Bekerja di Visual Studio Code yang terhubung dari jarak jauh ke instans komputasi

Dalam artikel ini, pelajari secara spesifik tentang bekerja dalam koneksi jarak jauh VS Code ke instance komputasi Azure Machine Learning. Gunakan Visual Studio Code sebagai lingkungan pengembangan terintegrasi (IDE) yang lengkap dengan kekuatan sumber daya Azure Machine Learning. Anda dapat bekerja dengan koneksi jarak jauh ke instance komputasi Anda di browser dengan VS Code for the Web, atau aplikasi desktop VS Code.

• Kami merekomendasikan VS Code untuk Web, karena Anda dapat melakukan semua pekerjaan pembelajaran mesin Anda langsung dari browser, dan tanpa memerlukan penginstalan atau dependensi.

Penting

Untuk menyambungkan ke instans komputasi di belakang firewall, lihat Mengonfigurasi lalu lintas jaringan masuk dan keluar.

Prasyarat

Sebelum memulai, Anda memerlukan:

• Instans ruang kerja dan komputasi Azure Machine Learning. Selesaikan Buat sumber daya yang Anda butuhkan untuk memulai untuk membuat keduanya.

Siapkan IDE yang terhubung secara remote

Visual Studio Code memiliki beberapa ekstensi yang dapat membantu Anda mencapai tujuan pembelajaran mesin Anda. Gunakan ekstensi Azure untuk menyambungkan dan bekerja dengan langganan Azure Anda. Gunakan ekstensi Azure Machine Learning untuk melihat, memperbarui, dan membuat aset ruang kerja seperti komputasi, data, lingkungan, pekerjaan, dan lainnya.

Saat Anda menggunakan Visual Studio Code untuk Web, versi terbaru ekstensi ini secara otomatis tersedia untuk Anda. Jika Anda menggunakan aplikasi desktop, Anda mungkin perlu menginstalnya.

Saat Anda meluncurkan VS Code yang terhubung ke instans komputasi untuk pertama kalinya, pastikan Anda mengikuti langkah-langkah ini dan luangkan beberapa saat untuk mengorientasikan diri Anda ke alat di lingkungan pengembangan terintegrasi Anda.

1. Temukan ekstensi Azure dan masuk

2. Setelah langganan Anda tercantum, Anda dapat memfilter langganan yang sering Anda gunakan. Anda juga dapat menyematkan ruang kerja yang paling sering Anda gunakan dalam langganan.

   

3. Ruang kerja yang Anda gunakan untuk meluncurkan koneksi jarak jauh VS Code (ruang kerja tempat instans komputasi berada) akan diatur secara otomatis sebagai default. Anda dapat memperbarui ruang kerja default dari bilah status Visual Studio Code.

   

4. Jika Anda berencana menggunakan Azure Pembelajaran Mesin CLI, buka terminal dari menu, dan masuk ke Azure Pembelajaran Mesin CLI menggunakan az login --identity.

   

Kali berikutnya Anda terhubung ke instans komputasi ini, Anda tidak perlu mengulangi langkah-langkah ini.

Menyambungkan ke kernel

Ada beberapa cara untuk terhubung ke kernel Jupyter dari VS Code. Penting untuk memahami perbedaan perilaku, dan manfaat dari berbagai pendekatan.

Jika Anda telah membuka buku catatan ini di Azure Pembelajaran Mesin, kami sarankan Anda menyambungkan ke sesi yang sudah ada pada instans komputasi. Tindakan ini menghubungkan kembali ke sesi yang sudah ada yang Anda miliki untuk buku catatan ini di Azure Machine Learning.

1. Temukan penyeleksi kernel di sudut kanan atas notebook Anda dan pilih opsi yang diinginkan

   

2. Pilih Pilih Kernel Lain... untuk melihat semua sumber kernel.

3. Pilih opsi instans komputasi Azure Machine Learning, dan kemudian pilih Jarak Jauh jika Anda telah tersambung sebelumnya.

   

4. Pilih sesi buku catatan dengan koneksi yang sudah ada

   

Jika buku catatan Anda tidak memiliki sesi yang sudah ada, Anda bisa memilih dari kernel yang tersedia dalam daftar tersebut untuk membuat yang baru. Tindakan ini membuat sesi kernel khusus untuk Visual Studio Code. Sesi khusus Visual Studio Code ini hanya dapat digunakan dalam Visual Studio Code dan harus dikelola di sana. Anda dapat mengelola sesi ini dengan menginstal ekstensi Jupyter PowerToys.

Meskipun ada beberapa cara untuk menyambungkan dan mengelola kernel di Visual Studio Code, menyambungkan ke sesi kernel yang ada adalah cara yang disarankan untuk mengaktifkan transisi yang mulus dari studio Azure Pembelajaran Mesin ke VISUAL Code. Jika Anda berencana untuk sebagian besar bekerja dalam Visual Studio Code, Anda dapat menggunakan pendekatan koneksi kernel apa pun yang berfungsi untuk Anda.

Transisi antara Azure Pembelajaran Mesin dan Visual Studio Code

Sebaiknya jangan mencoba mengerjakan file yang sama di kedua aplikasi secara bersamaan karena Anda mungkin memiliki konflik yang perlu Anda atasi. Kami menyimpan file Anda saat ini di studio sebelum menavigasi ke Visual Studio Code. Anda dapat menjalankan banyak tindakan yang disediakan di Azure Machine Learning Studio di Visual Studio Code, menggunakan pendekatan berbasis YAML. Anda mungkin lebih suka melakukan tindakan tertentu (misalnya, mengedit dan men-debug file) di Visual Studio Code, dan tindakan lainnya (misalnya, membuat pekerjaan pelatihan) di studio Azure Machine Learning. Anda akan menemukan bahwa Anda dapat dengan mulus berpindah-pindah antara keduanya.

Langkah selanjutnya

Untuk informasi selengkapnya tentang mengelola kernel Jupyter di Visual Studio Code, lihat Manajemen kernel Jupyter.