Installare e configurare l'interfaccia della riga di comando (v2)

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)

L'estensione ml dell'interfaccia della riga di comando di Azure è l'interfaccia avanzata per Azure Machine Learning. Consente di eseguire il training e di distribuire modelli dalla riga di comando e include funzionalità che accelerano l'aumento o la riduzione delle risorse di data science durante il rilevamento del ciclo di vita del modello.

Prerequisiti

• Per usare l'interfaccia della riga di comando, è necessario avere una sottoscrizione di Azure. Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare. Provare la versione gratuita o a pagamento di Azure Machine Learning.
• Per usare i comandi dell'interfaccia della riga di comando in questo documento dall'ambiente locale, è necessaria l'interfaccia della riga di comando di Azure.

Installazione

La nuova estensione di Machine Learning richiede la versione dell'interfaccia della riga >=2.38.0di comando di Azure. Assicurarsi che questo requisito sia soddisfatto:

az version

In caso contrario, aggiornare l'interfaccia della riga di comando di Azure.

Controllare le estensioni dell'interfaccia della riga di comando di Azure installate:

az extension list

Rimuovere qualsiasi installazione esistente dell'estensione ml e anche l'estensione dell'interfaccia della riga di comando v1 azure-cli-ml :

az extension remove -n azure-cli-ml
az extension remove -n ml

Installare ora l'estensione ml :

az extension add -n ml

Eseguire il comando della Guida per verificare l'installazione e visualizzare i sottocomandi disponibili:

az ml -h

È possibile aggiornare l'estensione alla versione più recente:

az extension update -n ml

Installazione in Linux

Se si usa Linux, il modo più rapido per installare la versione dell'interfaccia della riga di comando necessaria e l'estensione Machine Learning è:

curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash 
az extension add -n ml -y

Per altre informazioni, vedere Installare l'interfaccia della riga di comando di Azure per Linux.

Configurazione

Nome account di accesso:

az login

Se si ha accesso a più sottoscrizioni di Azure, è possibile impostare la sottoscrizione attiva:

az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"

Facoltativamente, configurare variabili comuni nella shell per l'utilizzo nei comandi successivi:

GROUP="azureml-examples"

LOCATION="eastus"

WORKSPACE="main"

Avviso

In questo modo viene usata la sintassi Bash per impostare le variabili, modificare in base alle esigenze per la shell. È anche possibile sostituire i valori nei comandi seguenti inline anziché usare le variabili.

Se non esiste già, è possibile creare il gruppo di risorse di Azure:

az group create -n $GROUP -l $LOCATION

Creare un'area di lavoro di Machine Learning:

az ml workspace create -n $WORKSPACE -g $GROUP -l $LOCATION

I sottocomandi di Machine Learning richiedono i --workspace/-w parametri e --resource-group/-g . Per evitare di digitarli ripetutamente, configurare le impostazioni predefinite:

az configure --defaults group=$GROUP workspace=$WORKSPACE location=$LOCATION

Suggerimento

La maggior parte degli esempi di codice presuppone che sia stata impostata un'area di lavoro e un gruppo di risorse predefiniti. È possibile eseguirne l'override nella riga di comando.

È possibile visualizzare le impostazioni predefinite correnti usando --list-defaults/-l:

az configure -l -o table

Suggerimento

La combinazione con --output/-o consente formati di output più leggibili.

Comunicazioni sicure

L'estensione dell'interfaccia ml della riga di comando (talvolta denominata "interfaccia della riga di comando v2") per Azure Machine Learning invia i dati operativi (parametri e metadati YAML) sulla rete Internet pubblica. Tutti i comandi dell'estensione dell'interfaccia ml della riga di comando comunicano con il Resource Manager di Azure. Questa comunicazione è protetta tramite HTTPS/TLS 1.2.

I dati in un archivio dati protetto in una rete virtuale non vengono inviati tramite Internet pubblico. Ad esempio, se i dati di training si trovano nell'account di archiviazione predefinito per l'area di lavoro e l'account di archiviazione si trova in una rete virtuale.

Nota

Con l'estensione precedente (azure-cli-ml, talvolta denominata "INTERFACCIA della riga di comando v1"), solo alcuni dei comandi comunicano con il Resource Manager di Azure. In particolare, i comandi che creano, aggiornano, eliminano, elencano o mostrano le risorse di Azure. Operazioni come l'invio di un processo di training comunicano direttamente con l'area di lavoro di Azure Machine Learning. Se l'area di lavoro è protetta con un endpoint privato, è sufficiente per proteggere i comandi forniti dall'estensione azure-cli-ml .

Area di lavoro pubblica

Se l'area di lavoro di Azure Machine Learning è pubblica (ovvero non dietro una rete virtuale), non è necessaria alcuna configurazione aggiuntiva. Le comunicazioni vengono protette tramite HTTPS/TLS 1.2

Area di lavoro privata

Se l'area di lavoro di Azure Machine Learning usa un endpoint privato e una rete virtuale, scegliere una delle configurazioni seguenti da usare:

• Se si ha esito corretto con la comunicazione dell'interfaccia della riga di comando v2 tramite La rete Internet pubblica, usare il parametro seguente --public-network-access per il az ml workspace update comando per abilitare l'accesso alla rete pubblica. Ad esempio, il comando seguente aggiorna un'area di lavoro per l'accesso alla rete pubblica:

  az ml workspace update --name myworkspace --public-network-access enabled
  

• Se non si ha problemi con la comunicazione dell'interfaccia della riga di comando v2 tramite La rete Internet pubblica, è possibile usare un collegamento privato di Azure per aumentare la sicurezza della comunicazione. Usare i collegamenti seguenti per proteggere le comunicazioni con Azure Resource Manager usando collegamento privato di Azure.

  1. Proteggere l'area di lavoro di Azure Machine Learning all'interno di una rete virtuale usando un endpoint privato.
  2. Creare un collegamento privato per la gestione delle risorse di Azure.
  3. Creare un endpoint privato per il collegamento privato creato nel passaggio precedente.

  Importante

  Per configurare il collegamento privato per Azure Resource Manager, è necessario essere il proprietario della sottoscrizione di Azure e un proprietario o collaboratore del gruppo di gestione radice. Per altre informazioni, vedere Creare un collegamento privato per la gestione delle risorse di Azure.

Passaggi successivi

• Eseguire il training dei modelli usando l'interfaccia della riga di comando (v2)
• Configurare l'estensione Azure Machine Learning di Visual Studio Code
• Eseguire il training di un modello TensorFlow di classificazione delle immagini usando l'estensione Visual Studio Code di Azure Machine Learning
• Esplorare Azure Machine Learning con esempi