Bagikan melalui

Menggunakan Tindakan GitHub dengan Azure Machine Learning

BERLAKU UNTUK:Ekstensi ml Azure CLI v2 (saat ini)Python SDK azure-ai-ml v2 (saat ini)

Mulai menggunakan Tindakan GitHub untuk melatih model di Azure Machine Learning.

Artikel ini mengajarkan anda cara membuat alur kerja GitHub Actions yang membangun dan menyebarkan model pembelajaran mesin ke Azure Pembelajaran Mesin. Anda melatih model regresi linier scikit-learn pada himpunan data Taksi NYC.

GitHub Actions menggunakan file YAML alur kerja (.yml) di /.github/workflows/ jalur di repositori Anda. Definisi ini berisi berbagai langkah dan parameter yang membentuk alur kerja.

Prasyarat

  • Ruang kerja Azure Machine Learning. Untuk langkah-langkah membuat ruang kerja, lihat Membuat ruang kerja.

  • Azure Machine Learning SDK untuk Python v2. Untuk menginstal SDK, gunakan perintah berikut:

    pip install azure-ai-ml azure-identity

    Untuk memperbarui penginstalan SDK yang ada ke versi terbaru, gunakan perintah berikut:

    pip install --upgrade azure-ai-ml azure-identity

    Untuk informasi lebih lanjut, lihat Azure Machine Learning Package client library for Python.

  • Akun GitHub. Jika Anda belum memilikinya, daftar gratis.

Langkah 1: Dapatkan kode

Fork repositori berikut pada GitHub:

https://github.com/azure/azureml-examples

Kloning repositori fork Anda secara lokal.

git clone https://github.com/YOUR-USERNAME/azureml-examples

Langkah 2: Mengautentikasi dengan Azure

Anda harus terlebih dahulu menentukan cara mengautentikasi dengan Azure. Opsi yang direkomendasikan dan lebih aman adalah masuk dengan OpenID Connect menggunakan aplikasi Microsoft Entra atau identitas terkelola yang ditetapkan pengguna. Jika perlu, Anda juga dapat menggunakan masuk dengan perwakilan layanan dan rahasia. Pendekatan ini kurang aman dan tidak disarankan.

Membuat info masuk penyebaran

Untuk menggunakan tindakan Azure Login dengan OIDC, Anda perlu mengonfigurasi kredensial identitas gabungan pada aplikasi Microsoft Entra atau identitas terkelola yang ditetapkan pengguna.

Opsi 1: Aplikasi Microsoft Entra

Opsi 2: Identitas terkelola yang ditetapkan pengguna

Membuat rahasia

Anda perlu memberikan ID Klien, ID Direktori (penyewa) aplikasi Anda, dan ID Langganan ke tindakan masuk. Nilai ini bisa disediakan secara langsung di alur kerja atau bisa disimpan di rahasia GitHub dan direferensikan dalam alur kerja Anda. Menyimpan nilai sebagai GitHub rahasia adalah opsi yang lebih aman.

  1. Di GitHub, buka repositori Anda.

  2. Pilih > Rahasia keamanan > dan variabel.

    Cuplikan layar menambahkan rahasia

  3. Pilih Rahasia repositori baru.

    Catatan

    Untuk meningkatkan keamanan alur kerja di repositori publik, gunakan rahasia lingkungan alih-alih rahasia repositori. Jika lingkungan memerlukan persetujuan, pekerjaan tidak dapat mengakses rahasia lingkungan hingga salah satu peninjau yang diperlukan menyetujuinya.

  4. Membuat rahasia untuk AZURE_CLIENT_ID, AZURE_TENANT_ID, dan AZURE_SUBSCRIPTION_ID. Salin nilai-nilai ini dari aplikasi Microsoft Entra atau identitas terkelola yang ditetapkan pengguna untuk rahasia GitHub Anda:

    Rahasia GitHub Aplikasi Microsoft Entra atau identitas terkelola yang ditetapkan pengguna
    AZURE_CLIENT_ID ID klien
    AZURE_SUBSCRIPTION_ID (ID Langganan Azure) ID Langganan
    AZURE_TENANT_ID (ID Penyewa Azure) ID (tenant) direktori

    Catatan

    Untuk alasan keamanan, sebaiknya gunakan Rahasia GitHub daripada meneruskan nilai langsung ke alur kerja.

Langkah 3: Perbarui setup.sh untuk menyambungkan ke ruang kerja Azure Pembelajaran Mesin Anda

Anda perlu memperbarui variabel file penyiapan CLI agar sesuai dengan ruang kerja Anda.

  1. Di repositori fork Anda, buka azureml-examples/cli/.

  2. Edit setup.sh dan perbarui variabel ini dalam file.

    Variabel Deskripsi
    KELOMPOK Nama grup sumber daya
    TEMPAT Lokasi ruang kerja Anda (misalnya: eastus2)
    RUANG KERJA Nama ruang kerja Azure Pembelajaran Mesin

Langkah 4: Perbarui pipeline.yml dengan nama kluster komputasi Anda

Anda menggunakan pipeline.yml file untuk menyebarkan alur Azure Pembelajaran Mesin Anda. Alur adalah alur pembelajaran mesin dan bukan alur DevOps. Anda hanya perlu membuat pembaruan ini jika Anda menggunakan nama selain cpu-cluster untuk nama kluster komputer Anda.

  1. Di repositori fork Anda, buka azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml.
  2. Setiap kali Anda melihat compute: azureml:cpu-cluster, perbarui nilai cpu-cluster dengan nama kluster komputasi Anda. Misalnya, jika kluster Anda bernama my-cluster, nilai baru Anda akan menjadi azureml:my-cluster. Terdapat lima pembaruan.

Langkah 5: Jalankan alur kerja Tindakan GitHub Anda

Alur kerja Anda mengautentikasi dengan Azure, menyiapkan Azure Machine Learning CLI, dan menggunakan CLI untuk melatih model di Azure Machine Learning.

File alur kerja Anda terdiri dari bagian pemicu dan pekerjaan:

  • Pemicu memulai alur kerja di bagian on. Alur kerja berjalan secara default pada jadwal cron dan saat permintaan pull dibuat dari cabang dan jalur yang cocok. Pelajari selengkapnya tentang peristiwa yang memicu alur kerja.
  • Di bagian pekerjaan alur kerja, Anda memeriksa kode dan masuk ke Azure dengan tindakan masuk Azure menggunakan OpenID Connect.
  • Bagian pekerjaan juga menyertakan tindakan penyiapan yang memasang dan menyiapkan CLI Pembelajaran Mesin (v2). Setelah CLI dipasang, tindakan jalankan pekerjaan menjalankan file pipeline.yml Azure Machine Learning Anda untuk melatih model dengan data taksi NYC.

Mengaktifkan alur kerja Anda

  1. Di repositori fork Anda, buka .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml dan verifikasi bahwa alur kerja Anda terlihat seperti ini.

    name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
      - sdk-preview
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v2
    - name: azure login
      uses: azure/login@v2
      with:
          client-id: ${{ secrets.AZURE_CLIENT_ID }}
          tenant-id: ${{ secrets.AZURE_TENANT_ID }}
          subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

  2. Pilih Tampilkan eksekusi.

  3. Aktifkan alur kerja dengan memilih Saya memahami alur kerja saya, lanjutkan dan aktifkan.

  4. Pilih alur kerja cli-jobs-pipelines-nyc-taxi-pipeline dan pilih Aktifkan alur kerja.

    Cuplikan layar dari mengaktifkan alur kerja Tindakan GitHub.

  5. Pilih Jalankan alur kerja dan pilih opsi untuk Menjalankan alur kerja sekarang.

    Cuplikan layar dari menjalankan alur kerja Tindakan GitHub.

Langkah 6: Verifikasi eksekusi alur kerja Anda

  1. Buka eksekusi alur kerja yang telah selesai dan verifikasi bahwa pekerjaan build berhasil dijalankan. Anda melihat tanda centang hijau di samping pekerjaan.

  2. Buka studio Azure Machine Learning dan navigasikan ke nyc-taxi-pipeline-example. Verifikasi bahwa setiap bagian dari pekerjaan Anda (persiapan, transformasi, pelatihan, prediksi, skor) selesai dan Anda melihat tanda centang hijau.

    Cuplikan layar dari eksekusi Studio Azure Machine Learning yang berhasil.

Membersihkan sumber daya

Saat grup sumber daya Anda tidak lagi diperlukan, hapus sumber daya yang Anda sebarkan dengan menghapus grup sumber daya dan repositori GitHub Anda.

Langkah berikutnya

Membuat alur ML produksi dengan SDK Python

  • Last updated on