Gestire un'istanza di ambiente di calcolo di Azure Machine Learning

• Se il codice non è in esecuzione in un'istanza di calcolo, installare Azure Machine Learning Python SDK. Questo SDK è già installato in un'istanza di ambiente di calcolo.

• Allegare all'area di lavoro nello script Python:

  Eseguire questo codice per connettersi all'area di lavoro di Azure Machine Learning.

  Sostituire l'ID sottoscrizione, il nome del gruppo di risorse e il nome dell'area di lavoro nel codice seguente. Per trovare questi valori:

  1. Accedere ad Azure Machine Learning Studio.
  2. Aprire l'area di lavoro che si vuole usare.
  3. Selezionare il nome dell'area di lavoro in alto a destra nella barra degli strumenti di Studio di Azure Machine Learning.
  4. Copiare i valori per l'area di lavoro, il gruppo di risorse e l'ID sottoscrizione nel codice.

  SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

  # Enter details of your AML workspace
  subscription_id = "<SUBSCRIPTION_ID>"
  resource_group = "<RESOURCE_GROUP>"
  workspace = "<AML_WORKSPACE_NAME>"

  # get a handle to the workspace
  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  ml_client = MLClient(
      DefaultAzureCredential(), subscription_id, resource_group, workspace
  )

  ml_client è un gestore dell'area di lavoro che viene usato per gestire altre risorse e processi.

• Se questi comandi non vengono eseguiti in un'istanza di ambiente di calcolo, installare l'estensione dell'interfaccia della riga di comando di Azure per il servizio Machine Learning (v2). Questa estensione è già installata in un'istanza di ambiente di calcolo.

• Autenticare e impostare l'area di lavoro e il gruppo di risorse predefiniti. Lasciare aperto il terminale per eseguire il resto dei comandi in questo articolo.

  • Se si è in un'istanza di ambiente di calcolo:

    az login --identity
    # next line needed only if you have multiple subscriptions:
    az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
    az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
    

  • Se si eseguono i comandi in locale, omettere --identity e seguire le istruzioni per l'autenticazione. Sostituire inoltre $CI_RESOURCE_GROUP e $CI_WORKSPACE con i propri valori.

Iniziare da Studio di Azure Machine Learning.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

In questi seguenti il nome dell'istanza di ambiente di calcolo viene archiviato nella variabile ci_basic_name.

• Ottenere lo stato

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Get compute
  ci_basic_state = ml_client.compute.get(ci_basic_name)

• Arresta

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Stop compute
  ml_client.compute.begin_stop(ci_basic_name).wait()

• Inizio

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Start compute
  ml_client.compute.begin_start(ci_basic_name).wait()

• Riavviare

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Restart compute
  ml_client.compute.begin_restart(ci_basic_name).wait()

• Elimina

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  ml_client.compute.begin_delete(ci_basic_name).wait()

SI APPLICA A: estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)

In questi esempi il nome dell'istanza di ambiente di calcolo è istanza.

• Arresta

  az ml compute stop --name instance 
  

• Inizio

  az ml compute start --name instance 
  

• Riavviare

  az ml compute restart --name instance 
  

• Elimina

  az ml compute delete --name instance 
  

Nell'area di lavoro in studio di Azure Machine Learning selezionare Calcolo, quindi selezionare Istanza di ambiente di calcolo nella parte superiore.

Puoi effettuare le seguenti azioni:

• Crea nuova istanza di ambiente di calcolo
• Aggiornare la scheda delle istanze di ambiente di calcolo.
• Avviare, arrestare e riavviare un'istanza di ambiente di calcolo. Si paga per l'istanza ogni volta che è in esecuzione. Per ridurre i costi, arrestare l'istanza di ambiente di calcolo quando non viene usata. L'arresto di un'istanza di calcolo la dealloca. e quindi riavviarla quando è necessario. È anche possibile pianificare un orario per l'avvio e l'arresto dell'istanza di ambiente di calcolo.
• Eliminare un'istanza di ambiente di calcolo.
• Filtrare l'elenco delle istanze di ambiente di calcolo per visualizzare solo quelle create personalmente.

Per ogni istanza di ambiente di calcolo in un'area di lavoro creata personalmente (o creata automaticamente), è possibile:

• Accedere a Jupyter, JupyterLab, RStudio nell'istanza di ambiente di calcolo.

• Accedere con SSH all'istanza di calcolo. L'accesso SSH è disabilitato per impostazione predefinita, ma può essere abilitato al momento della creazione dell'istanza di calcolo. L'accesso SSH avviene tramite il meccanismo di chiave pubblica/privata. Nella scheda sono disponibili i dettagli per la connessione SSH, ad esempio indirizzo IP, nome utente e numero di porta. In una distribuzione di rete virtuale, la disabilitazione di SSH impedisce l'accesso SSH da Internet pubblico. È comunque possibile eseguire SSH dall'interno della rete virtuale usando l'indirizzo IP privato del nodo dell'istanza di calcolo e la porta 22.

  Suggerimento

  Se le istanze di calcolo si trovano in una rete virtuale gestita e l'indirizzo IP pubblico è disabilitato, usare il comando az ml compute connect-ssh per connettersi all'istanza di calcolo.

• Selezionare il nome dell'ambiente di calcolo per:

  • Visualizzare informazioni dettagliate su un'istanza di ambiente di calcolo specifica, ad esempio l'indirizzo IP e l'area.
  • Creare o modificare la pianificazione per l'avvio e l'arresto dell'istanza di ambiente di calcolo. Scorrere verso il basso fino alla fine della pagina per modificare la pianificazione.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print instance.os_image_metadata

Per altre informazioni su classi, metodi e parametri usati in questo esempio, vedere i documenti di riferimento seguenti:

• Classe AmlCompute
• Classe ComputeInstance

SI APPLICA A: estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

Nell'area di lavoro in studio di Azure Machine Learning selezionare Calcolo, quindi selezionare Istanza di ambiente di calcolo nella parte superiore. Selezionare il nome dell'ambiente di calcolo di un'istanza di ambiente di calcolo per visualizzarne le proprietà, incluso il sistema operativo corrente.