Nastavení vývojového prostředí Pythonu pro Azure Machine Learning

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

Zjistěte, jak nakonfigurovat vývojové prostředí Pythonu pro Azure Machine Learning.

Následující tabulka uvádí každé vývojové prostředí popsané v tomto článku spolu s klady a nevýhodymi.

Tento článek obsahuje také další tipy pro použití pro následující nástroje:

• Poznámkové bloky Jupyter: Pokud už používáte poznámkové bloky Jupyter, sada SDK obsahuje některé doplňky, které byste měli nainstalovat.

• Visual Studio Code: Pokud používáte Visual Studio Code, zahrnuje rozšíření Azure Machine Learning podporu jazyků pro Python a funkce, které usnadňují práci se službou Azure Machine Learning mnohem pohodlnější a produktivnější.

Požadavky

• Pracovní prostor Služby Azure Machine Learning Pokud ho nemáte, můžete vytvořit pracovní prostor Azure Machine Learning prostřednictvím webu Azure Portal, Azure CLI a šablon Azure Resource Manageru.

Pouze místní a DSVM: Vytvoření konfiguračního souboru pracovního prostoru

Konfigurační soubor pracovního prostoru je soubor JSON, který sadě SDK říká, jak komunikovat s pracovním prostorem Azure Machine Learning. Soubor má název config.json a má následující formát:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Tento soubor JSON musí být v adresářové struktuře, která obsahuje skripty Pythonu nebo poznámkové bloky Jupyter. Může být ve stejném adresáři, podadresáři s názvem.azureml* nebo v nadřazeném adresáři.

Pokud chcete tento soubor použít z kódu, použijte metodu MLClient.from_config . Tento kód načte informace ze souboru a připojí se k vašemu pracovnímu prostoru.

Vytvořte konfigurační soubor pracovního prostoru v jedné z následujících metod:

• Studio Azure Machine Learning

  Stáhněte si soubor:

  1. Přihlášení k studio Azure Machine Learning
  2. V pravém horním studio Azure Machine Learning panelu nástrojů vyberte název pracovního prostoru.
  3. Vyberte odkaz Ke stažení konfiguračního souboru .

  

• Sada Azure Machine Learning Python SDK

  Vytvořte skript pro připojení k pracovnímu prostoru Azure Machine Learning. Nezapomeňte nahradit subscription_idaresource_groupworkspace_name použít vlastní.

  PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

  #import required libraries
  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  #Enter details of your Azure Machine Learning workspace
  subscription_id = '<SUBSCRIPTION_ID>'
  resource_group = '<RESOURCE_GROUP>'
  workspace = '<AZUREML_WORKSPACE_NAME>'
  
  #connect to the workspace
  ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
  

Místní počítač nebo vzdálené prostředí virtuálního počítače

Prostředí můžete nastavit na místním počítači nebo na vzdáleném virtuálním počítači, jako je výpočetní instance služby Azure Machine Learning nebo Datová Věda virtuální počítač.

Konfigurace místního vývojového prostředí nebo vzdáleného virtuálního počítače:

1. Vytvořte virtuální prostředí Pythonu (virtualenv, conda).

   Poznámka:

   I když to není povinné, doporučujeme ke správě virtuálních prostředí Pythonu a instalaci balíčků použít Anaconda nebo Miniconda .

   Důležité

   Pokud používáte Linux nebo macOS a používáte jiné prostředí než Bash (například zsh), může se při spuštění některých příkazů zobrazit chyby. Chcete-li tento problém vyřešit, pomocí bash příkazu spusťte nové prostředí Bash a spusťte příkazy tam.

2. Aktivujte nově vytvořené virtuální prostředí Pythonu.

3. Nainstalujte sadu Azure Machine Learning Python SDK.

4. Pokud chcete nakonfigurovat místní prostředí tak, aby používalo pracovní prostor Služby Azure Machine Learning, vytvořte konfigurační soubor pracovního prostoru nebo použijte existující.

Teď, když máte nastavené místní prostředí, jste připraveni začít pracovat se službou Azure Machine Learning. Projděte si kurz: Azure Machine Learning za den , abyste mohli začít.

Poznámkové bloky Jupyter

Při spuštění místního serveru Jupyter Notebook se doporučuje vytvořit jádro IPython pro vaše virtuální prostředí Pythonu. To pomáhá zajistit očekávané chování při importu jádra a balíčku.

