Správa výpočetní instance služby Azure Machine Learning

• Pokud kód ve výpočetní instanci nespusíte, nainstalujte sadu Azure Machine Learning Python SDK. Tato sada SDK je už pro vás nainstalovaná ve výpočetní instanci.

• Připojte se k pracovnímu prostoru ve skriptu Pythonu:

  Spuštěním tohoto kódu se připojte k pracovnímu prostoru Služby Azure Machine Learning.

  V následujícím kódu nahraďte ID předplatného, název skupiny prostředků a název pracovního prostoru. Tyto hodnoty najdete takto:

  1. Přihlaste se k studio Azure Machine Learning.
  2. Otevřete pracovní prostor, který chcete použít.
  3. V pravém horním studio Azure Machine Learning panelu nástrojů vyberte název pracovního prostoru.
  4. Zkopírujte hodnotu pro pracovní prostor, skupinu prostředků a ID předplatného do kódu.

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

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

  # get a handle to the workspace
  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  ml_client = MLClient(
      DefaultAzureCredential(), subscription_id, resource_group, workspace
  )

  ml_client je obslužná rutina pracovního prostoru, který používáte ke správě jiných prostředků a úloh.

• Pokud tyto příkazy nespouštět ve výpočetní instanci, nainstalujte rozšíření Azure CLI pro službu Machine Learning (v2). Toto rozšíření je už pro vás nainstalované ve výpočetní instanci.

• Ověřte a nastavte výchozí pracovní prostor a skupinu prostředků. Nechte terminál otevřený a spusťte zbývající příkazy v tomto článku.

  • Pokud používáte výpočetní instanci:

    az login --identity
    # next line needed only if you have multiple subscriptions:
    az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
    az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
    

  • Pokud příkazy spouštíte místně, vymiďte --identity je a postupujte podle pokynů pro ověření. Nahraďte $CI_RESOURCE_GROUP je také $CI_WORKSPACE hodnotami.

Začněte v studio Azure Machine Learning.

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

V těchto příkladech je název výpočetní instance uložen v proměnné ci_basic_name.

• Získání stavu

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Get compute
  ci_basic_state = ml_client.compute.get(ci_basic_name)

• Zastavit

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Stop compute
  ml_client.compute.begin_stop(ci_basic_name).wait()

• Spustit

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Start compute
  ml_client.compute.begin_start(ci_basic_name).wait()

• Restartovat

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Restart compute
  ml_client.compute.begin_restart(ci_basic_name).wait()

• Odstranění

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  ml_client.compute.begin_delete(ci_basic_name).wait()

PLATÍ PRO: Rozšíření Azure CLI ml v2 (aktuální)

V těchtopříkladch

• Zastavit

  az ml compute stop --name instance 
  

• Spustit

  az ml compute start --name instance 
  

• Restartovat

  az ml compute restart --name instance 
  

• Odstranění

  az ml compute delete --name instance 
  

V pracovním prostoru v studio Azure Machine Learning vyberte Compute a pak nahoře vyberte výpočetní instanci.

Můžete provést následující akce:

• Vytvoření nové výpočetní instance
• Aktualizujte kartu výpočetních instancí.
• Spusťte, zastavte a restartujte výpočetní instanci. Za instanci platíte vždy, když je spuštěná. Pokud výpočetní instanci nepoužíváte ke snížení nákladů, zastavte výpočetní instanci. Zastavení výpočetní instance zruší její přidělení. Pak ho znovu spusťte, až ho budete potřebovat. Můžete také naplánovat čas spuštění a zastavení výpočetní instance.
• Odstraňte výpočetní instanci.
• Vyfiltrujte seznam výpočetních instancí a zobrazte jenom ty, které jste vytvořili.

Pro každou výpočetní instanci v pracovním prostoru, který jste vytvořili (nebo kterou jste vytvořili za vás), můžete:

• Přístup k Jupyteru, JupyterLabu, RStudio ve výpočetní instanci.

• SSH do výpočetní instance. Přístup SSH je ve výchozím nastavení zakázaný, ale je možné ho povolit při vytváření výpočetní instance. Přístup přes SSH je prostřednictvím mechanismu veřejného a privátního klíče. Na kartě najdete podrobnosti o připojení SSH, jako je IP adresa, uživatelské jméno a číslo portu. Při nasazení virtuální sítě zakázáním SSH zabráníte přístupu SSH z veřejného internetu. SSH z virtuální sítě můžete dál používat privátní IP adresu uzlu výpočetní instance a portu 22.

  Tip

  Pokud jsou výpočetní instance ve spravované virtuální síti a veřejná IP adresa je zakázaná, použijte az ml compute connect-ssh příkaz pro připojení k výpočetní instanci.

• Vyberte název výpočetních prostředků, který chcete:

  • Zobrazení podrobností o konkrétní výpočetní instanci, jako je IP adresa a oblast
  • Vytvořte nebo upravte plán spouštění a zastavování výpočetní instance. Posuňte se dolů na konec stránky a upravte plán.

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

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print instance.os_image_metadata

Další informace o třídách, metodách a parametrech použitých v tomto příkladu najdete v následujících referenčních dokumentech:

• Třída AmlCompute
• Třída ComputeInstance

PLATÍ PRO: Rozšíření Azure CLI ml v2 (aktuální)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

V pracovním prostoru v studio Azure Machine Learning vyberte Compute a pak nahoře vyberte výpočetní instanci. Pokud chcete zobrazit jeho vlastnosti včetně aktuálního operačního systému, vyberte název výpočetní instance výpočetních prostředků.