Visual Studio Code を使用した対話型デバッグ

[アーティクル]
04/04/2023

適用対象:Python SDK azureml v1

Visual Studio Code (VS Code) および debugpy を使用して Azure Machine Learning の実験、パイプライン、およびデプロイを対話形式でデバッグする方法について説明します。

ローカルでの実験の実行とデバッグ

Azure Machine Learning 拡張機能を使用して、クラウドに送信する前に Machine Learning の実験を検証、実行、およびデバッグします。

前提条件

Azure Machine Learning VS Code 拡張機能 (プレビュー)。詳しくは、Azure Machine Learning VS Code 拡張機能の設定に関するページを参照してください。

重要

Azure Machine Learning VS Code 拡張機能では、既定で CLI (v2) を使用しています。このガイドの手順では、1.0 CLI を使用します。 1\.0 CLI に切り替えるには、Visual Studio Code の azureML.CLI Compatibility Mode 設定を 1.0 に設定します。 Visual Studio Code の設定の変更について詳しくは、ユーザーとワークスペースの設定に関するドキュメントを参照してください。

重要

現在、この機能はパブリックプレビュー段階にあります。このプレビューバージョンはサービスレベルアグリーメントなしで提供されており、運用環境のワークロードに使用することは推奨されません。特定の機能はサポート対象ではなく、機能が制限されることがあります。

詳しくは、Microsoft Azure プレビューの追加使用条件に関するページをご覧ください。
Docker
- Mac および Windows 用の Docker デスクトップ
- Linux 用 Docker エンジン。
  
  Note
  
  Windows では、Linux コンテナーを使用するように Docker を構成してください。
  
  ヒント
  
  必須ではありませんが、Windows の場合は Linux 用 Windows サブシステム (WSL) 2 で Docker を使用することを強くお勧めします。
Python 3

ローカルで実験をデバッグする

重要

実験をローカルで実行する前に、次のことを確認してください。

Docker は実行中です。
前提条件で指定されているように、Visual Studio Code の azureML.CLI Compatibility Mode 設定は 1.0 に設定します。

VS Code で、Azure Machine Learning 拡張機能ビューを開きます。
ワークスペースが含まれているサブスクリプションノードを展開します。既存のものがない場合は、拡張機能を使用して Azure Machine Learning ワークスペースを作成できます。
ワークスペースノードを展開します。
[実験] ノードを右クリックし、 [実験の作成] を選択します。プロンプトが表示されたら、実験の名前を指定します。
[実験] ノードを展開し、実行する実験を右クリックして、 [実験の実行] を選択します。
オプションの一覧から [ローカル] を選択します。
Windows で初めて使用する場合のみ。ファイル共有を許可するように求めるメッセージが表示されたら、 [はい] を選択します。ファイル共有を有効にすると、Docker では、スクリプトが格納されているディレクトリをコンテナーにマウントできます。さらに、Docker では、実行からのログと出力をシステムの一時ディレクトリに格納することもできます。
実験をデバッグするには [はい] を選択します。それ以外の場合は、 [いいえ] を選択します。 [いいえ] を選択すると、デバッガーにアタッチせずにローカルで実験が実行されます。
[新しい実行構成を作成する] を選択して、実行構成を作成します。実行構成によって、実行するスクリプト、依存関係、および使用されるデータセットが定義されます。または、既存のものがある場合は、ドロップダウンから選択します。
1. 環境を選択します。 Azure Machine Learning のキュレーションされた環境のいずれかから選択することも、独自のものを作成することもできます。
2. 実行するスクリプトの名前を指定します。パスは、VS Code で開かれているディレクトリに対する相対パスです。
3. Azure Machine Learning データセットを使用するかどうかを選択します。拡張機能を使用して Azure Machine Learning データセットを作成できます。
4. debugpy は、実験を実行しているコンテナーにデバッガーをアタッチするために必要です。 debugpy を依存関係として追加するには、 [debugpy の追加] を選択します。その以外の場合は、 [スキップ] を選択します。 debugpy を依存関係として追加しないと、デバッガーにアタッチせずに実験が実行されます。
5. 実行構成の設定が含まれている構成ファイルがエディターで開きます。設定に問題がなければ、 [実験を送信する] を選択します。または、メニューバーからコマンドパレットを開き ([ビュー] > [コマンドパレット])、テキストボックスに AzureML: Submit experiment コマンドを入力します。
実験が送信されると、スクリプトおよび実行構成で指定された構成を含む Docker イメージが作成されます。

