Správa pracovních prostorů Azure Machine Learning na portálu nebo pomocí sady Python SDK (v2)

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

V tomto článku vytvoříte, zobrazíte a odstraníte pracovní prostory služby Azure Machine Learning pro Azure Machine Learning pomocí webu Azure Portal nebo sady SDK pro Python.

S tím, jak se vaše potřeby mění nebo zvyšují požadavky na automatizaci, můžete spravovat pracovní prostory pomocí rozhraní příkazového řádku, Azure PowerShellu nebo rozšíření editoru Visual Studio Code.

Požadavky

• Předplatné Azure. Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet. Vyzkoušejte si bezplatnou nebo placenou verzi služby Azure Machine Learning ještě dnes.
• Pomocí sady Python SDK:

  1. Python 3.10 nebo novější

  2. Nainstalujte sadu SDK v2.

  3. Instalace azure-identity: pip install azure-identity. Pokud je v buňce poznámkového bloku, použijte %pip install azure-identity.

  4. Zadejte podrobnosti o předplatném:

     PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

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

  5. Získejte popisovač předplatného. 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 – USA nebo Azure China 21Vianet , musíte zadat cloud, do kterého chcete provést ověření. Tyto oblasti můžete zadat v DefaultAzureCredentialsouboru .

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Omezení

• Když vytvoříte nový pracovní prostor, můžete buď automaticky vytvořit služby potřebné pracovním prostorem, nebo použít existující služby. Pokud chcete použít existující služby z jiného předplatného Azure, než je pracovní prostor, musíte zaregistrovat obor názvů služby Azure Machine Learning v předplatném, které tyto služby obsahuje. Pokud například vytvoříte pracovní prostor v předplatném A, který používá účet úložiště v předplatném B, musí být obor názvů Služby Azure Machine Learning zaregistrovaný v předplatném B, aby mohl pracovní prostor použít účet úložiště.

  Poskytovatel prostředků pro Azure Machine Learning je Microsoft.MachineLearningServices. Informace o tom, jestli je zaregistrovaná nebo jak ji zaregistrovat, najdete v tématu Poskytovatelé a typy prostředků Azure.

  Důležité

  Tyto informace platí jenom pro prostředky poskytované během vytváření pracovního prostoru: účty Azure Storage, Azure Container Registry, Azure Key Vault a Application Insights.

• Pro izolaci sítě s online koncovými body můžete použít prostředky přidružené k pracovnímu prostoru (Azure Container Registry (ACR), účet úložiště, službu Key Vault a Application Insights) ze skupiny prostředků, která se liší od vašeho pracovního prostoru. Tyto prostředky ale musí patřit do stejného předplatného a tenanta jako váš pracovní prostor. Informace o omezeních týkajících se zabezpečení spravovaných online koncových bodů pomocí spravované virtuální sítě pracovního prostoru najdete v tématu Izolace sítě se spravovanými online koncovými body.

• Vytvoření pracovního prostoru také ve výchozím nastavení vytvoří službu Azure Container Registry (ACR). Vzhledem k tomu, že ACR v současné době nepodporuje znaky Unicode v názvech skupin prostředků, použijte skupinu prostředků, která těmto znakům zabrání.

• Azure Machine Learning nepodporuje hierarchický obor názvů (funkce Azure Data Lake Storage Gen2) pro výchozí účet úložiště pracovního prostoru.

Návod

Při vytváření pracovního prostoru se vytvoří instance Azure Application Insights. Pokud chcete, můžete instanci Application Insights po vytvoření clusteru odstranit. Odstraněním omezíte informace shromážděné z pracovního prostoru a může být obtížnější řešit problémy. Pokud odstraníte instanci Application Insights vytvořenou pracovním prostorem, jediným způsobem, jak ji znovu vytvořit, je odstranit a znovu vytvořit pracovní prostor.

Další informace o používání instance Application Insights najdete v tématu Monitorování a shromažďování dat z koncových bodů webové služby Machine Learning.

