Workspace Třída
Definuje prostředek služby Azure Machine Learning pro správu artefaktů trénování a nasazení.
Pracovní prostor je základním prostředkem pro strojové učení ve službě Azure Machine Learning. Pracovní prostor slouží k experimentování, trénování a nasazování modelů strojového učení. Každý pracovní prostor je svázán s předplatným a skupinou prostředků Azure a má přidruženou skladovou položku.
Další informace o pracovních prostorech najdete tady:
Konstruktor pracovního prostoru třídy pro načtení existujícího pracovního prostoru služby Azure Machine Learning.
- Dědičnost
-
builtins.objectWorkspace
Konstruktor
Workspace(subscription_id, resource_group, workspace_name, auth=None, _location=None, _disable_service_check=False, _workspace_id=None, sku='basic', tags=None, _cloud='AzureCloud')Parametry
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
- workspace_name
- str
Název pracovního prostoru. Název musí být dlouhý 2 až 32 znaků. První znak názvu musí být alfanumerický (písmeno nebo číslo), ale zbytek názvu může obsahovat alfanumerické znaky, spojovníky a podtržítka. Prázdné znaky nejsou povoleny.
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
Poznámky
Následující ukázka ukazuje, jak vytvořit pracovní prostor.
from azureml.core import Workspace
ws = Workspace.create(name='myworkspace',
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=True,
location='eastus2'
)
Pokud máte existující skupinu prostředků Azure, kterou chcete použít pro pracovní prostor, nastavte create_resource_group na Hodnotu False.
Pokud chcete použít stejný pracovní prostor ve více prostředích, vytvořte konfigurační soubor JSON. Konfigurační soubor uloží název vašeho předplatného, prostředku a pracovního prostoru, aby je bylo možné snadno načíst. Chcete-li uložit konfiguraci, použijte metodu write_config .
ws.write_config(path="./file-path", file_name="ws_config.json")
Příklad konfiguračního souboru najdete v tématu Vytvoření konfiguračního souboru pracovního prostoru .
Pokud chcete načíst pracovní prostor z konfiguračního souboru, použijte metodu from_config .
ws = Workspace.from_config()
ws.get_details()
Případně můžete použít metodu get k načtení existujícího pracovního prostoru bez použití konfiguračních souborů.
ws = Workspace.get(name="myworkspace",
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup')
Výše uvedené ukázky vás můžou vyzvat k zadání přihlašovacích údajů Azure pomocí interaktivního dialogového okna pro přihlášení. Další případy použití, včetně použití Azure CLI k ověřování a ověřování v automatizovaných pracovních postupech, najdete v tématu Ověřování ve službě Azure Machine Learning.
Metody
| add_private_endpoint |
Přidejte do pracovního prostoru privátní koncový bod. |
| create |
Vytvořte nový pracovní prostor Azure Machine Learning. Vyvolá výjimku, pokud pracovní prostor již existuje nebo pokud nejsou splněny některé požadavky pracovního prostoru. |
| delete |
Odstraňte prostředky přidružené k pracovnímu prostoru Služby Azure Machine Learning. |
| delete_connection |
Odstraňte připojení pracovního prostoru. |
| delete_private_endpoint_connection |
Odstraňte připojení privátního koncového bodu k pracovnímu prostoru. |
| diagnose_workspace |
Diagnostika problémů s nastavením pracovního prostoru |
| from_config |
Vrácení objektu pracovního prostoru z existujícího pracovního prostoru Služby Azure Machine Learning Načte konfiguraci pracovního prostoru ze souboru. Pokud se konfigurační soubor nenajde, vyvolá výjimku. Metoda poskytuje jednoduchý způsob opakovaného použití stejného pracovního prostoru v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou uložit vlastnosti pracovního prostoru Azure Resource Manager (ARM) pomocí write_config metody a použít ji k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu bez nutnosti přepisovat vlastnosti ARM pracovního prostoru. |
| get |
Vrácení objektu pracovního prostoru pro existující pracovní prostor služby Azure Machine Learning Vyvolá výjimku, pokud pracovní prostor neexistuje nebo požadovaná pole jednoznačně neidentifikují pracovní prostor. |
