Workspace Klasse

Hinzufügen eines privaten Endpunkts zum Arbeitsbereich.

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

Parameter

Gibt zurück

Erstellen Sie einen neuen Azure Machine Learning-Arbeitsbereich.

Löst eine Ausnahme aus, wenn der Arbeitsbereich bereits vorhanden oder eine der Arbeitsbereichsanforderungen nicht erfüllt ist.

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)

Parameter

Gibt zurück

Ausnahmen

Hinweise

Dieses erste Beispiel erfordert nur minimale Angaben, und alle abhängigen Ressourcen sowie die Ressourcengruppe werden automatisch erstellt.

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

Das folgende Beispiel zeigt, wie Sie vorhandene Azure-Ressourcen mithilfe des Azure-Ressourcen-ID-Formats wiederverwenden. Die spezifischen Azure-Ressourcen-IDs können über das Azure-Portal oder das SDK abgerufen werden. Dieses Beispiel setzt voraus, dass die Ressourcengruppe, das Speicherkonto, der Schlüsseltresor, eine App Insights-Instanz und die Containerregistrierung bereits vorhanden sind.

   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)

Löschen Sie den Azure Machine Learning-Arbeitsbereich und die zugeordneten Ressourcen.

delete(delete_dependent_resources=False, no_wait=False)

Parameter

Gibt zurück

Löschen Sie eine Verbindung des Arbeitsbereichs.

delete_connection(name)

Parameter

Löschen der Verbindung mit privatem Endpunkt für den Arbeitsbereich.

delete_private_endpoint_connection(private_endpoint_connection_name)

Parameter

Diagnostizieren von Problemen beim Einrichten des Arbeitsbereichs.

diagnose_workspace(diagnose_parameters)

Parameter

Gibt zurück

Geben Sie ein Arbeitsbereichsobjekts aus einem vorhandenen Azure Machine Learning-Arbeitsbereich zurück.

Liest die Arbeitsbereichskonfiguration aus einer Datei. Löst eine Ausnahme aus, wenn die Konfigurationsdatei nicht gefunden wird.

Diese Methode ermöglicht die einfache Wiederverwendung des gleichen Arbeitsbereichs in mehreren Python-Notebooks oder -Projekten. Benutzer können die Azure Resource Manager (ARM)-Eigenschaften des Arbeitsbereichs mithilfe der write_config-Methode speichern und den gleichen Arbeitsbereich mit dieser Methode in verschiedene Python-Notebooks oder -Projekte laden, ohne die ARM-Eigenschaften des Arbeitsbereichs erneut eingeben zu müssen.

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

Parameter

Gibt zurück

Geben Sie ein Arbeitsbereichsobjekt für einen vorhandenen Azure Machine Learning-Arbeitsbereich zurück.

Löst eine Ausnahme aus, wenn der Arbeitsbereich nicht vorhanden ist oder die Pflichtfelder keinen Arbeitsbereich eindeutig identifizieren.

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

Parameter

Gibt zurück

Abrufen einer Verbindung des Arbeitsbereichs.

get_connection(name)

Parameter

Rufen Sie das Standardcomputeziel für den Arbeitsbereich ab.

get_default_compute_target(type)

Parameter

Gibt zurück

Abrufen des Standarddatenspeichers für den Arbeitsbereich.

get_default_datastore()

Gibt zurück

Abrufen des Standardschlüsseltresor-Objekts für den Arbeitsbereich.

get_default_keyvault()

Gibt zurück

Geben Sie die Details des Arbeitsbereichs zurück.

get_details()

Gibt zurück

Hinweise

Das zurückgegebene Wörterbuch enthält die folgenden Schlüssel-Wert-Paare.

• id: Der URI, der auf diese Arbeitsbereichsressource verweist, die ID des enthaltenden Abonnements, die Ressourcengruppe und der Arbeitsbereichsname.

• name: Der Name dieses Arbeitsbereichs.

• location: Die Arbeitsbereichsregion.

• type: Ein URI im Format „{providerName}/workspaces“.

• tags: Wird derzeit nicht verwendet.

• workspaceid: Die ID dieses Arbeitsbereichs.

• description: Wird derzeit nicht verwendet.

• friendlyName: Ein Anzeigename für den Arbeitsbereich, der auf der Benutzeroberfläche angezeigt wird.

