Vytvoření a správa výpočetní instance služby Azure Machine Learning pomocí rozhraní příkazového řádku v1

PLATÍ PRO:Rozšíření Azure CLI ml v1Python SDK azureml v1

Zjistěte, jak vytvořit a spravovat výpočetní instanci v pracovním prostoru Služby Azure Machine Learning pomocí rozhraní příkazového řádku v1.

Jako plně nakonfigurované a spravované vývojové prostředí v cloudu použijte výpočetní instanci. Pro vývoj a testování můžete také použít instanci jako trénovací cílový výpočetní objekt nebo pro cíl odvozování. Výpočetní instance může paralelně spouštět více úloh a má frontu úloh. Jako vývojové prostředí není možné výpočetní instanci sdílet s ostatními uživateli ve vašem pracovním prostoru.

Výpočetní instance můžou bezpečně spouštět úlohy v prostředí virtuální sítě, aniž by podniky musely otevírat porty SSH. Úloha se spustí v kontejnerizovaném prostředí a zabalí závislosti modelu do kontejneru Dockeru.

V tomto článku získáte informace o těchto tématech:

• Vytvoření výpočetní instance
• Správa výpočetní instance (spuštění, zastavení, restartování, odstranění)

Požadavky

• Pracovní prostor služby Azure Machine Learning. Další informace najdete v tématu Vytvoření pracovního prostoru Azure Machine Learning.

• Rozšíření Azure CLI pro Machine Learning Service (v1) nebo Azure Machine Learning Python SDK (v1)

  Důležité

  Některé příkazy Azure CLI v tomto článku používají azure-cli-mlrozšíření (nebo v1) pro Azure Machine Learning. Podpora rozšíření v1 skončí 30. září 2025. Do tohoto data budete moct nainstalovat a používat rozšíření v1.

  Doporučujeme přejít na mlrozšíření (nebo v2) před 30. zářím 2025. Další informace o rozšíření v2 najdete v tématu Rozšíření Azure ML CLI a Python SDK v2.

Vytvoření

Časový odhad: Přibližně 5 minut.

Vytvoření výpočetní instance je jednorázový proces pro váš pracovní prostor. Výpočetní prostředky můžete použít jako vývojovou pracovní stanici nebo jako cílový výpočetní objekt pro trénování. K pracovnímu prostoru můžete připojit několik výpočetních instancí.

Vyhrazená jádra pro každou oblast na řadu virtuálních počítačů a celková kvóta pro oblast, která se vztahuje na vytvoření výpočetní instance, je jednotná a sdílená s kvótou výpočetního clusteru pro trénování ve službě Azure Machine Learning. Zastavení výpočetní instance nevyvolá kvótu, abyste měli jistotu, že výpočetní instanci budete moct restartovat. Po vytvoření není možné změnit velikost výpočetní instance virtuálního počítače.

Následující příklad ukazuje, jak vytvořit výpočetní instanci:

import datetime
import time

from azureml.core.compute import ComputeTarget, ComputeInstance
from azureml.core.compute_target import ComputeTargetException

# Choose a name for your instance
# Compute instance name should be unique across the azure region
compute_name = "ci{}".format(ws._workspace_id)[:10]

# Verify that instance does not exist already
try:
    instance = ComputeInstance(workspace=ws, name=compute_name)
    print('Found existing instance, use it.')
except ComputeTargetException:
    compute_config = ComputeInstance.provisioning_configuration(
        vm_size='STANDARD_D3_V2',
        ssh_public_access=False,
        # vnet_resourcegroup_name='<my-resource-group>',
        # vnet_name='<my-vnet-name>',
        # subnet_name='default',
        # admin_user_ssh_public_key='<my-sshkey>'
    )
    instance = ComputeInstance.create(ws, compute_name, compute_config)
    instance.wait_for_completion(show_output=True)

az ml computetarget create computeinstance  -n instance -s "STANDARD_D3_V2" -v

Spravovat

Spusťte, zastavte, restartujte a odstraňte výpočetní instanci. Výpočetní instance automaticky vertikálně nesníží kapacitu, proto nezapomeňte prostředek zastavit, abyste vám zbytečně nenabíhaly poplatky. Zastavení výpočetní instance zruší její přidělení. Pak ho znovu spusťte, až ho budete potřebovat. I když zastavení výpočetní instance zastaví účtování výpočetního času, bude se vám stále účtovat disk, veřejná IP adresa a nástroj pro vyrovnávání zatížení úrovně Standard.

Azure RBAC umožňuje řídit, kteří uživatelé v pracovním prostoru můžou vytvářet, odstraňovat, spouštět, zastavovat, restartovat výpočetní instanci. Všichni uživatelé v roli přispěvatele a vlastníka pracovního prostoru můžou vytvářet, odstraňovat, spouštět, zastavovat a restartovat výpočetní instance v celém pracovním prostoru. Přístup k Jupyteru, JupyterLabu, RStudiu a Posit Workbench (dříve RStudio Workbench) v této výpočetní instanci však může přistupovat pouze tvůrce konkrétní výpočetní instance nebo uživatel přiřazený jeho jménem. Výpočetní instance je vyhrazená pro jednoho uživatele, který má kořenový přístup. Tento uživatel má přístup k Jupyter/JupyterLab/RStudio/Posit Workbench spuštěné v instanci. Výpočetní instance bude mít přihlášení s jedním uživatelem a všechny akce použijí identitu tohoto uživatele pro Azure RBAC a přiřazení spuštění experimentu. Přístup SSH se řídí prostřednictvím mechanismu veřejného/privátního klíče.

Tyto akce můžou řídit Azure RBAC:

• Microsoft.MachineLearningServices/workspaces/computes/read
• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/computes/delete
• Microsoft.MachineLearningServices/workspaces/computes/start/action
• Microsoft.MachineLearningServices/workspaces/computes/stop/action
• Microsoft.MachineLearningServices/workspaces/computes/restart/action
• Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

K vytvoření výpočetní instance budete potřebovat oprávnění pro následující akce:

• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Další kroky

• Přístup k terminálu výpočetní instance
• Vytváření a správa souborů
• Aktualizace výpočetní instance na nejnovější image virtuálního počítače
• Odeslání trénovacího spuštění