1. Povolení jader IPythonu specifických pro prostředí

   conda install notebook ipykernel
   

2. Vytvořte jádro pro virtuální prostředí Pythonu. Nezapomeňte nahradit <myenv> názvem vašeho virtuálního prostředí Pythonu.

   ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
   

3. Spuštění serveru Jupyter Notebook

Visual Studio Code

Použití editoru Visual Studio Code pro vývoj:

1. Nainstalujte Visual Studio Code.
2. Nainstalujte rozšíření Azure Machine Learning Visual Studio Code (Preview).

Jakmile máte nainstalované rozšíření Visual Studio Code, použijte ho k:

• Správa prostředků služby Azure Machine Learning
• Připojení k výpočetní instanci služby Azure Machine Learning
• Místní ladění online koncových bodů
• Nasaďte natrénované modely.

Výpočetní instance Azure Machine Learningu

Výpočetní instance Azure Machine Learning je zabezpečená cloudová pracovní stanice Azure, která poskytuje datovým vědcům server Jupyter Notebook, JupyterLab a plně spravované prostředí strojového učení.

Pro výpočetní instanci není potřeba nic instalovat ani konfigurovat.

Vytvořte si ho kdykoli z pracovního prostoru Azure Machine Learning. Zadejte jenom název a zadejte typ virtuálního počítače Azure. Vyzkoušejte si to teď pomocí příkazu Vytvořit prostředky, abyste mohli začít.

Další informace o výpočetních instancích, včetně postupu instalace balíčků, najdete v tématu Vytvoření výpočetní instance služby Azure Machine Learning.

Kromě serveru Jupyter Notebook a JupyterLabu můžete použít výpočetní instance v integrované funkci poznámkového bloku uvnitř studio Azure Machine Learning.

Rozšíření Azure Machine Learning Visual Studio Code můžete použít také k připojení ke vzdálené výpočetní instanci pomocí nástroje VS Code.

Data Science Virtual Machine

Virtuální počítač Datová Věda je přizpůsobená image virtuálního počítače, kterou můžete použít jako vývojové prostředí. Je navržená pro práci s datovými vědami, která je předem nakonfigurované nástroje a software, jako jsou:

• Balíčky, jako jsou TensorFlow, PyTorch, Scikit-learn, XGBoost a sada Azure Machine Learning SDK
• Oblíbené nástroje pro datové vědy, jako jsou Spark Standalone a Drill
• Nástroje Azure, jako jsou Azure CLI, AzCopy a Průzkumník služby Storage
• Integrovaná vývojová prostředí (IDE), jako je Visual Studio Code a PyCharm
• Jupyter Notebook Server

Podrobnější seznam nástrojů najdete v průvodci nástroji pro Datová Věda virtuálních počítačů.

Použití virtuálního počítače Datová Věda jako vývojového prostředí:

1. Pomocí jedné z následujících metod vytvořte virtuální počítač Datová Věda:

   • Pomocí webu Azure Portal vytvořte dsVM s Ubuntu nebo Windows .

   • Vytvořte Datová Věda virtuální počítač pomocí šablon ARM.

   • Použití Azure CLI

     K vytvoření virtuálního počítače s Ubuntu Datová Věda použijte následující příkaz:

     # create a Ubuntu Data Science VM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     # If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password
     

     Pokud chcete vytvořit dsVM s Windows, použijte následující příkaz:

     # create a Windows Server 2016 DSVM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
     

2. Vytvořte prostředí Conda pro sadu Azure Machine Learning SDK:

   conda create -n py310 python=310
   

3. Po vytvoření prostředí ho aktivujte a nainstalujte sadu SDK.

   conda activate py310
   pip install azure-ai-ml azure-identity
   

4. Pokud chcete nakonfigurovat Datová Věda virtuální počítač tak, aby používal váš pracovní prostor Azure Machine Learning, vytvořte konfigurační soubor pracovního prostoru nebo použijte existující.

   Tip

   Podobně jako v místních prostředích můžete použít Visual Studio Code a rozšíření Azure Machine Learning Visual Studio Code k interakci se službou Azure Machine Learning.

   Další informace najdete v tématu Datová Věda Virtual Machines.

Další kroky

• Trénování a nasazení modelu ve službě Azure Machine Learning pomocí datové sady MNIST
• Viz referenční informace k sadě Azure Machine Learning SDK pro Python.