• creationTime: Der Zeitpunkt der Erstellung dieses Arbeitsbereichs im ISO8601-Format.

• containerRegistry: Die Containerregistrierung des Arbeitsbereichs, die zum Pullen und Pushen von Experimenten und Webdienstimages verwendet wird.

• keyVault: Der Schlüsseltresor des Arbeitsbereichs, der zum Speichern von Anmeldeinformationen verwendet wird, die dem Arbeitsbereich von den Benutzern hinzugefügt werden.

• applicationInsights: Die Application Insights-Instanz wird vom Arbeitsbereich verwendet, um Webdienstereignisse zu protokollieren.

• identityPrincipalId:

• identityTenantId

• identityType

• storageAccount: Der Speicher wird vom Arbeitsbereich verwendet, um Ausführungsausgaben, Code, Protokolle usw. zu speichern.

• sku: Die Arbeitsbereichs-SKU (wird auch als Edition bezeichnet). Der Parameter ist aus Gründen der Abwärtskompatibilität vorhanden und wird ignoriert.

• resourceCmkUri: Der Schlüssel-URI des kundenseitig verwalteten Schlüssels zum Verschlüsseln ruhender Daten. Anweisungen zum Erstellen eines Schlüssels und Abrufen des URI finden Sie unter https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910.

• hbiWorkspace: Gibt an, ob die Kundendaten hohe geschäftliche Auswirkungen haben.

• imageBuildCompute: Das Computeziel für die Imageerstellung.

• systemDatastoresAuthMode: Bestimmt, ob Anmeldeinformationen für die Systemdatenspeicher „workspaceblobstore“ und „workspacefilestore“ des Arbeitsbereichs verwendet werden. Der Standardwert ist „accessKey“. In diesem Fall erstellt der Arbeitsbereich die Systemdatenspeicher mit Anmeldeinformationen. Wenn „identity“ festgelegt ist, erstellt der Arbeitsbereich die Systemdatenspeicher ohne Anmeldeinformationen.

Weitere Informationen zu diesen Schlüssel-Wert-Paaren finden Sie unter create.

Rufen Sie den MLflow-Nachverfolgungs-URI für den Arbeitsbereich ab.

MLflow (https://mlflow.org/) ist eine Open-Source-Plattform zum Nachverfolgen von Machine Learning-Experimenten und Verwalten von Modellen. Sie können MLflow-Protokollierungs-APIs mit Azure Machine Learning verwenden, damit Metriken, Modelle und Artefakte in Ihrem Azure Machine Learning-Arbeitsbereich protokolliert werden.

get_mlflow_tracking_uri(_with_auth=False)

Parameter

Gibt zurück

Hinweise

Verwenden Sie das folgende Beispiel, um die MLflow-Nachverfolgung zum Senden von Daten an den Azure ML-Arbeitsbereich zu konfigurieren:

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

Geben Sie die Ausführung mit der angegebenen „run_id“ im Arbeitsbereich zurück.

get_run(run_id)

Parameter

Gibt zurück

Listen Sie alle Arbeitsbereiche auf, zu denen der Benutzer innerhalb des Abonnements Zugriff hat.

Die Liste der Arbeitsbereiche kann nach der Ressourcengruppe gefiltert werden.

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

Parameter

Gibt zurück

Listen Sie die Verbindungen in diesem Arbeitsbereich auf.

list_connections(category=None, target=None)

Parameter

Listen Sie die Schlüssel für den aktuellen Arbeitsbereich auf.

list_keys()

Gibt zurück

Fügen Sie eine Verbindung im Arbeitsbereich hinzu oder aktualisieren Sie diese.

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

Parameter

Legen Sie den Standarddatenspeicher für den Arbeitsbereich fest.

set_default_datastore(name)

Parameter

Erstellen eines neuen Arbeitsbereichs oder Abrufen eines vorhandenen Arbeitsbereichs.

static setup()

Gibt zurück

Löst eine sofortige Schlüsselsynchronisierung im Arbeitsbereich aus.

Wenn Schlüssel für Ressourcen im Arbeitsbereich geändert werden, kann es etwa eine Stunde dauern, bis diese automatisch aktualisiert werden. Mit dieser Funktion können Schlüssel auf Anforderung aktualisiert werden. Sie kann z. B. verwendet werden, wenn nach dem erneuten Generieren von Speicherschlüsseln der sofortige Zugriff auf den Speicher erforderlich ist.

sync_keys(no_wait=False)

Parameter

Gibt zurück

Aktualisieren von Anzeigename, Beschreibung, Tags, Computename für die Imageerstellung und anderen Einstellungen eines Arbeitsbereichs.

