Hantera en Azure Mašinsko učenje-beräkningsinstans

• Om du inte kör koden på en beräkningsinstans installerar du Azure Mašinsko učenje 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 Mašinsko učenje-arbetsyta.

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

  1. Logga in på Azure Mašinsko učenje Studio.
  2. Öppna den arbetsyta som du vill använda.
  3. Välj ditt arbetsytenamn i det övre högra Azure Mašinsko učenje 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 dessa kommandon på en beräkningsinstans installerar du Azure CLI-tillägget för Mašinsko učenje -tjänsten (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 i Azure Mašinsko učenje Studio.

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

I dessa exempel lagras namnet på beräkningsinstansen i variabeln ci_basic_name.

• Hämta status

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

• Stoppa

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

• Start

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

• Starta om

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

• Delete

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

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

I de här exemplen är namnet på beräkningsinstansen instans.

• Stoppa

  az ml compute stop --name instance 
  

• Start

  az ml compute start --name instance 
  

• Starta om

  az ml compute restart --name instance 
  

• Delete

  az ml compute delete --name instance 
  

I din arbetsyta i Azure Mašinsko učenje studio väljer du Beräkning och sedan beräkningsinstans högst upp.

Du kan utföra följande åtgärder:

• Skapa en ny beräkningsinstans
• Uppdatera fliken beräkningsinstanser.
• Starta, stoppa och starta om en beräkningsinstans. Du betalar för instansen när den körs. Stoppa beräkningsinstansen när du inte använder den för att minska kostnaderna. Om du stoppar en beräkningsinstans frigörs den. Starta den sedan igen när du behöver den. Du kan också schemalägga en tid för beräkningsinstansen att starta och stoppa.
• Ta bort en beräkningsinstans.
• Filtrera listan över beräkningsinstanser så att endast de som du har skapat visas.

För varje beräkningsinstans på en arbetsyta som du skapade (eller som skapades åt dig) kan du:

• Åtkomst till Jupyter, JupyterLab, RStudio på beräkningsinstansen.

• SSH till beräkningsinstansen. SSH-åtkomst är inaktiverad som standard men kan aktiveras när beräkningsinstansen skapas. SSH-åtkomst sker via offentlig/privat nyckelmekanism. Fliken innehåller information om SSH-anslutning, till exempel IP-adress, användarnamn och portnummer. I en distribution av ett virtuellt nätverk förhindrar inaktivering av SSH SSH-åtkomst från offentligt Internet. Du kan fortfarande SSH inifrån det virtuella nätverket med hjälp av den privata IP-adressen för beräkningsinstansnoden och port 22.

  Dricks

  Om beräkningsinstanserna finns i ett hanterat virtuellt nätverk och den offentliga IP-adressen är inaktiverad använder du az ml compute connect-ssh kommandot för att ansluta till beräkningsinstansen.

• Välj beräkningsnamnet för att:

  • Visa information om en specifik beräkningsinstans, till exempel IP-adress och region.
  • Skapa eller ändra schemat för att starta och stoppa beräkningsinstansen. Rulla ned till slutet av sidan för att redigera schemat.

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

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

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

Mer information om de klasser, metoder och parametrar som används i det här exemplet finns i följande referensdokument:

• Klassen AmlCompute
• Klassen ComputeInstance

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

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"

I din arbetsyta i Azure Mašinsko učenje studio väljer du Beräkning och sedan beräkningsinstans högst upp. Om du vill se dess egenskaper, inklusive det aktuella operativsystemet, väljer du beräkningsinstansens beräkningsnamn.