Azure Machine Learning コンピューティングインスタンスを作成する

[アーティクル]
09/03/2024

適用対象:Azure CLI ml extension v2 (現行)Python SDK azure-ai-ml v2 (現行)

Azure Machine Learning ワークスペースでコンピューティングインスタンスを作成する方法について説明します。

コンピューティングインスタンスは、クラウド内で完全に構成され管理される自分の開発環境として使用します。開発とテストの場合、このインスタンスをトレーニングコンピューティングターゲットとして使うこともできます。コンピューティングインスタンスは複数のジョブを並列に実行でき、ジョブキューを備えています。開発環境であるため、コンピューティングインスタンスをワークスペース内の他のユーザーと共有することはできません。

この記事では、コンピューティングインスタンスを作成する方法について説明します。コンピューティングインスタンスの開始、停止、再起動、削除を管理する手順については、「Azure Machine Learning コンピューティングインスタンスを管理する」を参照してください。

セットアップスクリプトを使って、独自のカスタム環境でコンピューティングインスタンスを作成することもできます。

コンピューティングインスタンスは、企業で SSH ポートを開かなくても、仮想ネットワーク環境でジョブを安全に実行できます。ジョブはコンテナー化された環境で実行され、モデルの依存関係が Docker コンテナーにパッケージ化されます。

Note

この記事では、いくつかの例で CLI v2 を使用します。 CLI v1 をまだ使っている場合は、Azure Machine Learning コンピューティングクラスター CLI (v1) の作成に関するページを参照してください。

前提条件

Azure Machine Learning ワークスペース。詳細については、Azure Machine Learning ワークスペースの作成に関するページをご覧ください。ストレージアカウントで、コンピューティングインスタンスの作成を成功させるには、[ストレージアカウントキーのアクセスを許可する] オプションを有効にする必要があります。

追加の前提条件については、使用している環境のタブを選択してください。

Python SDK
Azure CLI
[スタジオ](#tab/azure-studio)

Python SDK を使用するには、ワークスペースを使用して開発環境を設定します。環境の設定後、Python スクリプトでワークスペースにアタッチします。

このコードを実行して Azure Machine Learning ワークスペースに接続します。

次のコードで、サブスクリプション ID、リソースグループ名、ワークスペース名を置き換えます。これらの値を見つけるには:

Azure Machine Learning Studio にサインインします。
使用するワークスペースを開きます。
右上の Azure Machine Learning スタジオツールバーで、ワークスペース名を選びます。
ワークスペース、リソースグループ、サブスクリプション ID の値をコードにコピーします。

適用対象: Python SDK azure-ai-ml v2 (現行)

# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

# get a handle to the workspace
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

ml_client は、他のリソースやジョブの管理に使うワークスペースに対するハンドラーです。

コンピューティングインスタンス上で作業する場合は、CLI は既にインストールされています。別のコンピューター上で作業する場合は、Machine Learning service 用 Azure CLI 拡張機能 (v2) をインストールしてください。

ターミナルウィンドウを開き、Azure にサインインします。 Azure Machine Learning コンピューティングインスタンスを使用している場合は、以下を使用します。
```
az login --identity
```
コンピューティングインスタンスを使用していない場合は、--identity を省略し、プロンプトに従ってブラウザーウィンドウを開いて認証します。
最新バージョンの CLI と ml 拡張機能があることを確認します。
```
az upgrade
```
複数の Azure サブスクリプションがある場合は、アクティブなサブスクリプションを、ワークスペースに使用しているサブスクリプションに設定します (アクセスできるサブスクリプションが 1 つのみの場合は、この手順をスキップできます。)<YOUR_SUBSCRIPTION_NAME_OR_ID> を実際のサブスクリプション名またはサブスクリプション ID で置き換えてください。また、かっこ <> は削除します。
```
az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"
```
既定のワークスペースを設定します。コンピューティングインスタンスを使用している場合は、次のコマンドをそのままにしておくことができます。他のコンピューターを使用している場合は、代わりにリソースグループとワークスペースの名前を置き換えてください。 (これらの値は Azure Machine Learning スタジオにあります。)
```
az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
```

作成

推定所要時間: 約 5 分です。

コンピューティングインスタンスの作成は、ワークスペースに対する 1 回限りのプロセスです。このコンピューティングは、開発ワークステーションとして、またはトレーニング用のコンピューティング先として再利用できます。ワークスペースには複数のコンピューティングインスタンスをアタッチすることができます。