Vytvoření pracovního prostoru

Pracovní prostor můžete vytvořit přímo v studio Azure Machine Learning s omezenými dostupnými možnostmi. Můžete také použít jednu z těchto metod pro větší kontrolu nad možnostmi:

Python SDK

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

• Základní konfigurace pro začátek Pokud nezadáte, proces automaticky vytvoří přidružené prostředky a skupinu prostředků Azure. Tento kód vytvoří pracovní prostor s názvem myworkspacezávislé prostředky Azure (účet úložiště, Key Vault, Container Registry, Application Insights) a skupinu prostředků pojmenovanou myresourcegroup v eastus2.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Použijte existující prostředky Azure. Pokud chcete odkazovat na existující prostředky Azure, použijte formát ID prostředků Azure. Vyhledejte konkrétní ID prostředků Azure na webu Azure Portal nebo pomocí sady SDK. Tento příklad předpokládá, že skupina prostředků, účet úložiště, Key Vault, Application Insights a Container Registry už existují.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

• Použijte existující pracovní prostor centra. Místo vytvoření výchozího pracovního prostoru s vlastním nastavením zabezpečení a přidruženými prostředky můžete znovu použít sdílené prostředí pracovního prostoru centra. Váš nový pracovní prostor projektu získá nastavení zabezpečení a sdílené konfigurace z centra, včetně výpočetních prostředků a připojení. Tento příklad předpokládá, že pracovní prostor centra již existuje.

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

Další informace naleznete v referenční příručce SDK pracovního prostoru.

Pokud máte problémy s přístupem k předplatnému, viz Nastavení ověřování pro prostředky a pracovní postupy služby Azure Machine Learning a poznámkový blok 'Ověřování v Azure Machine Learning'.

Portál

1. Přihlaste se k webu Azure Portal pomocí přihlašovacích údajů pro vaše předplatné Azure.

2. V levém horním rohu webu Azure Portal vyberte + Vytvořit prostředek.

   

3. Pomocí vyhledávacího panelu vyhledejte Machine Learning.

4. Vyberte Machine Learning.

5. V podokně Machine Learning vyberte Vytvořit , abyste mohli začít.

6. Zadejte následující informace pro konfiguraci nového pracovního prostoru:

   Pole	Popis
   Název pracovního prostoru	Zadejte jedinečný název, který identifikuje váš pracovní prostor. V tomto příkladu se používá docs-ws. Názvy musí být v rámci skupiny prostředků jedinečné. Použijte název, který je snadno odvolatelný a liší se od pracovních prostorů vytvořených jinými uživateli. Název pracovního prostoru není citlivý na velikost písmen.
   Předplatné	Vyberte předplatné Azure, které chcete použít.
   Skupina prostředků	Použijte existující skupinu prostředků ve vašem předplatném. Pokud chcete vytvořit novou skupinu prostředků, zadejte název. Skupina prostředků zahrnuje související prostředky pro řešení Azure. K použití existující skupiny prostředků potřebujete roli přispěvatele nebo vlastníka . Další informace o přístupu najdete v tématu Správa přístupu k pracovnímu prostoru Azure Machine Learning.
   Oblast	Vyberte oblast Azure nejblíže vašim uživatelům i datovým prostředkům.
   Účet úložiště	Výchozí účet úložiště pro pracovní prostor. Ve výchozím nastavení se vytvoří nový.
   Key Vault	Azure Key Vault používaný pracovním prostorem. Ve výchozím nastavení se vytvoří nový.
   Application Insights	Instance Application Insights pro pracovní prostor. Ve výchozím nastavení se vytvoří nový.
   Container Registry	Azure Container Registry pro pracovní prostor. Ve výchozím nastavení se pro pracovní prostor nevytvořil nový. Místo toho vytvoření image Dockeru během trénování nebo nasazení vytvoří azure Container Registry pro pracovní prostor, jakmile ji budete potřebovat.

