Azure Machine Learning işlem örneğini yönetme

• 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.

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

Bu örneklerde, işlem örneğinin adı değişkeninde ci_basic_namedepolanır.

• Durum alma

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

• Durdur

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

• Başlangıç

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

• Yeniden başlat

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

• Sil

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

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

Bu örneklerde işlem örneğinin adı örnektir.

• Durdur

  az ml compute stop --name instance 
  

• Başlangıç

  az ml compute start --name instance 
  

• Yeniden başlat

  az ml compute restart --name instance 
  

• Sil

  az ml compute delete --name instance 
  

Azure Machine Learning stüdyosu çalışma alanınızda İşlem'i ve ardından üst kısımdaki işlem örneğini seçin.

Aşağıdaki işlemleri gerçekleştirebilirsiniz:

• Yeni işlem örneği oluşturma
• İşlem örnekleri sekmesini yenileyin.
• İşlem örneğini başlatın, durdurun ve yeniden başlatın. Her çalıştığında örnek için ödeme yaparsınız. Maliyeti azaltmak için kullanmadığınız durumlarda işlem örneğini durdurun. Bir işlem örneğinin durdurulması onu serbest bırakır. Sonra ihtiyacınız olduğunda yeniden başlatın. ayrıca işlem örneğinin başlatılıp durdurulması için bir zaman da zamanlayabilirsiniz.
• İşlem örneğini silme.
• İşlem örnekleri listesini yalnızca sizin oluşturduğunuz örnekleri gösterecek şekilde filtreleyin.

Oluşturduğunuz (veya sizin için oluşturulan) bir çalışma alanında her işlem örneği için şunları yapabilirsiniz:

• İşlem örneğinde Jupyter, JupyterLab, RStudio'ya erişin.

• İşlem örneğine SSH. SSH erişimi varsayılan olarak devre dışıdır ancak işlem örneği oluşturma zamanında etkinleştirilebilir. SSH erişimi ortak/özel anahtar mekanizması aracılığıyla yapılır. Sekmede IP adresi, kullanıcı adı ve bağlantı noktası numarası gibi SSH bağlantısıyla ilgili ayrıntılar yer alır. Sanal ağ dağıtımında, SSH'nin devre dışı bırakılması genel İnternet'ten SSH erişimini engeller. İşlem örneği düğümünün ve bağlantı noktası 22'nin özel IP adresini kullanarak sanal ağın içinden SSH'yi kullanmaya devam edebilirsiniz.

  İpucu

  İşlem örnekleri yönetilen bir sanal ağdaysa ve genel IP adresi devre dışıysa, işlem örneğine bağlanmak için komutunu kullanınaz ml compute connect-ssh.

• İşlem adını seçin:

  • IP adresi ve bölge gibi belirli bir işlem örneği hakkındaki ayrıntıları görüntüleyin.
  • İşlem örneğini başlatma ve durdurma zamanlamasını oluşturun veya değiştirin. Zamanlamayı düzenlemek için sayfanın en altına kadar aşağı kaydırın.

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

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

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

Bu örnekte kullanılan sınıflar, yöntemler ve parametreler hakkında daha fazla bilgi için aşağıdaki başvuru belgelerine bakın:

• AmlCompute sınıfı
• ComputeInstance sınıfı

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

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"

Azure Machine Learning stüdyosu'daki çalışma alanınızda İşlem'i ve ardından üst kısımdaki işlem örneğini seçin. Geçerli işletim sistemi de dahil olmak üzere özelliklerini görmek için bir işlem örneğinin işlem adını seçin.