Skapa ett Azure Machine Learning-beräkningskluster

• Om du inte kör koden på en beräkningsinstans installerar du Azure Machine Learning Python SDK. Denna SDK är redan installerad åt dig på en beräkningsinstans.

• Koppla till arbetsytan i Python-skriptet:

  Kör den här koden för att ansluta till din Azure Machine Learning-arbetsyta.

  Ersätt ditt prenumerations-ID, resursgruppsnamn och arbetsytenamn i följande kod. Så här hittar du följande värden:

  1. Logga in på Azure Machine Learning-studio.
  2. Öppna den arbetsyta som du vill använda.
  3. Välj namnet på arbetsytan i det övre högra Azure Machine Learning-studio verktygsfältet.
  4. Kopiera värdet för arbetsyta, resursgrupp och prenumerations-ID till koden.

  GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

  # 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 är en hanterare för den arbetsyta som du använder för att hantera andra resurser och jobb.

• Om du inte kör de här kommandona på en beräkningsinstans installerar du Azure CLI-tillägget för Machine Learning Service (v2). Det här tillägget är redan installerat för dig på en beräkningsinstans.

• Autentisera och ange standardarbetsytan och resursgruppen. Låt terminalen vara öppen för att köra resten av kommandona i den här artikeln.

  • Om du använder en beräkningsinstans:

    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
    

  • Om du kör kommandona lokalt utelämnar --identity och följer du anvisningarna för autentisering. Ersätt $CI_RESOURCE_GROUP också och $CI_WORKSPACE med dina värden.

Börja vid Azure Machine Learning-studio.

Om du vill skapa en beständig Azure Machine Learning Compute-resurs i Python anger du size egenskaperna och max_instances . Azure Machine Learning använder sedan smarta standardvärden för de andra egenskaperna.

• storlek: Den virtuella datorfamiljen för noderna som skapats av Azure Machine Learning Compute.
• max_instances: Det maximala antalet noder som ska skalas upp automatiskt till när du kör ett jobb på Azure Machine Learning Compute.

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

from azure.ai.ml.entities import AmlCompute

cluster_basic = AmlCompute(
    name="basic-example",
    type="amlcompute",
    size="STANDARD_DS3_v2",
    location="westus",
    min_instances=0,
    max_instances=2,
    idle_time_before_scale_down=120,
)
ml_client.begin_create_or_update(cluster_basic).result()

Du kan också konfigurera flera avancerade egenskaper när du skapar Azure Machine Learning Compute. Med egenskaperna kan du skapa ett beständigt kluster med fast storlek eller inom ett befintligt Virtuellt Azure-nätverk i din prenumeration. Mer information finns i klassen AmlCompute.

GÄLLER FÖR: Azure CLI ml-tillägget v2 (aktuellt)

az ml compute create -f create-cluster.yml

Var filen create-cluster.yml är:

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: location-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
location: westus

Skapa ett beräkningskluster med en eller flera noder för dina tränings-, batchinferens- eller förstärkningsinlärningsarbetsbelastningar.

1. Gå till Azure Machine Learning-studio.

2. Under Hantera väljer du Beräkning.

3. Om du inte har några beräkningsresurser väljer du Nytt mitt på sidan.

   

4. Om du ser en lista över beräkningsresurser väljer du +Nytt ovanför listan.

   

5. På flikarna längst upp väljer du Beräkningskluster.

6. Fyll i formuläret på följande sätt:

   Fält	beskrivning
   Location	Den Azure-region där beräkningsklustret skapas. Som standard är detta samma plats som arbetsytan. Om du inte har tillräcklig kvot i standardregionen växlar du till en annan region för fler alternativ. När du använder en annan region än din arbetsyta eller dina datalager kan du se ökade kostnader för nätverksfördröjning och dataöverföring. Svarstiden och kostnaderna kan uppstå när klustret skapas och när jobb körs på det.
   Typ av virtuell dator	Välj CPU eller GPU. Den här typen kan inte ändras när du har skapat den.
   Prioritet för virtuell dator	Välj Dedikerad eller Låg prioritet. Virtuella datorer med låg prioritet är billigare men garanterar inte beräkningsnoderna. Jobbet kan vara föregripet.
   Storlek för virtuell dator	Storlekar på virtuella datorer som stöds kan vara begränsade i din region. Kontrollera tillgänglighetslistan

