Bagikan melalui

Terapkan Ruang Kerja Machine Learning Studio (classic) Menggunakan Azure Resource Manager

  • Artikel

BERLAKU UNTUK:Berlaku untuk.Pembelajaran Mesin Studio (klasik) Tidak berlaku untuk.Azure Pembelajaran Mesin

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Menggunakan templat penyebaran Azure Resource Manager menghemat waktu Anda dengan memberi Anda cara terukur untuk menggunakan komponen yang saling terhubung dengan mekanisme validasi dan coba lagi. Untuk menyiapkan Ruang Kerja Machine Learning Studio (classic), sebagai contoh, Anda harus terlebih dahulu mengonfigurasi akun penyimpanan Azure, lalu menerapkan ruang kerja Anda. Bayangkan melakukan ini secara manual untuk ratusan ruang kerja. Alternatif yang lebih mudah adalah menggunakan templat Azure Resource Manager untuk menerapkan Ruang Kerja Studio (klasik) dan semua dependensinya. Artikel ini membawa Anda melalui proses ini selangkah demi selangkah. Untuk pengantar Azure Resource Manager, lihat ringkasan Azure Resource Manager.

Catatan

Sebaiknya Anda menggunakan modul Azure Az PowerShell untuk berinteraksi dengan Azure. Lihat Menginstal Azure PowerShell untuk memulai. Untuk mempelajari cara bermigrasi ke modul Az PowerShell, lihat Memigrasikan Azure PowerShell dari AzureRM ke Az.

Langkah demi langkah: membuat Ruang Kerja Machine Learning

Kami akan membuat grup sumber daya Azure, lalu menerapkan akun penyimpanan Azure baru dan Ruang Kerja Machine Learning Studio (classic) baru menggunakan templat Resource Manager. Setelah penyebaran selesai, kami akan mencetak informasi penting tentang ruang kerja yang dibuat (kunci utama, workspaceID, dan URL ke ruang kerja).

Membuat templat Azure Resource Manager

Ruang Kerja Machine Learning memerlukan akun penyimpanan Azure untuk menyimpan set data yang ditautkan ke dalamnya. Templat berikut menggunakan nama grup sumber daya untuk menghasilkan nama akun penyimpanan dan nama ruang kerja. Ini juga menggunakan nama akun penyimpanan sebagai properti saat membuat ruang kerja.

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

Simpan templat ini sebagai file mlworkspace.jspada pada c:\temp\.

Menerapkan grup sumber daya, berdasarkan templat

  • Buka PowerShell
  • Menginstal modul untuk Azure Resource Manager dan Azure Service Management
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

Langkah-langkah ini mengunduh dan menginstal modul yang diperlukan untuk menyelesaikan langkah-langkah yang tersisa. Ini hanya perlu dilakukan sekali saat di mana Anda menjalankan perintah PowerShell.

  • Mengautentikasi Azure
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

Langkah ini perlu diulang untuk setiap sesi. Setelah diautentikasi, informasi langganan Anda harus ditampilkan.

Akun Azure

Sekarang kita memiliki akses ke Azure, kita dapat membuat grup sumber daya.

  • Buat grup sumber daya
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

Pastikan bahwa grup sumber daya telah disediakan dengan benar. ProvisioningState harus "Berhasil". Nama grup sumber daya digunakan oleh templat untuk menghasilkan nama akun penyimpanan. Panjang nama akun penyimpanan harus antara 3 sampai 24 karakter dan hanya menggunakan angka dan huruf kecil.

Grup Sumber Daya

  • Dengan menggunakan penyebaran grup sumber daya, terapkan Ruang Kerja Machine Learning baru.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

Setelah penyebaran selesai, mudah untuk mengakses properti ruang kerja yang Anda terapkan. Misalnya, Anda dapat mengakses Token Kunci Primer.

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

Cara lain untuk mengambil token dari ruang kerja yang ada adalah dengan menggunakan Invoke-AzResourceAction anda. Misalnya, Anda dapat mencantumkan token utama dan sekunder dari semua ruang kerja.

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

Setelah ruang kerja disediakan, Anda juga dapat mengotomatiskan banyak tugas Machine Learning Studio (classic) menggunakan Modul PowerShell untuk Machine Learning Studio (classic).

Langkah berikutnya