Vytvoření a správa výpočetní instance služby Azure Machine Learning pomocí rozhraní příkazového řádku v1

  • Článek

PLATÍ PRO:Rozšíření Azure CLI ml v1Sada Python SDK azureml v1

Zjistěte, jak vytvořit a spravovat výpočetní instanci v pracovním prostoru služby Azure Machine Learning pomocí rozhraní příkazového řádku v1.

Jako plně nakonfigurované a spravované vývojové prostředí v cloudu použijte výpočetní instanci. Pro vývoj a testování můžete instanci použít také jako trénovací výpočetní cíl nebo pro cíl odvozování. Výpočetní instance může paralelně spouštět několik úloh a má frontu úloh. Jako vývojové prostředí není možné výpočetní instanci sdílet s jinými uživateli ve vašem pracovním prostoru.

Výpočetní instance můžou bezpečně spouštět úlohy v prostředí virtuální sítě, aniž by podniky musely otevírat porty SSH. Úloha se spustí v kontejnerizovaném prostředí a zabalí závislosti modelu do kontejneru Dockeru.

V tomto článku získáte informace o těchto tématech:

  • Vytvoření výpočetní instance
  • Správa výpočetní instance (spuštění, zastavení, restartování, odstranění)

Poznámka

Tento článek popisuje jenom to, jak tyto úlohy provádět pomocí rozhraní příkazového řádku v1. Novější způsoby správy výpočetní instance najdete v tématu Vytvoření výpočetního clusteru Azure Machine Learning.

Požadavky

Vytvořit

Důležité

Položky označené níže (Preview) jsou aktuálně ve verzi Public Preview. Verze Preview se poskytuje bez smlouvy o úrovni služeb a nedoporučuje se pro produkční úlohy. Některé funkce se nemusí podporovat nebo mohou mít omezené možnosti. Další informace najdete v dodatečných podmínkách použití pro verze Preview v Microsoft Azure.

Časový odhad: Přibližně 5 minut.

Vytvoření výpočetní instance je pro váš pracovní prostor jednorázový proces. Výpočetní prostředky můžete znovu použít jako vývojovou pracovní stanici nebo jako výpočetní cíl pro trénování. K pracovnímu prostoru můžete mít připojené více výpočetních instancí.

Kvóta vyhrazených jader na oblast na řadu virtuálních počítačů a celková místní kvóta, která se vztahuje na vytváření výpočetních instancí, jsou sjednocené a sdílené s kvótou výpočetního clusteru pro trénování služby Azure Machine Learning. Zastavení výpočetní instance neuvolní kvótu, abyste měli jistotu, že výpočetní instanci budete moct restartovat. Po vytvoření není možné změnit velikost virtuálního počítače výpočetní instance.

Následující příklad ukazuje, jak vytvořit výpočetní instanci:

PLATÍ PRO:Sada Python SDK azureml v1

import datetime
import time

from azureml.core.compute import ComputeTarget, ComputeInstance
from azureml.core.compute_target import ComputeTargetException

# Choose a name for your instance
# Compute instance name should be unique across the azure region
compute_name = "ci{}".format(ws._workspace_id)[:10]

# Verify that instance does not exist already
try:
    instance = ComputeInstance(workspace=ws, name=compute_name)
    print('Found existing instance, use it.')
except ComputeTargetException:
    compute_config = ComputeInstance.provisioning_configuration(
        vm_size='STANDARD_D3_V2',
        ssh_public_access=False,
        # vnet_resourcegroup_name='<my-resource-group>',
        # vnet_name='<my-vnet-name>',
        # subnet_name='default',
        # admin_user_ssh_public_key='<my-sshkey>'
    )
    instance = ComputeInstance.create(ws, compute_name, compute_config)
    instance.wait_for_completion(show_output=True)

Další informace o třídách, metodách a parametrech použitých v tomto příkladu najdete v následujících referenčních dokumentech:

Spravovat

Spuštění, zastavení, restartování a odstranění výpočetní instance Výpočetní instance automaticky vertikálně nesníží kapacitu, proto nezapomeňte prostředek zastavit, abyste vám zbytečně nenabíhaly poplatky. Zastavení výpočetní instance zruší její přidělení. Až to budete potřebovat, spusťte ho znovu. I když zastavení výpočetní instance zastaví účtování výpočetního času, bude se vám stále účtovat disk, veřejná IP adresa a nástroj pro vyrovnávání zatížení úrovně Standard.

Tip

Výpočetní instance má 120GB disk s operačním systémem. Pokud vám dojde místo na disku, před zastavením nebo restartováním výpočetní instance pomocí terminálu vymažte alespoň 1 až 2 GB. Nezastavujte výpočetní instanci tím, že z terminálu vyvoláte příkaz sudo. Velikost dočasného disku ve výpočetní instanci závisí na zvolené velikosti virtuálního počítače a je připojená k /mnt.

PLATÍ PRO:Sada Python SDK azureml v1

V následujících příkladech je název výpočetní instance instance instance.

  • Získání stavu

    # get_status() gets the latest status of the ComputeInstance target
instance.get_status()

  • Zastavit

    # stop() is used to stop the ComputeInstance
# Stopping ComputeInstance will stop the billing meter and persist the state on the disk.
# Available Quota will not be changed with this operation.
instance.stop(wait_for_completion=True, show_output=True)

  • Spustit

    # start() is used to start the ComputeInstance if it is in stopped state
instance.start(wait_for_completion=True, show_output=True)

  • Restartovat

    # restart() is used to restart the ComputeInstance
instance.restart(wait_for_completion=True, show_output=True)

  • Odstranit

    # delete() is used to delete the ComputeInstance target. Useful if you want to re-use the compute name
instance.delete(wait_for_completion=True, show_output=True)

Azure RBAC umožňuje řídit, kteří uživatelé v pracovním prostoru můžou vytvořit, odstranit, spustit, zastavit nebo restartovat výpočetní instanci. Všichni uživatelé v roli přispěvatele a vlastníka pracovního prostoru můžou vytvářet, odstraňovat, spouštět, zastavovat a restartovat výpočetní instance v rámci pracovního prostoru. Přístup ke službě Jupyter, JupyterLab, RStudio a Posit Workbench (dříve RStudio Workbench) v této výpočetní instanci však může získat pouze autor konkrétní výpočetní instance nebo uživatel, který byl jeho jménem vytvořen. Výpočetní instance je vyhrazená pro jednoho uživatele, který má přístup root. Tento uživatel má přístup ke službě Jupyter/JupyterLab/RStudio/Posit Workbench spuštěné v instanci. Výpočetní instance bude mít přihlášení jednoho uživatele a všechny akce budou používat identitu tohoto uživatele pro Azure RBAC a přiřazení spuštění experimentu. Přístup SSH se řídí prostřednictvím mechanismu veřejného/privátního klíče.

Tyto akce je možné řídit pomocí Azure RBAC:

  • Microsoft.MachineLearningServices/workspaces/computes/read
  • Microsoft.MachineLearningServices/workspaces/computes/write
  • Microsoft.MachineLearningServices/workspaces/computes/delete
  • Microsoft.MachineLearningServices/workspaces/computes/start/action
  • Microsoft.MachineLearningServices/workspaces/computes/stop/action
  • Microsoft.MachineLearningServices/workspaces/computes/restart/action
  • Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

K vytvoření výpočetní instance budete potřebovat oprávnění pro následující akce:

  • Microsoft.MachineLearningServices/workspaces/computes/write
  • Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Další kroky