Utiliser GitHub Actions avec Azure Machine Learning

S’APPLIQUE À :Extension Azure CLI v2 (actuelle)Kit de développement logiciel (SDK) Python azure-ai-ml v2 (version actuelle)

Prise en main de GitHub Actions pour entraîner un modèle sur Azure Machine Learning.

Cet article vous apprend à créer un workflow GitHub Actions, qui génère et déploie un modèle Machine Learning sur Azure Machine Learning. Vous entraînez un modèle de régression linéaire scikit-learn sur le jeu de données NYC Taxi.

GitHub Actions utilise un fichier YAML (.yml) de workflow dans le chemin /.github/workflows/ de votre référentiel. Cette définition contient les étapes et les paramètres qui composent le workflow.

Prérequis

• Un espace de travail Azure Machine Learning. Pour connaître les étapes de création d’un espace de travail, consultez Créer l’espace de travail.

• Kit de développement logiciel (SDK) Azure Machine Learning pour Python v2. Pour installer le Kit de développement logiciel (SDK), utilisez la commande suivante :

  pip install azure-ai-ml azure-identity
  

  Pour mettre à jour une installation existante du Kit de développement logiciel (SDK) vers la version la plus récente, utilisez la commande suivante :

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

  Pour plus d’informations, consultez la bibliothèque de client du package Azure Machine Learning pour Python.

• Un compte GitHub. Si vous n’en avez pas, inscrivez-vous gratuitement.

Étape 1 : Obtenir le code

Effectuez une duplication (fork) du dépôt suivant sur GitHub :

https://github.com/azure/azureml-examples

Clonez votre dépôt dupliqué localement.

git clone https://github.com/YOUR-USERNAME/azureml-examples

Étape 2 : S’authentifier auprès d’Azure

Vous devez d’abord définir comment vous authentifier auprès d’Azure. L’option recommandée, plus sécurisée, consiste à se connecter avec OpenID Connect à l’aide d’une application Microsoft Entra ou d’une identité managée affectée par l’utilisateur. Si nécessaire, vous pouvez également utiliser la connexion avec un principal de service et un secret. Cette approche est moins sécurisée et n’est pas recommandée.

Générer les informations d’identification du déploiement

OpenID Connect

Pour utiliser l’action de connexion Azure avec OIDC, vous devez configurer des informations d’identification d’identité fédérée sur une application Microsoft Entra ou une identité managée affectée par l’utilisateur.

Option 1 : application Microsoft Entra

• Créez une application Microsoft Entra avec un principal de service par Portail Azure, Azure CLI ou PowerShell.
• Copiez les valeurs pour ID client et ID d’abonnement et ID d’annuaire (locataire). Vous en aurez besoin dans votre workflow GitHub Actions.
• Attribuez un rôle approprié à votre principal de service par le Portail Azure, Azure CLI ou Azure PowerShell.
• Configurez des informations d’identification fédérées sur une application Microsoft Entra pour approuver les jetons émis par GitHub Actions pour votre référentiel GitHub.

Option 2 : identité managée affectée par l’utilisateur

• Créer une identité managée attribuée par l’utilisateur.
• Copiez les valeurs pour ID client et ID d’abonnement et ID d’annuaire (locataire). Vous en aurez besoin dans votre workflow GitHub Actions.
• Attribuez un rôle approprié à votre identité managée affectée par l’utilisateur.
• Configurez des informations d’identification fédérées sur une identité managée affectée par l’utilisateur pour approuver les jetons émis par GitHub Actions pour votre référentiel GitHub.

Principal du service

• Créez une application Microsoft Entra avec un principal de service par Portail Azure, Azure CLI ou PowerShell.
• Créez une clé secrète client pour votre principal de service par le Portail Azure, Azure CLI ou Azure PowerShell.
• Copiez les valeurs de l’ID client, de la Clé secrète client, de l’ID d’abonnement et de l’ID d’annuaire (locataire) pour les utiliser plus tard dans votre flux de travail GitHub Actions.
• Attribuez un rôle approprié à votre principal de service par le Portail Azure, Azure CLI ou Azure PowerShell.

Créer des secrets

OpenID Connect

Vous devez fournir l’ID de client, l’ID d’annuaire (locataire) et l’ID d’abonnement de votre application à l’action de connexion. Vous pouvez fournir ces valeurs directement dans le workflow ou les stocker dans des secrets GitHub et les référencer dans votre workflow. L’enregistrement des valeurs en tant que secrets GitHub est l’option la plus sécurisée.

