Comment utiliser les diagnostics de l’espace de travail

  • Article

S’APPLIQUE À : SDK Python azureml v1

Azure Machine Learning fournit une API de diagnostic qui peut être utilisée pour identifier les problèmes liés à votre espace de travail. Les erreurs retournées dans le rapport des diagnostics incluent des informations sur la façon de résoudre le problème.

Vous pouvez utiliser les diagnostics de l’espace de travail provenant d’Azure Machine Learning Studio ou du SDK Python.

Prérequis

Avant de suivre les étapes décrites dans cet article, vérifiez que vous disposez des composants requis suivants :

Diagnostics de Studio

À partir d’Azure Machine Learning studio, vous pouvez exécuter des diagnostics sur votre espace de travail pour vérifier votre configuration. Pour exécuter les diagnostics, sélectionnez l’icône « ? » dans le coin supérieur droit de la page. Sélectionnez ensuite Exécuter les diagnostics de l’espace de travail.

Capture d’écran du bouton Diagnostics de l’espace de travail.

Une fois les diagnostics exécutés, une liste de tous les problèmes détectés est retournée. Cette liste contient des liens vers des solutions possibles.

Diagnostics de Python

L’extrait de code suivant montre comment utiliser les diagnostics de l’espace de travail à partir de Python.

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

subscription_id = '<your-subscription-id>'
resource_group = '<your-resource-group-name>'
workspace = '<your-workspace-name>'

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
resp = ml_client.workspaces.begin_diagnose(workspace).result()
# Inspect the attributes of the response you are interested in
for result in resp.application_insights_results:
    print(f"Diagnostic result: {result.code}, {result.level}, {result.message}")

La réponse est un objet DiagnoseResponseResultValue qui contient des informations sur les problèmes détectés au niveau de l’espace de travail.

S’APPLIQUE À : SDK Python azureml v1

from azureml.core import Workspace

ws = Workspace.from_config()

diag_param = {
      "value": {
      }
    }

resp = ws.diagnose_workspace(diag_param)
print(resp)

La réponse est un document JSON contenant des informations sur les problèmes détectés avec l’espace de travail. Le code JSON suivant est un exemple de réponse :

{
    "value": {
        "user_defined_route_results": [],
        "network_security_rule_results": [],
        "resource_lock_results": [],
        "dns_resolution_results": [{
            "code": "CustomDnsInUse",
            "level": "Warning",
            "message": "It is detected VNet '/subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.Network/virtualNetworks/<virtual-network-name>' of private endpoint '/subscriptions/<subscription-id>/resourceGroups/<myresourcegroup>/providers/Microsoft.Network/privateEndpoints/<workspace-private-endpoint>' is not using Azure default DNS. You need to configure your DNS server and check https://video2.skills-academy.com/azure/machine-learning/how-to-custom-dns to make sure the custom DNS is set up correctly."
        }],
        "storage_account_results": [],
        "key_vault_results": [],
        "container_registry_results": [],
        "application_insights_results": [],
        "other_results": []
    }
}

Si aucun problème n’est détecté, un document JSON vide est retourné.

Pour plus d’informations, consultez les informations de référence sur l’Espace de travail.

Pour plus d’informations, consultez la référence Workspace.diagnose_workspace().

Étape suivante

Gérer les espaces de travail Azure Machine Learning dans le portail ou avec le Kit de développement logiciel (SDK) Python (v2)