Vytvoření připojení (Preview)

az extension remove -n ml
az extension add -n ml --yes
az extension show -n ml #(the version value needs to be 2.15.1 or later)

pip uninstall azure-ai-ml
pip install azure-ai-ml
pip show azure-ai-ml #(the version value needs to be 1.5.0 or later)

Není k dispozici.

Tento soubor YAML vytvoří připojení Snowflake DB. Nezapomeňte aktualizovat příslušné hodnoty:

# my_snowflakedb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json
type: snowflake
name: my-sf-db-connection # add your datastore name here

target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
credentials:
    type: username_password
    username: <username> # add the Snowflake database user name here or leave this blank and type in CLI command line
    password: <password> # add the Snowflake database password here or leave this blank and type in CLI command line

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

Možnost 1: Použití uživatelského jména a hesla v souboru YAML

az ml connection create --file my_snowflakedb_connection.yaml

Možnost 2: Přepsání uživatelského jména a hesla na příkazovém řádku

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.
username="<username>" credentials.
password="<password>"

Možnost 1: Načtení připojení ze souboru YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials.username="<username>"
wps_connection.credentials.password="<password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Možnost 2: Použití workspaceConnection() ve skriptu Pythonu

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="snowflake",
target= target,
credentials= UsernamePasswordConfiguration(username="<username>", password="<password>")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Přejděte na studio Azure Machine Learning.

2. V části Prostředky v levém navigačním panelu vyberte Data. Pak vyberte kartu Datové připojení . Pak vyberte Vytvořit, jak je znázorněno na tomto snímku obrazovky:

   

3. V podokně Vytvořit připojení vyplňte hodnoty, jak je znázorněno na snímku obrazovky. Jako kategorii zvolte Snowflake a jako typ ověřování zadejte uživatelské jméno. Nezapomeňte zadat hodnotu cílového textového pole v tomto formátu a vyplňte konkrétní hodnoty mezi <> znaky:

   jdbc:snowflake://myaccount.snowflakecomputing.com/?db>=<mydb>&warehouse=<mywarehouse>&role=<myrole<>

   

4. Vyberte Uložit a bezpečně uložte přihlašovací údaje do trezoru klíčů přidruženého k příslušnému pracovnímu prostoru. Toto připojení se používá při spuštění úlohy importu dat.

Tento soubor YAML vytvoří připojení Snowflake DB, které používá OAuth. Nezapomeňte aktualizovat příslušné hodnoty:

# my_snowflakedb_connection.yaml
name: snowflake_service_principal_connection
type: snowflake
# Add the Snowflake account, database, warehouse name, and role name here. If no role name is provided, it will default to PUBLIC.
target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&scope=<scopeForServicePrincipal>
credentials:
  type: service_principal
  client_id: <client-id>          # The service principal's client id
  client_secret: <client-secret>  # The service principal's client secret
  tenant_id: <tenant-id>          # The Microsoft Entra ID tenant id

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

az ml connection create --file my_snowflakedb_connection.yaml

Informace v souboru YAML můžete také přepsat na příkazovém řádku:

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.client_id="my-client-id" credentials.client_secret="my-client-secret" credentials.tenant_id="my-tenant-id"

Pomocí sady Python SDK můžete vytvořit připojení načtením informací o připojení uložených v souboru YAML. Volitelně můžete přepsat hodnoty:

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials_client_id="my-client-id"
wps_connection.credentials.client_secret="my-client-secret"
wps_connection.credentials.tenant_id="my-tenant-id"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Informace o připojení můžete také přímo zadat ve skriptu Pythonu, aniž byste se museli spoléhat na soubor YAML:

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import ServicePrincipalConfiguration

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
auth = ServicePrincipalConfiguration(client_id="<my-client-id>", client_secret="<my-client-secret>", tenant_id="<my-tenant-id>")
wps_connection = WorkspaceConnection(name= name,
                                     type="snowflake",
                                     target=target,
                                     credentials=auth
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Tento skript YAML vytvoří připojení k Databázi Azure SQL. Nezapomeňte aktualizovat příslušné hodnoty:

# my_sqldb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: azure_sql_db
name: my-sqldb-connection

target: Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30
# add the sql servername, port addresss and database
credentials:
    type: sql_auth
    username: <username> # add the sql database user name here or leave this blank and type in CLI command line
    password: <password> # add the sql database password here or leave this blank and type in CLI command line

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

Možnost 1: Použití uživatelského jména a hesla ze souboru YAML

az ml connection create --file my_sqldb_connection.yaml

Možnost 2: Přepsání uživatelského jména a hesla v souboru YAML

az ml connection create --file my_sqldb_connection.yaml --set credentials.
username="<username>" credentials.
password="<password>"

Možnost 1: Načtení připojení ze souboru YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_sqldb_connection.yaml")
wps_connection.credentials.username="<username>"
wps_connection.credentials.password="<password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Možnost 2: Použití funkce WorkspaceConnection()

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30"
# add the sql servername, port address and database

name= <my_sql_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="azure_sql_db",
target= target,
credentials= UsernamePasswordConfiguration(username="<username>", password="<password>")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Přejděte na studio Azure Machine Learning.

2. V části Prostředky v levém navigačním panelu vyberte Data. Pak vyberte kartu Datové připojení . Pak vyberte Vytvořit, jak je znázorněno na tomto snímku obrazovky:

   

3. V podokně Vytvořit připojení vyplňte hodnoty, jak je znázorněno na snímku obrazovky. Jako kategorii zvolte AzureSqlDb a jako typ ověřování zadejte uživatelské jméno. Nezapomeňte zadat hodnotu cílového textového pole v tomto formátu a vyplňte konkrétní hodnoty mezi <> znaky:

   Server=tcp:<myservername,port>><; Database=<mydatabase>; Trusted_Connection=False; Encrypt=True; Vypršení časového limitu připojení=30

   

Vytvořte připojení Amazon S3 s následujícím souborem YAML. Nezapomeňte aktualizovat příslušné hodnoty:

# my_s3_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: s3
name: my_s3_connection

target: <mybucket> # add the s3 bucket details
credentials:
    type: access_key
    access_key_id: bbbbbbbb-1c1c-2d2d-3e3e-444444444444 # add access key id
    secret_access_key: H4iJ5kL6mN7oP8qR9sT0uV1wX2yZ3a # add access key secret

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

az ml connection create --file my_s3_connection.yaml

Možnost 1: Načtení připojení ze souboru YAML

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_s3_connection.yaml")
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Možnost 2: Použití workspaceConnection() ve skriptu Pythonu

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import AccessKeyConfiguration

target=<mybucket> # add the s3 bucket details
name=<my_s3_connection> # name of the connection
wps_connection=WorkspaceConnection(name=name,
type="s3",
target= target,
credentials= AccessKeyConfiguration(access_key_id="XXXJ5kL6mN7oP8qR9sT0uV1wX2yZ3aB4cXXX",acsecret_access_key="C2dE3fH4iJ5kL6mN7oP8qR9sT0uV1w")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

1. Přejděte na studio Azure Machine Learning.

2. V části Prostředky v levém navigačním panelu vyberte Data. Pak vyberte kartu Datové připojení . Pak vyberte Vytvořit, jak je znázorněno na tomto snímku obrazovky:

   

3. V podokně Vytvořit připojení vyplňte hodnoty, jak je znázorněno na snímku obrazovky. Jako kategorii zvolte S3 a jako typ ověřování zadejte uživatelské jméno. Nezapomeňte zadat hodnotu cílového textového pole v tomto formátu a vyplňte konkrétní hodnoty mezi <> znaky:

   <cíl>

   

Vytvořte připojení Gitu s jedním z následujících souborů YAML. Nezapomeňte aktualizovat příslušné hodnoty:

• Připojení pomocí tokenu PAT ( Personal Access Token):

  #Connection.yml
  name: test_ws_conn_git_pat
  type: git
  target: https://github.com/contoso/contosorepo
  credentials:
      type: pat
      pat: dummy_pat
  

• Připojení k veřejnému úložišti (bez přihlašovacích údajů):

  #Connection.yml
  
  name: git_no_cred_conn
  type: git
  target: https://https://github.com/contoso/contosorepo
  
  

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

az ml connection create --file connection.yaml

Následující příklad vytvoří připojení Gitu k úložišti GitHub. Osobní přístupový token (PAT) ověřuje připojení:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration


name = "my_git_conn"

target = "https://github.com/myaccount/myrepo"

wps_connection = WorkspaceConnection(
    name=name,
    type="git",
    target=target,
    credentials=PatTokenConfiguration(pat="E3fH4iJ5kL6mN7oP8qR9sT0uV1wX2y"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

V sadě Studio nemůžete vytvořit připojení Gitu.

