたsshd
– man 5 sshd より
• /etc/passwd contains one line for each user account, with seven fields
– delimited by colons. These fields are:
» login name
» optional encrypted password
» numerical user ID
» numerical group ID
» user name or comment field
» user home directory
» optional user command interpreter ←ここを複数引数対応にする
– 例えば以下のように記述
• azureuser:x:1003:1003:Ubuntu:/home/azureuser:/bin/bash
• kekekekenta:x:1000:1000:,,,:/home/kekekekenta:/usr/bin/docker exec
{docker_tty} containername /bin/bash
• Blogはこちら、https://qiita.com/kekekekenta/items/2fdbae3afc4670674ddc
• ソースコードはこちら、 https://github.com/KentaroAOKI/openssh-portable
29

30.
例えば、Dockerを設定した場合
• 例えば、dockerを設定すると、ホスト側のユーザ管理で、直接Dockerコンテナ
内に接続できるので
– ユーザはホスト側に接続できない（管理者が一元管理できる）
– コンテナにsshdを入れる必要はない
– scpで直接コンテナ側とファイル送信/受信できる
• コンテナにapt-get install ssh-client必要
• みなさんの管理者ポリシーによって使う
– 機械学習環境を複数ユーザで使いたい
– GPUを割り当てたい
– Azure Machine Learning のリモート実行環境（最近追加された機能）
30
ssh

31.
Multi argument 対応 sshdのインストール方法
• ビルド用のパッケージをインストール
– apt-get install autoconf automake gcc
• インストール
– git clone https://github.com/KentaroAOKI/openssh-portable.git
– cd openssh-portable
– autoconf
– autoheader
– ./configure（インストール先を変更したい場合は”—prefix”設定）
– automake
– make install
• 設定
– 一般的なsshdと同じ。デフォルトだと、/usr/local/etc/sshd_config
• 改善点などあればご連絡ください
– @kekekekenta
31

32.
まとめ
32

33.
まとめ
• Azure Machine Learning Services は、Deep Learningを含む機
械学習のフレームワークを自由に使える環境
• 学習実行からWeb API開発とデプロイを提供
• コンテナは便利だね！
33