Azure Machine Learning-munkaterületek kezelése az Azure CLI használatával
A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény v2 (aktuális)
Ebben a cikkben megtudhatja, hogyan hozhat létre és kezelhet Azure Machine Learning-munkaterületeket az Azure CLI használatával. Az Azure CLI parancsokat biztosít az Azure-erőforrások kezeléséhez, és úgy lett kialakítva, hogy gyorsan működjön az Azure-ral, különös hangsúlyt fektetve az automatizálásra. Az Azure CLI machine learning bővítmény parancsokat biztosít az Azure Machine Learning-erőforrások használatához.
Az Azure Machine Learning-munkaterületek létrehozásához és kezeléséhez az alábbi módszereket is használhatja:
- Azure Machine Learning Studio
- Azure Portalra
- Python SDK
- Azure PowerShell
- Visual Studio Code az Azure Machine Learning bővítménnyel
Előfeltételek
Azure-előfizetés az Azure Machine Learning ingyenes vagy fizetős verziójával. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot.
Az Azure CLI telepítve van, ha helyileg szeretné futtatni az Azure CLI-parancsokat ebben a cikkben.
Ha az Azure CLI-parancsokat az Azure Cloud Shellben futtatja, semmit sem kell telepítenie. A böngésző hozzáfér az Azure CLI legújabb felhőalapú verziójához és az Azure Machine Learning bővítményhez.
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.
Csatlakozás az Azure-előfizetéshez
Ha az Azure Cloud Shellt használja az Azure Portalról, kihagyhatja ezt a szakaszt. A cloud shell automatikusan hitelesíti Önt azzal az Azure-előfizetéssel, amellyel bejelentkezett.
Az Azure CLI-ből többféleképpen is hitelesítheti helyileg az Azure-előfizetését. A legegyszerűbb módszer a böngésző használata.
Az interaktív hitelesítéshez nyisson meg egy parancssort vagy egy terminált, és futtassa a parancsot az login
. Ha a parancssori felület meg tudja nyitni az alapértelmezett böngészőt, ezt teszi, és betölt egy bejelentkezési lapot. Ellenkező esetben a parancssori utasításokat követve nyisson meg egy böngészőt, https://aka.ms/devicelogin és adjon meg egy eszközengedélyezési kódot.
Tipp.
A bejelentkezés után megjelenik az Azure-fiókhoz társított előfizetések listája. Az előfizetés adatai isDefault: true
az Azure CLI-parancsok jelenleg aktivált előfizetése. Ennek az előfizetésnek ugyanazzal az előfizetéssel kell rendelkeznie, amely az Azure Machine Learning-munkaterületet tartalmazza. Az előfizetéssel kapcsolatos információkat a munkaterület áttekintési oldalán találja az Azure Portalon.
Az Azure CLI-parancsokhoz használandó másik előfizetés kiválasztásához futtassa a az account set -s <subscription>
parancsot, és adja meg az előfizetés nevét vagy azonosítóját, amelyre váltani szeretne. További információ az előfizetés kiválasztásáról: Több Azure-előfizetés használata.
A hitelesítés egyéb módjaiért lásd: Bejelentkezés az Azure CLI-vel.
Erőforráscsoport létrehozása
Az Azure Machine Learning-munkaterületet egy meglévő vagy új erőforráscsoportban kell létrehozni. Új erőforráscsoport létrehozásához futtassa a következő parancsot. Cserélje le <resource-group-name>
a nevet és <location>
az erőforráscsoporthoz használni kívánt Azure-régiót.
Feljegyzés
Mindenképpen válasszon ki egy régiót, ahol elérhető az Azure Machine Learning. További információ: Régiónként elérhető termékek.
az group create --name <resource-group-name> --location <azure-region>
A parancsra adott válasz hasonló a következő JSON-hoz. A kimeneti értékekkel megkeresheti a létrehozott erőforrásokat, vagy továbbíthatja őket bemenetként más Azure CLI-parancsok vagy automatizálás számára.
