Een hub maken met behulp van de Azure Machine Learning SDK en CLI

Belangrijk

Items die in dit artikel zijn gemarkeerd (preview) zijn momenteel beschikbaar als openbare preview. Deze preview wordt aangeboden zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt. Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

In dit artikel leert u hoe u de volgende AI Studio-resources maakt met behulp van de Azure Machine Learning SDK en Azure CLI (met machine learning-extensie):

• Een Azure AI Studio-hub
• Een Azure AI Services-verbinding

Vereisten

• Een Azure-abonnement. Als u nog geen abonnement op Azure hebt, maak dan een gratis account aan voordat u begint. Probeer vandaag nog de gratis of betaalde versie van Azure AI Studio .

Uw omgeving instellen

Gebruik de volgende tabbladen om te selecteren of u de Python SDK of Azure CLI gebruikt:

Python SDK

1. Installeer Python zoals beschreven in de quickstart voor de SDK.

2. Installeer de Azure Machine Learning SDK v2.

3. Installeer azure-identity: pip install azure-identity. Als u zich in een notebookcel bevindt, gebruikt u %pip install azure-identity.

4. Geef uw abonnementsgegevens op:

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

5. Krijg een ingang voor het abonnement. Alle Python-code in dit artikel maakt gebruik van 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)

6. (Optioneel) Als u meerdere accounts hebt, voegt u de tenant-id van de Microsoft Entra-id toe die u in het DefaultAzureCredentialaccount wilt gebruiken. Zoek uw tenant-id in Azure Portal onder Microsoft Entra ID, Externe identiteiten.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

7. (Optioneel) Als u werkt in de regio's Azure Government - VS of Azure China 21Vianet , geeft u de regio op waarin u zich wilt verifiëren. U kunt de regio opgeven met DefaultAzureCredential. In het volgende voorbeeld wordt geverifieerd bij de regio Azure Government - VS:

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

Azure-CLI

1. Als u de Azure CLI- en machine learning-extensie niet hebt geïnstalleerd, volgt u de stappen in het artikel over het installeren en instellen van de machine learning-extensie .

2. Gebruik de volgende opdracht om te verifiëren bij uw Azure-abonnement vanuit de Azure CLI:

   az login
   

   Zie Verificatiemethoden voor meer informatie over verificatie.

De AI Studio-hub en DE AI Services-verbinding maken

Gebruik de volgende voorbeelden om een nieuwe hub te maken. Vervang voorbeeldtekenreekswaarden door uw eigen waarden:

Python SDK

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

Azure-CLI

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name}

Een AI Services-verbinding maken

Nadat u uw eigen AI-services hebt gemaakt, kunt u deze verbinden met uw hub:

Python SDK

from azure.ai.ml.entities import AzureAIServicesConnection

# constrict an AI Services connection
my_connection_name = "myaiservivce"
my_endpoint = "demo.endpoint" # this could also be called target
my_api_keys = None # leave blank for Authentication type = AAD
my_ai_services_resource_id = "" # ARM id required

my_connection = AzureAIServicesConnection(name=my_connection_name,
                                    endpoint=my_endpoint, 
                                    api_key= my_api_keys,
                                    ai_services_resource_id=my_ai_services_resource_id)

# Create the connection
ml_client.connections.create_or_update(my_connection)

Azure-CLI

az ml connection create --file {connection.yml} --resource-group {my_resource_group} --workspace-name {my_hub_name}

U kunt een API-sleutel of een YAML-configuratiebestand met referenties gebruiken. Zie het YAML-verbindingsschema voor AI Services voor meer informatie over het YAML-configuratiebestand:

• Voorbeeld van API-sleutel:

  name: myazai_ei
  type: azure_ai_services
  endpoint: https://contoso.cognitiveservices.azure.com/
  api_key: XXXXXXXXXXXXXXX
  

• Referentieloos

  name: myazai_apk
  type: azure_ai_services
  endpoint: https://contoso.cognitiveservices.azure.com/
  

Een AI Studio-hub maken met behulp van bestaande afhankelijkheidsbronnen

U kunt ook een hub maken met behulp van bestaande resources, zoals Azure Storage en Azure Key Vault. Vervang in de volgende voorbeelden de voorbeeldtekenreekswaarden door uw eigen waarden:

Tip

U kunt de resource-id van het opslagaccount en de sleutelkluis ophalen uit de Azure-portal door naar het overzicht van de resource te gaan en de JSON-weergave te selecteren. De resource-id bevindt zich in het id-veld . U kunt de Azure CLI ook gebruiken om de resource-id op te halen. Bijvoorbeeld az storage account show --name {my_storage_account_name} --query "id" en az keyvault show --name {my_key_vault_name} --query "id".

Python SDK

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.Storage/storageAccounts/mystorageaccountname"
my_key_vault_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.KeyVault/vaults/mykeyvaultname"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name,
            resource_group=my_resource_group,
            storage_account_id=my_storage_account_id,
            key_vault_id=my_key_vault_id)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

Azure-CLI

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name} --location {hub-region} --storage-account {my_storage_account_id} --key-vault {my_key_vault_id}

Gerelateerde inhoud

• Aan de slag met het bouwen van een chat-app met behulp van de promptstroom-SDK
• Werken met projecten in Visual Studio Code
• Een beheerd netwerk configureren