Was ist ein Azure Machine Learning-Arbeitsbereich?
Der Arbeitsbereich ist die Ressource der obersten Ebene für Azure Machine Learning und ein zentraler Ort für die Arbeit mit allen Artefakten, die Sie während der Nutzung von Azure Machine Learning erstellen. Im Arbeitsbereich wird der Verlauf aller Trainingsläufe gespeichert, einschließlich Protokollen, Metriken, Ausgabe und einer Momentaufnahme Ihrer Skripts. Anhand dieser Informationen ermitteln Sie, welcher Trainingslauf das beste Modell ergibt.
Sobald Sie ein fertiges Modell haben, registrieren Sie es im Arbeitsbereich. Anschließend verwenden Sie das registrierte Modell und Bewertungsskripts für die Bereitstellung auf einem Onlineendpunkt als REST-basierter HTTP-Endpunkt.
Taxonomie
Das folgende Diagramm enthält eine Taxonomie des Arbeitsbereichs:
In dem Diagramm sind die folgenden Komponenten eines Arbeitsbereichs dargestellt:
Ein Arbeitsbereich kann Azure Machine Learning-Compute-Instanzen enthalten. Diese sind Cloudressourcen, die mit der Python-Umgebung konfiguriert sind, die zum Ausführen von Azure Machine Learning erforderlich ist.
Benutzerrollen ermöglichen Ihnen, Ihren Arbeitsbereich für andere Benutzer, Teams oder Projekte freizugeben.
Computeziele werden verwendet, um Ihre Experimente auszuführen.
Wenn Sie den Arbeitsbereich erstellen, werden auch zugeordnete Ressourcen für Sie erstellt.
Aufträge sind Trainingsausführungen, mit denen Sie Ihre Modelle erstellen. Sie können Ihre Aufträge in Experimenten organisieren.
Pipelines sind wiederverwendbare Workflows zum Trainieren und erneuten Trainieren Ihres Modells.
Datenressourcen vereinfachen die Verwaltung der Daten, die Sie für das Modelltraining und die Pipelineerstellung verwenden.
Nachdem Sie über ein Modell verfügen, das Sie bereitstellen möchten, können Sie ein registriertes Modell erstellen.
Verwenden Sie das registrierte Modell und ein Bewertungsskript, um einen Onlineendpunkt zu erstellen.
Tools zum Arbeiten mit Ihrem Arbeitsbereich
Sie können auf folgende Arten mit Ihrem Arbeitsbereich arbeiten:
- Im Web:
- In jeder Python-Umgebung mit dem Azure Machine Learning SDK für Python
- Über die Befehlszeile mit der CLI-Erweiterung für Azure Machine Learning
- Azure Machine Learning-VS Code-Erweiterung
Maschinelles Lernen mit einem Arbeitsbereich
Für Aufgaben für maschinelles Lernen werden Artefakte aus Ihrem Arbeitsbereich gelesen oder in diesen geschrieben.
- Ausführen eines Experiments, um ein Modell zu trainieren: Die Ergebnisse der Auftragsausführung werden in den Arbeitsbereich geschrieben.
- Verwenden von automatisiertem ML, um ein Modell zu trainieren: Die Trainingsergebnisse werden in den Arbeitsbereich geschrieben.
- Registrieren eines Modells im Arbeitsbereich.
- Bereitstellen eines Modells: Das registrierte Modell wird verwendet, um eine Bereitstellung zu erstellen.
- Erstellen und Ausführen von wiederverwendbaren Workflows.
- Anzeigen von Machine Learning-Artefakten, z. B. Experimente, Pipelines, Modelle, Bereitstellungen.
- Nachverfolgen und Überwachen von Modellen.
Arbeitsbereichsverwaltung
Sie können auch die folgenden Arbeitsbereichsverwaltungsaufgaben ausführen:
| Arbeitsbereichsverwaltungsaufgabe | Portal | Studio | Python SDK | Azure CLI | VS-Code |
|---|---|---|---|---|---|
| Erstellen eines Arbeitsbereichs | * | * | * | * | * |
| Verwalten des Arbeitsbereichszugriffs | * | * | |||
| Erstellen und Verwalten von Computeressourcen | * | * | * | * | * |
| Erstellen einer Compute-Instanz | * | * | * | * |
Warnung
Das Verschieben des Azure Machine Learning-Arbeitsbereichs in ein anderes Abonnement oder das Verschieben des besitzenden Abonnements in einen neuen Mandanten wird nicht unterstützt. Andernfalls können Fehler auftreten.
Erstellen eines Arbeitsbereichs
Es gibt mehrere Möglichkeiten zum Erstellen eines Arbeitsbereichs:
- Verwenden Sie Azure Machine Learning Studio, um schnell einen Arbeitsbereich mit Standardeinstellungen zu erstellen.
- Verwenden Sie das Azure-Portal für eine Point-and-Click-Benutzeroberfläche mit weiteren Optionen.
