Workspace Třída

Přidejte do pracovního prostoru privátní koncový bod.

add_private_endpoint(private_endpoint_config, private_endpoint_auto_approval=True, location=None, show_output=True, tags=None)

Parametry

Návraty

Vytvořte nový pracovní prostor služby Azure Machine Learning.

Vyvolá výjimku, pokud pracovní prostor již existuje nebo nejsou splněny některé z požadavků pracovního prostoru.

static create(name, auth=None, subscription_id=None, resource_group=None, location=None, create_resource_group=True, sku='basic', tags=None, friendly_name=None, storage_account=None, key_vault=None, app_insights=None, container_registry=None, adb_workspace=None, primary_user_assigned_identity=None, cmk_keyvault=None, resource_cmk_uri=None, hbi_workspace=False, default_cpu_compute_target=None, default_gpu_compute_target=None, private_endpoint_config=None, private_endpoint_auto_approval=True, exist_ok=False, show_output=True, user_assigned_identity_for_cmk_encryption=None, system_datastores_auth_mode='accessKey', v1_legacy_mode=None)

Parametry

Návraty

Výjimky

Poznámky

Tento první příklad vyžaduje pouze minimální specifikaci a všechny závislé prostředky i skupina prostředků se vytvoří automaticky.

   from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=True,
                         location='eastus2')

Následující příklad ukazuje, jak znovu použít existující prostředky Azure s využitím formátu ID prostředku Azure. Konkrétní ID prostředků Azure je možné načíst prostřednictvím webu Azure Portal nebo sady SDK. Předpokládá se, že skupina prostředků, účet úložiště, trezor klíčů, App Insights a registr kontejneru už existují.

   import os
   from azureml.core import Workspace
   from azureml.core.authentication import ServicePrincipalAuthentication

   service_principal_password = os.environ.get("AZUREML_PASSWORD")

   service_principal_auth = ServicePrincipalAuthentication(
       tenant_id="<tenant-id>",
       username="<application-id>",
       password=service_principal_password)

   ws = Workspace.create(name='myworkspace',
                         auth=service_principal_auth,
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=False,
                         location='eastus2',
                         friendly_name='My workspace',
                         storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
                         key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
                         app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
                         container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
                         exist_ok=False)

Odstraňte prostředky přidružené k pracovnímu prostoru Služby Azure Machine Learning.

delete(delete_dependent_resources=False, no_wait=False)

Parametry

Návraty

Odstraňte připojení pracovního prostoru.

delete_connection(name)

Parametry

Odstraňte připojení privátního koncového bodu k pracovnímu prostoru.

delete_private_endpoint_connection(private_endpoint_connection_name)

Parametry

Diagnostika problémů s nastavením pracovního prostoru

diagnose_workspace(diagnose_parameters)

Parametry

Návraty

Vrácení objektu pracovního prostoru z existujícího pracovního prostoru služby Azure Machine Learning

Načte konfiguraci pracovního prostoru ze souboru. Vyvolá výjimku, pokud konfigurační soubor nelze najít.

Metoda poskytuje jednoduchý způsob, jak znovu použít stejný pracovní prostor v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou uložit vlastnosti pracovního prostoru Azure Resource Manager (ARM) pomocí write_config metody a tuto metodu použít k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu, aniž by museli přetypovat vlastnosti ARM pracovního prostoru.

static from_config(path=None, auth=None, _logger=None, _file_name=None)

Parametry

Návraty

Vrácení objektu pracovního prostoru pro existující pracovní prostor služby Azure Machine Learning

Vyvolá výjimku, pokud pracovní prostor neexistuje nebo požadovaná pole jednoznačně neidentifikují pracovní prostor.

static get(name, auth=None, subscription_id=None, resource_group=None, location=None, cloud='AzureCloud', id=None)

Parametry

Návraty

Získejte připojení pracovního prostoru.

get_connection(name)

Parametry

Získejte výchozí cílový výpočetní objekt pro pracovní prostor.

get_default_compute_target(type)

Parametry

Návraty

Získejte výchozí úložiště dat pro pracovní prostor.

get_default_datastore()

Návraty

Získejte výchozí objekt trezoru klíčů pro pracovní prostor.

get_default_keyvault()

Návraty

Vrátí podrobnosti pracovního prostoru.

get_details()

Návraty

Poznámky

Vrácený slovník obsahuje následující páry klíč-hodnota.

