Azure Machine Learning-munkaterületek kezelése a portálon vagy a Python SDK-val (v2)

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

Ebben a cikkben Azure Machine Learning-munkaterületeket hozhat létre, tekinthet meg és törölhet az Azure Machine Learninghez az Azure Portalon vagy a Pythonhoz készült SDK-val.

Az igények változásával vagy az automatizálási követelmények növekedésével kezelheti a munkaterületeket a parancssori felülettel, az Azure PowerShell-lel vagy a Visual Studio Code bővítményével.

Előfeltételek

• Azure-előfizetés. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki ma az Azure Machine Learning ingyenes vagy fizetős verzióját.
• A Python SDK-val:

  1. Telepítse az SDK v2-t.

  2. Az azure-identity telepítése: pip install azure-identity. Ha jegyzetfüzetcellában van, használja a következőt %pip install azure-identity: .

  3. Adja meg az előfizetés adatait:

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

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Fogópont lekérése az előfizetéshez. A cikkben szereplő összes Python-kód a következőket használja ml_client:

     # get a handle to the subscription
     
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

     • (Nem kötelező) Ha több fiókkal rendelkezik, adja hozzá a használni kívánt Microsoft Entra-azonosító bérlőazonosítóját a DefaultAzureCredential. Keresse meg a bérlőazonosítót az Azure Portalon a Microsoft Entra ID, External Identityes területen.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Nem kötelező) Ha az Azure Government – USA vagy az Azure China 21Vianet régióban dolgozik, meg kell adnia azt a felhőt, amelyben hitelesíteni szeretné. Ezeket a régiókat a következő helyen DefaultAzureCredentialadhatja meg:

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Korlátozások

• Új munkaterület létrehozásakor automatikusan létrehozhatja a munkaterülethez szükséges szolgáltatásokat, vagy használhatja a meglévő szolgáltatásokat. Ha a munkaterülettől eltérő Azure-előfizetésből származó meglévő szolgáltatásokat szeretne használni, regisztrálnia kell az Azure Machine Learning névterét a szolgáltatásokat tartalmazó előfizetésben. Ha például olyan munkaterületet hoz létre az A előfizetésben, amely a B előfizetésben használ tárfiókot, az Azure Machine Learning-névteret regisztrálni kell a B előfizetésben, mielőtt a munkaterület használhatja a tárfiókot.

  Az Azure Machine Learning erőforrás-szolgáltatója a Microsoft.MachineLearningServices. Az Azure-erőforrás-szolgáltatók és -típusok című témakörben tájékozódhat arról, hogy regisztrálták-e vagy regisztrálták-e.

  Fontos

  Ezek az információk csak a munkaterület létrehozása során biztosított erőforrásokra vonatkoznak: Azure Storage-fiókok, Azure Container Registry, Azure Key Vault és Application Insights.

• Az online végpontokkal való hálózatelkülönítéshez a munkaterülethez társított erőforrásokat (Azure Container Registry (ACR), Storage-fiókot, Key Vaultot és Application Insightst) használhatja a munkaterülettől eltérő erőforráscsoportból. Ezeknek az erőforrásoknak azonban ugyanahhoz az előfizetéshez és bérlőhöz kell tartoznia, mint a munkaterületnek. A felügyelt online végpontok biztonságossá tételére vonatkozó korlátozásokról a munkaterület felügyelt virtuális hálózatának használatával kapcsolatban lásd : Hálózatelkülönítés felügyelt online végpontokkal.

• A munkaterület létrehozása alapértelmezés szerint létrehoz egy Azure Container Registryt (ACR). Mivel az ACR jelenleg nem támogatja az erőforráscsoportok nevében szereplő Unicode-karaktereket, használjon olyan erőforráscsoportot, amely elkerüli ezeket a karaktereket.

• Az Azure Machine Learning nem támogatja a hierarchikus névteret (Azure Data Lake Storage Gen2 szolgáltatás) a munkaterület alapértelmezett tárfiókjában.

Tipp.

A munkaterület létrehozásakor létrejön egy Azure-alkalmazás Insights-példány. Ha szeretné, törölheti az Application Insights-példányt a fürt létrehozása után. A törlés korlátozza a munkaterületről gyűjtött információkat, és megnehezítheti a problémák elhárítását. Ha törli a munkaterület által létrehozott Application Insights-példányt, az egyetlen lehetőség a munkaterület törlésére és újbóli létrehozására.