- Verwenden Sie das Azure Machine Learning SDK für Python, um ohne weitere Vorbereitung einen Arbeitsbereich auf der Grundlage von Python-Skripts oder Jupyter Notebooks zu erstellen.
- Nutzen Sie eine Azure Resource Manager-Vorlage oder die Azure Machine Learning CLI, wenn Sie die Erstellung automatisieren oder mit Unternehmenssicherheitsstandards anpassen müssen.
- Verwenden Sie die VS Code-Erweiterung, wenn Sie mit Visual Studio Code arbeiten.
Hinweis
Für den Namen des Arbeitsbereichs wird die Groß-/Kleinschreibung nicht beachtet.
Unterressourcen
Diese Unterressourcen sind die Hauptressourcen, die im AzureML-Arbeitsbereich erstellt werden.
- VMs: stellen Rechenleistung für Ihren AzureML-Arbeitsbereich bereit und sind ein wesentlicher Bestandteil beim Bereitstellen und Trainieren von Modellen.
- Lastenausgleich: Für jede Compute-Instanz und jeden Computecluster wird ein Netzwerklastenausgleich erstellt, über den der Datenverkehr auch dann abgewickelt wird, wenn die Compute-Instanz bzw. der Computecluster angehalten wurde.
- Virtuelles Netzwerk: Ein virtuelles Netzwerk unterstützt Azure-Ressourcen bei der Kommunikation mit anderen Azure-Ressourcen, mit dem Internet und anderen lokalen Netzwerken.
- Bandbreite: Kapselt regionsübergreifend alle Datenübertragungen.
Zugeordnete Ressourcen
Wenn Sie einen neuen Arbeitsbereich erstellen, werden darin automatisch mehrere Azure-Ressourcen erstellt, die vom Arbeitsbereich verwendet werden:
Azure Storage-Konto: Wird als Standarddatenspeicher für den Arbeitsbereich verwendet. Jupyter-Notebooks, die mit Ihren Azure Machine Learning-Compute-Instanzen verwendet werden, werden ebenfalls hier gespeichert.
Wichtig
Beim Speicherkonto handelt es sich standardmäßig um ein Konto vom Typ „Universell V1“. Nach der Erstellung des Arbeitsbereichs können Sie ein Upgrade auf „Universell V2“ durchführen. Aktivieren Sie keinen hierarchischen Namespace für das Speicherkonto, nachdem Sie ein Upgrade auf Universell v2 ausgeführt haben.
Wenn Sie ein vorhandenes Azure Storage-Konto verwenden möchten, darf es sich nicht um ein Blob Storage- oder um ein Premium-Konto (Premium_LRS oder Premium_GRS) handeln. Es darf auch keinen hierarchischen Namespace aufweisen (mit Azure Data Lake Storage Gen2 verwendet). Weder Storage Premium noch hierarchische Namespaces werden mit dem Standardspeicherkonto des Arbeitsbereichs unterstützt. Sie können Storage Premium noch hierarchische Namespaces mit nicht standardmäßigen Speicherkonten verwenden.
Azure Container Registry: Registriert Docker-Container, die für die folgenden Komponenten verwendet werden:
- Azure Machine Learning-Umgebungen beim Trainieren und Bereitstellen von Modellen
- AutoML bei der Bereitstellung
- Datenprofilerstellung
Um die Kosten zu minimieren, wird ACR erst dann geladen, wenn die Bilder benötigt werden.
Hinweis
Wenn Ihre Abonnementeinstellung das Hinzufügen von Tags zu darunter liegenden Ressourcen erfordert, wird die von Azure Machine Learning erstellte Azure Container Registry (ACR) zu einem Fehler führen, da wir keine Tags für ACR festlegen können.
Azure Application Insights: Speichert Überwachungs- und Diagnoseinformationen. Weitere Informationen finden Sie unter Online-Endpunkte überwachen.
Hinweis
Wenn Sie möchten, können Sie die Application Insights-Instanz nach der Clustererstellung löschen. Durch das Löschen werden die aus dem Arbeitsbereich gesammelten Informationen eingeschränkt, und die Problembehandlung ist möglicherweise schwieriger. Wenn Sie die vom Arbeitsbereich erstellte Application Insights-Instanz löschen, können Sie sie nicht neu erstellen, ohne den Arbeitsbereich zu löschen und neu zu erstellen.
Azure Key Vault: Speichert Geheimnisse, die von Computezielen verwendet werden, sowie andere vertrauliche Informationen, die vom Arbeitsbereich benötigt werden.
Hinweis
Sie können stattdessen vorhandene Azure-Ressourceninstanzen verwenden, wenn Sie den Arbeitsbereich mit dem Python SDK oder der Azure Machine Learning-CLI unter Verwendung einer ARM-Vorlage erstellen.
Nächste Schritte
Weitere Informationen zum Planen eines Arbeitsbereichs für die Anforderungen Ihrer Organisation finden Sie unter Organisieren und Einrichten von Azure Machine Learning.
Informationen zu den ersten Schritten mit Azure Machine Learning finden Sie unter: