Creare e usare ambienti software in Azure Machine Learning con l'interfaccia della riga di comando v1

SI APPLICA A: Estensione ML dell’interfaccia della riga di comando di Azure v1

Questo articolo illustra come creare e gestire ambienti di Azure Machine Learning usando l'interfaccia della riga di comando v1. Usare gli ambienti per monitorare e riprodurre le dipendenze software dei progetti mentre si evolvono. L'interfaccia della riga di comando di Azure Machine Learning v1 rispecchia la maggior parte delle funzionalità di Python SDK v1. È possibile usarlo per creare e gestire ambienti.

La gestione delle dipendenze software è un'attività comune per gli sviluppatori. L'intento è quello di garantire che le compilazioni siano riproducibili senza una configurazione manuale completa del software. La classe di Azure Machine Learning Environment rappresenta le soluzioni di sviluppo locali, ad esempio pip e Conda e sviluppo cloud distribuito tramite funzionalità Docker.

Per una panoramica generale sul funzionamento degli ambienti in Azure Machine Learning, vedere Cosa sono gli ambienti di ML? Per informazioni sulla gestione degli ambienti in studio di Azure Machine Learning, vedere Gestire gli ambienti in studio. Per informazioni sulla configurazione degli ambienti di sviluppo, vedere Configurare un ambiente di sviluppo Python per Azure Machine Learning.

Prerequisiti

• Un'area di lavoro di Azure Machine Learning

Importante

Alcuni comandi dell'interfaccia della riga di comando (CLI) di Azure in questo articolo usano l'estensione azure-cli-ml, o v1, per Azure Machine Learning. L'assistenza per l'estensione v1 terminerà il 30 settembre 2025. Sarà possibile installare e usare l'estensione v1 fino a tale data.

Consigliamo di passare all'estensione ml, o v2, prima del 30 settembre 2025. Per altre informazioni sull'estensione v2, vedere Estensione dell'interfaccia della riga di comando di Azure ML e Python SDK v2.

Eseguire lo scaffolding di un ambiente

Il comando seguente esegue lo scaffolding dei file per una definizione di ambiente predefinita nella directory specificata. Questi file sono file JSON. Funzionano come la classe corrispondente nel Software Development Kit (SDK) È possibile usare i file per creare nuovi ambienti con impostazioni personalizzate.

az ml environment scaffold -n myenv -d myenvdir

Registrare un ambiente

Eseguire il comando seguente per registrare un ambiente da una directory specificata:

az ml environment register -d myenvdir

Elencare gli ambienti

Eseguire il comando seguente per elencare tutti gli ambienti registrati:

az ml environment list

Scaricare un ambiente

Per scaricare un ambiente registrato, usare il comando seguente:

az ml environment download -n myenv -d downloaddir

Passaggi successivi

• Dopo aver creato un modello con training, consultare le informazioni su come e dove distribuire i modelli.
• Visualizzare le Environmentinformazioni di riferimento sul Software Development Kit (SDK) della classe.