{
"id": "/subscriptions/<subscription-GUID>/resourceGroups/<resourcegroupname>",
"location": "<location>",
"managedBy": null,
"name": "<resource-group-name>",
"properties": {
"provisioningState": "Succeeded"
},
"tags": null,
"type": null
}
Az erőforráscsoportok használatával kapcsolatos további információkért lásd az az csoportot.
Munkaterület létrehozása
Az üzembe helyezett Azure Machine Learning-munkaterületek különböző más szolgáltatásokat igényelnek függő társított erőforrásokként. Amikor az Azure CLI használatával hoz létre munkaterületet, a parancssori felület létrehozhatja az új társított erőforrásokat, vagy csatolhat meglévő erőforrásokat.
Ha új munkaterületet szeretne létrehozni új automatikusan létrehozott függő szolgáltatásokkal, futtassa a következő parancsot:
az ml workspace create -n <workspace-name> -g <resource-group-name>
Meglévő erőforrásokat használó új munkaterület létrehozásához először meg kell határoznia az erőforrásokat egy YAML-konfigurációs fájlban, az alábbi szakaszban leírtak szerint. Ezután hivatkozzon a YAML-fájlra az Azure CLI-munkaterület létrehozási parancsában az alábbiak szerint:
az ml workspace create -g <resource-group-name> --file <configuration-file>.yml
A munkaterület-létrehozási parancs kimenete a következő JSON-hoz hasonló. A kimeneti értékekkel megkeresheti a létrehozott erőforrásokat, vagy más Azure CLI-parancsok bemeneteként továbbíthatja őket.
{
"applicationInsights": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.insights/components/<application-insight-name>",
"containerRegistry": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.containerregistry/registries/<container-registry-name>",
"creationTime": "2019-08-30T20:24:19.6984254+00:00",
"description": "",
"friendlyName": "<workspace-name>",
"id": "/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-id>",
"identityPrincipalId": "<GUID>",
"identityTenantId": "<GUID>",
"identityType": "SystemAssigned",
"keyVault": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.keyvault/vaults/<key-vault-name>",
"location": "<location>",
"name": "<workspace-name>",
"resourceGroup": "<resource-group-name>",
"storageAccount": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.storage/storageaccounts/<storage-account-name>",
"type": "Microsoft.MachineLearningServices/workspaces",
"workspaceid": "<GUID>"
}
YAML-konfigurációs fájl
Ha meglévő erőforrásokat szeretne használni egy új munkaterülethez, egy YAML-konfigurációs fájlban kell meghatároznia az erőforrásokat. Az alábbi példa egy YAML-munkaterület konfigurációs fájlját mutatja be:
$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-basicex-prod
location: eastus
display_name: Bring your own dependent resources-example
description: This configuration specifies a workspace configuration with existing dependent resources
storage_account: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>
container_registry: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>
key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
application_insights: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>
tags:
purpose: demonstration
Nem kell megadnia az összes társított függő erőforrást a konfigurációs fájlban. Megadhat egy vagy több erőforrást, és a többit automatikusan létrehozhatja.
Meg kell adnia a YAML-fájlban lévő meglévő erőforrások azonosítóit. Ezeket az azonosítókat az erőforrás tulajdonságainak az Azure Portalon való megtekintésével vagy az alábbi Azure CLI-parancsok futtatásával szerezheti be:
- Azure-alkalmazás Insights:
az monitor app-insights component show --app <application-insight-name> -g <resource-group-name> --query "id"
- Azure Container Registry:
az acr show --name <container-registry-name> -g <resource-group-name> --query "id"
- Azure Key Vault:
az keyvault show --name <key-vault-name> --query "id"
- Azure Storage-fiók:
az storage account show --name <storage-account-name> --query "id"
A lekérdezés eredményei a következő sztringhez hasonlóan néznek ki:
"/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/<provider>/<subresource>/<id>"
.
Társított függő erőforrások
A munkaterületekhez társított függő erőforrásokra az alábbi szempontok és korlátozások vonatkoznak.