• id: Identifikátor URI odkazující na tento prostředek pracovního prostoru obsahující ID předplatného, skupinu prostředků a název pracovního prostoru.

• name: Název tohoto pracovního prostoru.

• umístění: Oblast pracovního prostoru.

• type: Identifikátor URI ve formátu {providerName}/workspaces.

• tags: Aktuálně se nepoužívá.

• workspaceid: ID tohoto pracovního prostoru.

• description: Aktuálně se nepoužívá.

• friendlyName: Popisný název pracovního prostoru zobrazený v uživatelském rozhraní.

• creationTime: Čas vytvoření tohoto pracovního prostoru ve formátu ISO8601.

• containerRegistry: Registr kontejneru pracovního prostoru, který se používá k načítání a odesílání imagí experimentů i imagí webových služeb.

• keyVault: Trezor klíčů pracovního prostoru, který slouží k ukládání přihlašovacích údajů přidaných do pracovního prostoru uživateli.

• applicationInsights: Application Insights bude pracovní prostor používat k protokolování událostí webových služeb.

• identityPrincipalId:

• id tenanta identity

• identityType

• storageAccount: Úložiště bude pracovní prostor používat k ukládání výstupů spuštění, kódu, protokolů atd.

• SKU: Skladová položka pracovního prostoru (označovaná také jako edice). Parametr je k dispozici kvůli zpětné kompatibilitě a je ignorován.

• resourceCmkUri: Identifikátor URI klíče spravovaného zákazníkem pro šifrování neaktivních uložených dat. https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 Postup vytvoření klíče a získání jeho identifikátoru URI najdete v tématu .

• hbiWorkspace: Určuje, jestli mají zákaznická data velký dopad na firmu.

• imageBuildCompute: Cílový výpočetní objekt pro sestavení image.

• systemDatastoresAuthMode: Určuje, jestli se mají použít přihlašovací údaje pro systémová úložiště dat pracovního prostoru workspaceblobstore a workspacefilestore. Výchozí hodnota je accessKey. V takovém případě pracovní prostor vytvoří systémová úložiště dat s přihlašovacími údaji. Pokud je nastavená hodnota identity, pracovní prostor vytvoří systémová úložiště dat bez přihlašovacích údajů.

Další informace o těchto párech klíč-hodnota najdete v tématu create.

Získejte identifikátor URI sledování MLflow pro pracovní prostor.

MLflow (https://mlflow.org/) je opensourcová platforma pro sledování experimentů strojového učení a správu modelů. Rozhraní API protokolování MLflow můžete použít se službou Azure Machine Learning, aby se metriky, modely a artefakty protokolovaly do pracovního prostoru služby Azure Machine Learning.

get_mlflow_tracking_uri(_with_auth=False)

Parametry

Návraty

Poznámky

Pomocí následující ukázky nakonfigurujte sledování MLflow tak, aby odesílala data do pracovního prostoru Azure ML:

   import mlflow
   from azureml.core import Workspace
   workspace = Workspace.from_config()
   mlflow.set_tracking_uri(workspace.get_mlflow_tracking_uri())

Vraťte spuštění se zadanými run_id v pracovním prostoru.

get_run(run_id)

Parametry

Návraty

Zobrazí seznam všech pracovních prostorů, ke kterým má uživatel v rámci předplatného přístup.

Seznam pracovních prostorů je možné filtrovat na základě skupiny prostředků.

static list(subscription_id, auth=None, resource_group=None)

Parametry

Návraty

Vypište připojení v rámci tohoto pracovního prostoru.

list_connections(category=None, target=None)

Parametry

Vypíše klíče pro aktuální pracovní prostor.

list_keys()

Návraty

Přidejte nebo aktualizujte připojení v pracovním prostoru.

set_connection(name, category, target, authType, value)

Parametry

Nastavte výchozí úložiště dat pro pracovní prostor.

set_default_datastore(name)

Parametry

Vytvořte nový pracovní prostor nebo načtěte existující pracovní prostor.

static setup()

Návraty

Aktivuje pracovní prostor pro okamžitou synchronizaci klíčů.

