Python-fejlesztési környezet beállítása az Azure Machine Learninghez

Cikk
09/01/2024

A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)

Megtudhatja, hogyan konfigurálhat Python-fejlesztési környezetet az Azure Machine Learninghez.

Az alábbi táblázat az ebben a cikkben tárgyalt fejlesztési környezeteket, valamint az előnyöket és hátrányokat mutatja be.

Környezet	Előnyök	Hátrányok
Helyi környezet	A fejlesztési környezet és a függőségek teljes körű felügyelete. Futtassa bármelyik tetszőleges buildelési eszközzel, környezettel vagy IDE-vel.	Az első lépések hosszabb időt vesznek igénybe. A szükséges SDK-csomagokat telepíteni kell, és egy környezetet is telepíteni kell, ha még nem rendelkezik ilyen csomaggal.
A Adattudomány virtuális gép (DSVM)	A felhőalapú számítási példányhoz hasonlóan (a Python előre telepítve van), de további népszerű adatelemzési és gépi tanulási eszközök is előre telepítve vannak. Egyszerűen méretezhető és kombinálható más egyéni eszközökkel és munkafolyamatokkal.	A felhőalapú számítási példányhoz képest lassabb első lépések.
Azure Machine Learning számítási példány	Az első lépések legegyszerűbb módja. Az SDK már telepítve van a munkaterület virtuális gépén, és a jegyzetfüzet-oktatóanyagok előre klónozva vannak, és készen állnak a futtatásra.	A fejlesztési környezet és a függőségek szabályozásának hiánya. További költségek a Linux rendszerű virtuális gépek esetében (a virtuális gép leállítható, ha nincs használatban a díjak elkerülése érdekében). Tekintse meg a díjszabást.

Ez a cikk további használati tippeket is tartalmaz a következő eszközökhöz:

Jupyter-jegyzetfüzetek: Ha már jupyter notebookokat használ, az SDK-nak van néhány olyan extrája, amelyet telepítenie kell.
Visual Studio Code: Ha a Visual Studio Code-ot használja, az Azure Machine Learning bővítmény nyelvi támogatást nyújt a Pythonhoz, valamint olyan funkciókat, amelyekkel az Azure Machine Learning használata sokkal kényelmesebb és hatékonyabb lesz.

Előfeltételek

Azure Machine Learning-munkaterület. Ha nem rendelkezik ilyenrel, azure Machine Learning-munkaterületet hozhat létre az Azure Portalon, az Azure CLI-vel és az Azure Resource Manager-sablonokkal.

Csak helyi és DSVM: Munkaterület konfigurációs fájljának létrehozása

A munkaterület konfigurációs fájlja egy JSON-fájl, amely közli az SDK-val, hogyan kommunikálhat az Azure Machine Learning-munkaterülettel. A fájl neve config.json, formátuma a következő:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Ennek a JSON-fájlnak a Python-szkripteket vagy Jupyter-jegyzetfüzeteket tartalmazó könyvtárstruktúrában kell lennie. Lehet ugyanabban a könyvtárban, egy.azureml* nevű alkönyvtárban vagy egy szülőkönyvtárban.

A fájl kódból való használatához használja a metódust MLClient.from_config . Ez a kód betölti a fájl adatait, és csatlakozik a munkaterülethez.

Hozzon létre egy munkaterület-konfigurációs fájlt az alábbi módszerek egyikében:

Azure Machine Learning Studio

Töltse le a fájlt:
1. Bejelentkezés az Azure Machine Learning Studióba
2. A jobb felső Azure Machine Learning Studio eszköztáron válassza ki a munkaterület nevét.
3. Válassza a Letöltés konfigurációs fájl hivatkozását.

Azure Machine Learning Python SDK

Hozzon létre egy szkriptet az Azure Machine Learning-munkaterülethez való csatlakozáshoz. Győződjön meg arról, hogy cserélje le subscription_ida ,resource_group, és workspace_name a saját.

A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)

#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)

Helyi számítógép vagy távoli virtuálisgép-környezet

Beállíthat egy környezetet egy helyi számítógépen vagy távoli virtuális gépen, például egy Azure Machine Learning számítási példányon vagy Adattudomány virtuális gépen.

Helyi fejlesztési környezet vagy távoli virtuális gép konfigurálása:

Hozzon létre egy Python virtuális környezetet (virtualenv, conda).

Feljegyzés

Bár nem kötelező, javasoljuk, hogy az Anaconda vagy a Miniconda használatával kezelje a Python virtuális környezeteket, és telepítse a csomagokat.

Fontos

Ha Linuxon vagy macOS rendszeren dolgozik, és a bashtől (például zsh) eltérő rendszerhéjat használ, bizonyos parancsok futtatásakor hibaüzenetek jelenhetnek meg. A probléma megoldásához a bash paranccsal indítsa el az új bash-rendszerhéjat, és futtassa ott a parancsokat.
Aktiválja az újonnan létrehozott Python virtuális környezetet.
Telepítse az Azure Machine Learning Python SDK-t.
Ha a helyi környezetet az Azure Machine Learning-munkaterület használatára szeretné konfigurálni, hozzon létre egy munkaterület-konfigurációs fájlt, vagy használjon egy meglévőt.