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)

Parameter

Gibt zurück

Aktualisieren der vorhandenen zugeordneten Ressourcen für den Arbeitsbereich. Diese Methode kann in folgenden Fällen verwendet werden.

a) Wenn ein Benutzer versehentlich eine vorhandene zugeordnete Ressource löscht und diese mit einer neuen Ressource aktualisieren möchte, ohne den gesamten Arbeitsbereich neu erstellen zu müssen. b) Wenn ein Benutzer über eine vorhandene zugeordnete Ressource verfügt und die Ressource ersetzen möchte, die dem Arbeitsbereich aktuell zugeordnet ist. c) Wenn noch keine zugeordnete Ressource erstellt wurde und eine bereits vorhandene Ressource verwendet werden soll (gilt nur für die Containerregistrierung).

update_dependencies(container_registry=None, force=False)

Parameter

Gibt zurück

Schreiben Sie die Azure Resource Manager (ARM)-Eigenschaften des Arbeitsbereichs in eine Konfigurationsdatei.

Die ARM-Eigenschaften des Arbeitsbereichs können später mit der from_config-Methode geladen werden. Der Standardwert von path ist „.azureml/“ im aktuellen Arbeitsverzeichnis. Der Standardwert von file_name ist „config.json“.

Diese Methode ermöglicht die einfache Wiederverwendung des gleichen Arbeitsbereichs in mehreren Python-Notebooks oder -Projekten. Benutzer können die ARM-Eigenschaften des Arbeitsbereichs mithilfe dieser Funktion speichern und den gleichen Arbeitsbereich mit from_config in verschiedene Python-Notebooks oder -Projekte laden, ohne die ARM-Eigenschaften des Arbeitsbereichs erneut eingeben zu müssen.

write_config(path=None, file_name=None)

Parameter

Auflisten aller Computeziele im Arbeitsbereich.

Gibt zurück

Auflisten aller Datasets im Arbeitsbereich.

Gibt zurück

Auflisten aller Datenspeicher im Arbeitsbereich. Dieser Vorgang gibt die Anmeldeinformationen der Datenspeicher nicht zurück.

Gibt zurück

Dient zum Zurückgeben der Ermittlungs-URL dieses Arbeitsbereichs.

Gibt zurück

Auflisten aller Umgebungen im Arbeitsbereich.

Gibt zurück

Auflisten aller Experimente im Arbeitsbereich.

Gibt zurück

Geben Sie die Liste der Images im Arbeitsbereich.

Löst eine WebserviceException aus, wenn bei der Interaktion mit dem Modellverwaltungsdienst ein Problem aufgetreten ist.

Gibt zurück

Ausnahmen

Auflisten aller verknüpften Dienste im Arbeitsbereich.

Gibt zurück

Geben Sie den Speicherort dieses Arbeitsbereichs zurück.

Gibt zurück

Geben Sie eine Liste der Modelle im Arbeitsbereich zurück.

Löst eine WebserviceException aus, wenn bei der Interaktion mit dem Modellverwaltungsdienst ein Problem aufgetreten ist.

Gibt zurück

Ausnahmen

Geben Sie den Namen des Arbeitsbereichs zurück.

Gibt zurück

Listen Sie alle privaten Endpunkte des Arbeitsbereichs auf.

Gibt zurück

Geben Sie den Namen der Ressourcengruppe für diesen Arbeitsbereich zurück.

Gibt zurück

Geben Sie den Dienstkontext für diesen Arbeitsbereich zurück.

Gibt zurück

Geben Sie die SKU dieses Arbeitsbereichs zurück.

Gibt zurück

Geben Sie die Abonnement-ID für diesen Arbeitsbereich zurück.

Gibt zurück

Geben Sie die Tags dieses Arbeitsbereichs zurück.

Gibt zurück

Geben Sie eine Liste der Webdienste im Arbeitsbereich zurück.

Löst eine WebserviceException aus, wenn beim Zurückgeben der Liste ein Problem aufgetreten ist.

Gibt zurück

Ausnahmen

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'