   

7. Po dokončení konfigurace pracovního prostoru vyberte Zkontrolovat a vytvořit. Volitelně můžete ke konfiguraci dalších nastavení pracovního prostoru použít oddíly Sítě, Šifrování, Identita a Značky .

8. Zkontrolujte nastavení a proveďte jakékoli další změny nebo opravy. Až budete s nastavením spokojeni, vyberte Vytvořit.

   Varování

   Vytvoření pracovního prostoru v cloudu může trvat několik minut.

   Po dokončení procesu se zobrazí zpráva o úspěšném nasazení.

9. Pokud chcete zobrazit nový pracovní prostor, vyberte Přejít k prostředku.

10. Pokud chcete začít používat pracovní prostor, vyberte odkaz webové adresy URL studia v pravém horním rohu. Pracovní prostor můžete vybrat také na domovské stránce studio Azure Machine Learning.

Studio

1. Zadejte název prostředku pracovního prostoru Azure Machine Learning.

2. Zadejte snadno zapamatovatelný název pro zobrazení pracovního prostoru ve Studiu.

3. Volitelně můžete vybrat pracovní prostor centra pro hostování pracovního prostoru ve sdíleném prostředí pro váš tým. Pracovní prostor centra poskytuje předkonfigurované zabezpečení, přístup k prostředkům společnosti a sdílené výpočetní prostředky.

   

Sítě

Důležité

Další informace o používání privátního koncového bodu a virtuální sítě s pracovním prostorem najdete v tématu Izolace sítě a ochrana osobních údajů.

Python SDK

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Tato třída vyžaduje existující virtuální síť.

Portál

1. Výchozí konfigurace sítě používá veřejný koncový bod, který je přístupný na veřejném internetu. Pokud ale chcete omezit přístup k vašemu pracovnímu prostoru na virtuální síť Azure, kterou jste vytvořili, můžete vybrat Privátní s odchozím na Internet nebo Privátní se schváleným odchozím provozem. Pak se posuňte dolů a nakonfigurujte nastavení.

   

2. V části Příchozí přístup pracovního prostoru vyberte Přidat a otevřete formulář Vytvořit privátní koncový bod .

3. Ve formuláři Vytvořit privátní koncový bod nastavte umístění, název a virtuální síť, které chcete použít. Pokud chcete použít koncový bod s Privátní DNS Zónou, vyberte Možnost Integrace s privátní zónou DNS a vyberte zónu pomocí pole Privátní DNS Zóna. Vyberte OK a vytvořte koncový bod.

   

4. Pokud jste vybrali možnost Private with Internet Outbound, použijte oddíl Odchozí přístup pracovního prostoru ke konfiguraci sítě a pravidel odchozích přenosů.

5. Pokud jste vybrali možnost Soukromé se schváleným odchozím provozem, použijte oddíl Odchozí přístup pracovního prostoru a přidejte do požadované sady další pravidla.

6. Po dokončení konfigurace sítě můžete vybrat Zkontrolovat a vytvořit nebo přejít na volitelnou konfiguraci šifrování .

Studio

1. Pokud chcete vytvořit pracovní prostor se zakázaným připojením k internetu přes Studio, zadejte pracovní prostor centra, který má zakázaný přístup k veřejné síti. Pracovní prostory vytvořené bez centra na portálu Microsoft Foundry mají povolený veřejný přístup k internetu. Privátní hub má ikonu zámku.

   

2. Pokud při vytváření nevyberete pracovní prostor centra, použije výchozí konfigurace sítě veřejný koncový bod, který je přístupný na veřejném internetu.

Šifrování

Ve výchozím nastavení ukládá instance služby Azure Cosmos DB metadata pracovního prostoru. Microsoft udržuje tuto instanci Cosmos DB. Klíče spravované Microsoftem šifrují tato data.

