Azure ML中能否为TensorFlow Estimator使用本地计算资源？

当然可以！完全不用先耗时间配置虚拟机，先在本地跑通训练配置再上云端是非常务实的思路。下面是具体的实现方法：

核心逻辑 #

通过ScriptRunConfig搭配空的RunConfiguration，就能直接把本地机器作为计算目标来运行TensorFlow Estimator，而且本地计算目标不需要额外创建或附加，直接就能用。

具体操作步骤 #

• 步骤1：确认本地环境依赖
  如果你的本地开发环境已经装好了训练需要的所有Python包（比如TensorFlow及相关依赖），直接用用户托管环境即可，无需额外配置环境依赖。

• 步骤2：构建运行配置与脚本配置
  创建一个空的RunConfiguration对象，它会默认指向本地计算资源。接着用这个配置初始化ScriptRunConfig，指定你的训练脚本路径、参数等信息。

  示例代码如下：

  from azureml.core import Workspace, Experiment, RunConfiguration, ScriptRunConfig
  
  # 加载本地工作区（若已有config.json可直接加载）
  ws = Workspace.from_config()
  
  # 创建空的RunConfiguration，默认使用本地计算资源
  run_config = RunConfiguration()
  
  # 配置ScriptRunConfig，指定训练脚本和参数
  script_run_config = ScriptRunConfig(
      source_directory='./your_training_script_folder',
      script='train.py',
      arguments=['--epochs', 10, '--batch_size', 32],
      run_config=run_config
  )
  
  # 提交实验到本地运行
  experiment = Experiment(ws, name='local_tensorflow_estimator_test')
  run = experiment.submit(script_run_config)
  run.wait_for_completion(show_output=True)
  

• 步骤3：对接TensorFlow Estimator
  如果你习惯用TensorFlow Estimator的写法，只需要把上述ScriptRunConfig和Estimator结合即可——本质上Estimator也是基于RunConfiguration运行的，空配置会自动指向本地环境。

注意事项 #

当使用本地计算机作为计算目标时，训练代码会直接在你的开发环境中运行，建议提前确保本地依赖版本和后续云端环境一致，避免迁移时出现兼容性问题。

内容的提问来源于stack exchange，提问作者MapDot