Az Application Insights-példány használatáról további információt a Machine Learning webszolgáltatás-végpontjaiból származó adatok figyelése és gyűjtése című témakörben talál.

Munkaterület létrehozása

Munkaterületet közvetlenül az Azure Machine Learning Studióban hozhat létre, és korlátozott lehetőségek állnak rendelkezésre. Az alábbi módszerek egyikével is szabályozhatja a beállításokat:

Python

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

• Alapkonfiguráció az első lépésekhez specifikáció nélkül, a társított erőforrások és az Azure-erőforráscsoport automatikusan létrejön. Ez a kód létrehoz egy, a függő Azure-erőforrások (Tárfiók, Key Vault, Tárolóregisztrációs adatbázis, Application Insights) nevű myworkspacemunkaterületet és egy, a következőben elnevezett myresourcegroup erőforráscsoportot eastus2.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Meglévő Azure-erőforrások használata. Meglévő Azure-erőforrások használatához hivatkozzon rájuk az Azure-erőforrásazonosító formátum használatával. Keresse meg az adott Azure-erőforrásazonosítókat az Azure Portalon vagy az SDK-val. Ez a példa feltételezi, hogy az erőforráscsoport, a Tárfiók, a Key Vault, az Application Insights és a Tárolóregisztrációs adatbázis már létezik.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

• (Előzetes verzió) Meglévő hub-munkaterület használata. Ahelyett, hogy saját biztonsági beállításokat és kapcsolódó erőforrásokat tartalmazó alapértelmezett munkaterületet hoz létre, újra felhasználhatja a központi munkaterület megosztott környezetét. Az új projekt-munkaterület biztonsági beállításokat és megosztott konfigurációkat szerez be a központból, beleértve a számítást és a kapcsolatokat. Ez a példa feltételezi, hogy a központi munkaterület már létezik.

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

További információ: Workspace SDK-referencia.

Ha problémái vannak az előfizetés elérésében, olvassa el az Azure Machine Learning-erőforrások és -munkafolyamatok hitelesítésének beállítása, valamint az Azure Machine Learning-jegyzetfüzet hitelesítésének beállítása című témakört.

Portál

1. Jelentkezzen be az Azure Portalra az Azure-előfizetés hitelesítő adataival.

2. Az Azure Portal bal felső sarkában válassza az + Erőforrás létrehozása lehetőséget.

   

3. A keresősáv használatával keresse meg a Machine Learninget.

4. Válassza a Machine Learning lehetőséget.

5. A Gépi tanulás panelen válassza a Létrehozás lehetőséget a kezdéshez.

6. Adja meg a következő információkat az új munkaterület konfigurálásához:

   Mező	Leírás
   Munkaterület neve	Adjon meg egy egyedi nevet, amely azonosítja a munkaterületet. Ez a példa docs-ws-t használ. A neveknek egyedinek kell lenniük az erőforráscsoportban. Olyan nevet használjon, amely könnyen visszahívható, és megkülönbözteti a mások által létrehozott munkaterületeket. A munkaterület neve nem érzéketlen.
   Előfizetés	Válassza ki a használni kívánt Azure-előfizetést.
   Erőforráscsoport	Használjon egy meglévő erőforráscsoportot az előfizetésben. Új erőforráscsoport létrehozásához adjon meg egy nevet. Az erőforráscsoportok egy Azure-megoldáshoz kapcsolódó erőforrásokat tárolnak. Meglévő erőforráscsoport használatához közreműködői vagy tulajdonosi szerepkörre van szükség. A hozzáféréssel kapcsolatos további információkért tekintse meg az Azure Machine Learning-munkaterülethez való hozzáférés kezelését ismertető témakört.
   Régió	Válassza ki a felhasználókhoz és az adaterőforrásokhoz legközelebb eső Azure-régiót.
   Tárfiók	A munkaterület alapértelmezett tárfiókja. Alapértelmezés szerint létrejön egy új.
   Key Vault	A munkaterület által használt Azure Key Vault. Alapértelmezés szerint létrejön egy új.
   Application Insights	A munkaterület Application Insights-példánya. Alapértelmezés szerint létrejön egy új.
   Container Registry	A munkaterület Azure Container Registryje. Alapértelmezés szerint a rendszer először nem hoz létre újat a munkaterülethez. Ehelyett egy Docker-rendszerkép létrehozása a betanítás vagy üzembe helyezés során, továbbá létrehozza azt az Azure Container Registryt a munkaterülethez, ha szüksége van rá.