Použití vlastního šifrovacího klíče dat

Pro šifrování dat můžete zadat vlastní klíč. Když zadáte vlastní klíč, vytvoříte instanci služby Azure Cosmos DB, která ukládá metadata ve vašem předplatném Azure. Další informace najdete v tématu Klíče spravované zákazníkem.

K zadání vlastního klíče použijte tento postup:

Důležité

Před provedením těchto kroků nejprve proveďte tyto akce:

Postupujte podle kroků v části Konfigurace klíčů spravovaných zákazníkem pro:

• Registrace poskytovatele služby Azure Cosmos DB
• Vytvoření a konfigurace služby Azure Key Vault
• Vygenerování klíče

Python SDK

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>",
        key_uri="<KEY-IDENTIFIER>"
    ),
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portál

1. Vyberte Možnost Šifrovat data pomocí klíče spravovaného zákazníkem a potom kliknutím vyberte klíč. Tato konfigurace vytvoří prostředky Azure používané k šifrování dat ve vašem předplatném Azure. Pokud chcete k šifrování použít prostředky na straně služby, vyberte Možnost Použít šifrování na straně služby . Další informace najdete v tématu Klíče spravované zákazníkem.

   

2. Ve formuláři Vybrat klíč ze služby Azure Key Vault vyberte existující službu Azure Key Vault, klíč, který obsahuje, a verzi klíče. Tento klíč šifruje data uložená ve službě Azure Cosmos DB. Nakonec pomocí tlačítka Vybrat použijte tento klíč.

   

Studio

1. Pokud chcete vytvořit pracovní prostor s šifrováním klíčů spravovaným zákazníkem přes Studio, zadejte pracovní prostor centra s povoleným šifrováním klíčů spravovaným zákazníkem. Pokud chcete ověřit konfiguraci pracovního prostoru centra, zobrazte ji na webu Azure Portal.

2. Pokud při vytváření nevyberete pracovní prostor centra, použije váš pracovní prostor ve výchozím nastavení klíče spravované Microsoftem.

Identita

Na portálu použijte stránku Identita ke konfiguraci spravované identity, přístupu k účtu úložiště a dopadu na data. Informace o sadě Python SDK najdete na odkazech v následujících částech.

Spravovaná identita

K pracovnímu prostoru můžete přiřadit identitu přiřazenou systémem nebo identitu přiřazenou uživatelem. Tuto identitu použijte pro přístup k prostředkům ve vašem předplatném. Další informace najdete v tématu Nastavení ověřování mezi Azure Machine Learning a dalšími službami.

Přístup k účtu úložiště

Při připojování k výchozímu účtu úložiště si vyberte přístup založený na přihlašovacích údajích nebo přístup založený na identitě. Pro ověřování na základě identity musíte v účtu úložiště udělit spravované identitě pracovního prostoru roli Přispěvatel služby Storage pro data objektů blob.

Dopad na data

Pokud chcete omezit data, která Microsoft shromažďuje ve vašem pracovním prostoru, vyberte na portálu pracovní prostor s vysokým obchodním dopadem nebo nastavte hbi_workspace=true v Pythonu. Další informace o tomto nastavení najdete v tématu Šifrování neaktivních uložených dat.

Důležité

Můžete vybrat vysoký dopad na podnikání pouze při vytváření pracovního prostoru. Po vytvoření pracovního prostoru nemůžete toto nastavení změnit.

Značky

Značky jsou páry názvů a hodnot, které používáte k kategorizaci prostředků a zobrazení konsolidované fakturace použitím stejné značky u více prostředků a skupin prostředků.

Přiřaďte značky pro pracovní prostor zadáním párů název/hodnota. Další informace najdete v tématu Jak používat značky k uspořádání prostředků Azure.

K vynucení zásad použijte také značky.

Stažení konfiguračního souboru

Pokud kód spustíte ve výpočetní instanci, přeskočte tento krok. Výpočetní instance vytvoří a uloží kopii tohoto souboru za vás.

