Megosztás a következőn keresztül:

Adattárak létrehozása

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

Ebből a cikkből megtudhatja, hogyan csatlakozhat azure-beli adattárolási szolgáltatásokhoz az Azure Machine Learning-adattárakkal.

Előfeltételek

  • Azure-előfizetés. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki az Azure Machine Learning ingyenes vagy fizetős verzióját.
  • A Pythonhoz készült Azure Machine Learning SDK.
  • Egy Machine Learning-munkaterület.

Feljegyzés

A Machine Learning-adattárak nem hozzák létre a mögöttes tárfiók erőforrásait. Ehelyett összekapcsolnak egy meglévő tárfiókot a Machine Learning használatához. A Machine Learning-adattárakra nincs szükség. 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 Storage 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= "aaaaaaaa-0b0b-1c1c-2d2d-333333333333"
    ),
)

ml_client.create_or_update(store)

Azure Data Lake Storage 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. A Machine Learning jelenleg támogatja a Microsoft Fabric lakehouse-összetevőkhöz való kapcsolódást a Fájlok mappában, amelyek mappákat vagy fájlokat és Amazon S3-billentyűparancsokat tartalmaznak. További információ a lakehouse-okról: Mi az a tóház a Microsoft Fabricben?.

A OneLake-adattár létrehozásához a Következő információkra van szükség a Microsoft Fabric-példányból:

  • Végpont
  • Munkaterület GUID azonosítója
  • Összetevő GUID azonosítója

Az alábbi képernyőképek a szükséges információforrások Microsoft Fabric-példányból való lekérését ismertetik.

Képernyőkép arról, hogyan kattinthat a Microsoft Fabric-munkaterület összetevő tulajdonságaira a Microsoft Fabric felhasználói felületén.

Ezután a "Endpoint", a "Workspace GUID" és az "Artifact GUID" (Összetevő GUID) kifejezés szerepel az "URL" és az "ABFS path" (ABFS-elérési út) között a "Tulajdonságok" lapon:

  • URL-formátum: https://{your_one_lake_endpoint}/{your_one_lake_artifact_guid}/Fájlok
  • ABFS-elérési út formátuma: abfss://{your_one_lake_workspace_guid}@/{your_one_lake_artifact_guid}/Files

Képernyőkép egy OneLake-összetevő URL-címéről és ABFS-útvonaláról a Microsoft Fabric felhasználói felületén.

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="bbbbbbbb-7777-8888-9999-cccccccccccc", #{your_one_lake_workspace_guid}
    endpoint="msit-onelake.dfs.fabric.microsoft.com" #{your_one_lake_endpoint}
    artifact = OneLakeArtifact(
        name="cccccccc-8888-9999-0000-dddddddddddd/Files", #{your_one_lake_artifact_guid}/Files
        type="lake_house"
    )
)

ml_client.create_or_update(store)

Következő lépések