Jak používat diagnostiku pracovního prostoru

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

PLATÍ PRO:Azure Machine Learning SDK v1 pro Python

Důležité

Tento článek poskytuje informace o použití Azure Machine Learning SDK verze 1. Sada SDK v1 je od 31. března 2025 zastaralá. Podpora bude ukončena 30. června 2026. Do tohoto data můžete nainstalovat a používat sadu SDK v1. Vaše stávající pracovní postupy využívající sadu SDK v1 budou fungovat i po datu ukončení podpory. Mohou však být vystaveny bezpečnostním rizikům nebo zásadním změnám v případě změn architektury v produktu.

Doporučujeme přejít na SDK v2 před 30. červnem 2026. Další informace o sadě SDK v2 najdete v tématu Co je Azure Machine Learning CLI a Python SDK v2? a referenční informace k sadě SDK v2.

Azure Machine Learning nabízí rozhraní API pro diagnostiku, pomocí kterého je možné identifikovat problémy s pracovním prostorem. Chyby vrácené v sestavě diagnostiky obsahují informace o řešení problému.

Diagnostiku pracovního prostoru můžete využít ve studiu Azure Machine Learning nebo v sadě Python SDK.

Požadavky

Diagnostika ze studia

Ve studiu Azure Machine Learning můžete spustit diagnostiku vašeho pracovního prostoru a zkontrolovat jeho nastavení. Pokud chcete spustit diagnostiku, vyberte v pravém horním rohu stránky ikonu ?. Pak vyberte Spustit diagnostiku pracovního prostoru.

Snímek obrazovky s tlačítkem diagnostiky pracovního prostoru

Po spuštění diagnostiky se vrátí seznam případných zjištěných problémů. Tento seznam obsahuje odkazy na možná řešení.

Diagnostika z Pythonu

Následující fragment kódu ukazuje, jak používat diagnostiku pracovního prostoru z Pythonu.

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

subscription_id = '<your-subscription-id>'
resource_group = '<your-resource-group-name>'
workspace = '<your-workspace-name>'

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
resp = ml_client.workspaces.begin_diagnose(workspace).result()
# Inspect the attributes of the response you are interested in
for result in resp.application_insights_results:
    print(f"Diagnostic result: {result.code}, {result.level}, {result.message}")

Odpověď je DiagnosticResponseResultValue objekt, který obsahuje informace o jakýchkoli problémech zjištěných v pracovním prostoru.

PLATÍ PRO:Azure Machine Learning SDK v1 pro Python

from azureml.core import Workspace

ws = Workspace.from_config()

diag_param = {
      "value": {
      }
    }

resp = ws.diagnose_workspace(diag_param)
print(resp)

Odpověď je dokument JSON, který obsahuje informace o jakýchkoli problémech zjištěných v pracovním prostoru. Následující JSON je ukázková odpověď:

{
    "value": {
        "user_defined_route_results": [],
        "network_security_rule_results": [],
        "resource_lock_results": [],
        "dns_resolution_results": [{
            "code": "CustomDnsInUse",
            "level": "Warning",
            "message": "It is detected VNet '/subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.Network/virtualNetworks/<virtual-network-name>' of private endpoint '/subscriptions/<subscription-id>/resourceGroups/<myresourcegroup>/providers/Microsoft.Network/privateEndpoints/<workspace-private-endpoint>' is not using Azure default DNS. You need to configure your DNS server and check https://learn.microsoft.com/azure/machine-learning/how-to-custom-dns to make sure the custom DNS is set up correctly."
        }],
        "storage_account_results": [],
        "key_vault_results": [],
        "container_registry_results": [],
        "application_insights_results": [],
        "other_results": []
    }
}

Pokud se nezjistí žádné problémy, vrátí se prázdný dokument JSON.

Další informace najdete v referenčních informacích k pracovnímu prostoru .

Další informace najdete v referenčních informacích k Workspace.diagnose_workspace().

Další krok