コンピューティングインスタンスの作成に適用されるリージョンあたりの専用コア数は、VM ファミリクォータ別およびリージョン合計クォータ別に、Azure Machine Learning コンピューティングクラスターのクォータと統合され、共有されます。コンピューティングインスタンスを停止しても、コンピューティングインスタンスを再起動できるようにクォータは解放されません。コンピューティングインスタンスの仮想マシンサイズは、作成後は変更できません。

コンピューティングインスタンスを作成する最速の方法は、「作業を開始するために必要なリソースを作成する」の手順に従うことです。

または、次の例を使用し、より多くのオプションを使用してコンピューティングインスタンスを作成します。

Python SDK
Azure CLI
[スタジオ](#tab/azure-studio)

適用対象: Python SDK azure-ai-ml v2 (現行)

# Compute Instances need to have a unique name across the region.
# Here we create a unique name with current datetime
from azure.ai.ml.entities import ComputeInstance, AmlCompute
import datetime

ci_basic_name = "basic-ci" + datetime.datetime.now().strftime("%Y%m%d%H%M")
ci_basic = ComputeInstance(name=ci_basic_name, size="STANDARD_DS3_v2")
ml_client.begin_create_or_update(ci_basic).result()

コンピューティングインスタンスを作成するためのクラス、メソッド、パラメーターについて詳しくは、次の参照ドキュメントをご覧ください。

適用対象: Azure CLI ml 拡張機能 v2 (現行)

az ml compute create -f create-instance.yml

ファイル create-instance.yml がある場所:

$schema: https://azuremlschemas.azureedge.net/latest/computeInstance.schema.json 
name: basic-example-i
type: computeinstance
size: STANDARD_DS3_v2

Azure Machine Learning Studio に移動します。
[管理] の下にある、 [コンピューティング] を選択します。
最上部のコンピューティングインスタンスを選択します。
コンピューティングインスタンスがない場合は、ページの中央にある [作成] を選択します。
コンピューティングリソースの一覧が表示されたら、一覧の上にある [+新規] を選択します。

以下をフォームに入力します。

フォーム内の必須エントリを示すスクリーンショット。

フィールド	説明
コンピューティング名	- 名前は必須であり、3 文字から 24 文字の長さにする必要があります。 - 有効な文字は、大文字、小文字、数字、- 文字です。 - 名前の先頭は文字である必要があります - 名前は、Azure リージョン内のすべての既存のコンピューティングで一意である必要があります。選択した名前が一意でない場合は、アラートが表示されます - 名前に - 文字が使用されている場合は、その後に少なくとも 1 文字を続ける必要があります
仮想マシンのタイプ	CPU または GPU を選択します。このタイプは作成後に変更することはできません
仮想マシンのサイズ	サポートされる仮想マシンのサイズがお客様のリージョンで制限されている可能性があります。利用可能な製品のリストに関するページを確認してください

コンピューティングインスタンスの詳細設定を構成しない場合は、[確認と作成] を選択します。
定期的にコンピューティングを開始または停止するようにスケジュールする場合は、[次へ] を選択して [スケジュール] に移動します。「アイドルシャットダウンの有効化」および「スケジュールの追加」セクションを参照してください。
コンピューティングインスタンスの SSH、仮想ネットワーク、ルートアクセス、マネージド ID などのセキュリティ設定を構成する場合は、[セキュリティ] を選択します。このセクションを使用して、次の操作を行います。
- コンピューターを別のユーザーに割り当てます。他のユーザーに割り当てる方法の詳細については、「代理作成」を参照してください。
- マネージド ID を割り当てます。「マネージド ID を割り当てる」を参照してください
- SSH アクセスを有効にします。詳細な SSH アクセス手順に従います。
- 仮想ネットワークを有効にします:
  - Azure Virtual Network を使用している場合は、[リソースグループ]、[仮想ネットワーク]、および [サブネット] を指定して、Azure Virtual Network 内にコンピューティングインスタンスを作成します。 [パブリック IP なし] を選択して、プライベートリンクワークスペースを必要とするパブリック IP アドレスを作成しないようにすることもできます。また、仮想ネットワークのセットアップに必要なこれらのネットワーク要件も満たしている必要があります。
  - Azure Machine Learning の マネージド仮想ネットワークを使用している場合、コンピューティングインスタンスはマネージド仮想ネットワーク内に作成されます。 [パブリック IP なし] を選択して、パブリック IP アドレスを作成しないようにすることもできます。詳細については、「マネージドネットワークを使用したマネージドコンピューティング」を参照してください。
RStudio や Posit Workbench などのコンピューティングインスタンスで使用するカスタムアプリケーションを追加する場合は、[アプリケーション] を選択します。「RStudio や Posit Workbench などのカスタムアプリケーションの追加」を参照してください。
コンピューティングインスタンスを分類するための追加情報を追加する場合は、[タグ] を選択します。
[確認と作成] を選んで、設定を確認します。
設定を確認したら、[作成] を選択してコンピューティングインスタンスを作成します。

