Mengelola ruang kerja Azure Pembelajaran Mesin di portal atau dengan Python SDK (v2)

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

Dalam artikel ini, Anda membuat, menampilkan, dan menghapus ruang kerja Azure Pembelajaran Mesin untuk Azure Pembelajaran Mesin, dengan portal Azure atau SDK untuk Python.

Saat kebutuhan Anda berubah atau persyaratan otomatisasi Meningkat, Anda dapat mengelola ruang kerja dengan CLI, Azure PowerShell, atau melalui ekstensi Visual Studio Code.

Prasyarat

• Langganan Azure. Jika Anda tidak memiliki langganan Azure, buat akun gratis sebelum Anda memulai. Coba versi gratis atau berbayar Azure Machine Learning sekarang.
• Dengan Python SDK:

  1. Instal SDK v2.

  2. Instal azure-identity: pip install azure-identity. Jika dalam sel buku catatan, gunakan %pip install azure-identity.

  3. Berikan detail langganan Anda:

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

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

  4. Dapatkan handel ke langganan. Semua kode Python dalam artikel ini menggunakan 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)

     • (Opsional) Jika Anda memiliki beberapa akun, tambahkan ID penyewa ID Microsoft Entra yang ingin Anda gunakan ke DefaultAzureCredentialdalam . Temukan ID penyewa Anda dari portal Azure di bawah ID Microsoft Entra, Identitas Eksternal.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Opsional) Jika Anda bekerja di wilayah Azure Government - AS atau Azure China 21Vianet , Anda perlu menentukan cloud tempat Anda ingin mengautentikasi. Anda dapat menentukan wilayah ini di DefaultAzureCredential.

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

Batasan

• Saat membuat ruang kerja baru, Anda dapat secara otomatis membuat layanan yang diperlukan oleh ruang kerja atau menggunakan layanan yang ada. Jika Anda ingin menggunakan layanan yang sudah ada dari langganan Azure yang berbeda dari ruang kerja, Anda harus mendaftarkan kumpulan nama Pembelajaran Mesin Azure dalam langganan yang berisi layanan tersebut. Misalnya, jika Anda membuat ruang kerja di langganan A yang menggunakan akun penyimpanan di langganan B, namespace Azure Pembelajaran Mesin harus terdaftar di langganan B sebelum ruang kerja dapat menggunakan akun penyimpanan.

  Penyedia sumber daya untuk Pembelajaran Mesin Azure adalah Microsoft.MachineLearningServices. Untuk informasi tentang melihat apakah terdaftar atau mendaftarkannya, lihat Penyedia dan jenis sumber daya Azure.

  Penting

  Informasi ini hanya berlaku untuk sumber daya yang disediakan selama pembuatan ruang kerja: Akun Azure Storage, Azure Container Registry, Azure Key Vault, dan Application Insights.

• Untuk isolasi jaringan dengan titik akhir online, Anda dapat menggunakan sumber daya terkait ruang kerja (Azure Container Registry (ACR), Akun penyimpanan, Key Vault, dan Application Insights) dari grup sumber daya yang berbeda dari ruang kerja Anda. Namun, sumber daya ini harus termasuk dalam langganan dan penyewa yang sama dengan ruang kerja Anda. Untuk informasi tentang batasan yang berlaku untuk mengamankan titik akhir online terkelola, menggunakan jaringan virtual terkelola ruang kerja, lihat Isolasi jaringan dengan titik akhir online terkelola.

• Pembuatan ruang kerja juga membuat Azure Container Registry (ACR) secara default. Karena ACR saat ini tidak mendukung karakter unicode dalam nama grup sumber daya, gunakan grup sumber daya yang menghindari karakter ini.

• Azure Pembelajaran Mesin tidak mendukung namespace hierarkis (fitur Azure Data Lake Storage Gen2) untuk akun penyimpanan default ruang kerja.