Docker イメージのビルドプロセスが開始されると、60_control_log.txt ファイルの内容が VS Code の出力コンソールにストリーミングされます。

Note

初めて Docker イメージを作成するときには、数分かかることがあります。
イメージがビルドされると、デバッガーを開始するためのプロンプトが表示されます。スクリプトにブレークポイントを設定し、デバッグを開始する準備ができたら [デバッガーを開始] を選択します。これにより、実験を実行しているコンテナーに VS Code デバッガーがアタッチされます。または、Azure Machine Learning 拡張機能で、現在の実行のノードの上にマウスポインターを移動し、再生アイコンを選択してデバッガーを開始します。

重要

1 つの実験に対して複数のデバッグセッションを作成することはできません。ただし、複数の VS Code インスタンスを使用して複数の実験をデバッグすることはできます。

この時点で、VS Code を使用してコードをステップ実行してデバッグできるようになります。

いずれかの時点で実行を取り消す場合は、実行ノードを右クリックして [実行の取り消し] を選択します。

リモート実験の実行と同様に、実行ノードを展開してログと出力を調べることができます。

ヒント

環境内で定義されている同じ依存関係を使用する Docker イメージは、実行間で再利用されます。ただし、新規または別の環境を使用して実験を実行すると、新しいイメージが作成されます。これらのイメージはローカルストレージに保存されるため、古いまたは使用されていない Docker イメージは削除することをお勧めします。システムからイメージを削除するには、Docker CLI または VS Code Docker 拡張機能を使用します。

機械学習パイプラインのデバッグとトラブルシューティング

場合によっては、ML パイプラインで使用される Python コードを対話的にデバッグする必要が生じることがあります。 VS Code と debugpy を使用すると、トレーニング環境で実行されているコードにアタッチできます。

前提条件

Azure Virtual Network を使用するように構成された Azure Machine Learning ワークスペース。
パイプラインステップの一部として Python スクリプトを使用する Azure Machine Learning パイプライン。たとえば、PythonScriptStep です。
Azure Machine Learning コンピューティングクラスター。これは 仮想ネットワーク内 にあり、パイプラインによってトレーニングのために使用されます。
仮想ネットワーク内 に存在する 開発環境。開発環境は、次のいずれかになります。
- 仮想ネットワーク内の Azure 仮想マシン
- 仮想ネットワーク内の Notebook VM のコンピューティングインスタンス
- VPN または ExpressRoute を使用した仮想ネットワークへのプライベートネットワーク接続があるクライアントコンピューター。

Azure Machine Learning で Azure Virtual Network を使用する方法の詳細については、「仮想ネットワークの分離とプライバシーの概要」を参照してください。

ヒント

仮想ネットワークの内側にない Azure Machine Learning リソースを操作することもできますが、仮想ネットワークの使用をお勧めします。

しくみ

ML パイプラインステップでは、Python スクリプトが実行されます。これらのスクリプトは、次の操作を実行するために変更されています。

それらが実行されるホストの IP アドレスをログに記録します。この IP アドレスを使用して、デバッガーをスクリプトに接続します。
debugpy デバッグコンポーネントを起動し、デバッガーが接続されるまで待機します。
開発環境から、トレーニングプロセスによって作成されたログを監視して、スクリプトが実行されている IP アドレスを確認します。
launch.json ファイルを使用して、デバッガーを接続するための IP アドレスを VS Code に示します。
デバッガーをアタッチし、スクリプトを対話的にステップ実行します。

Python スクリプトを構成する

デバッグを有効にするには、ML パイプラインステップで使用される Python スクリプトに次の変更を加えます。

次の import ステートメントを追加します。

import argparse
import os
import debugpy
import socket
from azureml.core import Run

次の引数を追加します。これらの引数を使用すると、必要に応じてデバッガーを有効にし、デバッガーをアタッチするためのタイムアウトを設定できます。

parser.add_argument('--remote_debug', action='store_true')
parser.add_argument('--remote_debug_connection_timeout', type=int,
                    default=300,
                    help=f'Defines how much time the Azure Machine Learning compute target '
                    f'will await a connection from a debugger client (VSCODE).')
parser.add_argument('--remote_debug_client_ip', type=str,
                    help=f'Defines IP Address of VS Code client')
parser.add_argument('--remote_debug_port', type=int,
                    default=5678,
                    help=f'Defines Port of VS Code client')

次のステートメントを追加します。これらのステートメントは現在の実行コンテキストを読み込んで、コードが実行されているノードの IP アドレスをログに記録できるようにします。
```
global run
run = Run.get_context()
```

debugpy を起動してデバッガーがアタッチされるまで待機する if ステートメントを追加します。タイムアウト前にデバッガーがアタッチされない場合、スクリプトは通常どおり続行されます。必ず listen 関数の HOST と PORT の値をご自分のものに置き換えてください。

if args.remote_debug:
    print(f'Timeout for debug connection: {args.remote_debug_connection_timeout}')
    # Log the IP and port
    try:
        ip = args.remote_debug_client_ip
    except:
        print("Need to supply IP address for VS Code client")
    print(f'ip_address: {ip}')
    debugpy.listen(address=(ip, args.remote_debug_port))
    # Wait for the timeout for debugger to attach
    debugpy.wait_for_client()
    print(f'Debugger attached = {debugpy.is_client_connected()}')

次の Python の例は、デバッグを有効にするシンプルな train.py ファイルを示しています。

# Copyright (c) Microsoft. All rights reserved.
# Licensed under the MIT license.

import argparse
import os
import debugpy
import socket
from azureml.core import Run

print("In train.py")
print("As a data scientist, this is where I use my training code.")

parser = argparse.ArgumentParser("train")

parser.add_argument("--input_data", type=str, help="input data")
parser.add_argument("--output_train", type=str, help="output_train directory")

# Argument check for remote debugging
parser.add_argument('--remote_debug', action='store_true')
parser.add_argument('--remote_debug_connection_timeout', type=int,
                    default=300,
                    help=f'Defines how much time the Azure Machine Learning compute target '
                    f'will await a connection from a debugger client (VSCODE).')
parser.add_argument('--remote_debug_client_ip', type=str,
                    help=f'Defines IP Address of VS Code client')
parser.add_argument('--remote_debug_port', type=int,
                    default=5678,
                    help=f'Defines Port of VS Code client')

# Get run object, so we can find and log the IP of the host instance
global run
run = Run.get_context()

args = parser.parse_args()

# Start debugger if remote_debug is enabled
if args.remote_debug:
    print(f'Timeout for debug connection: {args.remote_debug_connection_timeout}')
    # Log the IP and port
    ip = socket.gethostbyname(socket.gethostname())
    # try:
    #     ip = args.remote_debug_client_ip
    # except:
    #     print("Need to supply IP address for VS Code client")
    print(f'ip_address: {ip}')
    debugpy.listen(address=(ip, args.remote_debug_port))
    # Wait for the timeout for debugger to attach
    debugpy.wait_for_client()
    print(f'Debugger attached = {debugpy.is_client_connected()}')

print("Argument 1: %s" % args.input_data)
print("Argument 2: %s" % args.output_train)

if not (args.output_train is None):
    os.makedirs(args.output_train, exist_ok=True)
    print("%s created" % args.output_train)

ML パイプラインを構成する

debugpy を起動して実行コンテキストを取得するために必要な Python パッケージを提供するには、環境を作成して pip_packages=['debugpy', 'azureml-sdk==<SDK-VERSION>'] を設定します。使用しているものと一致するように SDK のバージョンを変更します。次のコードスニペットでは、環境を作成する方法を示します。

# Use a RunConfiguration to specify some additional requirements for this step.
from azureml.core.runconfig import RunConfiguration
from azureml.core.conda_dependencies import CondaDependencies
from azureml.core.runconfig import DEFAULT_CPU_IMAGE

# create a new runconfig object
run_config = RunConfiguration()

# enable Docker 
run_config.environment.docker.enabled = True

# set Docker base image to the default CPU-based image
run_config.environment.docker.base_image = DEFAULT_CPU_IMAGE

# use conda_dependencies.yml to create a conda environment in the Docker image for execution
run_config.environment.python.user_managed_dependencies = False

# specify CondaDependencies obj
run_config.environment.python.conda_dependencies = CondaDependencies.create(conda_packages=['scikit-learn'],
                                                                           pip_packages=['debugpy', 'azureml-sdk==<SDK-VERSION>'])

「Python スクリプトを構成する」セクションでは、ML パイプラインステップで使用されるスクリプトに新しい引数を追加しました。次のコードスニペットは、これらの引数を使用して、コンポーネントのデバッグを有効にし、タイムアウトを設定する方法を示しています。また、runconfig=run_config を設定して、前の手順で作成した環境を使用する方法も示しています。

# Use RunConfig from a pipeline step
step1 = PythonScriptStep(name="train_step",
                         script_name="train.py",
                         arguments=['--remote_debug', '--remote_debug_connection_timeout', 300,'--remote_debug_client_ip','<VS-CODE-CLIENT-IP>','--remote_debug_port',5678],
                         compute_target=aml_compute,
                         source_directory=source_directory,
                         runconfig=run_config,
                         allow_reuse=False)

パイプラインを実行すると、各ステップで子実行が作成されます。デバッグが有効になっている場合は、変更後のスクリプトによって、子実行に対して 70_driver_log.txt に次のテキストのような情報がログに記録されます。

Timeout for debug connection: 300
ip_address: 10.3.0.5

ip_address の値を保存します。これは、次のセクションで使用されます。

ヒント

IP アドレスは、このパイプラインステップの子実行に対する実行ログからも見つけることができます。この情報を表示する方法の詳細については、「Azure Machine Learning の実験の実行とメトリックを監視する」を参照してください。

開発環境の設定

VS Code 開発環境に debugpy をインストールするには、次のコマンドを使用します。
```
python -m pip install --upgrade debugpy
```
VS Code で debugpy を使用する方法について詳しくは、リモートデバッグに関するページをご覧ください。
デバッガーを実行している Azure Machine Learning コンピューティングと通信するように VS Code を構成するには、新しいデバッグ構成を作成します。
1. VS Code から [デバッグ] メニューを選択し、 [構成を開く] を選択します。 launch.json という名前のファイルが開きます。
2. launch.json ファイルで、"configurations": [ を含む行を見つけ、その後に次のテキストを挿入します。 "host": "<IP-ADDRESS>" エントリを、前のセクションのログで返された IP アドレスに変更します。 "localRoot": "${workspaceFolder}/code/step" エントリを、デバッグ対象のスクリプトのコピーが格納されているローカルディレクトリに変更します。
```
{
    "name": "Azure Machine Learning Compute: remote debug",
    "type": "python",
    "request": "attach",
    "port": 5678,
    "host": "<IP-ADDRESS>",
    "redirectOutput": true,
    "pathMappings": [
        {
            "localRoot": "${workspaceFolder}/code/step1",
            "remoteRoot": "."
        }
    ]
}
```
  重要
  
  構成セクションに既に他のエントリがある場合は、挿入したコードの後にコンマ (,) を追加します。
  
  ヒント
  
  特にパイプラインの場合は、コードがそれぞれの手順にのみ関連するように、スクリプトのリソースを別々のディレクトリに保存しておくことをお勧めします。この例では、localRoot の値の例が /code/step1 を参照しています。
  
  複数のスクリプトをデバッグする場合は、別々のディレクトリで、スクリプトごとに個別の構成セクションを作成します。
3. launch.json ファイルを保存します。

デバッガーを接続する

VS Code を開き、スクリプトのローカルコピーを開きます。
アタッチしたときにスクリプトを停止するブレークポイントを設定します。
子プロセスでスクリプトが実行されていて、Timeout for debug connection がログに表示されている間に、F5 キーを使用するか、 [デバッグ] を選択します。メッセージが表示されたら、 [Azure Machine Learning Compute: remote debug](Azure Machine Learning コンピューティング: リモートデバッグ) 構成を選択します。サイドバーからデバッグアイコンを選択し、[デバッグ] ドロップダウンメニューから [Azure Machine Learning: remote debug](Azure Machine Learning: リモートデバッグ) エントリを選択し、緑色の矢印を使用してデバッガーをアタッチすることもできます。

この時点で、VS Code は計算ノードの debugpy に接続し、前に設定したブレークポイントで停止します。これで、実行時のようにコードをステップ実行したり、変数を表示したりできます。

Note

ログに Debugger attached = False を示すエントリが表示された場合、タイムアウトに達しており、スクリプトはデバッガーなしで続行されます。 Timeout for debug connection メッセージの後、タイムアウトに達する前に、パイプラインをもう一度送信してデバッガーを接続します。

デプロイのデバッグとトラブルシューティング

場合によっては、モデルデプロイに含まれる Python コードを対話的にデバッグする必要が生じることがあります。たとえば、エントリスクリプトが失敗し、追加のログ記録によっても理由を特定できない場合がこれにあたります。 VS Code と debugpy を使用すると、Docker コンテナー内で実行されているコードにアタッチできます。

