Verwenden verwalteter Computeressourcen in einem verwalteten virtuellen Netzwerk

Hier erfahren Sie, wie Sie Computecluster oder Compute-Instanzen in einem verwalteten virtuellen Azure Machine Learning-Netzwerkkonfigurieren.

Wenn Sie ein verwaltetes Netzwerk verwenden, können von Azure Machine Learning verwaltete Computeressourcen am virtuellen Netzwerk teilnehmen. Computecluster, Compute-Instanzen und verwaltete Onlineendpunkte von Azure Machine Learning werden im verwalteten Netzwerk erstellt.

Dieser Artikel konzentriert sich auf das Konfigurieren von Computeclustern und Compute-Instanzen in einem verwalteten Netzwerk. Informationen zu verwalteten Onlineendpunkten finden Sie unter Schützen Ihrer verwalteten Onlineendpunkte mit Netzwerkisolation.

Wichtig

Wenn Sie serverlose Spark-Aufträge verwenden möchten, finden Sie Konfigurationsinformationen im Artikel zu verwalteten virtuellen Netzwerken. Diese Schritte müssen beim Konfigurieren des verwalteten virtuellen Netzwerks ausgeführt werden.

Voraussetzungen

Stellen Sie vor dem Ausführen der Schritte in diesem Artikel sicher, dass Sie über die folgenden erforderlichen Komponenten verfügen:

Azure-Befehlszeilenschnittstelle

• Einen Azure Machine Learning-Arbeitsbereich, der für die Verwendung eines verwalteten virtuellen Netzwerks konfiguriert ist.

• Die Azure CLI und die ml-Erweiterung der Azure CLI. Weitere Informationen finden Sie unter Installieren, Einrichten und Verwenden der CLI (v2).

  Tipp

  Das verwaltete virtuelle Azure Machine Learning-Netzwerk wurde am 23. Mai 2023 eingeführt. Wenn Sie über eine ältere Version der ML-Erweiterung verfügen, muss sie für die Beispiele in diesem Artikel möglicherweise aktualisiert werden. Verwenden Sie zum Aktualisieren der Erweiterung den folgenden Azure CLI-Befehl:

  az extension update -n ml
  

• In den CLI-Beispielen in diesem Artikel wird davon ausgegangen, dass Sie die Bash-Shell (oder eine kompatible Shell) verwenden, beispielsweise über ein Linux-System oder ein Windows-Subsystem für Linux.

• In den Azure CLI-Beispielen in diesem Artikel wird der Name des Arbeitsbereichs durch ws und der Name der Ressourcengruppe durch rg dargestellt. Ändern Sie diese Werte nach Bedarf, wenn Sie die Befehle mit Ihrem Azure-Abonnement verwenden.

Python SDK

• Einen Azure Machine Learning-Arbeitsbereich, der für die Verwendung eines verwalteten virtuellen Netzwerks konfiguriert ist.

• Das Azure Machine Learning Python SDK v2. Weitere Informationen zu diesem SDK finden Sie unter Azure ML-Paketclientbibliothek für Python – Version 1.7.0.

  Tipp

  Das verwaltete virtuelle Azure Machine Learning-Netzwerk wurde am 23. Mai 2023 eingeführt. Wenn bei Ihnen eine ältere Version des SDK installiert ist, muss sie für die Beispiele in diesem Artikel möglicherweise aktualisiert werden. Verwenden Sie den folgenden Befehl, um das SDK zu aktualisieren:

  pip install --upgrade azure-ai-ml azure-identity
  

• In den Beispielen in diesem Artikel wird davon ausgegangen, dass Ihr Code mit dem folgenden Python-Code beginnt. Dieser Code importiert die Klassen, die beim Erstellen eines Arbeitsbereichs mit verwaltetem virtuellen Netzwerk erforderlich sind, legt Variablen für Ihr Azure-Abonnement und Ihre Ressourcengruppe fest und erstellt den ML-Client (ml_client):

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import (
      Workspace,
      ManagedNetwork,
      IsolationMode,
      ServiceTagDestination,
      PrivateEndpointDestination,
      FqdnDestination
  )
  from azure.identity import DefaultAzureCredential
  
  # Replace with the values for your Azure subscription and resource group.
  subscription_id = "<SUBSCRIPTION_ID>"
  resource_group = "<RESOURCE_GROUP>"
  workspace_name = "<WORKSPACE_NAME>"
  
  # get a handle to the subscription
  ml_client = MLClient(
      workspace_name=workspace_name,
      subscription_id=subscription_id,
      resource_group_name=resource_group,
      credential=DefaultAzureCredential()
  )
  

Studio

• Einen Azure Machine Learning-Arbeitsbereich, der für die Verwendung eines verwalteten virtuellen Netzwerks konfiguriert ist.