Tip

Instans Azure Application Insights dibuat saat Anda membuat ruang kerja. Anda dapat menghapus instans Application Insights setelah pembuatan kluster jika Anda mau. Menghapusnya membatasi informasi yang dikumpulkan dari ruang kerja, dan mungkin membuatnya lebih sulit untuk memecahkan masalah. Jika Anda menghapus instans Application Insights yang dibuat oleh ruang kerja, satu-satunya cara untuk membuatnya kembali adalah dengan menghapus dan membuat ulang ruang kerja.

Untuk informasi selengkapnya tentang menggunakan instans Application Insights, lihat Memantau dan mengumpulkan data dari titik akhir layanan web Pembelajaran Mesin.

Membuat ruang kerja

Anda dapat membuat ruang kerja secara langsung di studio Azure Machine Learning, dengan opsi terbatas yang tersedia. Anda juga dapat menggunakan salah satu metode ini untuk kontrol opsi lainnya:

Python SDK

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

• Konfigurasi dasar untuk memulai Tanpa spesifikasi, sumber daya terkait dan grup sumber daya Azure dibuat secara otomatis. Kode ini membuat ruang kerja bernama myworkspace, sumber daya Azure dependen (Akun penyimpanan, Key Vault, Container Registry, Application Insights), dan grup sumber daya bernama myresourcegroup di 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)

• Gunakan sumber daya Azure yang sudah ada. Untuk membawa sumber daya Azure yang sudah ada, referensikan menggunakan format ID sumber daya Azure. Temukan ID sumber daya Azure tertentu di portal Azure, atau dengan SDK. Contoh ini mengasumsikan bahwa grup sumber daya, akun Penyimpanan, Key Vault, Application Insights, dan Container Registry sudah ada.

  # 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)

• (Pratinjau) Gunakan ruang kerja hub yang ada. Alih-alih membuat ruang kerja default dengan pengaturan keamanannya sendiri dan sumber daya terkait, Anda dapat menggunakan kembali lingkungan bersama ruang kerja hub. Ruang kerja 'proyek' baru Anda akan mendapatkan pengaturan keamanan dan konfigurasi bersama dari hub termasuk komputasi dan koneksi. Contoh ini mengasumsikan bahwa ruang kerja hub sudah ada.

  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()
  

Untuk informasi lebih lanjut, lihat Referensi SDK Ruang Kerja.

Jika Anda mengalami masalah dalam mengakses langganan Anda, lihat Menyiapkan autentikasi untuk sumber daya dan alur kerja Azure Pembelajaran Mesin, dan Autentikasi di buku catatan azure Pembelajaran Mesin.

Portal

1. Masuk ke portal Microsoft Azure dengan menggunakan info masuk untuk langganan Azure Anda.

2. Di pojok kiri atas portal Azure, pilih + Buat sumber daya.

   

3. Gunakan bilah penelusuran untuk menemukan Pembelajaran Mesin.

4. Pilih Pembelajaran Mesin.

5. Di panel Pembelajaran Mesin, pilih Buat untuk memulai.

6. Berikan informasi berikut untuk mengonfigurasi ruang kerja baru Anda:

   Bidang	Deskripsi
   Nama ruang kerja	Masukkan nama unik yang mengidentifikasi ruang kerja Anda. Contoh ini menggunakan docs-ws. Tidak boleh ada ruang kerja dengan nama yang sama di seluruh grup sumber daya. Gunakan nama yang mudah diingat dan yang berbeda dari ruang kerja yang dibuat oleh orang lain. Nama ruang kerja tidak peka huruf besar/kecil.
   Langganan	Pilih langganan Azure yang ingin Anda gunakan.
   Grup sumber daya	Gunakan grup sumber daya yang sudah ada di langganan Anda. Untuk membuat grup sumber daya baru, masukkan nama. Grup sumber daya menyimpan sumber daya terkait untuk solusi Azure. Anda memerlukan peran kontributor atau pemilik untuk menggunakan grup sumber daya yang ada. Untuk informasi selengkapnya tentang akses, lihat Mengelola akses ke ruang kerja Azure Machine Learning.
   Wilayah	Pilih wilayah Azure yang paling dekat dengan pengguna dan sumber daya data Anda.
   Akun Penyimpanan	Akun penyimpanan default untuk ruang kerja. Secara default, baru saja dibuat.
   Key Vault	Azure Key Vault yang digunakan oleh ruang kerja. Secara default, baru saja dibuat.
   Application Insights	Instans wawasan aplikasi untuk ruang kerja. Secara default, baru saja dibuat.
   Container Registry	Azure Container Registry untuk ruang kerja. Secara default, yang baru awalnya tidak dibuat untuk ruang kerja. Sebagai gantinya, pembuatan gambar Docker selama pelatihan atau penyebaran juga membuat Azure Container Registry untuk ruang kerja setelah Anda membutuhkannya.

