Partager via

Personnaliser l’image de base pour la session de calcul

  • Article

Cette section suppose que vous connaissez les environnements Docker et Azure Machine Learning.

Étape 1 : préparer le contexte Docker

Créer image_build dossier

Dans votre environnement local, créer un dossier contenant les fichiers suivants. La structure de dossiers doit ressembler à ceci :

|--image_build
|  |--requirements.txt
|  |--Dockerfile
|  |--environment.yaml

Définir vos packages requis dans requirements.txt

Facultatif : ajouter des packages dans le référentiel pypi privé.

Utiliser la commande suivante pour télécharger vos packages en local : pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Ouvrir le fichier requirements.txt et ajouter vos packages supplémentaires et une version spécifique. Par exemple :

###### Requirements with Version Specifiers ######
langchain == 0.0.149        # Version Matching. Must be version 0.0.149
keyring >= 4.1.1            # Minimum version 4.1.1
coverage != 3.5             # Version Exclusion. Anything except version 3.5
Mopidy-Dirble ~= 1.1        # Compatible release. Same as >= 1.1, == 1.*
<path_to_local_package>     # reference to local pip wheel package

Si vous souhaitez obtenir plus d’informations sur la structuration du fichier requirements.txt, consultez Format de fichier des exigences dans la documentation de PIP.

Définir le Dockerfile

Créer un Dockerfile et ajouter le contenu suivant, puis enregistrer le fichier :

FROM <Base_image>
COPY ./* ./
RUN pip install -r requirements.txt

Notes

Cette image Docker doit être générée à partir de l’image de base de flux d’invite, qui est mcr.microsoft.com/azureml/promptflow/promptflow-runtime:<newest_version>. Si possible, utilisez la version la plus récente de l’image de base.

Étape 2 : créer un environnement Azure Machine Learning personnalisé

Définir votre environnement dans environment.yaml

Dans votre calcul local, vous pouvez utiliser l’interface CLI (v2) pour créer un environnement personnalisé basé sur votre image Docker.

Notes

az login # if not already authenticated

az account set --subscription <subscription ID>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>

Ouvrir le fichier environment.yaml et ajouter le contenu suivant. Remplacez l’espace réservé <environment_name> par le nom d’environnement souhaité.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: <environment_name>
build:
  path: .

Créer un environnement

cd image_build
az ml environment create -f environment.yaml --subscription <sub-id> -g <resource-group> -w <workspace>

Remarque

La génération de l’image d’environnement peut prendre plusieurs minutes.

Accédez à la page de l’interface utilisateur de votre espace de travail, accédez à la page environnement, puis recherchez l’environnement personnalisé que vous avez créé.

Vous pouvez également trouver l’image dans la page des détails de l’environnement et l’utiliser comme image de base pour la session de calcul du flux d’invite. Cette image sera également utilisée pour générer un environnement pour le déploiement de flux à partir de l’interface utilisateur. En savoir plus sur comment spécifier une image de base dans la session de calcul.

Pour en savoir plus sur l’interface CLI d’environnement, consultez Gérer les environnements.

Étapes suivantes