Grundlegendes zu Umgebungen

• 6 Minuten

In einer Unternehmenslösung für maschinelles Lernen, in der Experimente in unterschiedlichen Computekontexten ausgeführt werden können, ist es wichtig, die Umgebungen zu kennen, in denen der Experimentcode ausgeführt wird. Sie können Azure Machine Learning-Umgebungen verwenden, um Umgebungen zu erstellen und die Laufzeitkonfiguration für ein Experiment anzugeben.

Wenn Sie einen Azure Machine Learning-Arbeitsbereich erstellen, werden automatisch kuratierte Umgebungen erstellt und Ihnen zur Verfügung gestellt. Alternativ dazu können Sie selbst benutzerdefinierte Umgebungen erstellen und verwalten und im Arbeitsbereich registrieren. Durch Erstellen und Registrieren benutzerdefinierter Umgebungen können Sie konsistente, wiederverwendbare Laufzeitkontexte für Ihre Experimente definieren – unabhängig davon, wo das Experimentskript ausgeführt wird.

Was ist eine Umgebung in Azure Machine Learning?

Der Python-Code wird im Kontext einer virtuellen Umgebung ausgeführt, die die zu verwendende Version der Python-Runtime sowie die für den Code verfügbaren installierten Pakete definiert. Bei den meisten Python-Installationen werden Pakete in Umgebungen mithilfe von conda oder pip installiert und verwaltet.

Zur Verbesserung der Portierbarkeit erstellen Sie Umgebungen normalerweise in Docker-Containern. Diese werden wiederum auf Computezielen gehostet, z. B. auf Ihrem Entwicklungscomputer, auf VMs oder in Cloudclustern.

Azure Machine Learning erstellt Umgebungsdefinitionen in Docker-Images und Conda-Umgebungen. Wenn Sie eine Umgebung verwenden, erstellt Azure Machine Learning die Umgebung in der Azure Container Registry-Instanz, die dem Arbeitsbereich zugeordnet ist.

Um alle verfügbaren Umgebungen im Azure Machine Learning-Arbeitsbereich anzuzeigen, können Sie die Umgebungen mithilfe der Azure CLI oder des Python SDK im Studio auflisten.

So listen Sie beispielsweise die Umgebungen mithilfe des Python SDK auf:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Um die Details einer bestimmten Umgebung zu überprüfen, können Sie eine Umgebung anhand ihres registrierten Namens abrufen:

env = ml_client.environments.get(name="my-environment", version="1")
print(env)