   

7. Saat Anda menyelesaikan konfigurasi ruang kerja, pilih Tinjau + Buat. Secara opsional, gunakan bagian Jaringan, Enkripsi, Identitas, dan Tag untuk mengonfigurasi lebih banyak pengaturan ruang kerja.

8. Tinjau pengaturan dan buat perubahan atau koreksi lainnya. Setelah Anda puas dengan pengaturan, pilih Buat.

   Peringatan

   Diperlukan beberapa menit untuk membuat ruang kerja Anda di cloud.

   Saat proses selesai, pesan keberhasilan penyebaran muncul.

9. Untuk melihat ruang kerja baru, pilih Buka sumber daya.

10. Untuk mulai menggunakan ruang kerja, pilih tautan URL web Studio di kanan atas. Anda juga dapat memilih ruang kerja dari beranda studio Azure Pembelajaran Mesin.

Studio

1. Berikan nama untuk sumber daya ruang kerja Azure Pembelajaran Mesin.

2. Berikan nama yang mudah diingat untuk menampilkan ruang kerja Anda di Studio.

3. (Pratinjau) Secara opsional, pilih ruang kerja hub, untuk menghosting ruang kerja Anda di lingkungan bersama untuk tim Anda, dengan keamanan yang telah dikonfigurasi sebelumnya, akses ke sumber daya perusahaan, dan komputasi bersama.

   

Jaringan

Penting

Untuk informasi selengkapnya tentang penggunaan titik akhir privat dan jaringan virtual dengan ruang kerja Anda, lihat Isolasi dan privasi jaringan.

Python SDK

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

# 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()

Kelas ini memerlukan jaringan virtual yang ada.

Portal

1. Konfigurasi jaringan default menggunakan titik akhir Publik, yang dapat diakses di internet publik. Namun, Anda dapat memilih Privat dengan Internet Keluar atau Privat dengan Keluar yang Disetujui untuk membatasi akses ke ruang kerja Anda ke Azure Virtual Network yang Anda buat. Kemudian gulir ke bawah untuk mengonfigurasi pengaturan.

   

2. Di bawah Akses masuk Ruang Kerja pilih Tambahkan untuk membuka formulir Buat titik akhir privat.

3. Pada formulir Buat titik akhir privat, atur lokasi, nama, dan jaringan virtual yang akan digunakan. Untuk menggunakan titik akhir dengan Zona DNS Privat, pilih Integrasikan dengan zona DNS privat dan pilih zona menggunakan bidang Zona DNS Privat. Pilih OK untuk membuat titik akhir.

   

4. Jika Anda memilih Privat dengan Internet Keluar, gunakan bagian Akses keluar Ruang Kerja untuk mengonfigurasi jaringan dan aturan keluar.

5. Jika Anda memilih Privat dengan Keluar yang Disetujui, gunakan bagian Akses keluar Ruang Kerja untuk menambahkan lebih banyak aturan ke set yang diperlukan.

6. Setelah menyelesaikan konfigurasi jaringan, Anda dapat memilih Tinjau + Buat, atau lanjutkan ke konfigurasi Enkripsi opsional.

Studio

1. Untuk membuat ruang kerja dengan konektivitas internet yang dinonaktifkan melalui Studio, Anda harus menentukan ruang kerja hub yang menonaktifkan akses jaringan publik. Ruang kerja yang dibuat tanpa hub di studio AI, mengaktifkan akses internet publik. Hub privat memiliki ikon 'kunci'.

