Partager via

Utiliser des packages Python privés avec Azure Machine Learning

S’APPLIQUE À :Kit de développement logiciel (SDK) Azure Machine Learning v1 pour Python

Important

Cet article fournit des informations sur l’utilisation du Kit de développement logiciel (SDK) Azure Machine Learning v1. Le SDK v1 est déprécié depuis le 31 mars 2025 et la prise en charge de celui-ci prendra fin le 30 juin 2026. Vous pouvez installer et utiliser le Kit de développement logiciel (SDK) v1 jusqu’à cette date.

Nous vous recommandons de passer au SDK v2 avant le 30 juin 2026. Pour plus d’informations sur le Kit de développement logiciel (SDK) v2, consultez Présentation du Kit de développement logiciel (SDK) Python Azure Machine Learning v2 et référence du Kit de développement logiciel (SDK) v2.

Dans cet article, découvrez comment utiliser des packages Python privés en toute sécurité dans Azure Machine Learning. Les cas d'usage des packages Python privés sont les suivants :

  • Vous avez développé un package privé que vous ne souhaitez pas partager publiquement.
  • Vous souhaitez utiliser un référentiel organisé de packages stockés dans un pare-feu d'entreprise.

L'approche recommandée varie selon que vous disposez d'un petit nombre de packages destinés à un seul espace de travail Azure Machine Learning ou d'un référentiel complet de packages destinés à tous les espaces de travail d'une organisation.

Les packages privés sont utilisés par le biais de la classe Environment. Au sein d'un environnement, vous déclarez les packages Python à utiliser, y compris les packages privés. Pour en savoir plus sur l'utilisation des environnements dans Azure Machine Learning en général, consultez Utiliser des environnements.

Prérequis

Utiliser un petit nombre de packages à des fins de développement et de test

Pour quelques packages privés pour un seul espace de travail, utilisez la méthode statique Environment.add_private_pip_wheel(). Cette approche vous permet d'ajouter rapidement un package privé à l'espace de travail et peut parfaitement être utilisée à des fins de développement et de test.

Pointez l'argument filepath vers un fichier wheel local et exécutez la commande add_private_pip_wheel. La commande renvoie une URL qui permet de suivre l'emplacement du package dans votre espace de travail. Capturez l'URL de stockage et transmettez-la à la méthode add_pip_package().

whl_url = Environment.add_private_pip_wheel(workspace=ws,file_path = "my-custom.whl")
myenv = Environment(name="myenv")
conda_dep = CondaDependencies()
conda_dep.add_pip_package(whl_url)
myenv.python.conda_dependencies=conda_dep

En interne, l’Azure Machine Learning Service remplace l’URL par une URL SAS sécurisée, de sorte que votre fichier wheel reste privé et sécurisé.

Utiliser un référentiel de packages du flux Azure DevOps

Si vous développez activement des packages Python pour votre application de Machine Learning, vous pouvez les héberger dans un référentiel Azure DevOps sous forme d'artefacts et les publier en tant que flux. Cette approche vous permet d'intégrer le flux de travail DevOps pour créer des packages avec votre espace de travail Azure Machine Learning. Pour apprendre à configurer des flux Python à l'aide d'Azure DevOps, consultez la page Bien démarrer avec les packages Python dans Azure Artifacts.

Cette approche utilise un jeton d'accès personnel pour l'authentification auprès du référentiel. La même approche est applicable à d'autres référentiels avec authentification basée sur un jeton, comme les référentiels GitHub privés.

  1. Créez un jeton d’accès personnel (PAT) pour votre instance Azure DevOps. Définissez l'étendue du jeton sur Empaquetage > Lire.

  2. Ajoutez l’URL Azure DevOps et le PAT comme propriétés de l’espace de travail, à l’aide de la méthode Workspace.set_connection.

    from azureml.core import Workspace

pat_token = input("Enter secret token")
ws = Workspace.from_config()
ws.set_connection(name="connection-1", 
   category = "PythonFeed",
   target = "https://pkgs.dev.azure.com/<MY-ORG>", 
   authType = "PAT", 
   value = pat_token)

  3. Créez un environnement Azure Machine Learning, ajoutez des packages Python à partir du flux, puis inscrivez l’espace de travail.

    from azureml.core import Environment
from azureml.core.conda_dependencies import CondaDependencies

env = Environment(name="my-env")
cd = CondaDependencies()
cd.add_pip_package("<my-package>")
cd.set_pip_option("--extra-index-url https://pkgs.dev.azure.com/<MY-ORG>/pythonfeed/_packaging/feed/pypi/simple")
env.python.conda_dependencies=cd

env.register(ws)

L'environnement est désormais prêt à être utilisé dans des exécutions de formation ou des déploiements de points de terminaison de services Web. Lors de la création de l’environnement, l’Azure Machine Learning Service utilise le PAT pour s’authentifier auprès du flux avec l’URL de base correspondante.

Utiliser un référentiel de packages d’un stockage privé

Vous pouvez utiliser des packages à partir d'un compte de stockage Azure du pare-feu de votre organisation. Un tel compte de stockage peut contenir un ensemble organisé de packages ou un miroir interne de packages publiquement disponibles.

Pour configurer ce type de stockage privé, consultez Sécuriser un espace de travail Azure Machine Learning et les ressources associées. Vous devez également placer Azure Container Registry (ACR) derrière le réseau virtuel.

Important

Vous devez effectuer cette étape pour pouvoir former ou déployer des modèles à l’aide du référentiel de packages privé.

Une fois ces configurations effectuées, vous pouvez référencer les packages dans la définition de l’environnement Azure Machine Learning par leur URL complète dans le stockage d’objets blob Azure.

Étapes suivantes