Prozkoumání rozhraní příkazového řádku

  • 8 min

Důležité

Obsah v této lekci pokrývá pouze verzi 2 rozhraní příkazového řádku. Přečtěte si další informace o rozhodování mezi verzí 1 a 2.

Dalším přístupem založeným na kódu pro interakci s pracovním prostorem Azure Machine Učení je rozhraní příkazového řádku (CLI). Jako datový vědec možná nebudete s rozhraním příkazového řádku pracovat stejně jako s Pythonem. Azure CLI běžně používají správci a technici k automatizaci úloh v Azure.

Použití Azure CLI se službou Azure Machine Učení má mnoho výhod. Azure CLI umožňuje:

  • Automatizujte vytváření a konfiguraci prostředků a prostředků, aby bylo možné ho opakovat.
  • Zajistěte konzistenci prostředků a prostředků, které se musí replikovat do více prostředí (například vývoj, testování a produkce).
  • Začlenit konfiguraci prostředků strojového učení do pracovních postupů vývojářských operací (DevOps), jako jsou kanály kontinuální integrace a průběžného nasazování (CI/CD).

Pokud chcete pracovat s pracovním prostorem Azure Machine Učení pomocí Azure CLI, budete muset nainstalovat Azure CLI a rozšíření Azure Machine Učení.

Instalace Azure CLI

Azure CLI můžete nainstalovat na počítač s Linuxem, Macem nebo Windows. Pomocí Azure CLI spustíte příkazy nebo skripty pro správu prostředků Azure. Azure CLI můžete také použít z prohlížeče prostřednictvím Azure Cloud Shellu. Bez ohledu na to, kterou platformu zvolíte, můžete provádět stejné úlohy. Instalace Azure CLI, příkazů a skriptů se ale na různých platformách liší.

Důležité

K instalaci Azure CLI do počítače můžete použít správce balíčků. Tady jsou pokyny k instalaci Azure CLI na základě vámi zvolené platformy. Pokud používáte Azure Cloud Shell, nemusíte instalovat Azure CLI. Další informace o tom, jak používat Azure Cloud Shell, najdete v tomto přehledu.

Instalace rozšíření Azure Machine Učení

Po instalaci Azure CLI nebo nastavení Azure Cloud Shellu je potřeba nainstalovat rozšíření Azure Machine Učení pro správu prostředků Azure Machine Učení pomocí Azure CLI.

Rozšíření ml Azure Machine Učení můžete nainstalovat pomocí následujícího příkazu:

az extension add -n ml -y

Potom můžete spustit příkaz -h nápovědy a zkontrolovat, jestli je rozšíření nainstalované, a získat seznam příkazů dostupných s tímto rozšířením. Seznam obsahuje přehled úloh, které můžete s využitím rozšíření Azure CLI pro Azure Machine Učení provést:

az ml -h

Práce s Azure CLI

Pokud chcete pomocí Azure CLI pracovat s pracovním prostorem Azure Machine Učení, použijete příkazy. Každý příkaz má předponu az ml. Seznam příkazů najdete v referenční dokumentaci rozhraní příkazového řádku.

Například k vytvoření cílového výpočetního objektu můžete použít následující příkaz:

az ml compute create --name aml-cluster --size STANDARD_DS3_v2 --min-instances 0 --max-instances 5 --type AmlCompute --resource-group my-resource-group --workspace-name my-workspace

Pokud chcete prozkoumat všechny možné parametry, které můžete použít s příkazem, můžete si projít referenční dokumentaci ke konkrétnímu příkazu.

Při definování parametrů pro prostředek nebo prostředek, který chcete vytvořit, můžete místo toho definovat konfiguraci pomocí souborů YAML. Když uložíte všechny hodnoty parametrů do souboru YAML, usnadní se uspořádání a automatizace úloh.

Můžete například vytvořit stejný cílový výpočetní objekt tak, že nejprve definujete konfiguraci v souboru YAML:

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: aml-cluster
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 5

Všechny možné parametry, které můžete zahrnout do souboru YAML, najdete v referenční dokumentaci ke konkrétnímu prostředku nebo prostředku, který chcete vytvořit, jako je výpočetní cluster.

Když soubor YAML uložíte jako compute.yml, můžete vytvořit cílový výpočetní objekt pomocí následujícího příkazu:

az ml compute create --file compute.yml --resource-group my-resource-group --workspace-name my-workspace

Přehled všech schémat YAML najdete v referenční dokumentaci.

Tip

Přečtěte si další informace o používání rozhraní příkazového řádku (v2) se službou Azure Machine Učení k trénování modelů.