Nota
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
SE APLICA A: SDK de Python azure-ai-ml v2 (actual)
Descubra cómo configurar un entorno de desarrollo de Python para Azure Machine Learning.
En la tabla siguiente se muestra cada entorno de desarrollo que se trata en este artículo, junto con las ventajas y desventajas.
Entorno | Ventajas | Desventajas |
---|---|---|
Entorno local | Control total del entorno de desarrollo y las dependencias. Funciona con cualquier herramienta de compilación, entorno o IDE de su elección. | Tarda más tiempo en comenzar. Se deben instalar los paquetes de SDK necesarios y también debe instalarse un entorno si aún no tiene uno. |
Instancia de cómputo de Azure Machine Learning | Manera más fácil de empezar. El SDK ya está instalado en la máquina virtual del área de trabajo y los tutoriales de cuaderno están clonados previamente y listos para ejecutarse. | Falta de control sobre el entorno de desarrollo y las dependencias. El costo se incurre en una máquina virtual Linux (la máquina virtual se puede detener cuando no está en uso para evitar cargos). Consulte los detalles de los precios. |
Data Science Virtual Machine (DSVM) | De forma similar a la instancia de proceso basada en la nube (Python está preinstalada), pero con otras herramientas populares de ciencia de datos y aprendizaje automático preinstaladas. Fácil de escalar y combinar con otras herramientas y flujos de trabajo personalizados. | Una experiencia de inicio más lenta en comparación con la instancia de proceso basada en la nube. |
En este artículo también se proporcionan otras sugerencias de uso para las siguientes herramientas:
Jupyter Notebooks: Si ya estás usando Jupyter Notebooks, el SDK incluye algunos elementos adicionales que deberías instalar.
Visual Studio Code: Si usa Visual Studio Code, la extensión de Azure Machine Learning incluye compatibilidad de lenguaje con Python, así como características para que trabajar con Azure Machine Learning sea mucho más cómodo y productivo.
Requisitos previos
- Área de trabajo de Azure Machine Learning. Si no tiene ninguna, puede crear un área de trabajo de Azure Machine Learning a través de Azure Portal, la CLI de Azure y las plantillas de Azure Resource Manager.
Solo en el entorno local y DSVM: Crear un archivo de configuración del área de trabajo
El archivo de configuración del área de trabajo es un archivo JSON que le indica al SDK cómo comunicarse con el área de trabajo de Azure Machine Learning. El archivo se denomina config.json y tiene el formato siguiente:
{
"subscription_id": "<subscription-id>",
"resource_group": "<resource-group>",
"workspace_name": "<workspace-name>"
}
Este archivo JSON debe estar en la estructura de directorios que contiene los scripts de Python o las instancias de Jupyter Notebook. Puede estar en el mismo directorio, en un subdirectorio denominado .azureml*, o en un directorio primario.
Para utilizar este archivo desde el código, utilice el método MLClient.from_config
. Este código carga la información del archivo y se conecta a su área de trabajo.
Cree un archivo de configuración del área de trabajo con uno de los métodos siguientes:
Azure Machine Learning Studio
Descargue el archivo:
- Inicie sesión en Azure Machine Learning Studio.
- En la barra de herramientas en la parte superior derecha del estudio de Azure Machine Learning, seleccione el nombre de su área de trabajo.
- Seleccione el vínculo Descargar archivo de configuración.
SDK de Python de Azure Machine Learning
Cree un script para conectarse al área de trabajo de Azure Machine Learning. Asegúrese de reemplazar
subscription_id
,resource_group
yworkspace_name
por sus propios valores.SE APLICA A:
SDK de Python azure-ai-ml v2 (actual)
#import required libraries from azure.ai.ml import MLClient from azure.identity import DefaultAzureCredential #Enter details of your Azure Machine Learning workspace subscription_id = '<SUBSCRIPTION_ID>' resource_group = '<RESOURCE_GROUP>' workspace = '<AZUREML_WORKSPACE_NAME>' #connect to the workspace ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
Equipo local o entorno de máquina virtual remoto
Puede configurar un entorno en un equipo local o una máquina virtual remota, como una instancia de proceso de Azure Machine Learning o Data Science VM.
Para configurar un entorno de desarrollo local o una máquina virtual remota:
Cree un entorno virtual de Python (virtualenv, conda).
Nota
Aunque no es necesario, se recomienda usar Anaconda o Miniconda para administrar entornos virtuales de Python e instalar paquetes.
Importante
Si usa Linux o Mac OS y un shell distinto de bash (por ejemplo, zsh), es posible que reciba errores al ejecutar algunos comandos. Para solucionar este problema, use el comando
bash
para iniciar un nuevo shell de bash y ejecutar sus comandos.Active el entorno virtual de Python recién creado.
Instale el SDK de Azure Machine Learning para Python.
Con el fin de configurar el entorno local para usar el área de trabajo de Azure Machine Learning, cree un archivo de configuración de área de trabajo o use uno que ya tenga.