   

7. Amikor befejezte a munkaterület konfigurációját, válassza a Véleményezés + Létrehozás lehetőséget. A hálózatkezelés, a titkosítás, az identitás és a címkék szakasz használatával is konfigurálhat további munkaterület-beállításokat.

8. Tekintse át a beállításokat, és végezze el az egyéb módosításokat vagy javításokat. Ha elégedett a beállításokkal, válassza a Létrehozás lehetőséget.

   Figyelmeztetés

   A munkaterület létrehozása a felhőben több percet is igénybe vehet.

   Amikor a folyamat befejeződik, megjelenik egy üzembe helyezési sikeres üzenet.

9. Az új munkaterület megtekintéséhez válassza az Ugrás az erőforráshoz lehetőséget.

10. A munkaterület használatának megkezdéséhez válassza a Studio webes URL-hivatkozását a jobb felső sarokban. A munkaterületet az Azure Machine Learning Studio kezdőlapján is kiválaszthatja.

Stúdió

1. Adja meg az Azure Machine Learning-munkaterület erőforrásának nevét.

2. Adjon meg egy rövid nevet a munkaterület studiobeli megjelenítéséhez.

3. (Előzetes verzió) Ha szeretné, válasszon ki egy központi munkaterületet, hogy a munkaterületet megosztott környezetben, előre konfigurált biztonsággal, a vállalati erőforrásokhoz való hozzáféréssel és megosztott számítással üzemeltethesse.

   

Hálózat

Fontos

A privát végpontok és virtuális hálózatok munkaterülettel való használatáról a hálózatelkülönítés és az adatvédelem című témakörben olvashat bővebben.

Python

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

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Ehhez az osztályhoz meglévő virtuális hálózatra van szükség.

Portál

1. Az alapértelmezett hálózati konfiguráció nyilvános végpontot használ, amely elérhető a nyilvános interneten. Ha azonban a munkaterülethez való hozzáférést egy létrehozott Azure-beli virtuális hálózathoz szeretné korlátozni, választhatja a Privát és az Internet Kimenő vagy a Privát és jóváhagyott kimenő kapcsolattal lehetőséget. Ezután görgessen le a beállítások konfigurálásához.

   

2. A Munkaterület bejövő hozzáférése területen válassza a Hozzáadás lehetőséget a privát végpont létrehozása űrlap megnyitásához.

3. A Privát végpont létrehozása űrlapon állítsa be a használni kívánt helyet, nevet és virtuális hálózatot. Ha a végpontot egy saját DNS zónával szeretné használni, válassza az Integrálás privát DNS-zónával lehetőséget, és válassza ki a zónát a saját DNS Zóna mező használatával. Válassza az OK gombot a végpont létrehozásához.

   

4. Ha a Private with Internet Outbound (Kimenő internettel) lehetőséget választotta, a munkaterület kimenő hozzáférési szakaszával konfigurálhatja a hálózatot és a kimenő szabályokat.

5. Ha a Private with Approved Outbound (Jóváhagyott kimenő) lehetőséget választotta, a Munkaterület kimenő hozzáférési szakaszával további szabályokat adhat hozzá a szükséges készlethez.

6. Ha befejezte a hálózati konfigurációt, válassza a Véleményezés + Létrehozás lehetőséget, vagy lépjen tovább az opcionális titkosítási konfigurációra.

Stúdió

1. Ha letiltott internetkapcsolattal rendelkező munkaterületet szeretne létrehozni a Studióban, meg kell adnia egy olyan központi munkaterületet, amelynek nyilvános hálózati hozzáférése le van tiltva. Az AI-studióban központ nélkül létrehozott munkaterületeken engedélyezve van a nyilvános internet-hozzáférés. A privát központ "zárolás" ikonnal rendelkezik.

   

2. Ha a létrehozáskor nem választ ki központi munkaterületet, az alapértelmezett hálózati konfiguráció egy nyilvános végpontot használ, amely elérhető a nyilvános interneten.

Titkosítás

Alapértelmezés szerint egy Azure Cosmos DB-példány tárolja a munkaterület metaadatait. A Microsoft fenntartja ezt a Cosmos DB-példányt. A Microsoft által felügyelt kulcsok titkosítják ezeket az adatokat.

Saját adattitkosítási kulcs használata

Saját kulcsot adhat meg az adattitkosításhoz. A saját kulcs megadásával létrehozza az Azure Cosmos DB-példányt, amely metaadatokat tárol az Azure-előfizetésében. További információ: Ügyfél által felügyelt kulcsok.

A következő lépésekkel adja meg a saját kulcsát:

Fontos

Az alábbi lépések végrehajtása előtt először el kell végeznie az alábbi műveleteket:

Kövesse az ügyfél által felügyelt kulcsok konfigurálásához a következő lépéseket:

• Az Azure Cosmos DB-szolgáltató regisztrálása
• Azure Key Vault létrehozása és konfigurálása
• Kulcs létrehozása

Python

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

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portál

1. Válassza ki az ügyfél által kezelt kulcsokat, majd kattintson a Kattintás gombra a kulcs kiválasztásához.

   

2. Az Azure Key Vault kulcsának kiválasztása űrlapon válassza ki a meglévő Azure Key Vaultot, a benne található kulcsot és a kulcsverziót. Ez a kulcs titkosítja az Azure Cosmos DB-ben tárolt adatokat. Végül használja a Kiválasztás gombot a kulcs használatához.

   

Stúdió

1. Ha ügyfél által felügyelt kulcstitkosítással rendelkező munkaterületet szeretne létrehozni a Studióban, meg kell adnia egy olyan központi munkaterületet, amely engedélyezve van az ügyfél által felügyelt kulcstitkosítással. A központi munkaterület konfigurációjának ellenőrzéséhez tekintse meg az Azure Portalon.

2. Ha a létrehozáskor nem jelöl ki központi munkaterületet, a munkaterület alapértelmezés szerint Microsoft által felügyelt kulcsokat használ.

Identitás

A portálon az Identitás lapon konfigurálhatja a felügyelt identitást, a tárfiók-hozzáférést és az adatokra gyakorolt hatást. A Python SDK-val kapcsolatban tekintse meg a következő szakaszok hivatkozásait.

Felügyelt identitás

A munkaterületek rendszer által hozzárendelt identitást vagy felhasználó által hozzárendelt identitást is megadhatnak. Ez az identitás az előfizetés erőforrásainak eléréséhez használható. További információ: Hitelesítés beállítása az Azure Machine Learning és más szolgáltatások között.

Tárfiók-hozzáférés

Az alapértelmezett tárfiókhoz való csatlakozáskor válasszon a hitelesítőadat-alapú vagy az identitásalapú hozzáférés közül. Identitásalapú hitelesítéshez a Storage Blob Data Közreműködői szerepkört meg kell adni a munkaterület felügyelt identitásának a tárfiókban.

Adathatással

Ha korlátozni szeretné a Microsoft által a munkaterületen gyűjtött adatokat, válassza a Nagy üzleti hatással munkaterületet a portálon, vagy állítsa be hbi_workspace=true a Pythont. Erről a beállításról további információt a Inaktív titkosítás című témakörben talál.

Fontos

A nagy üzleti hatás kiválasztása csak munkaterület létrehozásakor történhet meg. Ezt a beállítást a munkaterület létrehozása után nem módosíthatja.

Címkék

A címkék olyan név/érték párok, amelyek segítségével kategóriákba sorolhatja az erőforrásokat, és ha ugyanazt a címkét több erőforrásra és erőforráscsoportra is alkalmazza, ezzel együtt jelenítheti meg és kezelheti azok összesített számlázási adatait.

Címkék hozzárendelése a munkaterülethez a név-érték párok megadásával. További információ: Címkék használata az Azure-erőforrások rendszerezéséhez.