Pokud chcete použít kód v místním prostředí, který odkazuje na tento pracovní prostor, stáhněte soubor:

1. Výběr pracovního prostoru v Azure Studiu

2. V pravém horním rohu vyberte název pracovního prostoru a pak vyberte Stáhnout config.json

   

Umístěte soubor do adresářové struktury, ve které jsou vaše skripty Pythonu nebo poznámkové bloky Jupyter. Tento soubor může obsahovat stejný adresář, podadresář s názvem .azureml nebo nadřazený adresář. Když vytvoříte výpočetní instanci, přidáte tento soubor do správného adresáře na virtuálním počítači.

Vynucení zásad

Zapněte nebo vypněte tyto funkce pro pracovní prostor:

• Příležitosti pro zpětnou vazbu v pracovním prostoru Mezi příležitosti patří příležitostné průzkumy v produktech a nástroj pro zpětnou vazbu zamračeného smajlíka v banneru pracovního prostoru.
• Možnost vyzkoušet funkce ve verzi Preview v pracovním prostoru

Tyto funkce jsou ve výchozím nastavení zapnuté. Abychom je vypnuli:

• Při vytváření pracovního prostoru vypněte funkce z oddílu Značky :

  1. Chcete-li vypnout zpětnou vazbu, přidejte pár ADMIN_HIDE_SURVEY: TRUE
  2. Vypnutí náhledů přidáním páru AZML_DISABLE_PREVIEW_FEATURE: TRUE

• U existujícího pracovního prostoru vypněte funkce z oddílu Značky :

  1. Na webu Azure Portal přejděte k prostředku pracovního prostoru.
  2. Otevřete Značky z levého panelu.
  3. Vypněte zpětnou vazbu přidáním páru ADMIN_HIDE_SURVEY: TRUE
  4. Vypněte náhledy přidáním páru AZML_DISABLE_PREVIEW_FEATURE: TRUE.
  5. Vyberte Použít.

Náhledy můžete vypnout na úrovni předplatného a zajistit jejich vypnutí pro všechny pracovní prostory v rámci tohoto předplatného. V takovém případě uživatelé v předplatném nemají přístup k nástroji Preview ještě před výběrem pracovního prostoru. Toto nastavení je užitečné pro správce, kteří chtějí zajistit, aby se ve své organizaci nepoužívaly funkce ve verzi Preview.

Pokud je nastavení náhledu na úrovni předplatného zakázané, nastavení v jednotlivých pracovních prostorech se ignoruje.

Zakázání funkcí preview na úrovni předplatného:

1. Na webu Azure Portal přejděte k prostředku předplatného.
2. Otevřete tagy z levého panelu.
3. Vypněte náhledy pro všechny pracovní prostory v rámci předplatného tak, že přidáte dvojici AZML_DISABLE_PREVIEW_FEATURE: TRUE.
4. Vyberte Použít.

Připojení k pracovnímu prostoru

Při spouštění úloh strojového učení pomocí sady SDK potřebujete MLClient objekt, který určuje připojení k vašemu pracovnímu prostoru. Objekt můžete vytvořit MLClient z parametrů nebo pomocí konfiguračního souboru.

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

• Pomocí konfiguračního souboru: Tento kód přečte obsah konfiguračního souboru a vyhledá váš pracovní prostor. Otevře se výzva k přihlášení, pokud jste se ještě neověřili.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Z parametrů: Pokud použijete tento přístup, nepotřebujete config.json soubor.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Pokud máte problémy s přístupem k předplatnému, přečtěte si téma Nastavení ověřování pro prostředky a pracovní postupy služby Azure Machine Learning a poznámkový blok Ověřování v Azure Machine Learning.

Hledání pracovního prostoru

Podívejte se na seznam všech pracovních prostorů, které máte k dispozici. Můžete také vyhledat pracovní prostor ve Studiu. Viz Vyhledávání prostředků služby Azure Machine Learning (Preview).

