Python-fejlesztési környezet beállítása az Azure Machine Learninghez

Cikk
04/08/2024

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:
1. Bejelentkezés a Azure Machine Learning stúdió
2. A jobb felső Azure Machine Learning stúdió eszköztáron válassza ki a munkaterület nevét.
3. 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_ida ,resource_group, és workspace_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 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.