Pokud se změní klíče pro jakýkoli prostředek v pracovním prostoru, může jejich automatická aktualizace trvat přibližně hodinu. Tato funkce umožňuje aktualizaci klíčů na vyžádání. Ukázkový scénář vyžaduje okamžitý přístup k úložišti po opětovném vygenerování klíčů úložiště.

sync_keys(no_wait=False)

Parametry

Návraty

Aktualizujte popisný název, popis, značky, výpočetní prostředky sestavení image a další nastavení přidružená k pracovnímu prostoru.

update(friendly_name=None, description=None, tags=None, image_build_compute=None, service_managed_resources_settings=None, primary_user_assigned_identity=None, allow_public_access_when_behind_vnet=None, v1_legacy_mode=None)

Parametry

Návraty

V následujících případech aktualizujte existující přidružené prostředky pro pracovní prostor.

a) Když uživatel omylem odstraní existující přidružený prostředek a chce ho aktualizovat novým, aniž by musel znovu vytvořit celý pracovní prostor. b) Když má uživatel existující přidružený prostředek a chce nahradit ten aktuální, který je přidružený k pracovnímu prostoru. c) Pokud přidružený prostředek ještě není vytvořený a chce použít existující prostředek, který už má (platí jenom pro registr kontejneru).

update_dependencies(container_registry=None, force=False)

Parametry

Návraty

Zapište vlastnosti pracovního prostoru Azure Resource Manager (ARM) do konfiguračního souboru.

Vlastnosti ARM pracovního prostoru je možné načíst později pomocí from_config metody . Výchozí path hodnota je .azureml/ v aktuálním pracovním adresáři a file_name výchozí hodnota je config.json.

Metoda poskytuje jednoduchý způsob opakovaného použití stejného pracovního prostoru v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou pomocí této funkce uložit vlastnosti ARM pracovního prostoru a použít from_config k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu, aniž by museli znovu zadávat vlastnosti ARM pracovního prostoru.

write_config(path=None, file_name=None)

Parametry

Zobrazí seznam všech cílových výpočetních prostředků v pracovním prostoru.

Návraty

Výpis všech datových sad v pracovním prostoru

Návraty

Zobrazí seznam všech úložišť dat v pracovním prostoru. Tato operace nevrací přihlašovací údaje úložišť dat.

Návraty

Vraťte adresu URL zjišťování tohoto pracovního prostoru.

Návraty

Vypíše všechna prostředí v pracovním prostoru.

Návraty

Zobrazí seznam všech experimentů v pracovním prostoru.

Návraty

Vrátí seznam obrázků v pracovním prostoru.

Vyvolá problém WebserviceException v případě, že došlo k problému při interakci se službou správy modelů.

Návraty

Výjimky

Zobrazí seznam všech propojených služeb v pracovním prostoru.

Návraty

Vrátí umístění tohoto pracovního prostoru.

Návraty

Vrátí seznam modelů v pracovním prostoru.

Vyvolá problém WebserviceException v případě, že došlo k problému při interakci se službou správy modelů.

Návraty

Výjimky

Vraťte název pracovního prostoru.

Návraty

Zobrazí seznam všech privátních koncových bodů pracovního prostoru.

Návraty

Vraťte název skupiny prostředků pro tento pracovní prostor.

Návraty

Vraťte kontext služby pro tento pracovní prostor.

Návraty

Vraťte skladovou položku tohoto pracovního prostoru.

Návraty

Vraťte ID předplatného pro tento pracovní prostor.

Návraty

Vrátí značky tohoto pracovního prostoru.

Návraty

Vrátí seznam webových služeb v pracovním prostoru.

Vyvolá, WebserviceException pokud došlo k problému s vrácením seznamu.

Návraty

Výjimky

DEFAULT_CPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_CPU_CLUSTER_NAME = 'cpu-cluster'

DEFAULT_GPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_GPU_CLUSTER_NAME = 'gpu-cluster'