   

2. Jika Anda tidak memilih ruang kerja hub pada saat pembuatan, konfigurasi jaringan default menggunakan titik akhir Publik, yang dapat diakses di internet publik.

Enkripsi

Secara default, instans Azure Cosmos DB menyimpan metadata ruang kerja. Microsoft mempertahankan instans Cosmos DB ini. Kunci yang dikelola Microsoft mengenkripsi data ini.

Menggunakan kunci enkripsi data Anda sendiri

Anda dapat menyediakan kunci Anda sendiri untuk enkripsi data. Menyediakan kunci Anda sendiri membuat instans Azure Cosmos DB yang menyimpan metadata di langganan Azure Anda. Untuk informasi selengkapnya, lihat Kunci yang dikelola pelanggan.

Gunakan langkah-langkah ini untuk memberikan kunci Anda sendiri:

Penting

Sebelum mengikuti langkah-langkah ini, Anda harus terlebih dahulu melakukan tindakan ini:

Ikuti langkah-langkah di Mengonfigurasi kunci yang dikelola pelanggan untuk:

• Daftarkan penyedia Azure Cosmos DB
• Buat dan konfigurasikan Azure Key Vault
• Membuat kunci

Python SDK

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

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)

Portal

1. Pilih Kunci terkelola pelanggan, lalu pilih Klik untuk memilih kunci.

   

2. Pada formulir Pilih kunci dari Azure Key Vault, pilih Azure Key Vault yang ada, kunci yang dikandungnya, dan versi kunci. Kunci ini mengenkripsi data yang disimpan di Azure Cosmos DB. Terakhir, gunakan tombol Pilih untuk menggunakan kunci ini.

   

Studio

1. Untuk membuat ruang kerja dengan enkripsi kunci yang dikelola pelanggan melalui Studio, Anda harus menentukan ruang kerja hub yang mengaktifkan enkripsi kunci yang dikelola pelanggan. Untuk memverifikasi konfigurasi ruang kerja hub, lihat di portal Azure.

2. Jika Anda tidak memilih ruang kerja hub pada saat pembuatan, ruang kerja Anda menggunakan kunci yang dikelola Microsoft secara default.

Identitas

Di portal, gunakan halaman Identitas untuk mengonfigurasi identitas terkelola, akses akun penyimpanan, dan dampak data. Untuk Python SDK, lihat tautan di bagian berikut.

Identitas terkelola

Ruang kerja dapat diberikan identitas yang ditetapkan sistem atau identitas yang ditetapkan pengguna. Identitas ini digunakan untuk mengakses sumber daya dalam langganan Anda. Untuk informasi selengkapnya, lihat Menyiapkan autentikasi antara Azure Pembelajaran Mesin dan layanan lainnya.

Akses akun penyimpanan

Pilih antara akses berbasis kredensial atau akses berbasis identitas saat menyambungkan ke akun penyimpanan default. Untuk autentikasi berbasis identitas, peran Kontributor Data Blob Penyimpanan harus diberikan ke identitas terkelola ruang kerja pada akun penyimpanan.

Dampak data

Untuk membatasi data yang dikumpulkan Microsoft di ruang kerja Anda, pilih Ruang kerja berdampak bisnis tinggi di portal, atau atur hbi_workspace=true dengan Python. Untuk informasi selengkapnya tentang setelan ini, lihat Enkripsi saat tidak aktif.

Penting

Memilih dampak bisnis yang tinggi hanya dapat terjadi saat membuat ruang kerja. Anda tidak dapat mengubah pengaturan ini setelah pembuatan ruang kerja.

Tag

Tag adalah pasangan nama/nilai yang memungkinkan Anda mengategorikan sumber daya dan melihat penagihan gabungan dengan menerapkan tag yang sama ke beberapa sumber daya dan grup sumber daya.

Tetapkan tag untuk ruang kerja dengan memasukkan pasangan nama/nilai. Untuk informasi selengkapnya, lihat Menggunakan tag untuk mengatur sumber daya Azure Anda.

Gunakan juga tag untuk [menerapkan kebijakan ruang kerja)(kebijakan #enforce).

Mengunduh file konfigurasi

Jika Anda menjalankan kode Anda pada instans komputasi, lewati langkah ini. Instans komputasi membuat dan menyimpan salinan file ini untuk Anda.

Untuk menggunakan kode di lingkungan lokal Anda yang mereferensikan ruang kerja ini, unduh file:

1. Pilih ruang kerja Anda di studio Azure

2. Di kanan atas, pilih nama ruang kerja, lalu pilih Unduh config.json

   

Tempatkan file di struktur direktori yang menyimpan skrip Python atau Jupyter Notebooks Anda. Direktori yang sama, subdirektori bernama .azureml, atau direktori induk dapat menyimpan file ini. Saat Anda membuat instans komputasi, file ini ditambahkan ke direktori yang benar di VM untuk Anda.

Menerapkan kebijakan

Anda dapat mengaktifkan/menonaktifkan fitur-fitur ruang kerja ini:

• Peluang umpan balik di ruang kerja. Peluang termasuk survei dalam produk sesekali dan alat umpan balik senyum-cemberut di spanduk ruang kerja.
• Kemampuan untuk mencoba fitur pratinjau di ruang kerja.

Fitur-fitur ini aktif secara default. Untuk menonaktifkannya:

• Saat membuat ruang kerja, nonaktifkan fitur dari bagian Tag :

  1. Nonaktifkan umpan balik dengan menambahkan pasangan "ADMIN_HIDE_SURVEY: TRUE"
  2. Nonaktifkan pratinjau dengan menambahkan pasangan "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• Untuk ruang kerja yang sudah ada, nonaktifkan fitur dari bagian Tag :

  1. Buka sumber daya ruang kerja di portal Azure
  2. Buka Tag dari panel navigasi kiri
  3. Nonaktifkan umpan balik dengan menambahkan pasangan "ADMIN_HIDE_SURVEY: TRUE"
  4. Nonaktifkan pratinjau dengan menambahkan pasangan "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Pilih Terapkan.

Anda dapat menonaktifkan pratinjau di tingkat langganan, memastikan bahwa pratinjau dinonaktifkan untuk semua ruang kerja dalam langganan. Dalam hal ini, pengguna dalam langganan juga tidak dapat mengakses alat pratinjau sebelum memilih ruang kerja. Pengaturan ini berguna untuk administrator yang ingin memastikan bahwa fitur pratinjau tidak digunakan di organisasi mereka.

Jika pengaturan pratinjau dinonaktifkan di tingkat langganan, mengaturnya pada masing-masing ruang kerja diabaikan.

Untuk menonaktifkan fitur pratinjau di tingkat langganan:

1. Buka sumber daya langganan di portal Azure
2. Buka Tag dari panel navigasi kiri
3. Nonaktifkan pratinjau untuk semua ruang kerja dalam langganan dengan menambahkan pasangan "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Pilih Terapkan.

Sambungkan ke ruang kerja

Saat menjalankan tugas pembelajaran mesin dengan SDK, Anda memerlukan objek MLClient yang menentukan koneksi ke ruang kerja Anda. Anda dapat membuat MLClient objek dari parameter, atau dengan file konfigurasi.

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

• Dengan file konfigurasi: Kode ini membaca konten file konfigurasi untuk menemukan ruang kerja Anda. Ini membuka perintah untuk masuk jika Anda belum mengautentikasi.

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

• Dari parameter: Tidak perlu memiliki file config.json yang tersedia jika Anda menggunakan pendekatan ini.

  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)

Jika Anda mengalami masalah dalam mengakses langganan Anda, lihat Menyiapkan autentikasi untuk sumber daya dan alur kerja Azure Pembelajaran Mesin, dan Autentikasi di buku catatan azure Pembelajaran Mesin.

Menemukan ruang kerja

Lihat daftar semua ruang kerja yang tersedia. Anda juga dapat mencari ruang kerja di dalam Studio. Lihat Mencari aset Azure Pembelajaran Mesin (pratinjau).

Python SDK

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

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)

Untuk mendapatkan detail ruang kerja tertentu:

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

Portal

1. Masuk ke portal Azure.

2. Di bidang penelusuran teratas, ketik Pembelajaran Mesin.

3. Pilih Pembelajaran Mesin.

   

4. Lihat daftar ruang kerja. Anda dapat memfilter berdasarkan langganan, grup sumber daya, dan lokasi.

5. Untuk menampilkan properti, pilih ruang kerja.

Studio

1. Di studio Azure Pembelajaran Mesin, pilih Semua ruang kerja dari navigasi sisi kiri. Daftar ruang kerja yang baru saja digunakan muncul.
2. Untuk menampilkan semua ruang kerja yang dapat Anda akses, pilih Ruang Kerja dari navigasi sisi kiri.

Hapus ruang kerja

Saat Anda tidak lagi membutuhkan ruang kerja, hapus ruang kerja tersebut.

Peringatan

Jika penghapusan sementara diaktifkan untuk ruang kerja, penghapusan dapat dipulihkan setelah penghapusan. Jika penghapusan sementara tidak diaktifkan, atau Anda memilih opsi untuk menghapus ruang kerja secara permanen, itu tidak dapat dipulihkan. Untuk informasi selengkapnya, lihat Memulihkan ruang kerja yang dihapus.

Tip

Perilaku default untuk Azure Pembelajaran Mesin adalah menghapus sementara ruang kerja. Ini berarti bahwa ruang kerja tidak segera dihapus, tetapi sebaliknya ditandai untuk penghapusan. Untuk informasi selengkapnya, lihat Penghapusan sementara.

Python SDK

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

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

Tindakan default tidak secara otomatis menghapus sumber daya yang terkait dengan ruang kerja. Setel delete_dependent_resources ke True untuk menghapus sumber daya ini juga.

• registri kontainer
• akun penyimpanan
• key vault
• application insights

Portal

Di portal Azure, pilih Hapus di bagian atas ruang kerja yang ingin Anda hapus.

Studio

Anda tidak dapat menghapus ruang kerja dari studio. Sebagai gantinya, gunakan portal Azure atau Python SDK.

Membersihkan sumber daya

Penting

Sumber daya yang Anda buat sebagai prasyarat untuk tutorial dan artikel cara penggunaan Azure Machine Learning lainnya.

Jika Anda tidak berencana menggunakan sumber daya yang sudah Anda buat, hapus sehingga Anda tidak dikenakan biaya apa pun:

1. Di portal Azure, di kotak pencarian, masukkan Grup sumber daya dan pilih dari hasil.

2. Dari daftar, pilih grup sumber daya yang Anda buat.

3. Di halaman Gambaran Umum , pilih Hapus grup sumber daya.

   

4. Masukkan nama grup sumber daya. Kemudian pilih Hapus.

Pemecahan Masalah

• Browser yang didukung di studio Azure Pembelajaran Mesin: Kami menyarankan agar Anda menggunakan browser terbaru yang kompatibel dengan sistem operasi Anda. Browser ini didukung:

  • Microsoft Edge (Microsoft Edge baru, versi terbaru. Catatan: Warisan Microsoft Edge tidak didukung)
  • Safari (versi terbaru, hanya Mac)
  • Chrome (versi terbaru)
  • Firefox (versi terbaru)

• portal Azure:

  • Jika Anda langsung membuka ruang kerja dari tautan berbagi dari SDK atau portal Azure, Anda tidak dapat melihat laman Ringkasan standar yang memiliki informasi langganan di ekstensi. Selain itu, dalam skenario ini, Anda tidak dapat beralih ke ruang kerja lain. Untuk melihat ruang kerja lain, langsung buka studio Azure Machine Learning dan telusuri nama ruang kerja.
  • Semua aset (Data, Eksperimen, Komputasi, dan sebagainya) hanya tersedia di studio Azure Pembelajaran Mesin. portal Azure tidak* menawarkannya.
  • Mencoba mengekspor templat untuk ruang kerja dari portal Azure mungkin mengembalikan kesalahan yang mirip dengan teks ini: Could not get resource of the type <type>. Resources of this type will not be exported. Sebagai solusinya, gunakan salah satu templat yang disediakan https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices sebagai dasar untuk templat Anda.