7. Välj Nästa för att fortsätta till Avancerade inställningar och fyll i formuläret på följande sätt:

   Fält	beskrivning
   Namn på beräkning	* Namnet krävs och måste vara mellan 3 och 24 tecken långt. * Giltiga tecken är versaler och gemener - , siffror och tecknet. * Namnet måste börja med en bokstav. * Namnet måste vara unikt för alla befintliga beräkningar i en Azure-region. Du ser en avisering om namnet du väljer inte är unikt. * Om - tecknet används måste det följas av minst en bokstav senare i namnet.
   Minsta antalet noder	Minsta antal noder som du vill etablera. Om du vill ha ett dedikerat antal noder anger du det antalet här. Spara pengar genom att ange minst 0, så att du inte betalar för noder när klustret är inaktivt.
   Maximalt antal noder	Maximalt antal noder som du vill etablera. Beräkningen skalas automatiskt till maximalt antal noder när ett jobb skickas.
   Inaktiva sekunder innan nedskalning	Inaktiv tid innan klustret skalas ned till minsta antal noder.
   Aktivera SSH-åtkomst	Använd samma instruktioner som Aktivera SSH-åtkomst för en beräkningsinstans.
   Avancerade inställningar	Valfritt. Konfigurera nätverksinställningar. * Om ett virtuellt Azure-nätverk anger du resursgruppen, det virtuella nätverket och undernätet för att skapa beräkningsinstansen i nätverket. Mer information finns i nätverkskrav. * Om ett Hanterat Azure Machine Learning-nätverk finns beräkningsklustret automatiskt i det hanterade nätverket. Mer information finns i Hanterade beräkningar med ett hanterat nätverk. * Ingen offentlig IP-adress konfigurerar om beräkningsklustret har en offentlig IP-adress i ett nätverk. * Tilldela en hanterad identitet för att bevilja åtkomst till resurser.

8. Välj Skapa.

Aktivera SSH-åtkomst

SSH-åtkomst är inaktiverad som standard. Det går inte att ändra SSH-åtkomsten när den har skapats. Se till att aktivera åtkomst om du planerar att felsöka interaktivt med VS Code Remote.

När du har valt Nästa: Avancerade inställningar:

1. Aktivera Aktivera SSH-åtkomst.
2. I den offentliga SSH-nyckelkällan väljer du något av alternativen i listrutan:
   • Om du genererar ett nytt nyckelpar:
     1. Ange ett namn för nyckeln i nyckelparets namn.
     2. Välj Skapa.
     3. Välj Ladda ned privat nyckel och skapa beräkning. Nyckeln laddas vanligtvis ned till mappen Nedladdningar .
   • Om du väljer Använd befintlig offentlig nyckel som lagras i Azure söker du efter och väljer nyckeln i Lagrad nyckel.
   • Om du väljer Använd befintlig offentlig nyckel anger du en offentlig RSA-nyckel i enkelradsformat (från och med "ssh-rsa") eller PEM-format med flera rader. Du kan generera SSH-nycklar med hjälp av ssh-keygen i Linux och OS X eller PuTTYGen i Windows.

Ansluta med SSH-åtkomst

När du har skapat en beräkning med SSH-åtkomst aktiverad använder du de här stegen för åtkomst.

1. Hitta beräkningen i dina arbetsyteresurser:

   1. Välj Beräkning till vänster.
   2. Använd flikarna längst upp för att välja Beräkningsinstans eller Beräkningskluster för att hitta datorn.

2. Välj beräkningsnamnet i listan över resurser.

3. Hitta anslutningssträng:

   • För en beräkningsinstans väljer du Anslut överst i avsnittet Information .

     

   • För ett beräkningskluster väljer du Noder överst och väljer sedan anslutningssträngen i tabellen för noden.

4. Kopiera anslutningssträng.

5. Öppna PowerShell eller en kommandotolk för Windows:

   1. Gå till katalogen eller mappen där nyckeln lagras

   2. Lägg till flaggan -i till anslutningssträng för att hitta den privata nyckeln och peka på den plats där den lagras:

      ssh -i <keyname.pem> azureuser@... (rest of connection string)

6. För Linux-användare följer du stegen från Skapa och använda ett SSH-nyckelpar för virtuella Linux-datorer i Azure

7. För SCP-användning:

   scp -i key.pem -P {port} {fileToCopyFromLocal } azureuser@yourComputeInstancePublicIP:~/{destination}

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

from azure.ai.ml.entities import AmlCompute

cluster_low_pri = AmlCompute(
    name="low-pri-example",
    size="STANDARD_DS3_v2",
    min_instances=0,
    max_instances=2,
    idle_time_before_scale_down=120,
    tier="low_priority",
)
ml_client.begin_create_or_update(cluster_low_pri).result()

GÄLLER FÖR: Azure CLI ml-tillägget v2 (aktuellt)

vm-priorityAnge :

az ml compute create -f create-cluster.yml

Var filen create-cluster.yml är:

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: low-pri-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
tier: low_priority

I studion väljer du Låg prioritet när du skapar en virtuell dator.

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

Detta tar bort det grundläggande beräkningsklustret som skapades från objektet tidigare i den create_basic här artikeln.

from azure.ai.ml.entities import AmlCompute

ml_client.compute.begin_delete(cluster_basic.name).wait()

GÄLLER FÖR: Azure CLI ml-tillägget v2 (aktuellt)

Detta tar bort ett beräkningskluster med namnet basic-example.

az ml compute delete --name basic-example 

1. Gå till Azure Machine Learning-studio.
2. I den vänstra menyn går du till Hantera och väljer Beräkna.
3. Längst upp på sidan Beräkning väljer du Beräkningskluster.
4. Välj det kluster som du vill ta bort.
5. Välj Ta bort längst upp på sidan.