また、Azure Resource Manager テンプレートを使用してコンピューティングインスタンスを作成することもできます。

アイドリングからのシャットダウンを構成する

オンになっているが非アクティブなコンピューティングインスタンスに対して課金されないように、非アクティブのためコンピューティングインスタンスをシャットダウンするタイミングを構成できます。

次の条件が満たされている場合、コンピューティングインスタンスは非アクティブと見なされます。

アクティブな Jupyter カーネルセッションがない (これは、Jupyter、JupyterLab、または対話型のノートブックで Notebooks が使われていないことを意味します)
アクティブな Jupyter ターミナルセッションがない
アクティブな Azure Machine Learning の実行または実験がない
VS コード接続がない。コンピューティングインスタンスが非アクティブと見なされるためには、VS Code 接続を閉じる必要があります。 VS コードで 3 時間アクティビティが検出されない場合、セッションは自動終了されます。
コンピューティングでカスタムアプリケーションが実行されていない

カスタムアプリケーションが実行されている場合、コンピューティングインスタンスはアイドル状態とは見なされません。カスタムアプリケーションでコンピューティングを自動的にシャットダウンするには、スケジュールを設定するか、カスタムアプリケーションを削除する必要があります。また、非アクティブな期間に関するいくつかの基本的な境界もあります。コンピューティングインスタンスは、15 分以上、最大 3 日間非アクティブである必要があります。また、アクティビティを特定するための VS Code SSH 接続も追跡しません。

また、コンピューティングインスタンスが既に一定時間アイドル状態になっている場合、アイドリングからのシャットダウン設定が現在のアイドル期間よりも短い時間に更新されると、アイドル時間クロックは 0 にリセットされます。たとえば、コンピューティングインスタンスが既に 20 分間アイドル状態で、シャットダウン設定が 15 分に更新されている場合、アイドル時間クロックは 0 にリセットされます。

重要

コンピューティングインスタンスもマネージド ID で構成されている場合、マネージド IDに Azure Machine Learning ワークスペースへの共同作成者アクセス権がない限り、非アクティブのためコンピューティングインスタンスはシャットダウンされません。アクセス許可割り当ての詳細については、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。

この設定は、コンピューティングインスタンスの作成時に、または既存のコンピューティングインスタンスに対して、次のインターフェイスを使用して構成できます。

Python SDK
Azure CLI
[スタジオ](#tab/azure-studio)

適用対象: Python SDK azure-ai-ml v2 (現行)

新しいコンピューティングインスタンスを作成するときに、idle_time_before_shutdown_minutes パラメーターを追加します。

# Note that idle_time_before_shutdown has been deprecated.
ComputeInstance(name=ci_basic_name, size="STANDARD_DS3_v2", idle_time_before_shutdown_minutes="30")

Python SDK を使用して、既存のコンピューティングインスタンスのアイドル時間を変更することはできません。

適用対象: Azure CLI ml 拡張機能 v2 (現行)

新しいコンピューティングインスタンスを作成するときに、idle_time_before_shutdown_minutes パラメーターを追加します。

# Note that this is just a snippet for the idle shutdown property. Refer to the "Create" Azure CLI section for more information.
# Note that idle_time_before_shutdown has been deprecated.
idle_time_before_shutdown_minutes: 30

CLI を使用して、既存のコンピューティングインスタンスのアイドル時間を変更することはできません。

次を使用してアイドル時間を変更することもできます。

REST API

エンドポイント:

POST https://management.azure.com/subscriptions/{SUB_ID}/resourceGroups/{RG_NAME}/providers/Microsoft.MachineLearningServices/workspaces/{WS_NAME}/computes/{CI_NAME}/updateIdleShutdownSetting?api-version=2021-07-01

本文は次のようになります。

{
    "idleTimeBeforeShutdown": "PT30M" // this must be a string in ISO 8601 format
}

ARM テンプレート: 新しいコンピューティングインスタンスの作成時にのみ構成可能

// Note that this is just a snippet for the idle shutdown property in an ARM template
{
    "idleTimeBeforeShutdown":"PT30M" // this must be a string in ISO 8601 format
}

自動開始と停止をスケジュール設定する

自動シャットダウンと自動開始のスケジュールを複数定義します。たとえば、午前 9 時に開始し、午後 6 時に停止する月曜日から木曜日のスケジュールを作成し、2 番目のスケジュールを金曜日の午前 9 時に開始して午後 4 時に停止するように作成します。コンピューティングインスタンスごとに合計 4 つのスケジュールを作成できます。

コンピューティングインスタンスの代理作成のためのスケジュールを定義することもできます。コンピューティングインスタンスを停止状態で作成するスケジュールを作成できます。停止したコンピューティングインスタンスは、別のユーザーの代わりにコンピューティングインスタンスを作成する場合に便利です。

スケジュールされたシャットダウンの前に、コンピューティングインスタンスがもうすぐシャットダウンすることを警告する通知がユーザーに表示されます。その時点で、ユーザーは今後のシャットダウンイベントを無視することを選択できます。たとえば、コンピューティングインスタンスを使用している最中などです。

スケジュールを作成する

Python SDK
Azure CLI
[スタジオ](#tab/azure-studio)

適用対象: Python SDK azure-ai-ml v2 (現行)

from azure.ai.ml.entities import ComputeInstance, ComputeSchedules, ComputeStartStopSchedule, RecurrenceTrigger, RecurrencePattern
from azure.ai.ml.constants import TimeZone
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ci_minimal_name = "ci-name"
ci_start_time = "2023-06-21T11:47:00" #specify your start time in the format yyyy-mm-ddThh:mm:ss

rec_trigger = RecurrenceTrigger(start_time=ci_start_time, time_zone=TimeZone.INDIA_STANDARD_TIME, frequency="week", interval=1, schedule=RecurrencePattern(week_days=["Friday"], hours=15, minutes=[30]))
myschedule = ComputeStartStopSchedule(trigger=rec_trigger, action="start")
com_sch = ComputeSchedules(compute_start_stop=[myschedule])

my_compute = ComputeInstance(name=ci_minimal_name, schedules=com_sch)
ml_client.compute.begin_create_or_update(my_compute)

適用対象: Azure CLI ml 拡張機能 v2 (現行)

az ml compute create -f create-instance.yml

ファイル create-instance.yml がある場所:

$schema: https://azuremlschemas.azureedge.net/latest/computeInstance.schema.json 
name: schedule-example-i
type: computeinstance
size: STANDARD_DS3_v2
schedules:
   compute_start_stop:
      - action: stop
        trigger:
         type: cron
         start_time: "2021-03-10T21:21:07"
         time_zone: Pacific Standard Time
         expression: 0 18 * * *

Resource Manager テンプレートでスケジュールを作成する

Resource Manager テンプレートを使用して、コンピューティングインスタンスの自動の開始と停止をスケジュール設定できます。

Resource Manager テンプレートに、以下を追加します。

"schedules": "[parameters('schedules')]"

次に、cron または LogicApps 式を使用して、パラメーターファイル内のインスタンスを開始または停止するスケジュールを定義します。

  "schedules": {
    "value": {
      "computeStartStop": [
        {
          "triggerType": "Cron",
          "cron": {
            "timeZone": "UTC",
            "expression": "0 18 * * *"
          },
          "action": "Stop",
          "status": "Enabled"
        },
        {
          "triggerType": "Cron",
          "cron": {
            "timeZone": "UTC",
            "expression": "0 8 * * *"
          },
          "action": "Start",
          "status": "Enabled"
        },
        {
          "triggerType": "Recurrence",
          "recurrence": {
            "frequency": "Day",
            "interval": 1,
            "timeZone": "UTC",
            "schedule": {
              "hours": [17],
              "minutes": [0]
            }
          },
          "action": "Stop",
          "status": "Enabled"
        }
      ]
    }
  }

アクションには、[Start] または [Stop] の値を指定できます。
Recurrence のトリガーの種類では、このRecurrenceと一緒に、ロジックアプリと同じ構文を使用します。

cron のトリガーの種類には、次の標準の cron 構文を使用します。

// Crontab expression format: 
// 
// * * * * * 
// - - - - - 
// | | | | | 
// | | | | +----- day of week (0 - 6) (Sunday=0) 
// | | | +------- month (1 - 12) 
// | | +--------- day of month (1 - 31) 
// | +----------- hour (0 - 23) 
// +------------- min (0 - 59) 
// 
// Star (*) in the value field above means all legal values as in 
// braces for that column. The value column can have a * or a list 
// of elements separated by commas. An element is either a number in 
// the ranges shown above or two numbers in the range separated by a 
// hyphen (meaning an inclusive range).