Emellett címkék használatával [kényszerítse ki a munkaterületi szabályzatokat)(#enforce-szabályzatok).

Konfigurációs fájl letöltése

Ha egy számítási példányon futtatja a kódot, hagyja ki ezt a lépést. A számítási példány létrehozza és tárolja a fájl egy példányát.

Ha a munkaterületre hivatkozó kódot szeretne használni a helyi környezetben, töltse le a fájlt:

1. Munkaterület kiválasztása az Azure Studióban

2. A jobb felső sarokban válassza ki a munkaterület nevét, majd válassza a Letöltés config.json

   

Helyezze a fájlt a Python-szkripteket vagy Jupyter-jegyzetfüzeteket tartalmazó könyvtárstruktúrába. Ugyanez a könyvtár, egy .azureml nevű alkönyvtár vagy egy szülőkönyvtár is tárolhatja ezt a fájlt. Számítási példány létrehozásakor a rendszer hozzáadja ezt a fájlt a megfelelő könyvtárhoz a virtuális gépen.

Szabályzatok kényszerítése

A munkaterület alábbi funkcióit be- és kikapcsolhatja:

• Visszajelzési lehetőségek a munkaterületen. A lehetőségek közé tartoznak az alkalmi terméken belüli felmérések és a mosolygó visszajelzési eszköz a munkaterület szalagcímén.
• A munkaterület előzetes verziójú funkcióinak kipróbálása.

Ezek a funkciók alapértelmezés szerint be vannak kapcsolva. A kikapcsoláshoz:

• A munkaterület létrehozásakor kapcsolja ki a címkék szakasz funkcióit:

  1. Kapcsolja ki a visszajelzést a "ADMIN_HIDE_SURVEY: IGAZ" pár hozzáadásával
  2. Az előnézetek kikapcsolása a "AZML_DISABLE_PREVIEW_FEATURE" pár hozzáadásával: "IGAZ"

• Meglévő munkaterület esetén kapcsolja ki a címkék szakasz funkcióit:

  1. Ugrás a munkaterület erőforrására az Azure Portalon
  2. Címkék megnyitása a bal oldali navigációs panelről
  3. Kapcsolja ki a visszajelzést a "ADMIN_HIDE_SURVEY: IGAZ" pár hozzáadásával
  4. Az előnézetek kikapcsolása a "AZML_DISABLE_PREVIEW_FEATURE: IGAZ" pár hozzáadásával
  5. Válassza az Alkalmazás lehetőséget.

Az előfizetés szintjén kikapcsolhatja az előnézeteket, így biztosítva, hogy az előfizetés összes munkaterületén ki legyen kapcsolva. Ebben az esetben az előfizetés felhasználói a munkaterület kiválasztása előtt sem férhetnek hozzá az előnézeti eszközhöz. Ez a beállítás olyan rendszergazdák számára hasznos, akik szeretnék biztosítani, hogy az előzetes verziójú funkciók ne legyenek használatban a szervezetükben.

Ha az előzetes verziójú beállítás le van tiltva az előfizetés szintjén, az egyes munkaterületeken való beállítás figyelmen kívül lesz hagyva.

Az előzetes verziójú funkciók letiltása előfizetési szinten:

1. Ugrás az előfizetési erőforrásra az Azure Portalon
2. Címkék megnyitása a bal oldali navigációs panelről
3. Kapcsolja ki az előfizetés összes munkaterületének előnézetét a "AZML_DISABLE_PREVIEW_FEATURE" pár hozzáadásával: "IGAZ"
4. Válassza az Alkalmazás lehetőséget.

Csatlakozás munkaterülethez

Ha gépi tanulási feladatokat futtat az SDK-val, egy MLClient-objektumra van szükség, amely meghatározza a munkaterülethez való kapcsolatot. Objektumot MLClient paraméterekből vagy konfigurációs fájlból is létrehozhat.

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

• Konfigurációs fájllal: Ez a kód beolvassa a konfigurációs fájl tartalmát a munkaterület megkereséséhez. Ekkor megjelenik a bejelentkezésre vonatkozó kérés, ha még nem hitelesített.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Paraméterekből: Ha ezt a módszert használja, nem kell config.json fájllal rendelkeznie.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Ha problémái vannak az előfizetés elérésében, olvassa el az Azure Machine Learning-erőforrások és -munkafolyamatok hitelesítésének beállítása, valamint az Azure Machine Learning-jegyzetfüzet hitelesítésének beállítása című témakört.

Munkaterület keresése

Tekintse meg az összes elérhető munkaterület listáját. A Studióban munkaterületet is kereshet. Lásd: Azure Machine Learning-objektumok keresése (előzetes verzió).

Python

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

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

A munkaterület részleteinek lekérése:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portál

1. Jelentkezzen be az Azure Portalra.

2. A felső keresőmezőbe írja be a Machine Learning kifejezést.

3. Válassza a Machine Learning lehetőséget.

   

4. Tekintse át a munkaterületek listáját. Az előfizetés, az erőforráscsoportok és a helyek alapján szűrhet.

5. A tulajdonságok megjelenítéséhez válasszon ki egy munkaterületet.

Stúdió

1. Az Azure Machine Learning Studióban válassza az Összes munkaterület lehetőséget a bal oldali navigációs sávon. Megjelenik a legutóbb használt munkaterületek listája.
2. Az összes olyan munkaterület megtekintéséhez, amelyhez hozzáférése van, válassza a Munkaterületek lehetőséget a bal oldali navigációs sávon.

Munkaterület törlése

Ha már nincs szüksége munkaterületre, törölje azt.

Figyelmeztetés

Ha a helyreállítható törlés engedélyezve van a munkaterületen, a törlés után helyreállítható. Ha a helyreállítható törlés nincs engedélyezve, vagy ha bejelöli a munkaterület végleges törlésének lehetőségét, az nem állítható helyre. További információ: Törölt munkaterület helyreállítása.

Tipp.

Az Azure Machine Learning alapértelmezett viselkedése a munkaterület helyreállítható törlése . Ez azt jelenti, hogy a munkaterület nincs azonnal törölve, hanem törlésre van megjelölve. További információ: Helyreállítható törlés.

Python

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

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Az alapértelmezett művelet nem törli automatikusan a munkaterülethez társított erőforrásokat. Állítsa delete_dependent_resources true (Igaz) értékre az erőforrások törléséhez is.

• container registry
• tárfiók
• kulcstartó
• application insights

Portál

Az Azure Portalon válassza a Törölni lehetőséget a törölni kívánt munkaterület tetején.

Stúdió

Nem törölhet munkaterületet a studióból. Ehelyett használja az Azure Portalt vagy a Python SDK-t.

Az erőforrások eltávolítása

Fontos

A létrehozott erőforrások előfeltételként használhatók más Azure Machine Learning-oktatóanyagokhoz és útmutatókhoz.

Ha nem tervezi használni a létrehozott erőforrások egyikét sem, törölje őket, hogy ne járjon költséggel:

1. Az Azure Portal keresőmezőjében adja meg az erőforráscsoportokat , és válassza ki az eredmények közül.

2. A listából válassza ki a létrehozott erőforráscsoportot.

3. Az Áttekintés lapon válassza az Erőforráscsoport törlése lehetőséget.

   

4. Adja meg az erőforráscsoport nevét. Ezután válassza a Törlés elemet.

Hibaelhárítás

• Támogatott böngészők az Azure Machine Learning Studióban: Javasoljuk, hogy az operációs rendszerrel kompatibilis legfrissebb böngészőt használja. Ezek a böngészők támogatottak:

  • Microsoft Edge (Az új Microsoft Edge, legújabb verzió. Megjegyzés: A Microsoft Edge örökölt verziója nem támogatott)
  • Safari (legújabb verzió, csak Mac)
  • Chrome (legújabb verzió)
  • Firefox (legújabb verzió)

• Azure Portal:

  • Ha az SDK-ból vagy az Azure Portalról közvetlenül a munkaterületre lép egy megosztási hivatkozásból, nem tekintheti meg a standard Áttekintés lapot, amely előfizetési adatokat tartalmaz a bővítményben. Ebben a forgatókönyvben nem válthat másik munkaterületre. Egy másik munkaterület megtekintéséhez lépjen közvetlenül az Azure Machine Learning Studióba, és keresse meg a munkaterület nevét.
  • Minden eszköz (adat, kísérlet, számítás stb.) csak az Azure Machine Learning Studióban érhető el. Az Azure Portal nem* kínálja őket.
  • Ha megpróbál exportálni egy sablont egy munkaterülethez az Azure Portalról, a következőhöz hasonló hibaüzenet jelenhet meg: Could not get resource of the type <type>. Resources of this type will not be exported. Kerülő megoldásként használja a sablon alapjául megadott https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices sablonok egyikét.

