Hantera Azure Mašinsko učenje-arbetsytor i portalen eller med Python SDK (v2)

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

I den här artikeln skapar, visar och tar du bort Azure Mašinsko učenje-arbetsytor för Azure Mašinsko učenje med Azure-portalen eller SDK:t för Python.

När dina behov ändras eller automatiseringskraven ökar kan du hantera arbetsytor med CLI, Azure PowerShell eller via Visual Studio Code-tillägget.

Förutsättningar

• En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Mašinsko učenje i dag.
• Med Python SDK:

  1. Installera SDK v2.

  2. Installera azure-identity: pip install azure-identity. Om du är i en notebook-cell använder du %pip install azure-identity.

  3. Ange din prenumerationsinformation:

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

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Hämta ett handtag till prenumerationen. All Python-kod i den här artikeln använder ml_client:

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

     • (Valfritt) Om du har flera konton lägger du till klient-ID:t för det Microsoft Entra-ID som du vill använda i DefaultAzureCredential. Hitta ditt klientorganisations-ID från Azure-portalen under Microsoft Entra-ID, externa identiteter.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Valfritt) Om du arbetar i regionerna Azure Government – USA eller Azure China 21Vianet måste du ange det moln som du vill autentisera till. Du kan ange dessa regioner i DefaultAzureCredential.

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Begränsningar

• När du skapar en ny arbetsyta kan du antingen automatiskt skapa tjänster som behövs av arbetsytan eller använda befintliga tjänster. Om du vill använda befintliga tjänster från en annan Azure-prenumeration än arbetsytan måste du registrera Azure Mašinsko učenje-namnområdet i prenumerationen som innehåller dessa tjänster. Om du till exempel skapar en arbetsyta i prenumeration A som använder ett lagringskonto i prenumeration B måste Azure Mašinsko učenje-namnområdet registreras i prenumeration B innan arbetsytan kan använda lagringskontot.

  Resursprovidern för Azure Mašinsko učenje är Microsoft.MachineLearningServices. Information om hur du ser om den är registrerad eller registrerar den finns i Azure-resursprovidrar och typer.

  Viktigt!

  Den här informationen gäller endast för resurser som tillhandahålls när arbetsytan skapas: Azure Storage-konton, Azure Container Registry, Azure Key Vault och Application Insights.

• För nätverksisolering med onlineslutpunkter kan du använda arbetsyterelaterade resurser (Azure Container Registry (ACR), Lagringskonto, Key Vault och Application Insights) från en resursgrupp som skiljer sig från din arbetsyta. Dessa resurser måste dock tillhöra samma prenumeration och klientorganisation som din arbetsyta. Information om de begränsningar som gäller för att skydda hanterade onlineslutpunkter finns i Nätverksisolering med hanterade onlineslutpunkter med hjälp av en arbetsytas hanterade virtuella nätverk.

• Skapande av arbetsyta skapar också ett Azure Container Registry (ACR) som standard. Eftersom ACR för närvarande inte stöder unicode-tecken i resursgruppsnamn använder du en resursgrupp som undviker dessa tecken.

• Azure Mašinsko učenje stöder inte hierarkisk namnrymd (Azure Data Lake Storage Gen2-funktion) för arbetsytans standardlagringskonto.

Skapa en arbetsyta

Du kan skapa en arbetsyta direkt i Azure Mašinsko učenje Studio, med begränsade tillgängliga alternativ. Du kan också använda någon av dessa metoder för mer kontroll över alternativ:

Nätverk

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Kryptering

Som standard lagrar en Azure Cosmos DB-instans arbetsytans metadata. Microsoft underhåller den här Cosmos DB-instansen. Microsoft-hanterade nycklar krypterar dessa data.

Använda din egen datakrypteringsnyckel

Du kan ange en egen nyckel för datakryptering. Om du anger en egen nyckel skapas Azure Cosmos DB-instansen som lagrar metadata i din Azure-prenumeration. Mer information finns i Kundhanterade nycklar.

Använd de här stegen för att ange din egen nyckel:

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Identitet

I portalen använder du identitetssidan för att konfigurera hanterad identitet, åtkomst till lagringskonto och datapåverkan. För Python SDK, se länkarna i följande avsnitt.

