Adattárak létrehozása

ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)Python SDK azure-ai-ml v2 (aktuális)

Ebből a cikkből megtudhatja, hogyan csatlakozhat az Azure Data Storage-szolgáltatásokhoz az Azure Machine Tanulás adattárakkal.

Előfeltételek

Feljegyzés

Az Azure Machine Tanulás adattárak nem hozzák létre a mögöttes tárfiók erőforrásait. Ehelyett összekapcsolnak egy meglévő tárfiókot az Azure Machine Tanulás használatához. Ehhez nincs szükség Azure Machine Tanulás adattárakra. Ha rendelkezik hozzáféréssel a mögöttes adatokhoz, közvetlenül használhatja a tárolási URI-kat.

Azure Blob-adattár létrehozása

from azure.ai.ml.entities import AzureBlobDatastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureBlobDatastore(
    name="",
    description="",
    account_name="",
    container_name=""
)

ml_client.create_or_update(store)

Azure Data Lake Gen2-adattár létrehozása

from azure.ai.ml.entities import AzureDataLakeGen2Datastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureDataLakeGen2Datastore(
    name="",
    description="",
    account_name="",
    filesystem=""
)

ml_client.create_or_update(store)

Azure Files-adattár létrehozása

from azure.ai.ml.entities import AzureFileDatastore
from azure.ai.ml.entities import AccountKeyConfiguration
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureFileDatastore(
    name="file_example",
    description="Datastore pointing to an Azure File Share.",
    account_name="mytestfilestore",
    file_share_name="my-share",
    credentials=AccountKeyConfiguration(
        account_key= "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
    ),
)

ml_client.create_or_update(store)

Azure Data Lake Gen1-adattár létrehozása

from azure.ai.ml.entities import AzureDataLakeGen1Datastore
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = AzureDataLakeGen1Datastore(
    name="",
    store_name="",
    description="",
)

ml_client.create_or_update(store)

OneLake (Microsoft Fabric) adattár létrehozása (előzetes verzió)

Ez a szakasz a OneLake-adattárak létrehozásának különböző lehetőségeit ismerteti. A OneLake-adattár a Microsoft Fabric része. Az Azure Machine Tanulás jelenleg támogatja a Microsoft Fabric Lakehouse-összetevőkhöz való kapcsolódást, amelyek mappákat/ fájlokat és Amazon S3-billentyűparancsokat tartalmaznak. A Lakehouse-ról további információt a Microsoft Fabricben található What is a lakehouse(Mi a lakehouse) című témakörben talál.

A OneLake-adattár létrehozásához

  • Végpont
  • Háló-munkaterület neve vagy GUID azonosítója
  • Összetevő neve vagy GUID azonosítója

adatokat a Microsoft Fabric-példányból. Ez a három képernyőkép a szükséges információforrások Microsoft Fabric-példányból való lekérését ismerteti:

OneLake-munkaterület neve

A Microsoft Fabric-példányban a munkaterület adatait az alábbi képernyőképen látható módon találja. Egy Azure Machine-Tanulás OneLake-adattár létrehozásához használhat GUID-értéket vagy "rövid nevet".

Screenshot that shows Fabric Workspace details in Microsoft Fabric UI.

OneLake-végpont

Ez a képernyőkép bemutatja, hogyan kereshet végpontadatokat a Microsoft Fabric-példányban:

Screenshot that shows Fabric endpoint details in Microsoft Fabric UI.

OneLake-összetevő neve

Ez a képernyőkép bemutatja, hogyan keresheti meg az összetevők adatait a Microsoft Fabric-példányban. A képernyőkép azt is bemutatja, hogyan hozhat létre egy Azure Machine-Tanulás OneLake-adattárat GUID-érték vagy "rövid név" használatával:

Screenshot showing how to get Fabric LH artifact details in Microsoft Fabric UI.

OneLake-adattár létrehozása

from azure.ai.ml.entities import OneLakeDatastore, OneLakeArtifact
from azure.ai.ml import MLClient

ml_client = MLClient.from_config()

store = OneLakeDatastore(
    name="onelake_example_id",
    description="Datastore pointing to an Microsoft fabric artifact.",
    one_lake_workspace_name="AzureML_Sample_OneLakeWS",
    endpoint="msit-onelake.dfs.fabric.microsoft.com"
    artifact = OneLakeArtifact(
        name="AzML_Sample_LH",
        type="lake_house"
    )
)

ml_client.create_or_update(store)

Következő lépések