Gestire le aree di lavoro di Azure Machine Learning nel portale o con Python SDK (v2)

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

Questo articolo illustra come creare, visualizzare ed eliminare aree di lavoro di Azure Machine Learning per Azure Machine Learning, con il portale di Azure o l'SDK per Python.

Man mano che le esigenze cambiano o aumentano i requisiti di automazione, è possibile gestire le aree di lavoro con l'interfaccia della riga di comando, Azure PowerShell o tramite l'estensione VS Code.

Prerequisiti

• 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.
• Con Python SDK:

  1. Installare l'SDK v2.

  2. Installare azure-identity: pip install azure-identity. Se si trova in una cella del notebook, usare %pip install azure-identity.

  3. Specificare i dettagli della sottoscrizione:

     SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

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

  4. Ottenere un handle per la sottoscrizione. Tutto il codice Python in questo articolo usa 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)

     • (Facoltativo) Se si dispone di più account, aggiungere l'ID tenant dell'ID Microsoft Entra da usare in DefaultAzureCredential. Trovare l'ID tenant dal portale di Azure in MICROSOFT Entra ID, Identità esterne.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Facoltativo) Se si lavora su un cloud sovrano, è necessario specificare il cloud in cui si vuole eseguire l'autenticazione. Eseguire questa operazione in DefaultAzureCredential.

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

Limiti

• Quando si crea una nuova area di lavoro, è possibile creare automaticamente i servizi necessari per l'area di lavoro o usare i servizi esistenti. Se si vogliono usare i servizi esistenti da una sottoscrizione di Azure diversa rispetto all'area di lavoro, è necessario registrare lo spazio dei nomi di Azure Machine Learning nella sottoscrizione che contiene tali servizi. Ad esempio, se si crea un'area di lavoro nella sottoscrizione A che usa un account di archiviazione dalla sottoscrizione B, lo spazio dei nomi di Azure Machine Learning deve essere registrato nella sottoscrizione B prima di poter usare l'account di archiviazione con l'area di lavoro.

  Il provider di risorse per Azure Machine Learning è Microsoft.MachineLearningServices. Per informazioni su come verificare se è registrato e come registrarlo, vedere l'articolo Provider e tipi di risorse di Azure.

  Importante

  Questo vale solo per le risorse fornite durante la creazione dell'area di lavoro: Account di Archiviazione di Azure, Registro Azure Container, Azure Key Vault e Application Insights.

• Per l'isolamento di rete con gli endpoint online, è possibile usare le risorse associate all'area di lavoro (Registro Azure Container, Archiviazione account, Key Vault e Application Insights) da un gruppo di risorse diverso da quello dell'area di lavoro. Tuttavia, queste risorse devono appartenere alla stessa sottoscrizione e tenant dell'area di lavoro. Per informazioni sulle limitazioni che si applicano alla protezione degli endpoint online gestiti tramite la rete virtuale gestita di un'area di lavoro, vedere Isolamento di rete con endpoint online gestiti.

• La creazione dell'area di lavoro crea anche un Registro Azure Container (ACR) per impostazione predefinita. Poiché Registro Azure Container non supporta attualmente i caratteri Unicode nei nomi dei gruppi di risorse, usare un gruppo di risorse che evita questi caratteri.

• Azure Machine Learning non supporta lo spazio dei nomi gerarchico (funzionalità Azure Data Lake Archiviazione Gen2) per l'account di archiviazione predefinito dell'area di lavoro.

Suggerimento

Quando si crea l'area di lavoro, viene creata un'istanza di Azure Application Insights. Se necessario, è possibile eliminare l'istanza di Application Insights dopo la creazione del cluster. L'eliminazione limita le informazioni raccolte dall'area di lavoro e può rendere più difficile la risoluzione dei problemi. Se si elimina l'istanza di Application Insights creata dall'area di lavoro, non è possibile ricrearla senza eliminare e ricreare l'area di lavoro.

Per altre informazioni sull'uso di questa istanza di Application Insights, vedere Monitorare e raccogliere dati dagli endpoint servizio Web di Machine Learning.

Creare un'area di lavoro

È possibile creare un'area di lavoro direttamente in studio di Azure Machine Learning, con opzioni limitate disponibili. È anche possibile usare uno di questi metodi per un maggiore controllo delle opzioni:

Python SDK

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

• Specifica predefinita. Per impostazione predefinita, le risorse dipendenti e il gruppo di risorse vengono creati automaticamente. Questo codice crea un'area di lavoro denominata myworkspacee un gruppo di risorse denominato myresourcegroup in 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)

• Usare le risorse di Azure esistenti. È anche possibile creare un'area di lavoro che usa le risorse di Azure esistenti con il formato ID risorsa di Azure. Trovare gli ID risorsa di Azure specifici nel portale di Azure o con l'SDK. Questo esempio presuppone che il gruppo di risorse, l'account di archiviazione, l'insieme di credenziali delle chiavi, App Insights e il registro contenitori esistano già.

  # 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)

Per altre informazioni, vedere Informazioni di riferimento sull'SDK dell'area di lavoro.

Se si verificano problemi durante l'accesso alla sottoscrizione, vedere Configurare l'autenticazione per le risorse e i flussi di lavoro di Azure Machine Learning e l'autenticazione nel notebook di Azure Machine Learning .

Portale

1. Accedere al portale di Azure usando le credenziali della sottoscrizione di Azure.

2. Nell'angolo in alto a sinistra del portale di Azure selezionare + Crea una risorsa.

   

3. Usare la barra di ricerca per trovare Machine Learning.

4. Selezionare Machine Learning.

5. Nel riquadro Machine Learning selezionare Crea per iniziare.

6. Specificare le informazioni seguenti per configurare la nuova area di lavoro:

   Campo	Descrizione
   Nome dell'area di lavoro	Immettere un nome univoco che identifichi l'area di lavoro. In questo esempio viene usato docs-ws. I nomi devono essere univoci all'interno del gruppo di risorse. Usare un nome facile da ricordare e che si differenzia dalle aree di lavoro create da altri utenti. Il nome dell'area di lavoro non rileva la distinzione tra maiuscole e minuscole.
   Abbonamento	Seleziona la sottoscrizione di Azure da usare.
   Gruppo di risorse	Usare un gruppo di risorse esistente nella sottoscrizione oppure immettere un nome per creare un nuovo gruppo di risorse. Un gruppo di risorse include risorse correlate per una soluzione Azure. Per usare un gruppo di risorse esistente, è necessario un ruolo di collaboratore o proprietario . Per altre informazioni sull'accesso, vedere Gestire l'accesso a un'area di lavoro di Azure Machine Learning.
   Area	Selezionare l'area di Azure più vicina sia agli utenti che alle risorse dati per creare l'area di lavoro.
   Account di archiviazione	Account di archiviazione predefinito per l'area di lavoro. Per impostazione predefinita, ne viene creato uno nuovo.
   Key Vault	Insieme di credenziali delle chiavi di Azure usato dall'area di lavoro. Per impostazione predefinita, ne viene creato uno nuovo.
   Application Insights	Istanza di Application Insights per l'area di lavoro. Per impostazione predefinita, ne viene creato uno nuovo.
   Registro Container	Registro Azure Container per l'area di lavoro. Per impostazione predefinita, non ne viene creato uno nuovo per l'area di lavoro. Al contrario, la creazione di un'immagine Docker durante il training o la distribuzione crea anche tale Registro Azure Container per l'area di lavoro dopo averlo necessario.

   

7. Al termine della configurazione dell'area di lavoro, selezionare Rivedi e crea. Facoltativamente, usare le sezioni Rete, Crittografia, Identità e Tag per configurare altre impostazioni dell'area di lavoro.

8. Esaminare le impostazioni e apportare altre modifiche o correzioni. Quando si è soddisfatti delle impostazioni, selezionare Crea.

   Avviso

   La creazione dell'area di lavoro nel cloud può richiedere diversi minuti.

   Al termine del processo, viene visualizzato un messaggio di esito positivo della distribuzione.

9. Per visualizzare la nuova area di lavoro, selezionare Vai alla risorsa.

10. Per iniziare a usare l'area di lavoro, selezionare il collegamento URL Web di Studio in alto a destra. È anche possibile selezionare l'area di lavoro dalla home page studio di Azure Machine Learning.

Rete

Importante

Per altre informazioni sull'uso di un endpoint privato e di una rete virtuale con l'area di lavoro, vedere Isolamento e privacy della rete.

Python SDK

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

# 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()

Questa classe richiede una rete virtuale esistente.

Portale

1. La configurazione di rete predefinita usa un endpoint pubblico, accessibile su Internet pubblico. È tuttavia possibile selezionare Private with Internet Outbound or Private with Approved Outbound (Privato con Internet in uscita) per limitare l'accesso all'area di lavoro a un'istanza di Azure Rete virtuale creata. Scorrere quindi verso il basso per configurare le impostazioni.

   

2. In Accesso in ingresso dell'area di lavoro selezionare Aggiungi per aprire il modulo Crea endpoint privato.

3. Nel modulo Crea endpoint privato impostare il percorso, il nome e la rete virtuale da usare. Per usare l'endpoint con una zona DNS privato, selezionare Integrazione con zona DNS privata e selezionare la zona usando il campo zona DNS privato. Selezionare OK per creare l'endpoint.

   

4. Se è stata selezionata l'opzione Privata con Internet in uscita, usare la sezione Accesso in uscita dell'area di lavoro per configurare la rete e le regole in uscita.

5. Se è stata selezionata l'opzione Private with Approved Outbound (Privato con approvato in uscita), usare la sezione Accesso in uscita dell'area di lavoro per aggiungere altre regole al set richiesto.

6. Al termine della configurazione di rete, è possibile selezionare Rivedi e crea oppure passare alla configurazione di crittografia facoltativa.

Crittografia

Per impostazione predefinita, un'istanza di Azure Cosmos DB archivia i metadati dell'area di lavoro. Microsoft gestisce questa istanza di Cosmos DB. Le chiavi gestite da Microsoft crittografano questi dati.

Usare la propria chiave di crittografia dei dati

È possibile fornire la propria chiave per la crittografia dei dati. Verrà creata l'istanza di Azure Cosmos DB che archivia i metadati nella sottoscrizione di Azure. Per altre informazioni, vedere Chiavi gestite dal cliente.

Usare questi passaggi per fornire la propria chiave:

Importante

Prima di seguire questi passaggi, è necessario eseguire queste azioni:

Seguire la procedura descritta in Configurare le chiavi gestite dal cliente per:

• Registrare il provider Azure Cosmos DB
• Creare e configurare un insieme di credenziali delle chiavi di Azure
• Generare una chiave

Python SDK

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

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)

Portale

1. Selezionare Chiavi gestite dal cliente e quindi fare clic per selezionare la chiave.

   

2. Nel modulo Seleziona chiave da Azure Key Vault selezionare un insieme di credenziali delle chiavi di Azure esistente, una chiave che contiene e la versione della chiave. Questa chiave crittografa i dati archiviati in Azure Cosmos DB. Usare infine il pulsante Seleziona per usare questa chiave.

   

Identità

Nel portale usare la pagina Identità per configurare l'identità gestita, l'accesso all'account di archiviazione e l'impatto sui dati. Per Python SDK, vedere i collegamenti nelle sezioni seguenti.

Identità gestita

A un'area di lavoro può essere assegnata un'identità assegnata dal sistema o un'identità assegnata dall'utente. Questa identità viene usata per accedere alle risorse nella sottoscrizione. Per altre informazioni, vedere Configurare l'autenticazione tra Azure Machine Learning e altri servizi.

accesso all'account Archiviazione

Scegliere tra l'accesso basato sulle credenziali o l'accesso basato su identità durante la connessione all'account di archiviazione predefinito. Per l'autenticazione basata sull'identità, è necessario concedere al ruolo Collaboratore dati BLOB Archiviazione all'identità gestita dell'area di lavoro nell'account di archiviazione.

Impatto dei dati

Per limitare i dati raccolti da Microsoft nell'area di lavoro, selezionare Area di lavoro a impatto aziendale elevato nel portale o impostare hbi_workspace=true in Python. Per altre informazioni su questa impostazione, vedere Crittografia dei dati inattivi.

Importante

La selezione di un impatto aziendale elevato può verificarsi solo quando si crea un'area di lavoro. Non è possibile modificare questa impostazione dopo la creazione dell'area di lavoro.

Tag

I tag sono coppie nome-valore che consentono di classificare le risorse e visualizzare dati di fatturazione consolidati tramite l'applicazione dello stesso tag a più risorse e gruppi di risorse.

Assegnare tag per l'area di lavoro immettendo le coppie nome/valore. Per altre informazioni, vedere Usare tag per organizzare le risorse di Azure.

Usare anche i tag per [applicare i criteri dell'area di lavoro)(#enforce-policies).

Scaricare un file di configurazione

Se si esegue il codice in un'istanza di calcolo, ignorare questo passaggio. L'istanza di calcolo crea e archivia automaticamente una copia di questo file.

Per usare il codice nell'ambiente locale che fa riferimento a questa area di lavoro, scaricare il file:

1. Selezionare l'area di lavoro in Azure Studio

2. In alto a destra selezionare il nome dell'area di lavoro, quindi selezionare Scarica config.json

   

Inserire il file nella struttura di directory che contiene gli script Python o Jupyter Notebook. La stessa directory, una sottodirectory denominata .azureml o una directory padre può contenere questo file. Quando si crea un'istanza di calcolo, questo file viene aggiunto alla directory corretta nella macchina virtuale.

Applicare i criteri

È possibile attivare/disattivare queste funzionalità di un'area di lavoro:

• Opportunità di feedback nell'area di lavoro. Le opportunità includono sondaggi occasionali nel prodotto e lo strumento di feedback sorridente nel banner dell'area di lavoro.
• Possibilità di provare le funzionalità di anteprima nell'area di lavoro.

Queste funzionalità sono attivate per impostazione predefinita. Per disattivarli:

• Quando si crea l'area di lavoro, disattivare le funzionalità dalla sezione Tag :

  1. Disattivare il feedback aggiungendo la coppia "ADMIN_HIDE_SURVEY: TRUE"
  2. Disattivare le anteprime aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• Per un'area di lavoro esistente, disattivare le funzionalità dalla sezione Tag :

  1. Passare alla risorsa dell'area di lavoro nel portale di Azure
  2. Apri tag dal pannello di spostamento a sinistra
  3. Disattivare il feedback aggiungendo la coppia "ADMIN_HIDE_SURVEY: TRUE"
  4. Disattivare le anteprime aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Selezionare Applica.

È possibile disattivare le anteprime a livello di sottoscrizione, assicurandosi che sia disattivata per tutte le aree di lavoro nella sottoscrizione. In questo caso, gli utenti nella sottoscrizione non possono accedere allo strumento di anteprima prima di selezionare un'area di lavoro. Questa impostazione è utile per gli amministratori che vogliono assicurarsi che le funzionalità di anteprima non vengano usate nell'organizzazione.

L'impostazione di anteprima viene ignorata nelle singole aree di lavoro se è disattivata a livello di sottoscrizione dell'area di lavoro.

Per disabilitare le funzionalità di anteprima a livello di sottoscrizione:

1. Passare alla risorsa della sottoscrizione nel portale di Azure
2. Apri tag dal pannello di spostamento a sinistra
3. Disattivare le anteprime per tutte le aree di lavoro nella sottoscrizione aggiungendo la coppia "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Selezionare Applica.

Connettersi a un'area di lavoro

Quando si eseguono attività di Machine Learning con l'SDK, è necessario un oggetto MLClient che specifica la connessione all'area di lavoro. È possibile creare un MLClient oggetto da parametri o con un file di configurazione.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

• Con un file di configurazione: questo codice legge il contenuto del file di configurazione per trovare l'area di lavoro. Viene aperto un prompt per accedere se non è già stata eseguita l'autenticazione.

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

• Dai parametri: non è necessario disporre di un file config.json disponibile se si usa questo approccio.

  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)

Se si verificano problemi durante l'accesso alla sottoscrizione, vedere Configurare l'autenticazione per le risorse e i flussi di lavoro di Azure Machine Learning e l'autenticazione nel notebook di Azure Machine Learning .

Individuare un'area di lavoro

Visualizzare un elenco di tutte le aree di lavoro disponibili. È anche possibile cercare un'area di lavoro all'interno di Studio. Vedere Cercare gli asset di Azure Machine Learning (anteprima).

Python SDK

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

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)

Per ottenere dettagli specifici dell'area di lavoro:

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

Portale

1. Accedere al portale di Azure.

2. Nel campo di ricerca superiore digitare Machine Learning.

3. Selezionare Machine Learning.

   

4. Esaminare l'elenco delle aree di lavoro trovate. È possibile filtrarle in base alla sottoscrizione, ai gruppi di risorse e alle posizioni.

5. Selezionare un'area di lavoro per visualizzarne le proprietà.

Eliminazione di un'area di lavoro

Quando non è più necessaria un'area di lavoro, eliminarla.

Avviso

Se l'eliminazione temporanea è abilitata per l'area di lavoro, può essere ripristinata dopo l'eliminazione. Se l'eliminazione temporanea non è abilitata o si seleziona l'opzione per eliminare definitivamente l'area di lavoro, non è possibile recuperarla. Per altre informazioni, vedere Ripristinare un'area di lavoro eliminata.

Suggerimento

Il comportamento predefinito per Azure Machine Learning consiste nell'usare l'eliminazione temporanea dell'area di lavoro. Ciò significa che l'area di lavoro non viene eliminata immediatamente, ma viene invece contrassegnata per l'eliminazione. Per altre informazioni, vedere Eliminazione temporanea.

Python SDK

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

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

L'azione predefinita non elimina automaticamente le risorse

• registro container
• account di archiviazione
• insieme di credenziali delle chiavi
• application insights

associato all'area di lavoro. Impostare delete_dependent_resources su True per eliminare anche queste risorse.

Portale

Nella portale di Azure selezionare Elimina nella parte superiore dell'area di lavoro da eliminare.

Pulire le risorse

Importante

Le risorse create possono essere usate come prerequisiti per altre esercitazioni e procedure dettagliate per Azure Machine Learning.

Se non si prevede di usare alcuna delle risorse create, eliminarle in modo da non sostenere alcun addebito:

1. Nel portale di Azure fare clic su Gruppi di risorse all'estrema sinistra.

2. Nell'elenco selezionare il gruppo di risorse creato.

3. Selezionare Elimina gruppo di risorse.

   

4. Immettere il nome del gruppo di risorse. Quindi seleziona Elimina.

Risoluzione dei problemi

• Browser supportati in studio di Azure Machine Learning: è consigliabile usare il browser più aggiornato compatibile con il sistema operativo. Questi browser sono supportati:

  • Microsoft Edge (la nuova versione più recente di Microsoft Edge. Nota: La versione legacy di Microsoft Edge non è supportata)
  • Safari (versione più recente, solo Mac)
  • Chrome (versione più recente)
  • Firefox (versione più recente)

• Portale di Azure:

  • Se si passa direttamente all'area di lavoro da un collegamento di condivisione dall'SDK o dal portale di Azure, non è possibile visualizzare la pagina panoramica standard con informazioni sulla sottoscrizione nell'estensione. In questo scenario, inoltre, non è possibile passare a un'altra area di lavoro. Per visualizzare un'altra area di lavoro, passare direttamente a studio di Azure Machine Learning e cercare il nome dell'area di lavoro.
  • Tutti gli asset (dati, esperimenti, calcoli e così via) sono disponibili solo in studio di Azure Machine Learning. Il portale di Azure non li offre.
  • Il tentativo di esportare un modello per un'area di lavoro dal portale di Azure potrebbe restituire un errore simile al testo seguente: Could not get resource of the type <type>. Resources of this type will not be exported. come soluzione alternativa, usare uno dei modelli forniti in https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices come base per il modello.