Hanterad identitet

En arbetsyta kan ges antingen en systemtilldelad identitet eller en användartilldelad identitet. Den här identiteten används för att komma åt resurser i din prenumeration. Mer information finns i Konfigurera autentisering mellan Azure Mašinsko učenje och andra tjänster.

Åtkomst till lagringskonto

Välj mellan autentiseringsbaserad åtkomst eller identitetsbaserad åtkomst när du ansluter till standardlagringskontot. För identitetsbaserad autentisering måste rollen Storage Blob Data Contributor beviljas till arbetsytans hanterade identitet på lagringskontot.

Datapåverkan

Om du vill begränsa de data som Microsoft samlar in på din arbetsyta väljer du Arbetsyta med hög affärspåverkan i portalen eller i hbi_workspace=true Python. Mer information om den här inställningen finns i Kryptering i vila.

Taggar

Taggar är namn/värde-par som gör att du kan kategorisera resurser och visa sammanställd faktureringsinformation genom att tillämpa samma tagg på flera resurser och resursgrupper.

Tilldela taggar för arbetsytan genom att ange namn/värde-paren. Mer information finns i Använda taggar för att organisera dina Azure-resurser.

Använd också taggar för att [framtvinga arbetsyteprinciper)(#enforce-policies).

Ladda ned en konfigurationsfil

Om du kör koden på en beräkningsinstans hoppar du över det här steget. Beräkningsinstansen skapar och lagrar en kopia av den här filen åt dig.

Om du vill använda kod i din lokala miljö som refererar till den här arbetsytan laddar du ned filen:

1. Välj din arbetsyta i Azure Studio

2. Längst upp till höger väljer du namnet på arbetsytan och väljer sedan Ladda ned config.json

   

Placera filen i katalogstrukturen som innehåller dina Python-skript eller Jupyter Notebooks. Samma katalog, en underkatalog med namnet .azureml eller en överordnad katalog kan innehålla den här filen. När du skapar en beräkningsinstans läggs den här filen till i rätt katalog på den virtuella datorn åt dig.

Framtvinga principer

Du kan aktivera/inaktivera dessa funktioner i en arbetsyta:

• Feedbackmöjligheter på arbetsytan. Bland affärsmöjligheterna finns enstaka produktundersökningar och feedbackverktyget smile-frown i arbetsytans banderoll.
• Möjlighet att prova förhandsgranskningsfunktioner på arbetsytan.

De här funktionerna är aktiverade som standard. Så här inaktiverar du dem:

• När du skapar arbetsytan inaktiverar du funktioner från avsnittet Taggar :

  1. Inaktivera feedback genom att lägga till paret "ADMIN_HIDE_SURVEY: TRUE"
  2. Inaktivera förhandsversioner genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• För en befintlig arbetsyta inaktiverar du funktioner från avsnittet Taggar :

  1. Gå till arbetsytans resurs i Azure-portalen
  2. Öppna taggar från den vänstra navigeringspanelen
  3. Inaktivera feedback genom att lägga till paret "ADMIN_HIDE_SURVEY: TRUE"
  4. Inaktivera förhandsgranskningar genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Välj Använd.

Du kan inaktivera förhandsversioner på prenumerationsnivå, vilket säkerställer att den är inaktiverad för alla arbetsytor i prenumerationen. I det här fallet kan användare i prenumerationen inte heller komma åt förhandsgranskningsverktyget innan de väljer en arbetsyta. Den här inställningen är användbar för administratörer som vill se till att förhandsgranskningsfunktioner inte används i organisationen.

Om förhandsgranskningsinställningen är inaktiverad på prenumerationsnivå ignoreras inställningen på enskilda arbetsytor.

Så här inaktiverar du förhandsgranskningsfunktioner på prenumerationsnivå:

1. Gå till prenumerationsresurs i Azure-portalen
2. Öppna taggar från den vänstra navigeringspanelen
3. Inaktivera förhandsversioner för alla arbetsytor i prenumerationen genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Välj Använd.

Anslut till en arbetsyta

När du kör maskininlärningsuppgifter med SDK:et behöver du ett MLClient-objekt som anger anslutningen till din arbetsyta. Du kan skapa ett MLClient objekt från parametrar eller med en konfigurationsfil.