| get_connection |
Získejte připojení pracovního prostoru. |
| get_default_compute_target |
Získejte výchozí cílový výpočetní objekt pro pracovní prostor. |
| get_default_datastore |
Získejte výchozí úložiště dat pro pracovní prostor. |
| get_default_keyvault |
Získejte výchozí objekt trezoru klíčů pro pracovní prostor. |
| get_details |
Vrátí podrobnosti pracovního prostoru. |
| get_mlflow_tracking_uri |
Získejte identifikátor URI sledování MLflow pro pracovní prostor. MLflow (https://mlflow.org/) je opensourcová platforma pro sledování experimentů strojového učení a správu modelů. Rozhraní API protokolování MLflow můžete použít se službou Azure Machine Learning, aby se metriky, modely a artefakty protokolovaly do pracovního prostoru služby Azure Machine Learning. |
| get_run |
Vraťte spuštění se zadanými run_id v pracovním prostoru. |
| list |
Zobrazí seznam všech pracovních prostorů, ke kterým má uživatel v rámci předplatného přístup. Seznam pracovních prostorů je možné filtrovat na základě skupiny prostředků. |
| list_connections |
Vypište připojení v rámci tohoto pracovního prostoru. |
| list_keys |
Vypíše klíče pro aktuální pracovní prostor. |
| set_connection |
Přidejte nebo aktualizujte připojení v pracovním prostoru. |
| set_default_datastore |
Nastavte výchozí úložiště dat pro pracovní prostor. |
| setup |
Vytvořte nový pracovní prostor nebo načtěte existující pracovní prostor. |
| sync_keys |
Aktivuje pracovní prostor pro okamžitou synchronizaci klíčů. Pokud se změní klíče pro jakýkoli prostředek v pracovním prostoru, může jejich automatická aktualizace trvat přibližně hodinu. Tato funkce umožňuje aktualizaci klíčů na vyžádání. Ukázkový scénář vyžaduje okamžitý přístup k úložišti po opětovném vygenerování klíčů úložiště. |
| update |
Aktualizujte popisný název, popis, značky, výpočetní prostředky sestavení image a další nastavení přidružená k pracovnímu prostoru. |
| update_dependencies |
V následujících případech aktualizujte existující přidružené prostředky pro pracovní prostor. a) Když uživatel omylem odstraní existující přidružený prostředek a chce ho aktualizovat novým, aniž by musel znovu vytvořit celý pracovní prostor. b) Když má uživatel existující přidružený prostředek a chce nahradit ten aktuální, který je přidružený k pracovnímu prostoru. c) Pokud přidružený prostředek ještě není vytvořený a chce použít existující prostředek, který už má (platí jenom pro registr kontejneru). |
| write_config |
Zapište vlastnosti pracovního prostoru Azure Resource Manager (ARM) do konfiguračního souboru. Vlastnosti ARM pracovního prostoru je možné načíst později pomocí from_config metody . Výchozí Metoda poskytuje jednoduchý způsob opakovaného použití stejného pracovního prostoru v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou pomocí této funkce uložit vlastnosti ARM pracovního prostoru a použít from_config k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu, aniž by museli znovu zadávat vlastnosti ARM pracovního prostoru. |
add_private_endpoint
Přidejte do pracovního prostoru privátní koncový bod.
add_private_endpoint(private_endpoint_config, private_endpoint_auto_approval=True, location=None, show_output=True, tags=None)Parametry
- private_endpoint_config
- PrivateEndPointConfig
Konfigurace privátního koncového bodu pro vytvoření privátního koncového bodu do pracovního prostoru
- private_endpoint_auto_approval
- bool
Logický příznak, který označuje, jestli se má vytvoření privátního koncového bodu automaticky schválit nebo ručně schválit z Azure Private Link Center. V případě ručního schválení můžou uživatelé zobrazit čekající žádost na portálu Private Link a žádost schválit nebo odmítnout.
- location
- string
Umístění privátního koncového bodu, výchozí je umístění pracovního prostoru.
Návraty
Objekt PrivateEndPoint byl vytvořen.
Návratový typ
create
Vytvořte nový pracovní prostor Azure Machine Learning.
Vyvolá výjimku, pokud pracovní prostor již existuje nebo pokud nejsou splněny některé požadavky pracovního prostoru.
static create(name, auth=None, subscription_id=None, resource_group=None, location=None, create_resource_group=True, sku='basic', tags=None, friendly_name=None, storage_account=None, key_vault=None, app_insights=None, container_registry=None, adb_workspace=None, primary_user_assigned_identity=None, cmk_keyvault=None, resource_cmk_uri=None, hbi_workspace=False, default_cpu_compute_target=None, default_gpu_compute_target=None, private_endpoint_config=None, private_endpoint_auto_approval=True, exist_ok=False, show_output=True, user_assigned_identity_for_cmk_encryption=None, system_datastores_auth_mode='accessKey', v1_legacy_mode=None)Parametry
- name
- str
Název nového pracovního prostoru. Název musí být dlouhý 2 až 32 znaků. První znak názvu musí být alfanumerický (písmeno nebo číslo), ale zbytek názvu může obsahovat alfanumerické znaky, spojovníky a podtržítka. Prázdné znaky nejsou povoleny.
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
- subscription_id
- str
ID předplatného obsahujícího předplatné pro nový pracovní prostor. Parametr se vyžaduje, pokud má uživatel přístup k více než jednomu předplatnému.
- resource_group
- str
Skupina prostředků Azure, která obsahuje pracovní prostor. Výchozí parametr je mutace názvu pracovního prostoru.
- location
- str
Umístění pracovního prostoru Výchozí parametr je umístění skupiny prostředků. Umístění musí být podporovaná oblast pro Azure Machine Learning.
- create_resource_group
- bool
Určuje, jestli se má vytvořit skupina prostředků, pokud neexistuje.
- friendly_name
- str
Volitelný popisný název pracovního prostoru, který se dá zobrazit v uživatelském rozhraní.
- storage_account
- str
Existující účet úložiště ve formátu ID prostředku Azure. Úložiště bude pracovní prostor používat k ukládání výstupů spuštění, kódu, protokolů atd. Pokud žádný, vytvoří se nový účet úložiště.
- key_vault
- str
Existující trezor klíčů ve formátu ID prostředku Azure. Podrobnosti o formátu ID prostředku Azure najdete v následujícím příkladu kódu. Trezor klíčů bude pracovní prostor používat k ukládání přihlašovacích údajů, které do pracovního prostoru přidají uživatelé. Pokud žádný, vytvoří se nový trezor klíčů.
- app_insights
- str
Existující Application Insights ve formátu ID prostředku Azure Podrobnosti o formátu ID prostředku Azure najdete v následujícím příkladu kódu. Application Insights bude pracovní prostor používat k protokolování událostí webových služeb. Pokud žádný, vytvoří se nová Služba Application Insights.
- container_registry
- str
Existující registr kontejneru ve formátu ID prostředku Azure (podrobnosti o formátu ID prostředku Azure najdete níže v příkladu kódu). Registr kontejneru bude pracovní prostor používat k načítání a odesílání imagí experimentů a webových služeb. Pokud není žádný, nový registr kontejneru se vytvoří jenom v případě potřeby, a ne společně s vytvořením pracovního prostoru.
- adb_workspace
- str
Existující pracovní prostor Adb ve formátu ID prostředku Azure (podrobnosti o formátu ID prostředku Azure najdete v následujícím příkladu kódu). Pracovní prostor Adb se použije k propojení s pracovním prostorem. Pokud žádné, propojení s pracovním prostorem se nezobrazí.
- primary_user_assigned_identity
- str
ID prostředku identity přiřazené uživatelem, která slouží k reprezentaci pracovního prostoru
- cmk_keyvault
- str
Trezor klíčů obsahující klíč spravovaný zákazníkem ve formátu ID prostředku Azure:/subscriptions/<azure-subscription-id>/resourcegroups/<azure-resource-group>/providers/microsoft.keyvault/vaults/<azure-keyvault-name> Příklad: /subscriptions/d139f240-94e6-4175-87a7-954b9d27db16/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault' Další podrobnosti o formátu ID prostředku Azure najdete v ukázkovém kódu v poznámkách níže.
- resource_cmk_uri
- str
Identifikátor URI klíče spravovaného zákazníkem pro šifrování neaktivních uložených dat.
Formát identifikátoru URI je: https://<keyvault-dns-name>/keys/<key-name>/<key-version>.
Příklad: .https://mykeyvault.vault.azure.net/keys/mykey/bc5dce6d01df49w2na7ffb11a2ee008b
https://docs.microsoft.com/azure-stack/user/azure-stack-key-vault-manage-portal Postup vytvoření klíče a získání jeho identifikátoru URI najdete v tématu .
- hbi_workspace
- bool
Určuje, jestli pracovní prostor obsahuje data HBI (High Business Impact), tj. citlivé obchodní informace. Tento příznak lze nastavit pouze při vytváření pracovního prostoru. Jeho hodnotu nelze po vytvoření pracovního prostoru změnit. Výchozí hodnota je Nepravda.
Pokud je nastavená hodnota True, provedou se další kroky šifrování a v závislosti na komponentě sady SDK budou výsledkem redigované informace v interně shromažďované telemetrii. Další informace najdete v tématu Šifrování dat.
Pokud je tento příznak nastavený na hodnotu True, jedním z možných dopadů je větší složitost při řešení potíží. K tomu může dojít proto, že se některá telemetrie neodesílají do Microsoftu a je menší přehled o úspěšnosti nebo typech problémů, a proto nemusí být schopná proaktivně reagovat, když má tento příznak hodnotu True. Pro tento příznak se používá výchozí hodnota False, pokud není nezbytně nutné, aby byla pravda.
- default_cpu_compute_target
- AmlComputeProvisioningConfiguration
(ZASTARALÉ) Konfigurace, která se použije k vytvoření výpočetních prostředků procesoru. Výchozí parametr je {min_nodes=0, max_nodes=2, vm_size="STANDARD_DS2_V2", vm_priority="dedicated"} Pokud žádný, nebudou vytvořeny žádné výpočetní prostředky.
- default_gpu_compute_target
- AmlComputeProvisioningConfiguration
(ZASTARALÉ) Konfigurace, která se použije k vytvoření výpočetních prostředků GPU. Výchozí parametr je {min_nodes=0, max_nodes=2, vm_size="STANDARD_NC6", vm_priority="dedicated"}Pokud žádný, nebudou vytvořeny žádné výpočetní prostředky.
- private_endpoint_config
- PrivateEndPointConfig
Konfigurace privátního koncového bodu pro vytvoření privátního koncového bodu do pracovního prostoru Azure ML.
- private_endpoint_auto_approval
- bool
Příznak logické hodnoty, který označuje, jestli má být vytvoření privátního koncového bodu automaticky schváleno nebo ručně schváleno z Azure Private Link Center. V případě ručního schválení můžou uživatelé zobrazit čekající žádost na portálu Private Link a žádost schválit nebo odmítnout.
- exist_ok
- bool
Označuje, jestli je tato metoda úspěšná, pokud pracovní prostor již existuje. Pokud je false, tato metoda selže, pokud pracovní prostor existuje. Pokud je true, vrátí tato metoda existující pracovní prostor, pokud existuje.
- user_assigned_identity_for_cmk_encryption
- str
ID prostředku identity přiřazené uživatelem, které je potřeba použít pro přístup ke klíči pro správu zákazníka
- system_datastores_auth_mode
- str
Určuje, jestli se mají použít přihlašovací údaje pro systémová úložiště dat pracovního prostoru workspaceblobstore a workspacefilestore. Výchozí hodnota je accessKey. V takovém případě pracovní prostor vytvoří systémová úložiště dat s přihlašovacími údaji. Pokud je nastavená hodnota identity, pracovní prostor vytvoří systémová úložiště dat bez přihlašovacích údajů.
- v1_legacy_mode
- bool
Zabránění používání služby ROZHRANÍ API v2 ve veřejné službě Azure Resource Manager
Návraty
Objekt pracovního prostoru.
Návratový typ
Výjimky
Vyvolána pro problémy při vytváření pracovního prostoru.
Poznámky
Tento první příklad vyžaduje jenom minimální specifikaci a všechny závislé prostředky i skupina prostředků se vytvoří automaticky.
from azureml.core import Workspace
ws = Workspace.create(name='myworkspace',
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=True,
location='eastus2')
Následující příklad ukazuje, jak opakovaně používat existující prostředky Azure s využitím formátu ID prostředku Azure. Konkrétní ID prostředků Azure je možné načíst prostřednictvím webu Azure Portal nebo sady SDK. Předpokládá se, že skupina prostředků, účet úložiště, trezor klíčů, App Insights a registr kontejneru už existují.
import os
from azureml.core import Workspace
from azureml.core.authentication import ServicePrincipalAuthentication
service_principal_password = os.environ.get("AZUREML_PASSWORD")
service_principal_auth = ServicePrincipalAuthentication(
tenant_id="<tenant-id>",
username="<application-id>",
password=service_principal_password)
ws = Workspace.create(name='myworkspace',
auth=service_principal_auth,
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=False,
location='eastus2',
friendly_name='My workspace',
storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
exist_ok=False)
delete
Odstraňte prostředky přidružené k pracovnímu prostoru Služby Azure Machine Learning.
delete(delete_dependent_resources=False, no_wait=False)Parametry
- delete_dependent_resources
- bool
Jestli se mají odstranit prostředky přidružené k pracovnímu prostoru, tj. registr kontejneru, účet úložiště, trezor klíčů a Application Insights. Výchozí hodnota je Nepravda. Pokud chcete tyto prostředky odstranit, nastavte na Hodnotu True.
- no_wait
- bool
Jestli se má počkat na dokončení odstranění pracovního prostoru.
Návraty
Žádný v případě úspěchu; v opačném případě vyvolá chybu.
Návratový typ
delete_connection
Odstraňte připojení pracovního prostoru.
delete_connection(name)Parametry
delete_private_endpoint_connection
Odstraňte připojení privátního koncového bodu k pracovnímu prostoru.
delete_private_endpoint_connection(private_endpoint_connection_name)Parametry
- private_endpoint_connection_name
- str
Jedinečný název připojení privátního koncového bodu v pracovním prostoru
diagnose_workspace
Diagnostika problémů s nastavením pracovního prostoru
diagnose_workspace(diagnose_parameters)Parametry
- diagnose_parameters
- <xref:_restclient.models.DiagnoseWorkspaceParameters>
Parametr diagnostiky stavu pracovního prostoru
Návraty
Instance AzureOperationPoller, která vrací DiagnoseResponseResult
Návratový typ
from_config
Vrácení objektu pracovního prostoru z existujícího pracovního prostoru Služby Azure Machine Learning
Načte konfiguraci pracovního prostoru ze souboru. Pokud se konfigurační soubor nenajde, vyvolá výjimku.
Metoda poskytuje jednoduchý způsob opakovaného použití stejného pracovního prostoru v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou uložit vlastnosti pracovního prostoru Azure Resource Manager (ARM) pomocí write_config metody a použít ji k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu bez nutnosti přepisovat vlastnosti ARM pracovního prostoru.
static from_config(path=None, auth=None, _logger=None, _file_name=None)Parametry
- path
- str
Cesta ke konfiguračnímu souboru nebo počátečnímu adresáři, který se má prohledávat. Parametr ve výchozím nastavení spustí vyhledávání v aktuálním adresáři.
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
- _file_name
- str
Umožňuje přepsání názvu konfiguračního souboru, aby se vyhledaly, pokud je cesta k adresáři.
Návraty
Objekt pracovního prostoru pro existující pracovní prostor Azure ML.
Návratový typ
get
Vrácení objektu pracovního prostoru pro existující pracovní prostor služby Azure Machine Learning
Vyvolá výjimku, pokud pracovní prostor neexistuje nebo požadovaná pole jednoznačně neidentifikují pracovní prostor.
static get(name, auth=None, subscription_id=None, resource_group=None, location=None, cloud='AzureCloud', id=None)Parametry
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
- subscription_id
- str
ID předplatného, které se má použít. Parametr se vyžaduje, pokud má uživatel přístup k více než jednomu předplatnému.
- resource_group
- str
Skupina prostředků, která se má použít. Pokud žádná, metoda prohledá všechny skupiny prostředků v předplatném.
- cloud
- str
Název cílového cloudu. Může to být AzureCloud, AzureChinaCloud nebo AzureUSGovernment. Pokud není zadaný žádný cloud, použije se AzureCloud.
Návraty
Objekt pracovního prostoru.
Návratový typ
get_connection
Získejte připojení pracovního prostoru.
get_connection(name)Parametry
get_default_compute_target
Získejte výchozí cílový výpočetní objekt pro pracovní prostor.
get_default_compute_target(type)Parametry
Návraty
Výchozí cílový výpočetní objekt pro daný typ výpočetních prostředků.
Návratový typ
get_default_datastore
Získejte výchozí úložiště dat pro pracovní prostor.
get_default_datastore()Návraty
Výchozí úložiště dat.
Návratový typ
get_default_keyvault
Získejte výchozí objekt trezoru klíčů pro pracovní prostor.
get_default_keyvault()Návraty
Objekt KeyVault přidružený k pracovnímu prostoru.
Návratový typ
get_details
Vrátí podrobnosti pracovního prostoru.
get_details()Návraty
Podrobnosti o pracovním prostoru ve formátu slovníku
Návratový typ
Poznámky
Vrácený slovník obsahuje následující páry klíč-hodnota.
id: Identifikátor URI odkazující na tento prostředek pracovního prostoru obsahující ID předplatného, skupinu prostředků a název pracovního prostoru.
name: Název tohoto pracovního prostoru.
umístění: Oblast pracovního prostoru.
type: Identifikátor URI ve formátu {providerName}/workspaces.
tags: Aktuálně se nepoužívá.
workspaceid: ID tohoto pracovního prostoru.
description: Aktuálně se nepoužívá.
friendlyName: Popisný název pracovního prostoru zobrazený v uživatelském rozhraní.
creationTime: Čas vytvoření tohoto pracovního prostoru ve formátu ISO8601.
containerRegistry: Registr kontejneru pracovního prostoru, který se používá k načítání a odesílání imagí experimentů i imagí webových služeb.
keyVault: Trezor klíčů pracovního prostoru, který slouží k ukládání přihlašovacích údajů přidaných do pracovního prostoru uživateli.
applicationInsights: Application Insights bude pracovní prostor používat k protokolování událostí webových služeb.
identityPrincipalId:
id tenanta identity
identityType
storageAccount: Úložiště bude pracovní prostor používat k ukládání výstupů spuštění, kódu, protokolů atd.
SKU: Skladová položka pracovního prostoru (označovaná také jako edice). Parametr je k dispozici kvůli zpětné kompatibilitě a je ignorován.
resourceCmkUri: Identifikátor URI klíče spravovaného zákazníkem pro šifrování neaktivních uložených dat. https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 Postup vytvoření klíče a získání jeho identifikátoru URI najdete v tématu .
hbiWorkspace: Určuje, jestli mají zákaznická data velký dopad na firmu.
imageBuildCompute: Cílový výpočetní objekt pro sestavení image.
systemDatastoresAuthMode: Určuje, jestli se mají použít přihlašovací údaje pro systémová úložiště dat pracovního prostoru workspaceblobstore a workspacefilestore. Výchozí hodnota je accessKey. V takovém případě pracovní prostor vytvoří systémová úložiště dat s přihlašovacími údaji. Pokud je nastavená hodnota identity, pracovní prostor vytvoří systémová úložiště dat bez přihlašovacích údajů.
Další informace o těchto párech klíč-hodnota najdete v tématu create.
get_mlflow_tracking_uri
Získejte identifikátor URI sledování MLflow pro pracovní prostor.
MLflow (https://mlflow.org/) je opensourcová platforma pro sledování experimentů strojového učení a správu modelů. Rozhraní API protokolování MLflow můžete použít se službou Azure Machine Learning, aby se metriky, modely a artefakty protokolovaly do pracovního prostoru služby Azure Machine Learning.
get_mlflow_tracking_uri(_with_auth=False)Parametry
- _with_auth
- bool
(ZASTARALÉ) Přidání ověřovacích informací do sledovacího identifikátoru URI
Návraty
Identifikátor URI sledování kompatibilní s MLflow.
Návratový typ
Poznámky
Pomocí následující ukázky nakonfigurujte sledování MLflow tak, aby odesílala data do pracovního prostoru Azure ML:
import mlflow
from azureml.core import Workspace
workspace = Workspace.from_config()
mlflow.set_tracking_uri(workspace.get_mlflow_tracking_uri())
get_run
Vraťte spuštění se zadanými run_id v pracovním prostoru.
get_run(run_id)Parametry
Návraty
Odeslané spuštění.
Návratový typ
list
Zobrazí seznam všech pracovních prostorů, ke kterým má uživatel v rámci předplatného přístup.
Seznam pracovních prostorů je možné filtrovat na základě skupiny prostředků.
static list(subscription_id, auth=None, resource_group=None)Parametry
Objekt ověřování. Další podrobnosti najdete v tématu https://aka.ms/aml-notebook-auth. Pokud žádné, použijí se výchozí přihlašovací údaje Azure CLI nebo rozhraní API vyzve k zadání přihlašovacích údajů.
- resource_group
- str
Skupina prostředků pro filtrování vrácených pracovních prostorů. Pokud žádná, metoda zobrazí seznam všech pracovních prostorů v rámci zadaného předplatného.
Návraty
Slovník, kde klíč je název pracovního prostoru a hodnota je seznam objektů pracovního prostoru.
Návratový typ
list_connections
Vypište připojení v rámci tohoto pracovního prostoru.
list_connections(category=None, target=None)Parametry
- category
list_keys
set_connection
Přidejte nebo aktualizujte připojení v pracovním prostoru.
set_connection(name, category, target, authType, value)Parametry
set_default_datastore
Nastavte výchozí úložiště dat pro pracovní prostor.
set_default_datastore(name)Parametry
setup
Vytvořte nový pracovní prostor nebo načtěte existující pracovní prostor.
static setup()Návraty
Objekt pracovního prostoru.
Návratový typ
sync_keys
Aktivuje pracovní prostor pro okamžitou synchronizaci klíčů.
Pokud se změní klíče pro jakýkoli prostředek v pracovním prostoru, může jejich automatická aktualizace trvat přibližně hodinu. Tato funkce umožňuje aktualizaci klíčů na vyžádání. Ukázkový scénář vyžaduje okamžitý přístup k úložišti po opětovném vygenerování klíčů úložiště.
sync_keys(no_wait=False)Parametry
- no_wait
- bool
Jestli se má čekat na dokončení klíčů synchronizace pracovního prostoru.
Návraty
Žádný v případě úspěchu; v opačném případě vyvolá chybu.
Návratový typ
update
Aktualizujte popisný název, popis, značky, výpočetní prostředky sestavení image a další nastavení přidružená k pracovnímu prostoru.
update(friendly_name=None, description=None, tags=None, image_build_compute=None, service_managed_resources_settings=None, primary_user_assigned_identity=None, allow_public_access_when_behind_vnet=None, v1_legacy_mode=None)Parametry
- friendly_name
- str
Popisný název pracovního prostoru, který se dá zobrazit v uživatelském rozhraní.
- service_managed_resources_settings
- <xref:azureml._base_sdk_common.workspace.models.ServiceManagedResourcesSettings>
Nastavení prostředků spravovaných službou.
- primary_user_assigned_identity
- str
ID prostředku identity přiřazené uživatelem, které představuje identitu pracovního prostoru.
- allow_public_access_when_behind_vnet
- bool
Povolit veřejný přístup k pracovnímu prostoru privátního propojení
- v1_legacy_mode
- bool
Zabránění použití služby ROZHRANÍ API v2 ve veřejné službě Azure Resource Manager
Návraty
Slovník aktualizovaných informací.
Návratový typ
update_dependencies
V následujících případech aktualizujte existující přidružené prostředky pro pracovní prostor.
a) Když uživatel omylem odstraní existující přidružený prostředek a chce ho aktualizovat novým, aniž by musel znovu vytvořit celý pracovní prostor. b) Když má uživatel existující přidružený prostředek a chce nahradit ten aktuální, který je přidružený k pracovnímu prostoru. c) Pokud přidružený prostředek ještě není vytvořený a chce použít existující prostředek, který už má (platí jenom pro registr kontejneru).
update_dependencies(container_registry=None, force=False)Parametry
- force
- bool
Pokud vynutíte aktualizaci závislých prostředků bez výzvy k potvrzení.
Návratový typ
write_config
Zapište vlastnosti pracovního prostoru Azure Resource Manager (ARM) do konfiguračního souboru.
Vlastnosti ARM pracovního prostoru je možné načíst později pomocí from_config metody . Výchozí path hodnota je .azureml/ v aktuálním pracovním adresáři a file_name výchozí hodnota je config.json.
Metoda poskytuje jednoduchý způsob opakovaného použití stejného pracovního prostoru v několika poznámkových blocích nebo projektech Pythonu. Uživatelé můžou pomocí této funkce uložit vlastnosti ARM pracovního prostoru a použít from_config k načtení stejného pracovního prostoru v různých poznámkových blocích nebo projektech Pythonu, aniž by museli znovu zadávat vlastnosti ARM pracovního prostoru.
write_config(path=None, file_name=None)Parametry
- path
- str
Uživatel zadal umístění pro zápis souboru config.json. Parametr má v aktuálním pracovním adresáři výchozí hodnotu .azureml/.
- file_name
- str
Název, který se má použít pro konfigurační soubor. Výchozí parametr je config.json.
Atributy
compute_targets
Zobrazí seznam všech cílových výpočetních prostředků v pracovním prostoru.
Návraty
Slovník s klíčem jako názvem cílového výpočetního objektu a hodnotou jako ComputeTarget objektem.
Návratový typ
datasets
Výpis všech datových sad v pracovním prostoru
Návraty
Slovník s klíčem jako názvem datové sady a hodnotou jako Dataset objektu.
Návratový typ
datastores
Zobrazí seznam všech úložišť dat v pracovním prostoru. Tato operace nevrací přihlašovací údaje úložišť dat.
Návraty
Slovník s klíčem jako názvem úložiště dat a hodnotou jako Datastore objektu.
Návratový typ
discovery_url
Vraťte adresu URL zjišťování tohoto pracovního prostoru.
Návraty
Adresa URL zjišťování tohoto pracovního prostoru.
Návratový typ
environments
Vypíše všechna prostředí v pracovním prostoru.
Návraty
Slovník s klíčem jako názvem prostředí a hodnotou jako Environment objektu.
Návratový typ
experiments
Zobrazí seznam všech experimentů v pracovním prostoru.
Návraty
Slovník s klíčem jako názvem experimentu a hodnotou jako Experiment objektu.
Návratový typ
images
Vrátí seznam obrázků v pracovním prostoru.
Vyvolá problém WebserviceException v případě, že došlo k problému při interakci se službou správy modelů.
Návraty
Slovník s klíčem jako názvem obrázku a hodnotou jako Image objektu.
Návratový typ
Výjimky
Při interakci se službou pro správu modelů došlo k problému.
linked_services
Zobrazí seznam všech propojených služeb v pracovním prostoru.
Návraty
Slovník, kde klíč je propojený název služby a hodnota je LinkedService objekt.
Návratový typ
location
Vrátí umístění tohoto pracovního prostoru.
Návraty
Umístění tohoto pracovního prostoru.
Návratový typ
models
Vrátí seznam modelů v pracovním prostoru.
Vyvolá problém WebserviceException v případě, že došlo k problému při interakci se službou správy modelů.
Návraty
Slovník modelu s klíčem jako názvem modelu a hodnotou jako Model objektem.
Návratový typ
Výjimky
Při interakci se službou pro správu modelů došlo k problému.
name
private_endpoints
Zobrazí seznam všech privátních koncových bodů pracovního prostoru.
Návraty
Dikt objektů PrivateEndPoint přidružených k pracovnímu prostoru. Klíč je název privátního koncového bodu.
Návratový typ
resource_group
Vraťte název skupiny prostředků pro tento pracovní prostor.
Návraty
Název skupiny prostředků.
Návratový typ
service_context
Vraťte kontext služby pro tento pracovní prostor.
Návraty
Vrátí ServiceContext objekt.
Návratový typ
sku
Vraťte skladovou položku tohoto pracovního prostoru.
Návraty
Skladová položka tohoto pracovního prostoru.
Návratový typ
subscription_id
tags
Vrátí značky tohoto pracovního prostoru.
Návraty
Značky tohoto pracovního prostoru.
Návratový typ
webservices
Vrátí seznam webových služeb v pracovním prostoru.
Vyvolá, WebserviceException pokud došlo k problému s vrácením seznamu.
Návraty
Seznam webových služeb v pracovním prostoru.
Návratový typ
Výjimky
Při vracení seznamu došlo k potížím.
DEFAULT_CPU_CLUSTER_CONFIGURATION
DEFAULT_CPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>DEFAULT_CPU_CLUSTER_NAME
DEFAULT_CPU_CLUSTER_NAME = 'cpu-cluster'DEFAULT_GPU_CLUSTER_CONFIGURATION
DEFAULT_GPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>DEFAULT_GPU_CLUSTER_NAME
DEFAULT_GPU_CLUSTER_NAME = 'gpu-cluster'Váš názor
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu: https://aka.ms/ContentUserFeedback.
Odeslat a zobrazit názory pro