Application Insights
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.
Container Registry
Az Azure Machine Learning-munkaterület egyes műveletekhez az Azure Container Registryt használja, és automatikusan létrehoz egy Container Registry-példányt, amikor először szüksége van rá.
Figyelmeztetés
Miután létrehozott egy Azure Container Registryt egy munkaterülethez, ne törölje. Ezzel megszakítja az Azure Machine Learning-munkaterületet.
Ha meglévő Azure-tárolóregisztrációs adatbázist szeretne használni egy Azure Machine Learning-munkaterülettel, engedélyeznie kell a rendszergazdai fiókot a tárolóregisztrációs adatbázisban.
Tárfiók
Ha meglévő tárfiókot használ a munkaterülethez, annak meg kell felelnie az alábbi feltételeknek. Ezek a követelmények csak az alapértelmezett tárfiókra vonatkoznak.
- A fiók nem lehet Premium_LRS vagy Premium_GRS.
- Az Azure Blob és az Azure File képességeit egyaránt engedélyezni kell.
- A hierarchikus névteret le kell tiltani az Azure Data Lake Storage esetében.
Az Azure CLI-kommunikáció biztonságossá tétele
Minden Azure Machine Learning V2-parancs az ml
operatív adatokat, például YAML-paramétereket és metaadatokat közöl az Azure Resource Managerrel. Néhány Azure CLI-parancs az interneten keresztül kommunikál az Azure Resource Managerrel.
Ha az Azure Machine Learning-munkaterület nyilvános, és nem áll virtuális hálózat mögött, a kommunikációt HTTPS/TLS 1.2 használatával biztosítjuk. Nincs szükség további konfigurációra.
Ha az Azure Machine Learning-munkaterület privát végpontot és virtuális hálózatot használ, az Azure CLI használatához az alábbi konfigurációk egyikét kell választania:
A nyilvános interneten keresztüli kommunikációhoz állítsa a paramétert a
--public-network-access
következőreEnabled
: .Ha biztonsági okokból szeretné elkerülni a nyilvános interneten keresztüli kommunikációt, konfigurálja az Azure Machine Learninget úgy, hogy magánhálózati kapcsolatot használjon egy Azure Private Link-végponttal, az alábbi szakaszban leírtak szerint.
Privát hálózati kapcsolat
A használati esettől és a szervezeti követelményektől függően konfigurálhatja az Azure Machine Learninget a magánhálózati kapcsolatok használatára. Az Azure CLI használatával üzembe helyezhet egy munkaterületet és egy Private Link-végpontot a munkaterület-erőforráshoz.
Ha privát kapcsolatvégpontokat használ mind az Azure Container Registryhez, mind az Azure Machine Learninghez, a Container Registry-feladatokkal nem hozhat létre Docker-környezetrendszerképeket. Ehelyett egy Azure Machine Learning számítási fürt használatával kell képeket készítenie.
A YAML-munkaterület konfigurációs fájljában a image_build_compute
tulajdonságot egy számítási fürt nevére kell beállítania, amelyet a Docker-rendszerkép-környezetek létrehozásához kell használni. A tulajdonság Disabled
beállításával public_network_access
azt is megadhatja, hogy a privát kapcsolat munkaterülete nem érhető el az interneten keresztül.
Az alábbi kód egy példa munkaterület-konfigurációs fájlt mutat be a magánhálózati kapcsolatokhoz.