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

• Med en konfigurationsfil: Den här koden läser innehållet i konfigurationsfilen för att hitta din arbetsyta. Det öppnar en uppmaning om att logga in om du inte redan har autentiserats.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Från parametrar: Du behöver inte ha en config.json fil tillgänglig om du använder den här metoden.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Om du har problem med att komma åt din prenumeration kan du läsa Konfigurera autentisering för Azure Mašinsko učenje resurser och arbetsflöden samt Autentisering i Azure Mašinsko učenje notebook-fil.

Hitta en arbetsyta

Se en lista över alla arbetsytor som du har tillgängliga. Du kan också söka efter en arbetsyta i Studio. Se Sök efter Azure Mašinsko učenje tillgångar (förhandsversion).

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

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Ta bort en arbetsyta

Ta bort den när du inte längre behöver en arbetsyta.

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Rensa resurser

Om du inte planerar att använda någon av de resurser som du har skapat tar du bort dem så att du inte debiteras några avgifter:

1. I Azure-portalen väljer du Resursgrupper längst till vänster.

2. I listan väljer du den resursgrupp som du skapade.

3. Välj Ta bort resursgrupp.

   

4. Ange resursgruppsnamnet. Välj sedan ta bort.

Felsökning

• Webbläsare som stöds i Azure Mašinsko učenje Studio: Vi rekommenderar att du använder den senaste webbläsaren som är kompatibel med ditt operativsystem. Dessa webbläsare stöds:

  • Microsoft Edge (Den nya Microsoft Edge, senaste versionen. Obs! Microsoft Edge-äldre stöds inte)
  • Safari (senaste versionen, endast Mac)
  • Chrome (senaste versionen)
  • Firefox (senaste versionen)

• Azure Portal:

  • Om du går direkt till din arbetsyta från en resurslänk från SDK:t eller Azure-portalen kan du inte visa standardöversiktssidan med prenumerationsinformation i tillägget. I det här scenariot kan du dessutom inte växla till en annan arbetsyta. Om du vill visa en annan arbetsyta går du direkt till Azure Mašinsko učenje studio och söker efter arbetsytans namn.
  • Alla tillgångar (data, experiment, beräkningar och så vidare) är endast tillgängliga i Azure Mašinsko učenje studio. Azure-portalen erbjuder dem inte* .
  • Om du försöker exportera en mall för en arbetsyta från Azure-portalen kan det returnera ett fel som liknar den här texten: Could not get resource of the type <type>. Resources of this type will not be exported. Använd en av mallarna https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices som bas för mallen som en lösning.

Diagnostik för arbetsyta

Du kan köra diagnostik på din arbetsyta från Azure Mašinsko učenje studio eller Python SDK. När diagnostiken har körts returneras en lista över eventuella identifierade problem. Den här listan innehåller länkar till möjliga lösningar. Mer information finns i Så här använder du arbetsytediagnostik.

Resursproviderfel

När du skapar en Azure Mašinsko učenje-arbetsyta eller en resurs som används av arbetsytan kan du få ett fel som liknar följande meddelanden:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

De flesta resursprovidrar registreras automatiskt, men inte alla. Om du får det här meddelandet måste du registrera den angivna providern.

Följande tabell innehåller en lista över de resursprovidrar som krävs av Azure Mašinsko učenje:

Om du planerar att använda en kundhanterad nyckel med Azure Mašinsko učenje måste följande tjänsteleverantörer registreras:

Om du planerar att använda ett hanterat virtuellt nätverk med Azure Mašinsko učenje måste resursprovidern Microsoft.Network vara registrerad. Den här resursprovidern används av arbetsytan när du skapar privata slutpunkter för det hanterade virtuella nätverket.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.

Ta bort Azure Container Registry

Azure Mašinsko učenje-arbetsytan använder Azure Container Registry (ACR) för vissa åtgärder. Den skapar automatiskt en ACR-instans när den först behöver en.

Exempel

Exempel i den här artikeln kommer från workspace.ipynb.

Nästa steg

När du har en arbetsyta lär du dig hur du tränar och distribuerar en modell.

Mer information om hur du planerar en arbetsyta för organisationens krav finns i Organisera och konfigurera Azure Mašinsko učenje.

• Om du behöver flytta en arbetsyta till en annan Azure-prenumeration går du till Så här flyttar du en arbetsyta.

Information om hur du håller din Azure-Mašinsko učenje uppdaterad med de senaste säkerhetsuppdateringarna finns i Sårbarhetshantering.