Forstå miljøer

  • 6 minutter

I en machine learning-løsning til virksomheder, hvor eksperimenter kan køres i forskellige beregningskontekster, kan det være vigtigt at være opmærksom på de miljøer, hvor din eksperimentkode kører. Du kan bruge Azure Machine Learning miljøer til at oprette miljøer og angive kørselskonfiguration for et eksperiment.

Når du opretter et Azure Machine Learning-arbejdsområde, oprettes og gøres organiserede miljøer automatisk oprettet og gjort tilgængelige for dig. Du kan også oprette og administrere dine egne brugerdefinerede miljøer og registrere dem i arbejdsområdet. Oprettelse og registrering af brugerdefinerede miljøer gør det muligt at definere ensartede og genbrugelige kørselskontekster for dine eksperimenter – uanset hvor eksperimentscriptet køres.

Hvad er et miljø i Azure Machine Learning?

Python-kode kører i forbindelse med et virtuelt miljø, der definerer den version af Python-kørselstidspunktet, der skal bruges, samt de installerede pakker, der er tilgængelige for koden. I de fleste Python-installationer installeres og administreres pakker i miljøer ved hjælp af conda eller pip.

For at forbedre mobiliteten opretter du normalt miljøer i Docker-objektbeholdere, der hostes på beregningsmål, f.eks. din udviklingscomputer, virtuelle maskiner eller klynger i cloudmiljøet.

Diagram over miljøer i objektbeholdere i beregningsmål.

Azure Machine Learning bygger miljødefinitioner i Docker-billeder og conda-miljøer. Når du bruger et miljø, bygger Azure Machine Learning miljøet på det Azure Container-registreringsdatabase, der er knyttet til arbejdsområdet.

Drikkepenge

Når du opretter et Azure Machine Learning-arbejdsområde, kan du vælge, om du vil bruge en eksisterende Azure Container-registreringsdatabase, eller om du vil lade arbejdsområdet oprette en ny registreringsdatabase for dig, når det er nødvendigt.

Hvis du vil have vist alle tilgængelige miljøer i Azure Machine Learning-arbejdsområdet, kan du angive miljøer i studiet ved hjælp af Kommandolinjegrænsefladen i Azure eller Python SDK.

Hvis du f.eks. vil have vist miljøer ved hjælp af Python SDK:

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

Hvis du vil gennemse detaljerne for et bestemt miljø, kan du hente et miljø ved hjælp af dets registrerede navn:

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