Diagnostica dell'area di lavoro

È possibile eseguire la diagnostica nell'area di lavoro da studio di Azure Machine Learning o Python SDK. Dopo l'esecuzione della diagnostica, viene restituito un elenco di eventuali problemi rilevati. Questo elenco include collegamenti a possibili soluzioni. Per altre informazioni, vedere Come usare la diagnostica dell'area di lavoro.

Errori del provider di risorse

Quando si crea un'area di lavoro di Azure Machine Learning o una risorsa usata dall'area di lavoro, è possibile che venga visualizzato un errore simile ai messaggi seguenti:

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

Molti provider di risorse vengono registrati automaticamente, ma non tutti. Se si riceve questo messaggio, è necessario registrare il provider indicato.

La tabella seguente contiene un elenco dei provider di risorse richiesti da Azure Machine Learning:

Provider di risorse	Perché è necessario
Microsoft.MachineLearningServices	Creazione dell'area di lavoro di Azure Machine Learning.
Microsoft.Storage	L'account di Archiviazione di Azure viene usato come risorsa di archiviazione predefinita per l'area di lavoro.
Microsoft.ContainerRegistry	Registro Azure Container viene usato dall'area di lavoro per compilare immagini Docker.
Microsoft.KeyVault	Azure Key Vault viene usato dall'area di lavoro per archiviare i segreti.
Microsoft.Notebooks	Notebook integrati nell'istanza di calcolo di Azure Machine Learning.
Microsoft.ContainerService	Se si prevede di distribuire modelli sottoposti a training nei servizi Azure Kubernetes.

Se si prevede di usare una chiave gestita dal cliente con Azure Machine Learning, è necessario registrare i provider di servizi seguenti:

Provider di risorse	Perché è necessario
Microsoft.DocumentDB	Istanza di Azure CosmosDB che registra i metadati per l'area di lavoro.
Microsoft.Search	Ricerca di Azure offre funzionalità di indicizzazione per l'area di lavoro.

Se si prevede di usare una rete virtuale gestita con Azure Machine Learning, è necessario registrare il provider di risorse Microsoft.Network. Questo provider di risorse viene usato dall'area di lavoro quando si creano endpoint privati per la rete virtuale gestita.

Per informazioni sulla registrazione dei provider di risorse, vedere Risoluzione degli errori di registrazione del provider di risorse.

Eliminazione del Registro Azure Container

L'area di lavoro di Azure Machine Learning usa il Registro Azure Container (ACR) per alcune operazioni. Crea automaticamente un'istanza di Registro Azure Container quando ne ha bisogno per la prima volta.

Avviso

Dopo aver creato un'istanza di Registro Azure Container per un'area di lavoro, non eliminarla. In caso contrario, l'area di lavoro di Azure Machine Learning verrà terminata.

Esempi

Gli esempi in questo articolo provengono da workspace.ipynb.

Passaggi successivi

Dopo aver creato un'area di lavoro, informazioni su come eseguire il training e distribuire un modello.

Per altre informazioni sulla pianificazione di un'area di lavoro per i requisiti dell'organizzazione, vedere Organizzare e configurare Azure Machine Learning.

• Se è necessario spostare un'area di lavoro in un'altra sottoscrizione di Azure, vedere Come spostare un'area di lavoro.

Per informazioni su come mantenere aggiornato Azure Machine Learning con gli aggiornamenti della sicurezza più recenti, vedere Gestione delle vulnerabilità.