Vytvořte připojení k informačnímu kanálu Pythonu s jedním z následujících souborů YAML. Nezapomeňte aktualizovat příslušné hodnoty:

• Připojení pomocí tokenu PAT ( Personal Access Token):

  #Connection.yml
  name: test_ws_conn_python_pat
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: pat
      pat: dummy_pat
  

• Připojte se pomocí uživatelského jména a hesla:

  name: test_ws_conn_python_user_pass
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: username_password
      username: <username>
      password: <password>
  
  

• Připojení k veřejnému informačnímu kanálu (bez přihlašovacích údajů):

  name: test_ws_conn_python_no_cred
  type: python_feed
  target: https://test-feed.com3
  

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

az ml connection create --file connection.yaml

Následující příklad vytvoří připojení kanálu Pythonu. Token PAT (Personal Access Token) nebo uživatelské jméno a heslo ověřuje připojení:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration


name = "my_pfeed_conn"

target = "https://iJ5kL6mN7.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="python_feed",
    target=target,
    #credentials=UsernamePasswordConfiguration(username="<username>", password="<password>"), 
    credentials=PatTokenConfiguration(pat="<PatTokenConfiguration>"),    

    #credentials=None
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

V sadě Studio nemůžete vytvořit připojení kanálu Pythonu.

Vytvořte připojení ke službě Azure Container Registry s jedním z následujících souborů YAML. Nezapomeňte aktualizovat příslušné hodnoty:

• Připojte se pomocí uživatelského jména a hesla:

  name: test_ws_conn_cr_user_pass
  type: container_registry
  target: https://test-feed.com2
  credentials:
      type: username_password
      username: <username>
      password: <password>
  

Vytvořte připojení ke službě Azure Machine Learning v rozhraní příkazového řádku:

az ml connection create --file connection.yaml

Následující příklad vytvoří připojení ke službě Azure Container Registry. Spravovaná identita ověřuje toto připojení:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration


name = "my_acr_conn"

target = "https://iJ5kL6mN7.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="container_registry",
    target=target,
    credentials=UsernamePasswordConfiguration(username="<username>", password="<password>"), 
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

V nástroji Studio nemůžete vytvořit připojení ke službě Azure Container Registry.

Vytvořte připojení pomocí následujících souborů YAML. Nezapomeňte aktualizovat příslušné hodnoty:

#myenv.yml
$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json 
name: docker-image-plus-conda-example 
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
type: python_feed
conda_file: conda_dep.yml
description: Environment created from a Docker image plus Conda environment

#conda_dep.yml
name: project_environment
dependencies:
  - python=3.10
  - pip:
    - azureml-defaults
channels:
  - anaconda
  - conda-forge

#connection.yml
name: ws_conn_generic_container_registry
type: container_registry
target: https://test-registry.com
credentials:
  type: username_password
  username: <username>
  password: <password>

#hello_world_job.yml
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: echo "hello world"
environment: azureml:<env name>@latest

Vytvořte připojení ze souboru YAML pomocí svých přihlašovacích údajů:

az ml connection create --file connection.yaml --credentials username=<username> password=<password> --resource-group my-resource-group --workspace-name my-workspace

Vytvoření prostředí

az ml environment create --name my-env --version 1 --file my_env.yml  --conda-file conda_dep.yml --image mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04 --resource-group my-resource-group --workspace-name my-workspace

Můžete ověřit, že se prostředí úspěšně vytvořilo.

az ml environment show --name my-env --version 1 --resource-group my-resource-group --workspace-name my-workspace

Následující příklad vytvoří připojení ke službě Azure Container Registry. Spravovaná identita ověřuje toto připojení:

import os
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
from azure.ai.ml.entities import Environment
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration
from azureml.core.conda_dependencies import CondaDependencies
from azure.ai.ml import command

# Enter details of AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

ml_client = MLClient( DefaultAzureCredential(), subscription_id, resource_group, workspace)
# Fetching secrets from env var to secure access, these secrets can be set outside or source code
registry_username = os.environ["REGISTRY_USERNAME"]
registry_password = os.environ["REGISTRY_PASSWORD"]
credentials = UsernamePasswordConfiguration(username= registry_username, password= registry_password)

# Create GenericContainerRegistry workspace connection for a generic registry
ws_connection = WorkspaceConnection(name="<name>", target="<target>", type="GenericContainerRegistry", credentials=credentials)
ml_client.connections.create_or_update(ws_connection)

# Create an environment
env_docker_conda = Environment(image="<base image>", conda_file="<yml file>", name="docker-image-plus-conda-example", description="Environment created from a Docker image plus Conda environment.")
ml_client.environments.create_or_updat(env_docker_conda) 

job = command(command="echo 'hello world'", environment=env_docker_conda,display_name="v2-job-example")
returned_job = ml_client.create_or_update(job)

1. Přejděte na studio Azure Machine Learning.

2. V části Spravovat v levém navigačním panelu vyberte Připojení a pak vyberte Vytvořit.

   

3. V části Jiné typy prostředků vyberte *Generic Container Registry.

4. Zadejte požadované informace a pak vyberte Přidat připojení.