Diagnostik ruang kerja

Anda dapat menjalankan diagnostik di ruang kerja dari studio Azure Machine Learning atau SDK Python. Setelah diagnostik berjalan, daftar masalah yang terdeteksi dikembalikan. Daftar ini mencakup tautan ke solusi yang memungkinkan. Untuk informasi lebih lanjut, lihat Cara menggunakan diagnostik ruang kerja.

Kesalahan penyedia sumber daya

Saat membuat ruang kerja Azure Machine Learning, atau sumber daya yang digunakan oleh ruang kerja, Anda mungkin menerima kesalahan yang mirip dengan pesan berikut:

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

Sebagian besar penyedia sumber daya secara otomatis terdaftar, tetapi tidak semua. Jika Anda menerima pesan ini, Anda perlu mendaftarkan penyedia yang disebutkan.

Tabel berikut berisi daftar penyedia sumber daya yang diperlukan oleh Azure Machine Learning:

Penyedia sumber daya	Mengapa dibutuhkan
Microsoft.MachineLearningServices	Membuat ruang kerja Azure Machine Learning.
Microsoft.Storage	Akun Azure Storage: Digunakan sebagai penyimpanan data default untuk ruang kerja.
Microsoft.ContainerRegistry	Azure Container Registry digunakan oleh ruang kerja untuk membangun gambar Docker.
Microsoft.KeyVault	Azure Key Vault digunakan oleh ruang kerja untuk menyimpan rahasia.
Microsoft.Notebooks	Notebook terintegrasi pada instans komputasi Azure Machine Learning.
Microsoft.ContainerService	Jika Anda berencana menyebarkan model terlatih ke Azure Kubernetes Services.

Jika Anda berencana menggunakan kunci yang dikelola pelanggan dengan Azure Machine Learning, maka penyedia layanan berikut harus terdaftar:

Penyedia sumber daya	Mengapa dibutuhkan
Microsoft.DocumentDB	Instans Azure CosmosDB yang mencatat metadata untuk ruang kerja.
Microsoft.Search	Azure Search menyediakan kemampuan pengindeksan untuk ruang kerja.

Jika Anda berencana menggunakan jaringan virtual terkelola dengan Azure Pembelajaran Mesin, penyedia sumber daya Microsoft.Network harus didaftarkan. Penyedia sumber daya ini digunakan oleh ruang kerja saat membuat titik akhir privat untuk jaringan virtual terkelola.

Untuk informasi selengkapnya tentang cara mendaftarkan penyedia sumber daya, lihat Mengatasi kesalahan untuk pendaftaran penyedia sumber daya.

Menghapus Azure Container Registry

Ruang kerja Azure Pembelajaran Mesin menggunakan Azure Container Registry (ACR) untuk beberapa operasi. Ini secara otomatis membuat instans ACR ketika pertama kali membutuhkannya.

Peringatan

Setelah Azure Container Registry dibuat untuk ruang kerja, jangan hapus. Melakukannya akan merusak ruang kerja Azure Pembelajaran Mesin Anda.

Contoh

Contoh dalam artikel ini berasal dari workspace.ipynb.

Langkah berikutnya

Setelah Anda memiliki ruang kerja, pelajari cara Melatih dan menyebarkan model.

Untuk mempelajari selengkapnya tentang merencanakan ruang kerja untuk persyaratan organisasi Anda, kunjungi Mengatur dan menyiapkan Azure Pembelajaran Mesin.

• Jika Anda perlu memindahkan ruang kerja ke langganan Azure lain, kunjungi Cara memindahkan ruang kerja.

Untuk informasi tentang cara menjaga Azure Pembelajaran Mesin Anda tetap terbarui dengan pembaruan keamanan terbaru, kunjungi Manajemen kerentanan.