Instalace a nastavení rozhraní příkazového řádku (v2)

  • Článek

PLATÍ PRO: Rozšíření Azure CLI ml v2 (aktuální)

Rozšíření ml azure CLI je vylepšené rozhraní pro Azure Machine Learning. Umožňuje trénovat a nasazovat modely z příkazového řádku a nabízí funkce, které zrychlují vertikální navyšování kapacity datových věd a jejich škálování na více instancí při současném sledování životního cyklu modelů.

Požadavky

  • Pokud chcete použít rozhraní příkazového řádku, musíte mít předplatné Azure. Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet. Vyzkoušejte si bezplatnou nebo placenou verzi služby Azure Machine Learning ještě dnes.
  • Pokud chcete použít příkazy rozhraní příkazového řádku v tomto dokumentu z místního prostředí, potřebujete Azure CLI.

Instalace

Nové rozšíření Machine Learning vyžaduje verzi >=2.38.0Azure CLI. Ujistěte se, že je tento požadavek splněn:

az version

Pokud tomu tak není, upgradujte azure CLI.

Zkontrolujte nainstalovaná rozšíření Azure CLI:

az extension list

Odeberte všechny existující instalace ml rozšíření a také rozšíření CLI v1 azure-cli-ml :

az extension remove -n azure-cli-ml
az extension remove -n ml

Teď nainstalujte ml rozšíření:

az extension add -n ml

Spuštěním příkazu nápovědy ověřte instalaci a podívejte se na dostupné dílčí příkazy:

az ml -h

Rozšíření můžete upgradovat na nejnovější verzi:

az extension update -n ml

Instalace v Linuxu

Pokud používáte Debian nebo Ubuntu, nejrychlejší způsob instalace potřebné verze rozhraní příkazového řádku a rozšíření Machine Learning je:

curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash 
az extension add -n ml -y

Informace o tom, jak nainstalovat v jiných distribucích Linuxu, najdete v tématu Instalace Azure CLI pro Linux.

Nastavení

Přihlásit se:

az login

Pokud máte přístup k více předplatným Azure, můžete nastavit aktivní předplatné:

az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"

Volitelně můžete v prostředí nastavit běžné proměnné pro použití v následujících příkazech:


GROUP="azureml-examples"

LOCATION="eastus"

WORKSPACE="main"

Upozorňující

K nastavení proměnných se používá syntaxe Bash. Podle potřeby upravte prostředí. Hodnoty vpříkazch

Pokud ještě neexistuje, můžete vytvořit skupinu prostředků Azure:


az group create -n $GROUP -l $LOCATION

A vytvořte pracovní prostor strojového učení:


az ml workspace create -n $WORKSPACE -g $GROUP -l $LOCATION

Dílčí příkazy strojového --workspace/-w učení vyžadují parametry a --resource-group/-g parametry. Abyste se vyhnuli opakovanému zadávání těchto hodnot, nakonfigurujte výchozí hodnoty:

az configure --defaults group=$GROUP workspace=$WORKSPACE location=$LOCATION

Tip

Většina příkladů kódu předpokládá, že jste nastavili výchozí pracovní prostor a skupinu prostředků. Můžete je přepsat na příkazovém řádku.

Aktuální výchozí hodnoty můžete zobrazit pomocí --list-defaults/-l:

az configure -l -o table

Tip

Kombinování umožňuje --output/-o čitelnější formáty výstupu.

Zabezpečená komunikace

Rozšíření ml rozhraní příkazového řádku (někdy označované jako CLI v2) pro Azure Machine Learning odesílá provozní data (parametry a metadata YAML) přes veřejný internet. Všechny příkazy rozšíření rozhraní příkazového ml řádku komunikují s Azure Resource Managerem. Tato komunikace je zabezpečená pomocí protokolu HTTPS/TLS 1.2.

Data v úložišti dat, které jsou zabezpečené ve virtuální síti, se t_ posílají přes veřejný internet. Pokud se například trénovací data nacházejí ve výchozím účtu úložiště pro pracovní prostor a účet úložiště je ve virtuální síti.

Poznámka:

S předchozím rozšířením (azure-cli-mlněkdy označovaným jako CLI v1) komunikují jenom některé příkazy s Azure Resource Managerem. Konkrétně příkazy, které vytvářejí, aktualizují, odstraní, zobrazí nebo zobrazí prostředky Azure. Operace, jako je odeslání trénovací úlohy, komunikují přímo s pracovním prostorem Azure Machine Learning. Pokud je váš pracovní prostor zabezpečený pomocí privátního koncového bodu, stačí k zabezpečení příkazů poskytovaných rozšířením azure-cli-ml .

Pokud je váš pracovní prostor Azure Machine Learning veřejný (to znamená ne za virtuální sítí), není potřeba žádná další konfigurace. Komunikace je zabezpečená pomocí protokolu HTTPS/TLS 1.2

Další kroky