使用 Azure 机器学习训练模型
Azure 机器学习提供了多种训练模型的方法，从使用 SDK 的代码优先解决方案到自动化机器学习和可视化设计器等低代码解决方案。使用以下列表来确定哪种训练方法适合您：
这些训练方法中的每一种都可以使用不同类型的计算资源进行训练。这些资源统称为 计算目标。计算目标可以是本地计算机或云资源，例如 Azure 机器学习计算、Azure HDInsight 或远程虚拟机。
Python SDK
适用于 Python 的 Azure 机器学习 SDK 允许你使用 Azure 机器学习构建和运行机器学习工作流。您可以通过交互式 Python 会话、Jupyter Notebooks、Visual Studio Code 或其他 IDE 与服务进行交互。
提交命令
可以使用 command() 定义 Azure 机器学习的通用训练作业。然后使用该命令以及训练脚本在指定的计算目标上训练模型。
您可以从本地计算机的命令开始，然后根据需要切换到基于云的计算目标的命令。更改计算目标时，只需更改您使用的命令中的计算参数。运行还会记录有关训练作业的信息，例如输入、输出和日志。
自动化机器学习
定义迭代、超参数设置、特征化和其他设置。在训练期间，Azure 机器学习并行尝试不同的算法和参数。一旦达到您定义的退出标准，培训就会停止。
机器学习管道
机器学习管道可以使用前面提到的训练方法。管道更多的是创建工作流程，因此它们不仅仅包含模型的训练。
了解提交培训作业时会发生什么
Azure 培训生命周期包括：
.gitignore.amlignore.gitignore.amlignore.amlignore.gitignorepython ./输出 Azure 机器学习设计师
设计器允许您使用网络浏览器中的拖放界面来训练模型。
Azure CLI
机器学习 CLI 是 Azure CLI 的扩展。它提供了用于使用 Azure 机器学习的跨平台 CLI 命令。通常，您使用 CLI 来自动执行任务，例如训练机器学习模型。
VS代码
您可以使用 VS Code 扩展来运行和管理您的训练作业。请参阅 VS Code 资源管理操作指南以了解更多信息。