ヒント

マネージドオンラインエンドポイントとデプロイをローカルで使用している場合は、Visual Studio Code でマネージドオンラインエンドポイントをローカルにデバッグする (プレビュー) に関するページを参照してください。

重要

このデバッグ方法は、Model.deploy() と LocalWebservice.deploy_configuration を使用してローカルでモデルをデプロイしている場合は機能しません。代わりに、Model.package() クラスを使用してイメージを作成する必要があります。

ローカル Web サービスのデプロイでは、ローカルシステムで動作する Docker インストールが必要です。 Docker の使用の詳細については、Docker のドキュメント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使用する場合は、Docker が既にインストールされています。

開発環境の設定

ローカルの VS Code 開発環境に debugpy をインストールするには、次のコマンドを使用します。
```
python -m pip install --upgrade debugpy
```
VS Code で debugpy を使用する方法について詳しくは、リモートデバッグに関するページをご覧ください。

Docker イメージと通信するように VS Code を構成するには、次のような新しいデバッグ構成を作成します。

VS Code から、 [実行] 拡張機能の [デバッグ] メニューを選択し、 [構成を開く] を選択します。 launch.json という名前のファイルが開きます。

launch.json ファイルで、 "configurations" の項目 ("configurations": [ を含む行) を見つけ、その後に次のテキストを挿入します。

{
    "name": "Azure Machine Learning Deployment: Docker Debug",
    "type": "python",
    "request": "attach",
    "connect": {
        "port": 5678,
        "host": "0.0.0.0",
    },
    "pathMappings": [
        {
            "localRoot": "${workspaceFolder}",
            "remoteRoot": "/var/azureml-app"
        }
    ]
}

挿入すると、launch.json ファイルは次のようになります。

{
// Use IntelliSense to learn about possible attributes.
// Hover to view descriptions of existing attributes.
// For more information, visit: https://go.microsoft.com/fwlink/linkid=830387
"version": "0.2.0",
"configurations": [
    {
        "name": "Python: Current File",
        "type": "python",
        "request": "launch",
        "program": "${file}",
        "console": "integratedTerminal"
    },
    {
        "name": "Azure Machine Learning Deployment: Docker Debug",
        "type": "python",
        "request": "attach",
        "connect": {
            "port": 5678,
            "host": "0.0.0.0"
            },
        "pathMappings": [
            {
                "localRoot": "${workspaceFolder}",
                "remoteRoot": "/var/azureml-app"
            }
        ]
    }
    ]
}

重要

構成セクションに既に他のエントリがある場合は、挿入したコードの後にコンマ ( , ) を追加します。

このセクションは、ポート 5678 を使用して Docker コンテナーにアタッチされます。

launch.json ファイルを保存します。

debugpy を含むイメージの作成

debugpy が含まれるように、デプロイの Conda 環境を変更します。次の例は、pip_packages パラメーターを使用して PTVSD を追加する方法を示しています。

from azureml.core.conda_dependencies import CondaDependencies 


# Usually a good idea to choose specific version numbers
# so training is made on same packages as scoring
myenv = CondaDependencies.create(conda_packages=['numpy==1.15.4',
                            'scikit-learn==0.19.1', 'pandas==0.23.4'],
                             pip_packages = ['azureml-defaults==1.0.83', 'debugpy'])

with open("myenv.yml","w") as f:
    f.write(myenv.serialize_to_string())

サービスの開始時に debugpy を起動し、接続を待機するには、score.py ファイルの先頭に次を追加します。

import debugpy
# Allows other computers to attach to debugpy on this IP address and port.
debugpy.listen(('0.0.0.0', 5678))
# Wait 30 seconds for a debugger to attach. If none attaches, the script continues as normal.
debugpy.wait_for_client()
print("Debugger attached...")