1. Dans GitHub, accédez à votre dépôt.

2. Sélectionnez Sécurité > Secrets et variables > Actions.

   

3. Sélectionnez New repository secret (Nouveau secret de dépôt).

   Remarque

   Pour améliorer la sécurité des flux de travail dans des référentiels publics, utilisez des secrets d’environnement plutôt que des secrets de référentiel. Si l’environnement nécessite une approbation, un travail ne peut pas accéder aux secrets d’environnement tant que l’un des réviseurs requis ne l’approuve pas.

4. Créez des secrets pour AZURE_CLIENT_ID, AZURE_TENANT_ID et AZURE_SUBSCRIPTION_ID. Copiez ces valeurs à partir de votre application Microsoft Entra ou de l’identité managée affectée par l’utilisateur pour vos secrets GitHub :

   Secret GitHub	Application Microsoft Entra ou identité managée affectée par l’utilisateur
   AZURE_CLIENT_ID	ID client
   AZURE_SUBSCRIPTION_ID	ID d’abonnement
   AZURE_TENANT_ID	ID de l’annuaire (locataire)

   Remarque

   Pour des raisons de sécurité, nous vous recommandons d’utiliser des secrets GitHub plutôt que de transmettre des valeurs directement au flux de travail.

Principal du service

1. Dans GitHub, accédez à votre dépôt.

2. Sélectionnez Paramètres dans le volet de navigation.

3. Sélectionnez Sécurité > Secrets et variables > Actions.

   

4. Sélectionnez New repository secret (Nouveau secret de dépôt).

5. Collez l’intégralité de la sortie JSON de la commande Azure CLI dans le champ de valeur du secret. Nommez le secret AZURE_CREDENTIALS.

6. Sélectionnez Ajouter un secret.

Étape 3 : Mettre à jour setup.sh pour vous connecter à votre espace de travail Azure Machine Learning

Vous devez mettre à jour les variables du fichier d’installation CLI pour qu’elles correspondent à votre espace de travail.

1. Dans votre dépôt dupliqué, accédez à azureml-examples/cli/.

2. Modifiez setup.sh et mettez à jour ces variables dans le fichier.

   Variable	Descriptif
   GROUPE	nom du groupe de ressources
   EMPLACEMENT	Lieu de votre espace de travail (exemple : eastus2)
   ESPACE DE TRAVAIL	Nom de l’espace de travail Azure Machine Learning

Étape 4 : Mettre à jour pipeline.yml avec le nom de votre cluster de calcul

Vous utilisez un fichier pipeline.yml pour déployer votre pipeline Azure Machine Learning. Il s’agit d’un pipeline Machine Learning et non d’un pipeline DevOps. Vous devez uniquement effectuer cette mise à jour si vous utilisez un autre nom que cpu-cluster pour le nom de votre cluster de calcul.

1. Dans votre dépôt dupliqué, accédez à azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml.
2. Chaque fois que vous voyez compute: azureml:cpu-cluster, mettez à jour la valeur de cpu-cluster avec le nom de votre cluster de calcul. Par exemple, si votre cluster se nomme my-cluster, la nouvelle valeur est azureml:my-cluster. Il existe cinq mises à jour.

Étape 5 : Exécuter votre workflow GitHub Actions

Votre workflow s’authentifie auprès d’Azure, configure l’interface CLI Azure Machine Learning, puis utilise l’interface CLI pour entraîner un modèle dans Azure Machine Learning.

OpenID Connect

Votre fichier de workflow est composé d’une section comprenant un déclencheur et d’une section comprenant des travaux :

• Un déclencheur démarre le workflow dans la section on. Le workflow s’exécute par défaut selon une planification Cron et quand une demande de tirage (pull request) est effectuée à partir des branches et des chemins correspondants. Découvrez plus en détail les événements qui déclenchent des workflows.
• Dans la section des travaux du workflow, vous extrayez le code et vous vous connectez à Azure avec l’action de connexion à Azure en utilisant OpenID Connect.
• La section des travaux comprend également une action d’installation qui installe et configure l’interface CLI Machine Learning (v2). Une fois l’interface CLI installée, l’action d’exécution des travaux exécute votre fichier pipeline.yml Azure Machine Learning pour entraîner un modèle avec les données de NYC Taxi.