Python SDK

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

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>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Získání podrobností o konkrétním pracovním prostoru:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portál

1. Přihlaste se k portálu Azure.

2. Do horního vyhledávacího pole zadejte Machine Learning.

3. Vyberte Machine Learning.

   

4. Prohlédněte si seznam pracovních prostorů. Můžete filtrovat podle předplatného, skupin prostředků a umístění.

5. Pokud chcete zobrazit vlastnosti, vyberte pracovní prostor.

Studio

1. V studio Azure Machine Learning vyberte v levém navigačním panelu všechny pracovní prostory. Zobrazí se seznam naposledy použitých pracovních prostorů.
2. Pokud chcete zobrazit všechny pracovní prostory, ke kterým máte přístup, vyberte Pracovní prostory v levém navigačním panelu.

Odstranit pracovní prostor

Pokud už pracovní prostor nepotřebujete, odstraňte ho.

Varování

Pokud je pro pracovní prostor povolené obnovitelné odstranění, můžete ho po odstranění obnovit. Pokud není povoleno měkké odstranění nebo zvolíte možnost trvalého odstranění pracovního prostoru, nelze jej obnovit. Další informace najdete v tématu Obnovení odstraněného pracovního prostoru.

Návod

Výchozím chováním služby Azure Machine Learning je soft smazání pracovního prostoru. Toto chování znamená, že pracovní prostor se neodstraní okamžitě, ale místo toho je označen k odstranění. cs-CZ: Další informace najdete v tématu Měkké odstranění.

Python SDK

PLATÍ PRO: Python SDK azure-ai-ml v2 (aktuální)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Výchozí akce automaticky neodstraní prostředky přidružené k pracovnímu prostoru. Nastavte delete_dependent_resources na True, aby se tyto prostředky také odstranily.

• registr kontejneru
• účet úložiště
• trezor klíčů
• přehledy aplikací

Portál

V portálu Azure zvolte Odstranit v horní části pracovního prostoru, který chcete odstranit.

Studio

Pracovní prostor nemůžete ze studia odstranit. Místo toho použijte Azure Portal nebo sadu Python SDK.

Vyčištění prostředků

Důležité

Prostředky, které jste vytvořili, se dají použít jako předpoklady pro další kurzy a články s postupy pro Azure Machine Learning.

Pokud nemáte v úmyslu používat žádné prostředky, které jste vytvořili, odstraňte je, abyste za ně neúčtovaly žádné poplatky:

1. Na webu Azure Portal do vyhledávacího pole zadejte skupiny prostředků a vyberte je z výsledků.

2. V seznamu vyberte skupinu prostředků, kterou jste vytvořili.

3. Na stránce Přehled vyberte Odstranit skupinu prostředků.

   

4. Zadejte název skupiny prostředků. Poté vyberte Odstranit.

Řešení problému

• Podporované prohlížeče v nástroji Azure Machine Learning Studio: Použijte nejvíce up-to-date prohlížeč, který je kompatibilní s vaším operačním systémem. Podporují se tyto prohlížeče:

  • Microsoft Edge (nová verze Microsoft Edge, nejnovější verze. Poznámka: Starší verze Microsoft Edge není podporovaná.
  • Safari (nejnovější verze, jenom Mac)
  • Chrome (nejnovější verze)
  • Firefox (nejnovější verze)

• Azure Portal:

  • Pokud přejdete přímo do pracovního prostoru z odkazu na sdílenou složku ze sady SDK nebo webu Azure Portal, nemůžete zobrazit standardní stránku Přehled , která obsahuje informace o předplatném v rozšíření. V tomto scénáři navíc nemůžete přepnout do jiného pracovního prostoru. Pokud chcete zobrazit jiný pracovní prostor, přejděte přímo na studio Azure Machine Learning a vyhledejte název pracovního prostoru.
  • Přístup ke všem prostředkům (Data, Experimenty, Výpočty atd.) můžete získat pouze v nástroji Azure Machine Learning Studio. Azure Portal je nenabízí.
  • Při pokusu o export šablony pro pracovní prostor z webu Azure Portal může dojít k chybě podobné tomuto textu: Could not get resource of the type <type>. Resources of this type will not be exported. Jako alternativní řešení použijte jednu ze šablon poskytovaných https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices jako základ pro vaši šablonu.

Diagnostika pracovního prostoru

Diagnostiku pracovního prostoru můžete spustit z studio Azure Machine Learning nebo sady Python SDK. Po spuštění diagnostiky se vrátí seznam případných zjištěných problémů. Tento seznam obsahuje odkazy na možná řešení. Další informace naleznete v tématu Použití diagnostiky pracovního prostoru.

Chyby poskytovatele prostředků

Při vytváření pracovního prostoru Azure Machine Learning nebo prostředku používaného pracovním prostorem se může zobrazit chyba podobná některé z těchto možností:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

Většina poskytovatelů prostředků se registruje automaticky, ale ne všechny. Pokud se zobrazí tato zpráva, musíte zaregistrovat poskytovatele.

Následující tabulka obsahuje seznam poskytovatelů prostředků vyžadovaných službou Azure Machine Learning:

Poskytovatel prostředků	Proč je to potřeba
Microsoft.MachineLearningServices	Vytvoření pracovního prostoru Azure Machine Learning
Microsoft.Storage	Účet Azure Storage se používá jako výchozí úložiště pro pracovní prostor.
Microsoft.ContainerRegistry	Azure Container Registry používá pracovní prostor k vytváření imagí Dockeru.
Microsoft.KeyVault	Azure Key Vault používá pracovní prostor k ukládání tajných kódů.
Microsoft.Notebooks	Výpočetní instance Azure Machine Learning používá integrované poznámkové bloky.
Microsoft.ContainerService	Chcete nasadit natrénované modely do azure Kubernetes Services.

Pokud chcete použít klíč spravovaný zákazníkem se službou Azure Machine Learning, musíte zaregistrovat následující poskytovatele služeb:

Poskytovatel prostředků	Proč je to potřeba
Microsoft.DocumentDB	Instance služby Azure Cosmos DB zaznamenává metadata pro pracovní prostor.
Microsoft.Search	Azure Search poskytuje možnosti indexování pro pracovní prostor.

Pokud chcete použít spravovanou virtuální síť se službou Azure Machine Learning, musíte zaregistrovat poskytovatele prostředků Microsoft.Network . Tento poskytovatel prostředků je používán pracovním prostorem při vytváření privátních koncových bodů pro spravovanou virtuální síť.

Informace o registraci poskytovatelů prostředků najdete v tématu Řešení chyb registrace poskytovatele prostředků.

Odstranění služby Azure Container Registry

Pracovní prostor Azure Machine Learning používá pro některé operace službu Azure Container Registry (ACR). Když ji poprvé potřebuje, automaticky vytvoří instanci ACR.

Varování

Po vytvoření služby Azure Container Registry pro pracovní prostor ho neodstraňovat. Díky tomu je váš pracovní prostor Azure Machine Learning nefunkční.

Příklady

Příklady v tomto článku pocházejí z workspace.ipynb.

Další kroky

Po vytvoření pracovního prostoru se naučíte trénovat a nasazovat model.

Další informace o plánování pracovního prostoru pro požadavky vaší organizace najdete v tématu Uspořádání a nastavení služby Azure Machine Learning.

• Pokud potřebujete přesunout pracovní prostor do jiného předplatného Azure, přejděte na postup přesunu pracovního prostoru.

Informace o tom, jak udržovat azure Machine Learning v aktualizovaném stavu s nejnovějšími aktualizacemi zabezpečení, najdete v tématu Správa ohrožení zabezpečení.