Azure Machine Learning işlem kümesi oluşturma

• Kodunuzu bir işlem örneğinde çalıştırmıyorsanız Azure Machine Learning Python SDK'sını yükleyin. Bu SDK sizin için zaten bir işlem örneğine yüklenmiştir.

• Python betiğinizde çalışma alanına ekleme:

  Azure Machine Learning çalışma alanınıza bağlanmak için bu kodu çalıştırın.

  Abonelik Kimliğinizi, Kaynak Grubu adınızı ve Çalışma Alanı adınızı aşağıdaki kodda değiştirin. Bu değerleri bulmak için:

  1. Azure Machine Learning stüdyosu oturum açın.
  2. Kullanmak istediğiniz çalışma alanını açın.
  3. Sağ üst Azure Machine Learning stüdyosu araç çubuğunda çalışma alanı adınızı seçin.
  4. Çalışma alanı, kaynak grubu ve abonelik kimliğinin değerini koda kopyalayın.

  ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

  # 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 , diğer kaynakları ve işleri yönetmek için kullandığınız çalışma alanının işleyicisidir.

• Bu komutları bir işlem örneğinde çalıştırmıyorsanız Machine Learning hizmeti (v2) için Azure CLI uzantısını yükleyin. Bu uzantı sizin için zaten bir işlem örneğine yüklenmiştir.

• Kimlik doğrulaması yapın ve varsayılan çalışma alanını ve kaynak grubunu ayarlayın. Bu makaledeki diğer komutları çalıştırmak için terminali açık bırakın.

  • İşlem örneğindeyseniz:

    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
    

  • Komutları yerel olarak çalıştırıyorsanız, kimlik doğrulaması yönergelerini atlayıp --identity izleyin. Ayrıca ve $CI_WORKSPACE değerleriniz ile değiştirin$CI_RESOURCE_GROUP.

Azure Machine Learning stüdyosu'da başlayın.

Python'da kalıcı bir Azure Machine Learning İşlem kaynağı oluşturmak için ve max_instances özelliklerini belirtinsize. Azure Machine Learning daha sonra diğer özellikler için akıllı varsayılanları kullanır.

• boyut: Azure Machine Learning İşlem tarafından oluşturulan düğümlerin VM ailesi.
• max_instances: Azure Machine Learning İşlem'de bir iş çalıştırdığınızda otomatik ölçeklendirme için en fazla düğüm sayısı.

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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()

Azure Machine Learning İşlem'i oluştururken çeşitli gelişmiş özellikleri de yapılandırabilirsiniz. Özellikler, sabit boyutta veya aboneliğinizdeki mevcut bir Azure Sanal Ağ içinde kalıcı bir küme oluşturmanıza olanak sağlar. Ayrıntılar için amlCompute sınıfına bakın.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml compute create -f create-cluster.yml

Dosyanın create-cluster.yml olduğu yer:

$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

Eğitim, toplu çıkarım veya pekiştirilmiş öğrenme iş yükleriniz için tek veya çok düğümlü bir işlem kümesi oluşturun.

1. Azure Machine Learning stüdyosu gidin.

2. Yönet'in altında İşlem'i seçin.

3. İşlem kaynağınız yoksa sayfanın ortasındaki Yeni'yi seçin.

   

4. İşlem kaynaklarının listesini görürseniz, listenin üst kısmında +Yeni'yi seçin.

   

5. Üstteki sekmelerde İşlem kümesi'ni seçin.

6. Formu aşağıdaki gibi doldurun:

   Alan	Açıklama
   Konum	İşlem kümesinin oluşturulduğu Azure bölgesi. Varsayılan olarak bu, çalışma alanıyla aynı konumdur. Varsayılan bölgede yeterli kotanız yoksa, diğer seçenekler için farklı bir bölgeye geçin. Çalışma alanınızdan veya veri depolarınızdan farklı bir bölge kullanırken ağ gecikme süresi ve veri aktarımı maliyetlerinin arttığını görebilirsiniz. Gecikme süresi ve maliyetler küme oluşturulurken ve üzerinde işler çalıştırılırken ortaya çıkabilir.
   Sanal makine türü	CPU veya GPU'yı seçin. Bu tür oluşturulduktan sonra değiştirilemez.
   Sanal makine önceliği	Ayrılmış veya Düşük öncelikli'yi seçin. Düşük öncelikli sanal makineler daha ucuz olsa da işlem düğümlerini garanti etmemektedir. İşiniz önlenmiş olabilir.
   Sanal makine boyutu	Desteklenen sanal makine boyutları bölgenizde kısıtlanmış olabilir. Kullanılabilirlik listesini denetleyin

7. İleri'yi seçerek Gelişmiş Ayarlar'a geçin ve formu aşağıdaki gibi doldurun:

   Alan	Açıklama
   İşlem adı	* Ad gereklidir ve 3 ila 24 karakter uzunluğunda olmalıdır. * Geçerli karakterler büyük ve küçük harf, rakam ve karakterdir - . * Ad bir harfle başlamalıdır. * Adın bir Azure bölgesindeki tüm mevcut işlemlerde benzersiz olması gerekir. Seçtiğiniz ad benzersiz değilse bir uyarı görürsünüz. * Karakter kullanılıyorsa - , daha sonra adında en az bir harf olması gerekir.
   Minimum düğüm sayısı	Sağlamak istediğiniz en az düğüm sayısı. Ayrılmış sayıda düğüm istiyorsanız, bu sayıyı burada ayarlayın. Küme boştayken düğümler için ödeme yapmamak için minimum değeri 0 olarak ayarlayarak tasarruf edin.
   En fazla düğüm sayısı	Sağlamak istediğiniz düğüm sayısı üst sınırı. bir iş gönderildiğinde işlem otomatik olarak bu düğüm sayısının üst sınırına ölçeklendirilir.
   Ölçeği azaltmadan önce boşta kalan saniyeler	Kümeyi en düşük düğüm sayısına ölçeklendirmeden önce boşta kalma süresi.
   SSH erişimini etkinleştirme	İşlem örneği için SSH erişimini etkinleştirme ile aynı yönergeleri kullanın.
   Gelişmiş ayarlar	isteğe bağlı. Ağ ayarlarını yapılandırın. * Azure Sanal Ağ, ağ içinde işlem örneği oluşturmak için Kaynak grubunu, Sanal ağı ve Alt Ağı belirtin. Daha fazla bilgi için bkz . ağ gereksinimleri. * Azure Machine Learning yönetilen ağıysa, işlem kümesi otomatik olarak yönetilen ağda yer alır. Daha fazla bilgi için bkz . Yönetilen ağ ile yönetilen hesaplamalar. * İşlem kümesinin ağ içindeyken genel IP adresi olup olmadığını yapılandıran genel IP yok. * Kaynaklara erişim vermek için yönetilen kimlik atayın.

8. Oluştur'u belirleyin.

SSH erişimini etkinleştirme

SSH erişimi varsayılan olarak devre dışıdır. SSH erişimi oluşturulduktan sonra değiştirilemez. VS Code Remote ile etkileşimli olarak hata ayıklamayı planlıyorsanız erişimi etkinleştirdiğinizden emin olun.

İleri: Gelişmiş Ayarlar'ı seçtikten sonra:

1. SSH erişimini etkinleştir'i açın.
2. SSH ortak anahtar kaynağında açılan listeden seçeneklerden birini belirleyin:
   • Yeni anahtar çifti oluşturursanız:
     1. Anahtar çifti adı alanına anahtar için bir ad girin.
     2. Oluştur'u belirleyin.
     3. Özel anahtarı indir'i seçin ve işlem oluşturun. Anahtar genellikle İndirilenler klasörüne indirilir.
   • Azure'da depolanan mevcut ortak anahtarı kullan'ı seçerseniz Saklı anahtar'da anahtarı arayın ve seçin.
   • Var olan ortak anahtarı kullan'ı seçerseniz, tek satır biçiminde ("ssh-rsa" ile başlayan) veya çok satırlı PEM biçiminde bir RSA ortak anahtarı sağlayın. Linux ve OS X üzerinde ssh-keygen veya Windows üzerinde PuTTYGen kullanarak SSH anahtarları oluşturabilirsiniz.

SSH erişimiyle bağlanma

SSH erişimi etkin bir işlem oluşturduktan sonra erişim için bu adımları kullanın.

1. çalışma alanı kaynaklarınızda işlem bulun:

   1. Sol tarafta İşlem'i seçin.
   2. Makinenizi bulmak için en üstteki sekmeleri kullanarak İşlem örneği veya İşlem kümesi'ni seçin.

2. Kaynak listesinden işlem adını seçin.

3. bağlantı dizesi bulun:

   • İşlem örneği için Ayrıntılar bölümünün üst kısmındaki Bağlan'ı seçin.

     

   • İşlem kümesi için üstteki Düğümler'i ve ardından düğümünüzün tablosundaki Bağlantı dizesini seçin.

4. bağlantı dizesi kopyalayın.

5. Windows için PowerShell'i veya komut istemini açın:

   1. Anahtarınızın depolandığı dizine veya klasöre gidin

   2. Özel anahtarı bulmak ve depolandığı yere işaret etmek için -i bayrağını bağlantı dizesi ekleyin:

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

6. Linux kullanıcıları için Azure'da Linux VM'leri için SSH anahtar çifti oluşturma ve kullanma adımlarını izleyin

7. SCP kullanımı için:

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

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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()

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

öğesini vm-priorityayarlayın:

az ml compute create -f create-cluster.yml

Dosyanın create-cluster.yml olduğu yer:

$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

Stüdyoda, vm oluştururken Düşük Öncelikli'yi seçin.

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

Bu işlem, bu makalenin önceki bölümlerindeki create_basic nesneden oluşturulan temel işlem kümesini siler.

from azure.ai.ml.entities import AmlCompute

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

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

Bu işlem adlı basic-examplebir işlem kümesini siler.

az ml compute delete --name basic-example 

1. Azure Machine Learning stüdyosu gidin.
2. Soldaki menüde Yönet'in altında İşlem'i seçin.
3. İşlem sayfasının üst kısmında İşlem kümesi'ni seçin.
4. Silmek istediğiniz kümeyi seçin.
5. Sayfanın üst kısmından Sil’i seçin.