Most, hogy beállította a helyi környezetet, készen áll az Azure Machine Learning használatának megkezdésére. Az első lépésekhez tekintse meg az Azure Machine Learning egy nap alatt című oktatóanyagát.

Jupyter-notebookok

Helyi Jupyter Notebook-kiszolgáló futtatásakor javasoljuk, hogy hozzon létre egy IPython-kernelt a Python virtuális környezethez. Ez segít biztosítani a kernel- és csomagimportálás várt viselkedését.

Környezetspecifikus IPython-kernelek engedélyezése
```
conda install notebook ipykernel
```
Hozzon létre egy kernelt a Python virtuális környezethez. Ügyeljen arra, hogy a Python virtuális környezet nevére cserélje le a helyére <myenv> .
```
ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
```
A Jupyter Notebook-kiszolgáló elindítása

Tipp.

Például a jegyzetfüzeteket az AzureML-Examples adattárban tekinti meg. Az SDK-példák az /sdk/python alatt találhatók. Példa a Konfigurációs jegyzetfüzetre .

Visual Studio Code

A Visual Studio Code használata fejlesztéshez:

A Visual Studio Code telepítése.
Telepítse az Azure Machine Learning Visual Studio Code bővítményt (előzetes verzió).

Miután telepítette a Visual Studio Code bővítményt, használja a következőre:

Azure Machine Learning számítási példány

Az Azure Machine Learning számítási példány egy biztonságos, felhőalapú Azure-munkaállomás, amely jupyter notebook-kiszolgálót, JupyterLab-kiszolgálót és teljes körűen felügyelt gépi tanulási környezetet biztosít az adattudósok számára.

Nincs mit telepíteni vagy konfigurálni egy számítási példányhoz.

Bármikor létrehozhat egyet az Azure Machine Learning-munkaterületen belül. Adjon meg egy nevet, és adjon meg egy Azure-beli virtuálisgép-típust. Próbálja ki most az Erőforrások létrehozása szolgáltatással az első lépésekhez.

Ha többet szeretne megtudni a számítási példányokról, például a csomagok telepítéséről, olvassa el az Azure Machine Learning számítási példányának létrehozását ismertető témakört.

Tipp.

Ha meg szeretné akadályozni a nem használt számítási példányok díjainak felmerülését, engedélyezze az üresjárati leállítást.

A Jupyter Notebook-kiszolgáló és a JupyterLab mellett számítási példányokat is használhat az Azure Machine Learning Studióban található integrált notebookfunkcióban.

Az Azure Machine Learning Visual Studio Code bővítményt is használhatja egy távoli számítási példányhoz való csatlakozáshoz a VS Code használatával.

Adatelemzési virtuális gép

A Adattudomány virtuális gép egy testreszabott virtuálisgép-rendszerkép, amelyet fejlesztési környezetként használhat. Olyan adatelemzési munkákhoz készült, amelyek előre konfigurált eszközök és szoftverek, például:

Olyan csomagok, mint a TensorFlow, a PyTorch, a Scikit-learn, az XGBoost és az Azure Machine Learning SDK
Népszerű adatelemzési eszközök, például a Spark Önálló és a Drill
Azure-eszközök, például az Azure CLI, az AzCopy és a Storage Explorer
Integrált fejlesztési környezetek (IDE-k), például a Visual Studio Code és a PyCharm
Jupyter Notebook Server

Az eszközök átfogóbb listáját a Adattudomány virtuálisgép-eszközök útmutatójában találja.

Fontos

Ha a Adattudomány virtuális gépet tervezi számítási célként használni a betanítási vagy következtetési feladatokhoz, csak az Ubuntu támogatott.

A Adattudomány virtuális gép használata fejlesztési környezetként:

Hozzon létre egy Adattudomány virtuális gépet az alábbi módszerek egyikével:

Az Azure Portal használatával hozzon létre egy Ubuntu vagy Windows DSVM-et.
Hozzon létre egy Adattudomány virtuális gépet ARM-sablonokkal.

Az Azure parancssori felületének használata

Ubuntu Adattudomány virtuális gép létrehozásához használja a következő parancsot:

# 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

Windows DSVM létrehozásához használja a következő parancsot:

# 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

Conda-környezet létrehozása az Azure Machine Learning SDK-hoz:
```
conda create -n py310 python=310
```
A környezet létrehozása után aktiválja és telepítse az SDK-t
```
conda activate py310
pip install azure-ai-ml azure-identity
```
Ha a Adattudomány virtuális gépet az Azure Machine Learning-munkaterület használatára szeretné konfigurálni, hozzon létre egy munkaterület-konfigurációs fájlt, vagy használjon egy meglévőt.

Tipp.

A helyi környezetekhez hasonlóan használhatja a Visual Studio Code-ot és az Azure Machine Learning Visual Studio Code-bővítményt az Azure Machine Learning használatához.

További információ: Adattudomány virtuális gépek.

Következő lépések

Modell betanítása és üzembe helyezése az Azure Machine Learningben az MNIST-adatkészlettel.
Tekintse meg a Pythonhoz készült Azure Machine Learning SDK-t.

Megosztás a következőn keresztül: