Menggunakan Tindakan GitHub dengan Azure Machine Learning

BERLAKU UNTUK:Ekstensi Azure CLI ml 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 path /.github/workflows/ dalam 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 tidak memilikinya, buat akun 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

Pertama, tentukan cara mengautentikasi dengan Azure. Opsi yang direkomendasikan dan lebih aman adalah masuk dengan menggunakan OpenID Connect dengan aplikasi Microsoft Entra atau identitas terkelola yang ditetapkan pengguna. Jika perlu, Anda juga dapat menggunakan login dengan menggunakan prinsipal layanan dan kunci rahasia. Pendekatan ini kurang aman dan tidak disarankan.

Membuat kredensial penyebaran

Koneksi OpenID

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

• Buat aplikasi Microsoft Entra dengan perwakilan layanan melalui portal Azure, Azure CLI, atau Azure PowerShell.
• Salin nilai untuk ID Klien, ID Langganan, dan ID Direktori (penyewa) untuk digunakan nanti di alur kerja GitHub Actions Anda.
• Tetapkan peran yang sesuai untuk perwakilan layanan Anda dengan portal Azure, Azure CLI, atau Azure PowerShell.
• Konfigurasikan kredensial identitas gabungan pada aplikasi Microsoft Entra untuk mempercayai token yang dikeluarkan oleh GitHub Actions ke repositori GitHub Anda.

Opsi 2: Identitas terkelola yang ditetapkan pengguna

• Buat identitas terkelola yang dikelola pengguna.
• Salin nilai untuk ID Klien, ID Langganan, dan ID Direktori (penyewa) untuk digunakan nanti di alur kerja GitHub Actions Anda.
• Tetapkan peran yang sesuai untuk identitas terkelola yang ditetapkan pengguna Anda.
• Konfigurasikan kredensial identitas federasi pada identitas terkelola yang ditetapkan pengguna untuk menerima token yang dikeluarkan oleh GitHub Actions agar dapat dipercaya oleh repositori GitHub Anda.

Prinsipal layanan

• Buat aplikasi Microsoft Entra dengan perwakilan layanan melalui portal Azure, Azure CLI, atau Azure PowerShell.
• Buat rahasia klien untuk perwakilan layanan Anda dengan portal Azure, Azure CLI, atau Azure PowerShell.
• Salin nilai untuk ID Klien, Rahasia Klien, ID Langganan, dan ID Direktori (penyewa) untuk digunakan nanti di alur kerja GitHub Actions Anda.
• Tetapkan peran yang sesuai untuk perwakilan layanan Anda dengan portal Azure, Azure CLI, atau Azure PowerShell.

Membuat rahasia

Koneksi OpenID

Anda perlu memberikan ID Klien, ID Direktori (penyewa), dan ID Langganan aplikasi Anda ke tindakan login. 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 Keamanan > Tindakan untuk rahasia dan variabel>.

   

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 Direktori (tenant)

   Catatan

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

Prinsipal layanan

1. Di GitHub, buka repositori Anda.

2. Buka Pengaturan di menu navigasi.

3. Pilih Keamanan > Tindakan untuk rahasia dan variabel>.

   

4. Pilih Rahasia repositori baru.

5. Tempelkan seluruh output JSON dari perintah CLI Azure ke bidang nilai rahasia. Namai rahasia sebagai AZURE_CREDENTIALS.

6. Pilih Tambahkan rahasia.

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

Perbarui 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
   GROUP	Nama grup sumber daya
   LOCATION	Lokasi ruang kerja Anda (misalnya: eastus2)
   WORKSPACE	Nama ruang kerja Azure Machine Learning

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

Gunakan file pipeline.yml untuk menerapkan alur Azure Machine Learning 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 komputasi 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.

Koneksi OpenID

File alur kerja Anda terdiri dari bagian pemicu dan pekerjaan:

• Alur kerja dimulai oleh pemicu di bagian on. Alur kerja dijalankan secara otomatis pada sistem penjadwalan berbasis waktu (cron schedule) dan saat permintaan pull dibuat dari cabang dan jalur yang sesuai. Pelajari selengkapnya tentang peristiwa yang memicu alur kerja.
• Di bagian pekerjaan dalam alur kerja, Anda memeriksa kode dan masuk ke Azure dengan tindakan masuk Azure menggunakan OpenID Connect.
• Bagian tugas juga menyertakan tindakan penyiapan yang memasang dan menyiapkan CLI Pembelajaran Mesin (v2). Setelah CLI dipasang, perintah menjalankan pekerjaan akan menjalankan file 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 mirip dengan ini.

   Catatan

   File alur kerja dalam repositori dapat mencakup langkah-langkah tambahan (seperti bootstrapping dan validasi) yang tidak ditampilkan di sini. Contoh berikut menunjukkan langkah-langkah inti.

   name: cli-jobs-pipelines-nyc-taxi-pipeline
   on:
     workflow_dispatch:
     schedule:
       - cron: "0 0/4 * * *"
     pull_request:
       branches:
         - main
       paths:
         - cli/jobs/pipelines/nyc-taxi/**
         - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
         - cli/run-pipeline-jobs.sh
         - cli/setup.sh
   permissions:
     id-token: write
   jobs:
     build:
       runs-on: ubuntu-latest
       steps:
       - name: check out repo
         uses: actions/checkout@v4
       - 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.

   

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

   

Prinsipal layanan

File alur kerja Anda terdiri dari bagian pemicu dan pekerjaan:

• Alur kerja dimulai oleh pemicu di bagian on. Alur kerja dijalankan secara otomatis pada sistem penjadwalan berbasis waktu (cron schedule) dan saat permintaan pull dibuat dari cabang dan jalur yang sesuai. Pelajari selengkapnya tentang peristiwa yang memicu alur kerja.
• Di bagian tugas alur kerja, Anda memeriksa kode dan masuk ke Azure menggunakan rahasia prinsipal layanan Anda.
• Bagian tugas juga menyertakan tindakan penyiapan yang memasang dan menyiapkan CLI Pembelajaran Mesin (v2). Setelah CLI dipasang, perintah menjalankan pekerjaan akan menjalankan file 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 mirip dengan ini.

   Catatan

   File alur kerja dalam repositori mungkin menyertakan langkah-langkah tambahan yang tidak diperlihatkan di sini. Contoh berikut menunjukkan langkah-langkah inti.

   name: cli-jobs-pipelines-nyc-taxi-pipeline
   on:
     workflow_dispatch:
     schedule:
       - cron: "0 0/4 * * *"
     pull_request:
       branches:
         - main
       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@v4
       - name: azure login
         uses: azure/login@v2
         with:
           creds: ${{secrets.AZURE_CREDENTIALS}}
       - 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.

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

Langkah 6: Verifikasi pelaksanaan 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 buka nyc-taxi-pipeline-example. Verifikasi bahwa setiap bagian dari pekerjaan Anda (persiapan, transformasi, pelatihan, prediksi, skor) selesai dan Anda melihat tanda centang hijau.

   

Membersihkan sumber daya

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

Langkah berikutnya

Membuat alur ML produksi dengan SDK Python