$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-privatelink-prod
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:
purpose: demonstration
A munkaterület létrehozása után az Azure networking CLI-parancsaival hozzon létre egy privát kapcsolati végpontot a munkaterülethez.
az network private-endpoint create \
--name <private-endpoint-name> \
--vnet-name <virtual-network-name> \
--subnet <subnet-name> \
--private-connection-resource-id "/subscriptions/<subscription>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>" \
--group-id amlworkspace \
--connection-name workspace -l <location>
A privát tartománynévrendszer (DNS) zónabejegyzéseinek a munkaterülethez való létrehozásához használja az alábbi parancsokat:
# Add privatelink.api.azureml.ms
az network private-dns zone create \
-g <resource-group-name> \
--name 'privatelink.api.azureml.ms'
az network private-dns link vnet create \
-g <resource-group-name> \
--zone-name 'privatelink.api.azureml.ms' \
--name <link-name> \
--virtual-network <virtual-network-name> \
--registration-enabled false
az network private-endpoint dns-zone-group create \
-g <resource-group-name> \
--endpoint-name <private-endpoint-name> \
--name <zone-group-name> \
--private-dns-zone 'privatelink.api.azureml.ms' \
--zone-name 'privatelink.api.azureml.ms'
# Add privatelink.notebooks.azure.net
az network private-dns zone create \
-g <resource-group-name> \
--name 'privatelink.notebooks.azure.net'
az network private-dns link vnet create \
-g <resource-group-name> \
--zone-name 'privatelink.notebooks.azure.net' \
--name <link-name> \
--virtual-network <virtual-network-name> \
--registration-enabled false
az network private-endpoint dns-zone-group add \
-g <resource-group-name> \
--endpoint-name <private-endpoint-name> \
--name <zone-group-name> \
--private-dns-zone 'privatelink.notebooks.azure.net' \
--zone-name 'privatelink.notebooks.azure.net'
A privát végpont és a virtuális hálózat munkaterülettel való használatáról az alábbi cikkekben talál további információt:
- Privát végpont konfigurációja az Azure Machine Learning-munkaterülethez
- A virtuális hálózatok elkülönítése és az adatvédelem áttekintése
Erőforrás-kezelés privát hivatkozásai
Az alábbi eljárással biztonságossá teheti a kommunikációt egy Azure-felügyeleti csoport összes Azure Resource Manager-erőforrásával a Private Link használatával:
- Hozzon létre egy privát hivatkozást az Azure-erőforrások kezeléséhez.
- Hozzon létre egy privát végpontot az előző lépésben létrehozott privát hivatkozáshoz.
Fontos
Az Azure Resource Manager privát hivatkozásának konfigurálásához az Azure-előfizetés tulajdonosának, a gyökérszintű felügyeleti csoport tulajdonosának vagy közreműködőjének kell lennie. További információ: Privát hivatkozás létrehozása az Azure-erőforrások kezeléséhez.
Speciális konfigurációk
A munkaterületekre számos más speciális konfiguráció is alkalmazható. Összetett erőforráskonfigurációk esetén tekintse meg a sablonalapú üzembe helyezési lehetőségeket is, beleértve az Azure Resource Managert is.
Felhasználó által kezelt kulcsok
Alapértelmezés szerint a munkaterület metaadatait a Microsoft által fenntartott Azure Cosmos DB-példány tárolja, és a Microsoft által felügyelt kulcsokkal titkosítja. A Microsoft által felügyelt kulcs használata helyett saját kulcsot is megadhat. A saját kulccsal további erőforrásokat hozhat létre az Azure-előfizetésben az adatok tárolásához.
Feljegyzés
Az Azure Cosmos DB nem a modell teljesítményadatainak, a kísérletek által naplózott információknak vagy a modelltelepítésekből naplózott információknak a tárolására szolgál.
Ha saját kulcsot használó munkaterületet szeretne létrehozni, használja a customer_managed_key
YAML-munkaterület konfigurációs fájljában található paramétert, és adja meg a tárolóban található tárolóban lévő tárolóban key_vault
key_uri
található kulcs erőforrás-azonosítóját.
$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-cmkexample-prod
location: eastus
display_name: Customer managed key encryption-example
description: This configurations shows how to create a workspace that uses customer-managed keys for encryption.
customer_managed_key:
key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
key_uri: https://<KEY_VAULT>.vault.azure.net/keys/<KEY_NAME>/<KEY_VERSION>
tags:
purpose: demonstration
Ha többet szeretne megtudni a saját kulcs titkosításához használt erőforrásokról, tekintse meg az Azure Machine Learning adattitkosítását.
