Azure 机器学习的工作原理：资源和资产

若要使用本文中的 Python SDK 代码示例，请执行以下操作：

1. 安装 Python SDK v2

2. 创建与 Azure 机器学习订阅的连接。 这些示例均依赖于 ml_client。 若要创建工作区，不需要为连接提供工作区名称，因为你还可能没有工作区名称。 本文中的所有其他示例都要求连接中包含工作区名称。

   # import required libraries
   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>"
   
   # get a handle to the subscription (use this if you haven't created a workspace yet)
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
   
   # all other examples in this article require the connection to include workspace name
   workspace_name = "<WORKSPACE_NAME>"
   ml_client = ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace_name)
   

若要使用本文中的 Azure CLI 代码示例，需要安装并配置 Azure CLI。 可以根据安装和设置 CLI (v2) 中所述安装 Azure CLI。

安装 Azure CLI 后，登录到你的 Azure 帐户：

az login

如果你可以访问多个 Azure 订阅，请设置活动的订阅：

az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"

登录到 Azure 机器学习工作室。

若要使用 Python SDK v2 创建工作区，可使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    tags=dict(purpose="demo"),
)

ml_client.workspaces.begin_create(ws) # use MLClient to connect to the subscription and resource group and create workspace

此 Jupyter 笔记本演示了使用 SDK v2 创建 Azure 机器学习工作区的更多方法。

若要使用 CLI v2 创建工作区，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml workspace create --file my_workspace.yml

有关文件的内容，请参阅工作区 YAML 示例。

在工作室欢迎页中选择“创建工作区”来创建工作区。

若要使用 Python SDK v2 创建计算群集，可使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

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)

此 Jupyter 笔记本演示了使用 SDK v2 创建计算的其他方法。

若要使用 CLI v2 创建计算，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml compute create --file my_compute.yml

有关文件的内容，请参阅计算 YAML 示例。 。

1. 如果尚未进入工作区，请选择一个工作区。
2. 在左侧菜单中选择“计算”。
3. 在顶部，选择一个选项卡以指定要创建的计算类型。
4. 选择“新建”以创建新计算。

若要使用 Python SDK v2 创建数据存储，可使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

import AzureBlobDatastore

blob_datastore1 = AzureBlobDatastore(
    name="blob_example",
    description="Datastore pointing to a blob container.",
    account_name="mytestblobstore",
    container_name="data-container",
    credentials={
        "account_key": "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
    },
)
ml_client.create_or_update(blob_datastore1)

此 Jupyter 笔记本演示了使用 SDK v2 创建数据存储的其他方法。

若要使用 CLI v2 创建数据存储，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml datastore create --file my_datastore.yml

有关文件的内容，请参阅数据存储 YAML 示例。

1. 如果尚未进入工作区，请选择一个工作区。
2. 在左侧菜单中选择“数据”。
3. 在顶部选择“数据存储”。
4. 选择“创建”以新建数据存储。

若要使用 Python SDK v2 创建环境，请参阅创建环境。

此 Jupyter 笔记本演示了使用 SDK v2 创建自定义环境的其他方法。

若要使用 CLI v2 创建环境，请参阅创建环境。

有关详细信息，请参阅环境 YAML 架构。

1. 如果尚未进入工作区，请选择一个工作区。
2. 在左侧菜单中选择“环境”。
3. 在顶部选择“自定义环境”。
4. 选择“创建”以创建新的自定义环境。