Share via

Machine Learning Studio-werkruimte (klassiek) implementeren met Behulp van Azure Resource Manager

  • Artikel

VAN TOEPASSING OP:Van toepassing op.Machine Learning Studio (klassiek) Is niet van toepassing op.Azure Machine Learning

Belangrijk

De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.

Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.

De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.

Het gebruik van een Azure Resource Manager-implementatiesjabloon bespaart u tijd door u een schaalbare manier te bieden om onderling verbonden onderdelen te implementeren met een mechanisme voor validatie en opnieuw proberen. Als u bijvoorbeeld Machine Learning Studio-werkruimten (klassiek) wilt instellen, moet u eerst een Azure-opslagaccount configureren en vervolgens uw werkruimte implementeren. Stel dat u dit handmatig doet voor honderden werkruimten. Een eenvoudiger alternatief is om een Azure Resource Manager-sjabloon te gebruiken om een Studio-werkruimte (klassiek) en alle bijbehorende afhankelijkheden te implementeren. In dit artikel wordt dit proces stapsgewijs beschreven. Zie Overzicht van Azure Resource Manager voor een goed overzicht van Azure Resource Manager.

Notitie

Het wordt aanbevolen de Azure Az PowerShell-module te gebruiken om te communiceren met Azure. Zie Azure PowerShell installeren om aan de slag te gaan. Raadpleeg Azure PowerShell migreren van AzureRM naar Az om te leren hoe u naar de Azure PowerShell-module migreert.

Stapsgewijs: een Machine Learning-werkruimte maken

We maken een Azure-resourcegroep en implementeren vervolgens een nieuw Azure-opslagaccount en een nieuwe Machine Learning Studio -werkruimte (klassiek) met behulp van een Resource Manager-sjabloon. Zodra de implementatie is voltooid, wordt belangrijke informatie afgedrukt over de werkruimten die zijn gemaakt (de primaire sleutel, de workspaceID en de URL naar de werkruimte).

Een Azure Resource Manager-sjabloon maken

Voor een Machine Learning-werkruimte is een Azure-opslagaccount vereist om de gekoppelde gegevensset op te slaan. De volgende sjabloon gebruikt de naam van de resourcegroep om de naam van het opslagaccount en de naam van de werkruimte te genereren. Ook wordt de naam van het opslagaccount als eigenschap gebruikt bij het maken van de werkruimte.

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

Sla deze sjabloon op als mlworkspace.json-bestand onder c:\temp.

De resourcegroep implementeren op basis van de sjabloon

  • Open PowerShell.
  • Modules installeren voor Azure Resource Manager en Azure Service Management
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

Met deze stappen worden de modules gedownload en geïnstalleerd die nodig zijn om de resterende stappen te voltooien. Dit hoeft slechts eenmaal te worden gedaan in de omgeving waarin u de PowerShell-opdrachten uitvoert.

  • Verifiëren bij Azure
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

Deze stap moet voor elke sessie worden herhaald. Zodra de verificatie is uitgevoerd, moeten uw abonnementsgegevens worden weergegeven.

Azure-account

Nu we toegang hebben tot Azure, kunnen we de resourcegroep maken.

  • Een resourcegroep maken
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

Controleer of de resourcegroep juist is ingericht. ProvisioningState moet 'Geslaagd' zijn. De naam van de resourcegroep wordt door de sjabloon gebruikt om de naam van het opslagaccount te genereren. De naam van het opslagaccount mag tussen 3 en 24 tekens lang zijn en mag alleen cijfers en kleine letters bevatten.

Resourcegroep

  • Implementeer een nieuwe Machine Learning-werkruimte met behulp van de resourcegroepimplementatie.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

Zodra de implementatie is voltooid, hebt u eenvoudig toegang tot de eigenschappen van de werkruimte die u hebt geïmplementeerd. U hebt bijvoorbeeld toegang tot het primaire-sleuteltoken.

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

Een andere manier om tokens van een bestaande werkruimte op te halen, is door de opdracht Invoke-AzResourceAction te gebruiken. U kunt bijvoorbeeld de primaire en secundaire tokens van alle werkruimten weergeven.

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

Nadat de werkruimte is ingericht, kunt u ook veel Machine Learning Studio-taken (klassiek) automatiseren met behulp van de PowerShell-module voor Machine Learning Studio (klassiek).

Volgende stappen