Activer votre workflow

1. Dans votre dépôt dupliqué, ouvrez .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml et vérifiez que votre workflow ressemble à ceci.

   name: cli-jobs-pipelines-nyc-taxi-pipeline
   on:
     workflow_dispatch:
     schedule:
       - cron: "0 0/4 * * *"
     pull_request:
       branches:
         - main
         - sdk-preview
       paths:
         - cli/jobs/pipelines/nyc-taxi/**
         - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
         - cli/run-pipeline-jobs.sh
         - cli/setup.sh
   jobs:
     build:
       runs-on: ubuntu-latest
       steps:
       - name: check out repo
         uses: actions/checkout@v2
       - name: azure login
         uses: azure/login@v2
         with:
             client-id: ${{ secrets.AZURE_CLIENT_ID }}
             tenant-id: ${{ secrets.AZURE_TENANT_ID }}
             subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
       - name: setup
         run: bash setup.sh
         working-directory: cli
         continue-on-error: true
       - name: run job
         run: bash -x ../../../run-job.sh pipeline.yml
         working-directory: cli/jobs/pipelines/nyc-taxi
   

2. Sélectionnez Afficher les exécutions.

3. Activez les workflows en sélectionnant I understand my workflows, go ahead and enable them (Je comprends mes workflows. Continuer l’opération et activer les workflows).

4. Sélectionnez le workflow cli-jobs-pipelines-nyc-taxi-pipeline, puis choisissez Activer le workflow.

   

5. Sélectionnez Exécuter le workflow, puis choisissez l’option Exécuter le workflow.

   

Principal du service

Votre fichier de workflow est composé d’une section comprenant un déclencheur et d’une section comprenant des travaux :

• Un déclencheur démarre le workflow dans la section on. Le workflow s’exécute par défaut selon une planification Cron et quand une demande de tirage (pull request) est effectuée à partir des branches et des chemins correspondants. Découvrez plus en détail les événements qui déclenchent des workflows.
• Dans la section des travaux du workflow, vous extrayez le code et vous vous connectez à Azure avec votre secret de principal de service.
• La section des travaux comprend également une action d’installation qui installe et configure l’interface CLI Machine Learning (v2). Une fois l’interface CLI installée, l’action d’exécution des travaux exécute votre fichier pipeline.yml Azure Machine Learning pour entraîner un modèle avec les données de NYC Taxi.

Activer votre workflow

1. Dans votre dépôt dupliqué, ouvrez .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml et vérifiez que votre workflow ressemble à ceci.

   name: cli-jobs-pipelines-nyc-taxi-pipeline
   on:
     workflow_dispatch:
     schedule:
       - cron: "0 0/4 * * *"
     pull_request:
       branches:
         - main
         - sdk-preview
       paths:
         - cli/jobs/pipelines/nyc-taxi/**
         - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
         - cli/run-pipeline-jobs.sh
         - cli/setup.sh
   jobs:
     build:
       runs-on: ubuntu-latest
       steps:
       - name: check out repo
         uses: actions/checkout@v2
       - name: azure login
         uses: azure/login@v2
         with:
           creds: ${{secrets.AZURE_CREDENTIALS}}
       - name: setup
         run: bash setup.sh
         working-directory: cli
         continue-on-error: true
       - name: run job
         run: bash -x ../../../run-job.sh pipeline.yml
         working-directory: cli/jobs/pipelines/nyc-taxi
   

2. Sélectionnez Afficher les exécutions.

3. Activez les workflows en sélectionnant I understand my workflows, go ahead and enable them (Je comprends mes workflows. Continuer l’opération et activer les workflows).

4. Sélectionnez le workflow cli-jobs-pipelines-nyc-taxi-pipeline, puis choisissez Activer le workflow.

5. Sélectionnez Exécuter le workflow, puis choisissez l’option Exécuter le workflow.

Étape 6 : Vérifier l’exécution de workflow

1. Ouvrez l’exécution de workflow qui s’est achevée, puis vérifiez que le travail de build s’est correctement exécuté. Vous voyez une coche verte en regard du travail.

2. Ouvrez Azure Machine Learning Studio, et accédez à nyc-taxi-pipeline-example. Vérifiez que chaque partie de votre travail (préparation, transformation, entraînement, prédiction, scoring) s’est effectuée, et que vous voyez une coche verte.

   

Nettoyer les ressources

Lorsque votre groupe de ressource et référentiel ne sont plus nécessaires, nettoyez les ressources que vous avez déployées en supprimant le groupe de ressources et votre référentiel GitHub.

Étapes suivantes

Créer des pipelines ML de production avec le kit SDK Python