Python-fejlesztési környezet beállítása az Azure Machine Learninghez
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 a parancsot bármilyen 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 Data Science Virtual Machine (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 használatbavételi élmény. |
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. | Nincs szabályozva a fejlesztési környezet és a függőségek felett. További költségek a Linux rendszerű virtuális gépek esetében (a virtuális gép leállítható, ha nincs használatban a díjak elkerülése érdekében). Lásd a díjszabás részleteit. |
Ez a cikk további használati tippeket is tartalmaz az alábbi eszközökhöz:
Jupyter-notebookok: Ha már jupyter notebookokat használ, az SDK-nak van néhány olyan extrát tartalmazó része, 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 nincs ilyenje, létrehozhat egy Azure Machine Learning-munkaterületet a Azure Portal, 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 az adatokat a fájlból, és csatlakozik a munkaterülethez.
Hozzon létre egy munkaterület-konfigurációs fájlt az alábbi módszerek egyikében:
Azure Machine Learning Studio
Töltse le a fájlt:
- Bejelentkezés a Azure Machine Learning stúdió
- A jobb felső Azure Machine Learning stúdió eszköztáron válassza ki a munkaterület nevét.
- Válassza a Konfigurációs fájl letöltése hivatkozást.
Azure Machine Learning Python SDK
Hozzon létre egy szkriptet az Azure Machine Learning-munkaterülethez való csatlakozáshoz. Mindenképpen cserélje le
subscription_id
a ,resource_group
, ésworkspace_name
a sajátját.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).
Megjegyzés
Bár nem szükséges, javasoljuk, hogy az Anaconda vagy a Miniconda használatával kezelje a Python virtuális környezeteket, és telepítse a csomagokat.
Fontos
Ha Linuxon vagy macOS-en dolgozik, és a bashtől (például zsh) eltérő rendszerhéjat használ, egyes parancsok futtatásakor hibaüzenetek jelenhetnek meg. A probléma megkerüléséhez 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 fájlját , 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 oktatóanyagot .
Jupyter-notebookok
Helyi Jupyter Notebook-kiszolgáló futtatásakor javasoljuk, hogy hozzon létre egy IPython-kernelt a Python virtuális környezetéhez. Ez segít biztosítani a kernel- és csomagimportálás várt viselkedését.
Környezetspecifikus IPython-kernelek engedélyezése
conda install notebook ipykernel
Hozzon létre egy kernelt a Python virtuális környezetéhez. Ügyeljen arra, hogy a helyére
<myenv>
írja be a Python virtuális környezet nevét.ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
Indítsa el a Jupyter Notebook kiszolgálót
Tipp
Például a jegyzetfüzeteket lásd az AzureML-Examples adattárban. Az SDK-példák az /sdk/python területen találhatók. Példa a Konfigurációs jegyzetfüzetre .
Visual Studio Code
A Visual Studio Code használata fejlesztéshez:
- Telepítse a Visual Studio Code-ot.
- Telepítse az Azure Machine Learning Visual Studio Code bővítményt (előzetes verzió).
Miután telepítette a Visual Studio Code bővítményt, használja a következőre:
- Azure Machine Learning-erőforrások kezelése
- Csatlakozás Azure Machine Learning számítási példányhoz
- Online végpontok helyi hibakeresése
- Betanított modellek üzembe helyezése.
Azure Machine Learning számítási példány
Az Azure Machine Learning számítási példánya egy biztonságos, felhőalapú Azure-munkaállomás, amely adatelemzők számára biztosít egy Jupyter Notebook kiszolgálót, a JupyterLabot és egy teljes mértékben felügyelt gépi tanulási környezetet.
Nincs mit telepíteni vagy konfigurálni egy számítási példányhoz.
Bármikor létrehozhat egyet az Azure Machine Learning-munkaterületen belül. Adjon meg csak egy nevet, és adjon meg egy Azure-beli virtuálisgép-típust. Próbálja ki most az Erőforrások létrehozása paranccsal az első lépésekhez.
Ha többet szeretne megtudni a számítási példányokról, beleértve a csomagok telepítését is, olvassa el az Azure Machine Learning számítási példányának létrehozása című témakört.
Tipp
A nem használt számítási példányok díjainak elkerülése érdekében engedélyezze a tétlen leállítást.
A Jupyter Notebook-kiszolgáló és a JupyterLab mellett számítási példányokat is használhat a Azure Machine Learning stúdió beépített jegyzetfüzet-funkciójában.
Az Azure Machine Learning Visual Studio Code bővítményével is csatlakozhat egy távoli számítási példányhoz a VS Code használatával.
Adatelemzési virtuális gép
A Adattudomány virtuális gép egy testre szabott 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 Részletezés
- Olyan Azure-eszközök, mint az Azure CLI, az AzCopy és a Storage Explorer
- Integrált fejlesztési környezetek (IDE-k), például Visual Studio Code és PyCharm
- Jupyter Notebook-kiszolgáló
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
A Adattudomány virtuális gép Azure Machine Learning-munkaterület használatára való konfigurálásához hozzon létre egy munkaterület-konfigurációs fájlt, vagy használjon egy meglévőt.
Tipp
A helyi környezetekhez hasonlóan a Visual Studio Code-ot és az Azure Machine Learning Visual Studio Code-bővítményt is használhatja az Azure Machine Learning használatához.
További információ: Adattudomány Virtual Machines.
Következő lépések
- Modell betanítása és üzembe helyezése az Azure Machine Learningben az MNIST-adatkészlettel.
- Tekintse meg a Pythonhoz készült Azure Machine Learning SDK referenciáját.