Udforsk Python SDK
Vigtig
Der er i øjeblikket to versioner af Python SDK: version 1 (v1) og version 2 (v2). I forbindelse med nye projekter skal du bruge v2 og derfor indholdet i dette undermodul kun dækker v2. Få mere at vide om , der skal besluttes mellem v1 og v2.
Datateknikere kan bruge Azure Machine Learning til at oplære, spore og administrere modeller til maskinel indlæring. Som dataforsker arbejder du hovedsageligt med aktiverne i Azure Machine Learning-arbejdsområdet for dine arbejdsbelastninger til maskinel indlæring.
Da de fleste datateknikere kender Python, tilbyder Azure Machine Learning et softwareudviklingssæt (SDK), så du kan interagere med arbejdsområdet ved hjælp af Python.
Python SDK til Azure Machine Learning er et ideelt værktøj til datateknikere, der kan bruges i alle Python-miljøer. Uanset om du normalt arbejder med Jupyter-notesbøger, Visual Studio Code, kan du installere Python SDK og oprette forbindelse til arbejdsområdet.
Installér Python SDK
Hvis du vil installere Python SDK'et i dit Python-miljø, skal du bruge Python 3.7 eller nyere. Du kan installere pakken med pip:
pip install azure-ai-ml
Seddel
Når du arbejder med notesbøger i Azure Machine Learning Studio, er det nye Python SDK allerede installeret, når du bruger Python 3.10 eller nyere. Du kan bruge Python SDK v2 med tidligere versioner af Python, men du skal installere det først.
Opret forbindelse til arbejdsområdet
Når Python SDK er installeret, skal du oprette forbindelse til arbejdsområdet. Når du opretter forbindelse, godkender du dit miljø for at interagere med arbejdsområdet for at oprette og administrere aktiver og ressourcer.
Hvis du vil godkende, skal du bruge værdierne til tre nødvendige parametre:
-
subscription_id: Dit abonnements-id. -
resource_group: Navnet på ressourcegruppen. -
workspace_name: Navnet på dit arbejdsområde.
Derefter kan du definere godkendelsen ved hjælp af følgende kode:
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
ml_client = MLClient(
DefaultAzureCredential(), subscription_id, resource_group, workspace
)
Når du har defineret godkendelsen, skal du kalde MLClient, for at miljøet kan oprette forbindelse til arbejdsområdet. Du skal ringe til MLClient, når du vil oprette eller opdatere et aktiv eller en ressource i arbejdsområdet.
Du opretter f.eks. forbindelse til arbejdsområdet, når du opretter et nyt job for at oplære en model:
from azure.ai.ml import command
# configure job
job = command(
code="./src",
command="python train.py",
environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu@latest",
compute="aml-cluster",
experiment_name="train-model"
)
# connect to workspace and submit job
returned_job = ml_client.create_or_update(job)
Brug referencedokumentationen
Hvis du vil arbejde effektivt med Python SDK, skal du bruge referencedokumentationen. I referencedokumentationen finder du alle mulige klasser, metoder og parametre, der er tilgængelige i Python SDK.
Referencedokumentationen om den MLClient klasse indeholder de metoder, du kan bruge til at oprette forbindelse til og interagere med arbejdsområdet. Desuden linker den også til de mulige handlinger for de forskellige objekter, f.eks. hvordan du angiver de eksisterende datalager i dit arbejdsområde.
Referencedokumentationen indeholder også en liste over klasserne for alle objekter, du kan interagere med. Der findes f.eks. separate klasser, når du vil oprette et datalager, der linker til et Azure Blob Storage eller til et Azure Data Lake Gen 2.
Ved at vælge en bestemt klasse som AmlCompute på listen over objekter kan du finde en mere detaljeret side om, hvordan du bruger klassen, og hvilke parametre den accepterer.