環境定義に基づいてイメージを作成し、そのイメージをローカルレジストリにプルします。

Note

この例は、ws が Azure Machine Learning ワークスペースをポイントし、model がデプロイされているモデルであることを前提としています。 myenv.yml ファイルには、手順 1. で作成した Conda の依存関係が含まれています。
```
from azureml.core.conda_dependencies import CondaDependencies
from azureml.core.model import InferenceConfig
from azureml.core.environment import Environment


myenv = Environment.from_conda_specification(name="env", file_path="myenv.yml")
myenv.docker.base_image = None
myenv.docker.base_dockerfile = "FROM mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:latest"
inference_config = InferenceConfig(entry_script="score.py", environment=myenv)
package = Model.package(ws, [model], inference_config)
package.wait_for_creation(show_output=True)  # Or show_output=False to hide the Docker build logs.
package.pull()
```
イメージが作成されてダウンロードされると (このプロセスには 10 分以上かかる場合があるります)、次のようなメッセージでイメージパス (リポジトリ、名前、タグ、また、ここではそのダイジェストを含む) が最終的に表示されます。
```
Status: Downloaded newer image for myregistry.azurecr.io/package@sha256:<image-digest>
```
イメージをローカルで簡単に操作できるようにするには、次のコマンドを使用して、このイメージのタグを追加します。次のコマンドの myimagepath を、前の手順の場所の値で置き換えます。
```
docker tag myimagepath debug:1
```
残りの手順では、完全なイメージパス値の代わりに、debug:1 でローカルイメージを参照できます。

サービスのデバッグ

ヒント

score.py ファイルで debugpy 接続のタイムアウトを設定している場合、タイムアウトの有効期限が切れる前に、VS Code をデバッグセッションに接続する必要があります。このセクションの手順を使用する前に、VS Code を起動して score.py のローカルコピーを開き、ブレークポイントを設定して準備を整えておく必要があります。

デバッグとブレークポイントの設定の詳細については、「Debugging (デバッグ)」を参照してください。

イメージを使って Docker コンテナーを開始するには、次のコマンドを使用します。
```
docker run -it --name debug -p 8000:5001 -p 5678:5678 -v <my_local_path_to_score.py>:/var/azureml-app/score.py debug:1 /bin/bash
```
このコマンドにより、score.py がコンテナー内のものにローカルでアタッチされます。そのため、エディターで行われた変更はすべて、コンテナーに自動的に反映されます。
エクスペリエンスを向上させるために、新しい VS Code インターフェイスを使用してコンテナーにアクセスできます。 VS Code のサイドバーから Docker の拡張機能を選択し、自分のローカルコンテナー (このドキュメントでは debug:1) を見つけます。このコンテナーを右クリックして "Attach Visual Studio Code" を選択すると、新しい VS Code インターフェイスが自動的に開きます。このインターフェイスに作成したコンテナーの内部が表示されます。
コンテナー内で、シェルから次のコマンドを実行します
```
runsvdir /var/runit
```
これにより、コンテナー内のシェルに次の出力が表示されます。
VS Code をコンテナー内の debugpy に接続するには、VS Code を開き、F5 キーを使用するか [デバッグ] を選択します。メッセージが表示されたら、 [Azure Machine Learning Deployment: Docker Debug] 構成を選択します。サイドバーの [実行] 拡張機能アイコンを選択して、[デバッグ] ドロップダウンメニューから [Azure Machine Learning Deployment: Docker Debug] エントリを選択し、緑色の矢印を使用してデバッガーをアタッチすることもできます。

緑色の矢印を選択してデバッガーをアタッチすると、コンテナー VS Code インターフェイスに新しい情報が表示されます。

また、メインの VS Code インターフェイスには、次のような情報が表示されます。

ここで、コンテナーにアタッチされているローカル score.py は、設定したブレークポイントで既に停止しています。この時点で、VS Code は Docker コンテナー内の debugpy に接続され、前に設定したブレークポイントで Docker コンテナーを停止させます。これで、実行時のようにコードをステップ実行したり、変数を表示したりできます。

VS Code を使用した Python のデバッグの詳細については、「Python コードのデバッグ」を参照してください。

コンテナーの停止

コンテナーを停止するには、次のコマンドを使用します。

docker stop debug

次のステップ

VS Code Remote の設定が完了したので、VS Code からコンピューティングインスタンスをリモートコンピューティングとして使用して、自分のコードを対話形式でデバッグすることができます。

トラブルシューティングについて学習します。

Visual Studio Code を使用した対話型デバッグ

ローカルでの実験の実行とデバッグ

前提条件

ローカルで実験をデバッグする

機械学習パイプラインのデバッグとトラブルシューティング

前提条件

しくみ

Python スクリプトを構成する

ML パイプラインを構成する

開発環境の設定

デバッガーを接続する

デプロイのデバッグとトラブルシューティング

開発環境の設定

debugpy を含むイメージの作成

サービスのデバッグ

コンテナーの停止

次のステップ

その他のリソース