Konfigurieren von Computeressourcen

Verwenden Sie die folgenden Registerkarten, um zu erfahren, wie Sie Computecluster und Compute-Instanzen in einem verwalteten virtuellen Netzwerk konfigurieren:

Tipp

Bei Verwendung eines verwalteten virtuellen Netzwerks werden Computecluster und Compute-Instanzen automatisch im verwalteten Netzwerk erstellt. In den folgenden Schritten werden die Computeressourcen so konfiguriert, dass keine öffentliche IP-Adresse verwendet wird.

Azure-Befehlszeilenschnittstelle

Verwenden Sie den folgenden Befehl, um einen Computecluster ohne öffentliche IP-Adresse zu erstellen:

az ml compute create --name cpu-cluster --resource-group rg --workspace-name ws --type AmlCompute --set enable_node_public_ip=False

Verwenden Sie den folgenden Befehl, um eine Compute-Instanz ohne öffentliche IP-Adresse zu erstellen:

az ml compute create --name myci --resource-group rg --workspace-name ws --type ComputeInstance --set enable_node_public_ip=False

Python SDK

Im folgenden Python SDK-Beispiel wird gezeigt, wie Sie einen Computecluster und eine Compute-Instanz ohne öffentliche IP-Adresse erstellen:

from azure.ai.ml.entities import AmlCompute

# Create a compute cluster
compute_cluster = AmlCompute(
    name="mycomputecluster",
    size="STANDARD_D2_V2",
    min_instances=0,
    max_instances=4,
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(entity=compute_cluster)

# Create a compute instance
from azure.ai.ml.entities import ComputeInstance

compute_instance = ComputeInstance(
    name="mycomputeinstance",
    size="STANDARD_DS3_V2",
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(compute_instance)

Studio

Ein Computecluster und eine Compute-Instanz können nicht über das Azure-Portal erstellt werden. Führen Sie stattdessen die folgenden Schritte aus, um diese Computeressourcen über Azure Machine Learning Studio zu erstellen:

1. Wählen Sie in Studio Ihren Arbeitsbereich aus.

2. Wählen Sie auf der linken Navigationsleiste die Seite Compute aus.

3. Wählen Sie in der Navigationsleiste der Compute-Instanz oder des Computeclusters die Option + Neu aus.

4. Richten Sie die erforderliche VM-Größe und Konfiguration ein, und wählen Sie dann Weiter aus, bis Sie zu den folgenden Seiten gelangen:

   • Verwenden Sie für einen Computecluster die Seite Erweiterte Einstellungen, und wählen Sie die Option Keine öffentliche IP-Adresse aus, um die öffentliche IP-Adresse zu entfernen.

     

   • Verwenden Sie für eine Compute-Instanz die Seite Sicherheit, und wählen Sie die Option Keine öffentliche IP-Adresse aus, um die öffentliche IP-Adresse zu entfernen.

     

5. Fahren Sie mit der Erstellung der Computeressource fort.

Begrenzungen

• Das Erstellen eines Computeclusters in einer anderen Region als der Arbeitsbereich wird bei Verwendung eines verwalteten virtuellen Netzwerks nicht unterstützt.
• Wenn sich die Computeinstanz in einem verwalteten Netzwerk befindet und auch nicht für eine öffentliche IP-Adresse konfiguriert ist, verwenden Sie den Befehl az ml compute connect-ssh, um über SSH eine Verbindung mit der Compute-Instanz herzustellen.

Migration von Computeressourcen

Wenn Sie über einen vorhandenen Arbeitsbereich verfügen und ein verwaltetes virtuelles Netzwerk dafür aktivieren möchten, gibt es derzeit keinen unterstützten Migrationspfad für vorhandene verwaltete Computeressourcen. Sie müssen alle vorhandenen verwalteten Computeressourcen löschen und neu erstellen, nachdem Sie das verwaltete virtuelle Netzwerk aktiviert haben. Die folgende Liste enthält die Computeressourcen, die gelöscht und neu erstellt werden müssen:

• Computecluster
• Compute-Instanz
• Verwaltete Onlineendpunkte

Nächste Schritte

• Verwaltete VNet-Isolation
• Schützen Ihrer verwalteten Onlineendpunkte mit Netzwerkisolation