Munkaterület-diagnosztika

Diagnosztikát futtathat a munkaterületen az Azure Machine Learning Studióból vagy a Python SDK-ból. A diagnosztika futtatása után a rendszer visszaadja az észlelt problémák listáját. Ez a lista a lehetséges megoldásokra mutató hivatkozásokat tartalmaz. További információ: Munkaterület-diagnosztika használata.

Erőforrás-szolgáltatói hibák

Azure Machine Learning-munkaterület vagy a munkaterület által használt erőforrás létrehozásakor a következő üzenetekhez hasonló hibaüzenet jelenhet meg:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

A legtöbb erőforrás-szolgáltató automatikusan regisztrálva van, de nem az összes. Ha ezt az üzenetet kapja, regisztrálnia kell az említett szolgáltatót.

Az alábbi táblázat az Azure Machine Learning által igényelt erőforrás-szolgáltatók listáját tartalmazza:

Erőforrás-szolgáltató	Miért van rá szükség?
Microsoft.MachineLearningServices	Az Azure Machine Learning-munkaterület létrehozása.
Microsoft.Storage	A rendszer az Azure Storage-fiókot használja a munkaterület alapértelmezett tárolójaként.
Microsoft.ContainerRegistry	Az Azure Container Registryt a munkaterület használja Docker-rendszerképek létrehozásához.
Microsoft.KeyVault	Az Azure Key Vaultot a munkaterület titkos kulcsok tárolására használja.
Microsoft.Notebooks	Integrált jegyzetfüzetek az Azure Machine Learning számítási példányán.
Microsoft.ContainerService	Ha betanított modellek üzembe helyezését tervezi az Azure Kubernetes Servicesben.

Ha ügyfél által felügyelt kulcsot szeretne használni az Azure Machine Learningben, akkor a következő szolgáltatókat kell regisztrálnia:

Erőforrás-szolgáltató	Miért van rá szükség?
Microsoft.DocumentDB	Azure CosmosDB-példány, amely naplózza a munkaterület metaadatait.
Microsoft.Search	Az Azure Search indexelési képességeket biztosít a munkaterülethez.

Ha felügyelt virtuális hálózatot szeretne használni az Azure Machine Learning használatával, akkor a Microsoft.Network erőforrás-szolgáltatót regisztrálni kell. Ezt az erőforrás-szolgáltatót használja a munkaterület a felügyelt virtuális hálózat privát végpontjainak létrehozásakor.

Az erőforrás-szolgáltatók regisztrálásáról további információt az erőforrás-szolgáltató regisztrációjának hibáinak megoldása című témakörben talál.

Az Azure Container Registry törlése

Az Azure Machine Learning-munkaterület az Azure Container Registryt (ACR) használja bizonyos műveletekhez. Automatikusan létrehoz egy ACR-példányt, amikor először szüksége van rá.

Figyelmeztetés

Miután létrehozott egy Azure Container Registryt egy munkaterülethez, ne törölje. Ezzel megszakítja az Azure Machine Learning-munkaterületet.

Példák

A cikkben szereplő példák a workspace.ipynb fájlból származnak.

Következő lépések

Ha már rendelkezik munkaterületével, megtudhatja, hogyan taníthat be és helyezhet üzembe modelleket.

Ha többet szeretne megtudni a munkaterület szervezet igényeinek megfelelő tervezéséről, látogasson el az Azure Machine Learning rendszerezésére és beállítására.

• Ha át kell helyeznie egy munkaterületet egy másik Azure-előfizetésbe, keresse fel a Munkaterület áthelyezése című témakört.

Az Azure Machine Learning naprakészen tartásáról a legújabb biztonsági frissítésekről a Biztonsági rések kezelése című témakörben olvashat.