1 つのスケジュールを既定にするための Azure Policy サポート

Azure Policy を使用して、サブスクリプション内のすべてのコンピューティングインスタンスに対して存在するシャットダウンスケジュールを適用するか、何も存在しない場合のスケジュールを既定値として設定します。午後 10 時 (太平洋標準時) のシャットダウンスケジュールを既定にするためのサンプルポリシーを次に示します。

{
    "mode": "All",
    "policyRule": {
     "if": {
      "allOf": [
       {
        "field": "Microsoft.MachineLearningServices/workspaces/computes/computeType",
        "equals": "ComputeInstance"
       },
       {
        "field": "Microsoft.MachineLearningServices/workspaces/computes/schedules",
        "exists": "false"
       }
      ]
     },
     "then": {
      "effect": "append",
      "details": [
       {
        "field": "Microsoft.MachineLearningServices/workspaces/computes/schedules",
        "value": {
         "computeStartStop": [
          {
           "triggerType": "Cron",
           "cron": {
            "startTime": "2021-03-10T21:21:07",
            "timeZone": "Pacific Standard Time",
            "expression": "0 22 * * *"
           },
           "action": "Stop",
           "status": "Enabled"
          }
         ]
        }
       }
      ]
     }
    }
}

代理での作成

管理者は、データ科学者に代わってコンピューティングインスタンスを作成し、次のようにして彼らにそのインスタンスを割り当てることができます。

Studio で、この記事のセキュリティ設定を使用する。
Azure Resource Manager テンプレートこのテンプレートに必要な TenantID と ObjectID を見つける方法の詳細については、「認証構成のための ID オブジェクト ID を見つける」を参照してください。これらの値は Microsoft Entra 管理センターでも確認できます。

セキュリティをさらに強化するため、データ科学者に代わってコンピューティングインスタンスを作成しそのインスタンスをデータ科学者に割り当てると、そのコンピューティングインスタンスにセットアップスクリプトやカスタムアプリが含まれている場合は、シングルサインオン (SSO) が作成時に無効になります。

割り当て先のユーザーは、コンピューティングが割り当てられた後、コンピューティングインスタンスの SSO 設定を更新することで、コンピューティングインスタンスの SSO を自身で有効にする必要があります。割り当て先のユーザーは、自身のロール MachineLearningServices/workspaces/computes/enableSso/action に次のアクセス許可とアクションが必要です。割り当て先ユーザーには、SSO を有効にするためにコンピューティング書き込み (作成) アクセス許可は必要ありません。

割り当て先ユーザーが実行する必要がある手順は次のとおりです。セキュリティ上の理由により、コンピューティングインスタンスの作成者は、そのコンピューティングインスタンス上で SSO を有効にすることができないことに注意してください。

Azure Machine Learning スタジオの左側のナビゲーションウィンドウで [コンピューティング] をクリックします。
SSO を有効にする必要があるコンピューティングインスタンスの名前をクリックします。
[シングルサインオンの詳細] セクションを編集します。
シングルサインオンの切り替えを有効にします。
保存。更新には時間がかかります。

マネージド ID を割り当てる

システム割り当てまたはユーザー割り当てのマネージド ID をコンピューティングインスタンスに割り当てて、ストレージのような他の Azure リソースに対する認証を行うことができます。認証にマネージド ID を使うと、ワークスペースのセキュリティと管理を向上させることができます。たとえば、ユーザーがコンピューティングインスタンスにログインした場合にのみ、トレーニングデータへのアクセスを許可できます。または、共通のユーザー割り当てマネージド ID を使って、特定のストレージアカウントへのアクセスを許可します。

重要

コンピューティングインスタンスもアイドルシャットダウン用に構成されている場合、マネージド ID に Azure Machine Learning ワークスペースへの共同作成者アクセス権がない限り、非アクティブのためコンピューティングインスタンスはシャットダウンされません。アクセス許可割り当ての詳細については、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。

Python SDK
Azure CLI
[スタジオ](#tab/azure-studio)

SDK V2 を使用して、システム割り当てマネージド ID を割り当ててコンピューティングインスタンスを作成します。

from azure.ai.ml import MLClient
from azure.identity import ManagedIdentityCredential
client_id = os.environ.get("DEFAULT_IDENTITY_CLIENT_ID", None)
credential = ManagedIdentityCredential(client_id=client_id)
ml_client = MLClient(credential, subscription_id, resource_group, workspace)

SDK V1 を使用することもできます。

from azureml.core.authentication import MsiAuthentication
from azureml.core import Workspace
client_id = os.environ.get("DEFAULT_IDENTITY_CLIENT_ID", None)
auth = MsiAuthentication(identity_config={"client_id": client_id})
workspace = Workspace.get("chrjia-eastus", auth=auth, subscription_id=subscription_id, resource_group=resource_group, location="East US")

V2 CLI を使用して、システム割り当てマネージド ID を割り当ててコンピューティングインスタンスを作成します。

az ml compute create --name myinstance --identity-type SystemAssigned --type ComputeInstance --resource-group my-resource-group --workspace-name my-workspace

また、V2 CLI と yaml ファイルを使って、たとえばユーザー割り当てマネージド ID でコンピューティングインスタンスを作成することもできます。

Azure Machine Learning compute create --file compute.yaml --resource-group my-resource-group --workspace-name my-workspace

ID の定義は compute.yaml ファイルに含まれます。

https://azuremlschemas.azureedge.net/latest/computeInstance.schema.json
name: myinstance
type: computeinstance
identity:
  type: user_assigned
  user_assigned_identities:
    - resource_id: identity_resource_id

マネージド ID が作成されたら、データストアのストレージアカウントの、少なくともストレージ BLOB データ閲覧者ロールをマネージド ID に付与します (「ストレージサービスへのアクセス」を参照)。その後、コンピューティングインスタンスを使うときは、そのマネージド ID がデータストアに対する認証に自動的に使われます。

Note

作成されたシステムマネージド ID の名前は、Microsoft Entra ID では /<ワークスペース名>/computes/<コンピューティングインスタンス名> という形式になります。

マネージド ID を手動で使って、他の Azure リソースに対する認証を行うこともできます。次の例では、それを使って Azure Resource Manager のアクセストークンを取得する方法を示します。

import requests

def get_access_token_msi(resource):
    client_id = os.environ.get("DEFAULT_IDENTITY_CLIENT_ID", None)
    resp = requests.get(f"{os.environ['MSI_ENDPOINT']}?resource={resource}&clientid={client_id}&api-version=2017-09-01", headers={'Secret': os.environ["MSI_SECRET"]})
    resp.raise_for_status()
    return resp.json()["access_token"]

arm_access_token = get_access_token_msi("https://management.azure.com")

認証にマネージド ID と Azure CLI を使用するには、ログイン時にユーザー名として ID クライアント ID を指定します。

az login --identity --username $DEFAULT_IDENTITY_CLIENT_ID

Note

マネージド ID を使用する場合、azcopy を使用できません。 azcopy login --identity は機能しません。

Enable SSH access (SSH アクセスを有効にする)

SSH アクセスは既定では無効になっています。作成後に SSH アクセスを有効または無効にすることはできません。 VS Code Remote を使用して対話形式でデバッグする場合は、アクセスを有効にする必要があります。

[Next: Advanced Settings](次へ: 詳細設定) を選択したら、次のようにします。

[Enable SSH access](SSH アクセスを有効にする) をオンにします。
[SSH public key source]$SSH 公開キーのソース$ で、ドロップダウンから次のいずれかのオプションを選択します。
- [新しいキーの組を生成] の場合:
  1. [Key pair name](キーの組の名前) にキーの名前を入力します。
  2. ［作成］ を選択します
  3. [Download private key and create compute](秘密キーをダウンロードしてコンピューティングを作成する) を選択します。キーは通常、 [ダウンロード] フォルダーにダウンロードされます。
- [Use existing public key stored in Azure](Azure に保存されている既存の公開キーを使用する) を選択した場合には、 [Stored key](保存されているキー) でキーを探して選択します。
- [既存の公開キーを使用] を選択した場合には、("ssh-rsa" から始まる) 1 行の形式か、複数行の PEM 形式で RSA 公開キーを入力します。 SSH キーは、Linux と OS X では ssh-keygen を、Windows では PuTTYGen を使用して生成できます。

SSH キーを後で設定する

作成後に SSH を有効または無効にすることはできませんが、SSH 対応のコンピューティングインスタンスで SSH キーを後で設定することができます。これにより、作成後に SSH キーを設定できます。これを行うには、コンピューティングインスタンスで SSH を有効にし、SSH 公開キーのソースとして [Set up an SSH key later] (SSH キーを後で設定する) を選択します。コンピューティングインスタンスが作成されたら、コンピューティングインスタンスの [詳細] ページにアクセスし、選択して SSH キーを編集できます。そこから、お使いの SSH キーを追加できます。

この一般的なユースケースの例として、別のユーザーの代わりにコンピューティングインスタンスを作成する場合が挙げられます (「代理での作成」を参照)。別のユーザーの代わりにコンピューティングインスタンスをプロビジョニングする場合は、[SSH キーを後で設定する] を選択して、新しいコンピューティングインスタンス所有者に対して SSH を有効にすることができます。これにより、コンピューティングインスタンスの新しい所有者は、前述の手順に従って、新しく所有するコンピューティングインスタンスの SSH キーが作成され割り当てられた後に設定できます。

SSH を使用した接続

SSH アクセスが有効なコンピューティングを作成したら、次の手順に従ってアクセスします。

ワークスペースリソースでコンピューティングを探します。
1. 左側にある [コンピューティング] を選択します。
2. 上部のタブを使用して、 [コンピューティングインスタンス] または [コンピューティングクラスター] を選択し、マシンを探します。
リソース一覧で、コンピューティング名を選択します。
接続文字列を探します。
- コンピューティングインスタンスの場合は、 [詳細] セクションの上部にある [接続] を選択します。
- コンピューティングクラスターの場合は、上部にある [ノード] を選択したうえで、ノードのテーブルにある [接続文字列] を選択します。
接続文字列をコピーします。
Windows の場合は、PowerShell またはコマンドプロンプトを開きます。
1. キーが格納されているディレクトリまたはフォルダーに移動します
2. 秘密キーの場所を特定し、格納場所をポイントできるよう、接続文字列に -i フラグを追加します。
  
  ssh -i <keyname.pem> azureuser@... (rest of connection string)
Linux ユーザーの場合は、Azure 内の Linux VM 用の SSH キーの組を作成して使用する方法に関する記事の手順に従ってください
SCP の場合は次を使用します。

scp -i key.pem -P {port} {fileToCopyFromLocal } azureuser@yourComputeInstancePublicIP:~/{destination}

REST API

データ科学者向けにコンピューティングインスタンスを作成する場合は、次に示す Azure ロールベースのアクセス制御 (Azure RBAC) アクセス許可が必要です。

Microsoft.MachineLearningServices/workspaces/computes/start/action
Microsoft.MachineLearningServices/workspaces/computes/stop/action
Microsoft.MachineLearningServices/workspaces/computes/restart/action
Microsoft.MachineLearningServices/workspaces/computes/applicationaccess/action
Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

データ科学者は、コンピューティングインスタンスを開始、停止、再起動できます。コンピューティングインスタンスは、次に使用できます。

Jupyter
JupyterLab
RStudio
Posit Workbench (旧称 RStudio Workbench)
統合されたノートブック

RStudio や Posit Workbench などのカスタムアプリケーションの追加

コンピューティングインスタンスの作成時に、RStudio や Posit Workbench (旧称 RStudio Workbench) などの他のアプリケーションを設定できます。スタジオで次の手順に従い、コンピューティングインスタンスにカスタムアプリケーションを設定します

フォームに入力して新しいコンピューティングインスタンスを作成します
[アプリケーション] を選択します
[アプリケーションの追加] を選択します

カスタムサービスセットアップを示すスクリーンショット。

Posit Workbench (旧称 RStudio Workbench) の設定

RStudio は、ML とデータサイエンスプロジェクトの R 開発者の間で最も人気のある IDE の 1 つです。他の開発ツールと共に RStudio へのアクセスを提供する Posit Workbench を簡単に設定して、独自の Posit ライセンスを使用してコンピューティングインスタンス上で実行し、Posit Workbench が提供する豊富な機能セットにアクセスできます

コンピューティングインスタンスを作成するときに、前述の手順でアプリケーションを追加します。
[アプリケーション] ドロップダウンで [Posit Workbench (独自のライセンスを取得する)] を選び、[ライセンスキー] フィールドに Posit Workbench のライセンスキーを入力します。 Posit Workbench ライセンスまたは試用版ライセンスは、Posit から取得できます。
[作成] を選び、Posit Workbench アプリケーションをコンピューティングインスタンスに追加します。

重要

プライベートリンクワークスペースを使用している場合は、docker イメージ、pkg-containers.githubusercontent.com、ghcr.io にアクセスできることを確認します。また、8704 から 8993 の範囲で公開ポートを使用します。 Posit Workbench (旧称 RStudio Workbench) の場合、https://www.wyday.com へのネットワークアクセスを提供することで、ライセンスに確実にアクセスできるようにします。

注意

Posit からワークスペースファイルストアにアクセスするためのサポートはまだ利用できません。
Posit Workbench の複数のインスタンスにアクセスするときに、"400 無効な要求です。要求ヘッダーまたは Cookie が大きすぎます" というエラーが表示される場合は、新しいブラウザーを使用するか、シークレットモードのブラウザーからアクセスしてください。

RStudio (オープンソース) の設定

RStudio を使うには、次のようにカスタムアプリケーションを設定します。

コンピューティングインスタンスを作成する際に、前述の手順でアプリケーションを追加します。
[アプリケーション] ドロップダウンリストで [カスタムアプリケーション] を選びます。
使用する [アプリケーション名] を構成します。
ターゲットポート 8787 で動作するようにアプリケーションを設定します。以下の RStudio オープンソースの Docker イメージは、このターゲットポートで動作する必要があります。
公開ポート 8787 でアクセスできるようにアプリケーションを設定します。必要に応じて、別の公開ポートでアクセスできるようにアプリケーションを構成することもできます。
Docker イメージを ghcr.io/azure/rocker-rstudio-ml-verse:latest に指定します。
[作成] を選び、RStudio をコンピューティングインスタンスのカスタムアプリケーションとして設定します。

重要

他のカスタムアプリケーションのセットアップ

Docker イメージ上のアプリケーションを指定し、コンピューティングインスタンスに他のカスタムアプリケーションを設定します。

コンピューティングインスタンスを作成する際に、前述の手順でアプリケーションを追加します。
[アプリケーション] ドロップダウンで [カスタムアプリケーション] を選びます。
アプリケーション名、アプリケーションが実行するターゲットポート、アプリケーションにアクセスする公開ポート、アプリケーションを含む Docker イメージを構成します。カスタムイメージが Azure Container Registry に格納されている場合は、アプリケーションのユーザーに 共同作成者 ロールを割り当てます。ロールの割り当てについては、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。
必要に応じて、アプリケーションに使う環境変数を追加します。
[マウントをバインドする] を使用して、既定のストレージアカウント内のファイルへのアクセスを追加します。
- ホストパスとして /home/azureuser/cloudfiles を指定します。
- コンテナーパスとして /home/azureuser/cloudfiles を指定します。
- [追加] を選択してこのマウントを追加します。ファイルはマウントされているため、これらに加えた変更は、他のコンピューティングインスタンスやアプリケーションで使用できます。
[作成] を選び、コンピューティングインスタンスのカスタムアプリケーションを設定します。

重要

スタジオでのカスタムアプリケーションへのアクセス

スタジオで設定したカスタムアプリケーションにアクセスします。

左側にある [コンピューティング] を選択します。
[コンピューティングインスタンス] タブで、[アプリケーション] 列のアプリケーションを確認します。

カスタムアプリケーションのスタジオアクセスを示すスクリーンショット。

Note

リンクからアクセスできるようになるまで、カスタムアプリケーションを設定してから数分かかる場合があります。所要時間は、カスタムアプリケーションに使用されるイメージのサイズによって異なります。アプリケーションにアクセスしようとしたときに 502 エラーメッセージが表示される場合は、アプリケーションが設定されるまでしばらく待ってから、もう一度やり直してください。カスタムイメージが Azure Container Registry からプルされる場合は、ワークスペースの 共同作成者 ロールが必要です。ロールの割り当てについては、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。

Azure Machine Learning コンピューティングインスタンスを管理する
コンピューティングインスタンスターミナルにアクセスする
ファイルの作成と管理
コンピューティングインスタンスを最新の VM イメージに更新する
VS Code でコンピューティングインスタンスを使用します。
- チュートリアル: クラウドワークステーションでのモデル開発
- コンピューティングインスタンスにリモート接続された VS Code で作業する (プレビュー)

次の方法で共有

Azure Machine Learning コンピューティングインスタンスを作成する

前提条件

作成

アイドリングからのシャットダウンを構成する

自動開始と停止をスケジュール設定する

スケジュールを作成する

Resource Manager テンプレートでスケジュールを作成する

1 つのスケジュールを既定にするための Azure Policy サポート

代理での作成

マネージド ID を割り当てる

Enable SSH access (SSH アクセスを有効にする)

SSH キーを後で設定する

SSH を使用した接続

RStudio や Posit Workbench などのカスタムアプリケーションの追加

Posit Workbench (旧称 RStudio Workbench) の設定

RStudio (オープンソース) の設定

他のカスタムアプリケーションのセットアップ

スタジオでのカスタムアプリケーションへのアクセス

フィードバック

その他のリソース

次の方法で共有

Azure Machine Learning コンピューティング インスタンスを作成する

前提条件

作成

アイドリングからのシャットダウンを構成する

自動開始と停止をスケジュール設定する

スケジュールを作成する

Resource Manager テンプレートでスケジュールを作成する

1 つのスケジュールを既定にするための Azure Policy サポート

代理での作成

マネージド ID を割り当てる

Enable SSH access (SSH アクセスを有効にする)

SSH キーを後で設定する

SSH を使用した接続

RStudio や Posit Workbench などのカスタム アプリケーションの追加

Posit Workbench (旧称 RStudio Workbench) の設定

RStudio (オープンソース) の設定

他のカスタム アプリケーションのセットアップ

スタジオでのカスタム アプリケーションへのアクセス

関連するコンテンツ

フィードバック

その他のリソース

Azure Machine Learning コンピューティングインスタンスを作成する

RStudio や Posit Workbench などのカスタムアプリケーションの追加

他のカスタムアプリケーションのセットアップ

スタジオでのカスタムアプリケーションへのアクセス