Ahora que ha configurado el entorno local, ya podrá empezar a trabajar con Azure Machine Learning. Para empezar, consulte el Tutorial: Azure Machine Learning en un día.
Cuadernos Jupyter
Al ejecutar un servidor local de Jupyter Notebook, se recomienda crear un kernel de IPython para el entorno virtual de Python. Esto ayuda a garantizar el comportamiento esperado de la importación del kernel y del paquete.
Habilitar kernels de IPython específicos según el entorno
conda install notebook ipykernel
Cree un kernel para el entorno virtual de Python. Asegúrese de reemplazar
<myenv>
por el nombre de su entorno virtual de Python.ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
Inicio del servidor de Jupyter Notebook
Sugerencia
Para cuadernos de ejemplo, consulte el repositorio AzureML-Examples. Los ejemplos de SDK se encuentran en /sdk/python. Por ejemplo, el ejemplo Cuaderno de configuración.
Visual Studio Code
Para usar Visual Studio Code para el desarrollo:
- Instale Visual Studio Code.
- Instale la extensión Azure Machine Learning para Visual Studio Code (versión preliminar).
Una vez que tenga instalada la extensión de Visual Studio Code, úsela para:
- Administrar los recursos de Azure Machine Learning
- Conectarse a una instancia de proceso de Azure Machine Learning
- Depura localmente los puntos de conexión en línea
- Implementar modelos entrenados.
Instancia de proceso de Azure Machine Learning
La instancia de proceso de Azure Machine Learning es una estación de trabajo de Azure segura y basada en la nube que proporciona a los científicos de datos un servidor de Jupyter Notebook, JupyterLab y un entorno de aprendizaje automático totalmente administrado.
No hay nada que instalar o configurar para una instancia de proceso.
Cree una en cualquier momento desde el área de trabajo de Azure Machine Learning. Basta con que proporcione un nombre y especifique un tipo de máquina virtual de Azure. Pruébela ahora mediante Creación de recursos para empezar.
Para obtener más información acerca de las instancias de proceso, incluyendo cómo instalar paquetes, consulte Creación de una instancia de proceso de Azure Machine Learning.
Sugerencia
Para evitar incurrir en cargos por una instancia de proceso sin usar, habilite el apagado inactivo.
Además de un servidor de Jupyter Notebook y JupyterLab, puede usar instancias de cálculo en la funcionalidad de cuadernos integrada en Azure Machine Learning Studio.
También puede usar la extensión de Visual Studio Code para Azure Machine Learning para conectarse a una instancia de proceso remota mediante VS Code.
Máquina virtual de ciencia de datos
Data Science VM es una imagen de máquina virtual personalizada que puede usar como entorno de desarrollo. Está diseñada para realizar trabajos de ciencia de datos que estén preconfigurados con herramientas y software como:
- Paquetes, como TensorFlow, PyTorch, Scikit-learn, XGBoost y el SDK de Azure Machine Learning
- Herramientas de ciencia de datos populares, como Spark Standalone o Drill
- Herramientas de Azure, como la CLI de Azure, AzCopy y el Explorador de Storage
- Entornos de desarrollo integrado (IDE), como Visual Studio Code y PyCharm
- Servidor de Jupyter Notebook
Para ver una lista más completa de las herramientas, consulte la guía de herramientas de Data Science VM.
Importante
Si planea usar la instancia de Data Science VM como objetivo de proceso computacional para sus trabajos de entrenamiento o inferencia, únicamente se admite Ubuntu.
Para usar la instancia de Data Science VM como entorno de desarrollo, haga lo siguiente:
Cree una instancia de Data Science VM con uno de los métodos siguientes:
Usa el portal de Azure para crear una instancia de DSVM de Ubuntu o Windows.
Cree una máquina virtual de ciencia de datos utilizando plantillas de ARM.
Uso de la CLI de Azure
Para crear una instancia de Data Science VM de Ubuntu, use el siguiente comando:
# create a Ubuntu Data Science VM in your resource group # note you need to be at least a contributor to the resource group in order to execute this command successfully # If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)" az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password
Para crear una instancia de DSVM de Windows, use el siguiente comando:
# create a Windows Server 2016 DSVM in your resource group # note you need to be at least a contributor to the resource group in order to execute this command successfully az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
Cree un entorno de conda para el SDK de Azure Machine Learning:
conda create -n py310 python=310
Una vez creado el entorno, actívelo e instale el SDK.
conda activate py310 pip install azure-ai-ml azure-identity
Para configurar la instancia de Data Science VM que usará el área de trabajo de Azure Machine Learning, cree un archivo de configuración del área de trabajo o use uno que ya tenga.
Sugerencia
De forma similar a los entornos locales, puede usar Visual Studio Code y la extensión de Azure Machine Learning para Visual Studio Code con el fin de interactuar con Azure Machine Learning.
Consulte Data Science Virtual Machine para obtener más información.
Pasos siguientes
- Entrenar e implementar un modelo en Azure Machine Learning con el conjunto de datos de MNIST.
- Consultar la referencia del SDK de Azure Machine Learning para Python.