Pochopení prostředí

  • 6 min

V podnikovém řešení strojového učení, kde se experimenty můžou spouštět v různých výpočetních kontextech, může být důležité vědět o prostředích, ve kterých je kód experimentu spuštěný. Azure Machine Learning prostředí můžete použít k vytvoření prostředí a určení běhové konfigurace pro experiment.

Při vytváření pracovního prostoru Azure Machine Learning se kurátorovaná prostředí automaticky vytvoří a zpřístupní vám. Alternativně můžete vytvořit a spravovat vlastní prostředí a zaregistrovat je v pracovním prostoru. Vytváření a registrace vlastních prostředí umožňuje definovat konzistentní a opakovaně použitelné kontexty modulu runtime pro experimenty – bez ohledu na to, kde se spouští skript experimentu.

Co je prostředí ve službě Azure Machine Learning?

Kód Pythonu se spouští v kontextu virtuálního prostředí , které definuje verzi modulu runtime Pythonu, která se má použít, a také nainstalované balíčky dostupné pro kód. Ve většině instalací Pythonu se balíčky instalují a spravují v prostředích pomocí conda nebo pip.

Pro zlepšení přenositelnosti obvykle vytváříte prostředí v kontejnerech Dockeru, které jsou zase hostované na cílových výpočetních prostředcích, jako je vývojový počítač, virtuální počítače nebo clustery v cloudu.

Diagram prostředí v kontejnerech ve výpočetních cílech

Azure Machine Learning vytváří definice prostředí do imagí Dockeru a prostředí conda. Když používáte prostředí, Azure Machine Learning sestaví prostředí v registru kontejneru Azure přidruženém k pracovnímu prostoru.

Návod

Při vytváření pracovního prostoru Azure Machine Learning můžete zvolit, jestli se má použít existující registr kontejneru Azure, nebo jestli chcete, aby pracovní prostor v případě potřeby vytvořil nový registr.

Pokud chcete zobrazit všechna dostupná prostředí v pracovním prostoru Azure Machine Learning, můžete zobrazit seznam prostředí v sadě Studio, pomocí Azure CLI nebo sady Python SDK.

Pokud například chcete zobrazit seznam prostředí pomocí sady Python SDK:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Pokud chcete zkontrolovat podrobnosti o konkrétním prostředí, můžete prostředí načíst podle jeho registrovaného názvu:

env = ml_client.environments.get(name="my-environment", version="1")
print(env)