Feljegyzés
A hozzáadott adattitkosítási erőforrások kezeléséhez az Identity and Access Management használatával engedélyezze a Machine Learning-alkalmazást közreműködői engedélyekkel az előfizetésen.
Nagy üzleti hatású munkaterületek
A Microsoft által a munkaterületen gyűjtött adatok korlátozásához a YAML konfigurációs fájlban található tulajdonság beállításával hbi_workspace
megadhat egy nagy üzleti hatást igénylő munkaterületet TRUE
. A nagy üzleti hatást csak munkaterület létrehozásakor állíthatja be. Ezt a beállítást a munkaterület létrehozása után nem módosíthatja.
Az ügyfél által felügyelt kulcsokkal és a nagy üzleti hatással járó munkaterületről további információt az Azure Machine Learning nagyvállalati biztonsága című témakörben talál.
Munkaterületek kezelése az Azure CLI használatával
Az ml-munkaterület parancsaival kezelheti a munkaterületeket.
Munkaterület adatainak lekérése
A munkaterületre vonatkozó információk lekéréséhez használja a következő parancsot:
az ml workspace show -n <workspace-name> -g <resource-group-name>
További információ: az ml workspace show.
Munkaterület frissítése
Munkaterület frissítéséhez használja a következő parancsot:
az ml workspace update -n <workspace-name> -g <resource-group-name>
A következő parancs például frissíti a munkaterületet a nyilvános hálózati hozzáférés engedélyezéséhez:
az ml workspace update -n <workspace-name> -g <resource-group-name> --public-network-access enabled
További információ: az ml workspace update.
Szinkronizálási kulcsok függő erőforrásokhoz
Ha módosítja a munkaterület által használt erőforrások egyikének hozzáférési kulcsait, körülbelül egy órát vesz igénybe, amíg a munkaterület szinkronizálódik az új kulcsokkal. Ha azt szeretné, hogy a munkaterület azonnal szinkronizálja az új kulcsokat, használja a következő parancsot:
az ml workspace sync-keys -n <workspace-name> -g <resource-group-name>
- A parancsról további információt az
sync-keys
ml-munkaterület szinkronizálási kulcsait ismertető cikkben talál. - A kulcsok módosításáról további információt a tárelérési kulcsok újragenerálása című témakörben talál.
Munkaterület áthelyezése
Az Azure Machine Learning-munkaterület áthelyezése jelenleg előzetes verzióban érhető el. További információ: Azure Machine Learning-munkaterületek áthelyezése előfizetések között (előzetes verzió).
Munkaterület törlése
Ha törölni szeretne egy munkaterületet, miután már nincs rá szükség, használja a következő parancsot:
az ml workspace delete -n <workspace-name> -g <resource-group-name>
Az Azure Machine Learning alapértelmezett viselkedése a munkaterület helyreállítható törlése . A munkaterület nem törlődik azonnal, hanem törlésre van megjelölve. További információ: Helyreállítható törlés.
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.
A munkaterület törlése nem törli a munkaterület által használt alkalmazáselemzéseket, tárfiókot, kulcstartót vagy tárolóregisztrációs adatbázist. A munkaterület, a függő erőforrások és az erőforráscsoport összes többi Azure-erőforrásának törléséhez törölheti az erőforráscsoportot. Az erőforráscsoport törléséhez használja a következő parancsot:
az group delete -g <resource-group-name>
További információ: az ml-munkaterület törlése.
Erőforrás-szolgáltatói hibák elhárítása
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.
Kapcsolódó erőforrások
- A gépi tanuláshoz készült Azure CLI-bővítményről további információt az az ml dokumentációjában talál.
- A munkaterületi problémák azonosítását és megoldását segítő diagnosztikáról a munkaterület-diagnosztikák használata című témakörben olvashat.
- Az Azure Machine Learning naprakészen tartásáról a legújabb biztonsági frissítésekről a Sebezhetőségek kezelése című témakörben olvashat.
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: