Usare il calcolo gestito in una rete virtuale gestita

• Un'area di lavoro di Azure Machine Learning configurata per l'uso di una rete virtuale gestita.

• L'interfaccia della riga di comando di Azure e l'ml estensione per l'interfaccia stessa. Per altre informazioni, vedere Installare, configurare e usare l'interfaccia della riga di comando (v2).

  Suggerimento

  La rete virtuale gestita di Azure Machine Learning è stata introdotta il 23 maggio 2023. Se si ha una versione precedente dell'estensione ml, potrebbe essere necessario aggiornarla affinché gli esempi riportati in questo articolo funzionino. Per aggiornare l'estensione, usare il comando seguente dell'interfaccia della riga di comando di Azure:

  az extension update -n ml
  

• Gli esempi dell'interfaccia della riga di comando in questo articolo presuppongono che si usi la shell Bash (o compatibile). Ad esempio, un sistema Linux o un sottosistema Windows per Linux.

• Gli esempi dell'interfaccia della riga di comando di Azure in questo articolo usano ws per rappresentare il nome dell'area di lavoro e rg per rappresentare il nome del gruppo di risorse. Modificare questi valori in base alle esigenze quando si usano i comandi con la sottoscrizione di Azure.

• Un'area di lavoro di Azure Machine Learning configurata per l'uso di una rete virtuale gestita.

• Python SDK v2 di Azure Machine Learning. Per altre informazioni sull'SDK, vedere Installare Python SDK v2 per Azure Machine Learning.

  Suggerimento

  La rete virtuale gestita di Azure Machine Learning è stata introdotta il 23 maggio 2023. Se è installata una versione precedente dell'SDK, potrebbe essere necessario aggiornarla affinché gli esempi riportati in questo articolo funzionino. Per aggiornare l'SDK, usare il comando seguente:

  pip install --upgrade azure-ai-ml azure-identity
  

• Gli esempi riportati in questo articolo presuppongono che il codice inizi con il codice Python seguente. Questo codice importa le classi necessarie quando si crea un'area di lavoro con rete virtuale gestita, imposta le variabili per la sottoscrizione di Azure e il gruppo di risorse in uso e crea ml_client:

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import (
      Workspace,
      ManagedNetwork,
      IsolationMode,
      ServiceTagDestination,
      PrivateEndpointDestination,
      FqdnDestination
  )
  from azure.identity import DefaultAzureCredential
  
  # Replace with the values for your Azure subscription and resource group.
  subscription_id = "<SUBSCRIPTION_ID>"
  resource_group = "<RESOURCE_GROUP>"
  workspace_name = "<WORKSPACE_NAME>"
  
  # get a handle to the subscription
  ml_client = MLClient(
      workspace_name=workspace_name,
      subscription_id=subscription_id,
      resource_group_name=resource_group,
      credential=DefaultAzureCredential()
  )
  

• Un'area di lavoro di Azure Machine Learning configurata per l'uso di una rete virtuale gestita.

Per creare un cluster di elaborazione senza un IP pubblico, usare il comando seguente:

az ml compute create --name cpu-cluster --resource-group rg --workspace-name ws --type AmlCompute --set enable_node_public_ip=False

Per creare un'istanza di ambiente di calcolo senza un IP pubblico, usare il comando seguente:

az ml compute create --name myci --resource-group rg --workspace-name ws --type ComputeInstance --set enable_node_public_ip=False

L'esempio di Python SDK seguente illustra come creare un cluster di elaborazione e un'istanza di ambiente di calcolo senza un IP pubblico:

from azure.ai.ml.entities import AmlCompute

# Create a compute cluster
compute_cluster = AmlCompute(
    name="mycomputecluster",
    size="STANDARD_D2_V2",
    min_instances=0,
    max_instances=4,
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(entity=compute_cluster)

# Create a compute instance
from azure.ai.ml.entities import ComputeInstance

compute_instance = ComputeInstance(
    name="mycomputeinstance",
    size="STANDARD_DS3_V2",
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(compute_instance)

Non è possibile creare un cluster di elaborazione o un'istanza di ambiente di calcolo dal portale di Azure. Usare invece la procedura seguente per creare questi calcoli da Studio di Azure Machine Learning:

1. Da Studio, selezionare l'area di lavoro.

2. Selezionare la pagina Calcolo nella barra di spostamento a sinistra.

3. Selezionare + Nuovo dalla barra di spostamento dell'istanza di ambiente di calcolo o del cluster di elaborazione.

4. Configurare le dimensioni e la configurazione della macchina virtuale necessarie, quindi selezionare Avanti fino a quando non si arriva alle pagine seguenti:

   • Per un cluster di elaborazione, usare la pagina Impostazioni avanzate e selezionare l'opzione Nessun indirizzo IP pubblico per rimuovere l'indirizzo IP pubblico.

     

   • Per un' istanza di ambiente di calcolo, usare la pagina Sicurezza e selezionare l'opzione Nessun indirizzo IP pubblico per rimuovere l'indirizzo IP pubblico.

     

5. Continuare con la creazione della risorsa di calcolo.