Vytvoření centra pomocí sady Azure Machine Learning SDK a rozhraní příkazového řádku

Poznámka:

Tento dokument se týká portálu Microsoft Foundry (Classic).

🔍Informace o novém portálu najdete v dokumentaci k Microsoft Foundry (nové).

Důležité

Položky označené (Preview) v tomto článku jsou aktuálně ve verzi Public Preview. Tato verze Preview je poskytována bez smlouvy o úrovni služeb a nedoporučujeme ji pro produkční úlohy. Některé funkce nemusí být podporované nebo můžou mít omezené možnosti. Další informace najdete v dodatečných podmínkách použití pro verze Preview v Microsoft Azure.

V tomto článku se dozvíte, jak vytvořit následující prostředky Microsoft Foundry pomocí sady Azure Machine Learning SDK a Azure CLI (s rozšířením strojového učení):

Centrum slévárny
Připojení na Microsoft Foundry

Poznámka:

Centrum se používá jenom pro projekt založený na centru. Projekt Foundry nepoužívá centrum. Další informace naleznete v tématu Typy projektů.

Požadavky

Účet Azure s aktivním předplatným. Pokud ho nemáte, vytvořte si bezplatný účet Azure, který zahrnuje bezplatné zkušební předplatné.

Nastavení prostředí

Pomocí následujících karet vyberte, jestli používáte sadu Python SDK nebo Azure CLI:

Python SDK
Azure CLI

Nainstalujte balíčky. (Pokud jste v buňce poznámkového bloku, použijte %pip install místo toho.)
```
pip install azure-ai-ml
pip install azure-identity
```

Zadejte podrobnosti o předplatném:

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

Získejte přístup k předplatnému. Veškerý kód Pythonu v tomto článku používá 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)

(Volitelné) Pokud máte více účtů, přidejte ID tenanta Microsoft Entra ID, které chcete použít do DefaultAzureCredential. Id tenanta najdete na webu Azure Portal v části Microsoft Entra ID a externí identity.
```
DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
```
Volitelné: Pokud pracujete v oblastech Azure Government - US nebo Azure China 21Vianet, uveďte region, do kterého se chcete autentizovat. Region můžete určit pomocí DefaultAzureCredential. Následující příklad se autentizuje do Azure Government - USA regionu:
```
from azure.identity import AzureAuthorityHosts
DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
```

Pokud nemáte nainstalované rozšíření Azure CLI a strojového učení, postupujte podle kroků v článku Instalace a nastavení rozšíření strojového učení.
K ověření předplatného Azure z Azure CLI použijte následující příkaz:
```
az login
```
Další informace o ověřování najdete v tématu Metody ověřování.

Vytvoření centra Foundry a připojení Microsoft Foundry

K vytvoření nového centra použijte následující příklady. Nahraďte ukázkové řetězcové hodnoty vlastními hodnotami:

Python SDK
Azure CLI

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name}

Vytvořte připojení Foundry

Po vytvoření vlastního prostředku Foundry nebo prostředku Azure OpenAI ve stejné skupině prostředků ho můžete připojit k centru. Službu Azure AI Search můžete také připojit z libovolné skupiny prostředků ve stejném předplatném.

Python SDK
Azure CLI

Vaše ml_client připojení teď musí zahrnovat vaše centrum:

Zadejte podrobnosti o předplatném. Pokud <AML_WORKSPACE_NAME>chcete, použijte název centra:

# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

Získejte popisovač do centra:

# 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
)

Slouží ml_client k vytvoření připojení k nástrojům Foundry. Koncové body najdete v portálu Azure v části >. Pro zdroj Foundry použijte koncový bod Foundry Tools. Pro Azure AI Search použijte adresu URL koncového bodu.

from azure.ai.ml.entities import AzureAIServicesConnection

# construct a Foundry connection
my_connection_name = "myaiservivce" # any name you want
aiservices_resource_name = <resource_name> # copy from Azure portal
my_endpoint = "<endpoint>" # copy from Azure portal
my_api_keys = None # leave blank for Authentication type = AAD
my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"

my_connection = AzureAIServicesConnection(name=my_connection_name,
                                    endpoint=my_endpoint, 
                                    api_key= my_api_keys,
                                    ai_services_resource_id=my_ai_services_resource_id)

# Create the connection
ml_client.connections.create_or_update(my_connection)

az ml connection create --file {connection.yml} --resource-group {my_resource_group} --workspace-name {my_hub_name}

Můžete použít buď klíč rozhraní API, nebo konfigurační soubor YAML bez přihlašovacích údajů. Další informace o konfiguračním souboru YAML najdete ve schématu YAML připojení k nástroji Foundry Tools:

Příklad klíče rozhraní API:

name: myazai_ei
type: azure_ai_services
endpoint: <endpoint for your Foundry Tools>
api_key: XXXXXXXXXXXXXXX
ai_services_resource_id: <fully_qualified_resource_id>

Bez přihlašovacích údajů

name: myazai_apk
type: azure_ai_services
endpoint: <endpoint for your Foundry Tools>
ai_services_resource_id: <fully_qualified_resource_id>

Fully_qualified_resource_id <> je ID prostředku vašeho prostředku služby AI Services. Je ve formátu /subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}.

Vytvoření centra Foundry pomocí existujících závislých prostředků

Centrum můžete vytvořit také pomocí existujících prostředků, jako je Azure Storage a Azure Key Vault. V následujících příkladech nahraďte ukázkové řetězcové hodnoty vlastními hodnotami:

Návod

ID prostředku účtu úložiště a trezoru klíčů můžete načíst z webu Azure Portal tak, že přejdete do přehledu prostředku a vyberete zobrazení JSON. ID zdroje se nachází v poli ID . Id prostředku můžete načíst také pomocí Azure CLI. Příklad: az storage account show --name {my_storage_account_name} --query "id" a az keyvault show --name {my_key_vault_name} --query "id".

Python SDK
Azure CLI

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.Storage/storageAccounts/mystorageaccountname"
my_key_vault_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.KeyVault/vaults/mykeyvaultname"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name,
            resource_group=my_resource_group,
            storage_account_id=my_storage_account_id,
            key_vault_id=my_key_vault_id)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name} --location {hub-region} --storage-account {my_storage_account_id} --key-vault {my_key_vault_id}

Váš názor

Byla tato stránka užitečná?

Last updated on 2025-12-04