Wat is een Azure Machine Learning-werkruimte?

De werkruimte is de resource op het hoogste niveau voor Azure Machine Learning en biedt een gecentraliseerde werkplek met alle artefacten die u maakt in Azure Machine Learning. De werkruimte behoudt een geschiedenis van alle trainingsuitvoer, inclusief logboeken, metrische gegevens, uitvoer en een momentopname van uw scripts. U gebruikt deze informatie om te bepalen welke trainingsuitloop het beste model produceert.

Zodra u een model hebt dat u bevalt, registreert u dit bij de werkruimte. Vervolgens gebruikt u het geregistreerde model en de scorescripts om te implementeren naar een online-eindpunt als een REST-gebaseerd HTTP-eindpunt.

Taxonomie

  • Een werkruimte kan Azure Machine Learning-rekeninstanties bevatten, cloudresources die zijn geconfigureerd met de Python-omgeving die nodig is om Azure Machine Learning uit te voeren.

  • Met gebruikersrollen kunt u uw werkruimte delen met andere gebruikers, teams of projecten.

  • Rekendoelen worden gebruikt om uw experimenten uit te voeren.

  • Wanneer u de werkruimte maakt, worden er ook gekoppelde resources voor u gemaakt.

  • Taken zijn trainingsuitvoeringen die u gebruikt om uw modellen te bouwen. U kunt uw taken organiseren in Experimenten.

  • Pijplijnen zijn herbruikbare werkstromen voor het trainen en opnieuw trainen van uw model.

  • Gegevensassets helpen bij het beheer van de gegevens die u gebruikt voor modeltraining en het maken van pijplijnen.

  • Zodra u een model hebt dat u wilt implementeren, maakt u een geregistreerd model.

  • Gebruik het geregistreerde model en een scorescript om een online-eindpunt te maken.

Hulpprogramma's voor interactie met werkruimten

U kunt op de volgende manieren met uw werkruimte communiceren:

Machine learning met een werkruimte

Machine learning-taken lezen en/of schrijven artefacten naar uw werkruimte.

  • Voer een experiment uit om een model te trainen: hiermee worden de resultaten van taakuitvoeringen naar de werkruimte geschreven.
  • Geautomatiseerde ML gebruiken om een model te trainen: hiermee worden trainingsresultaten naar de werkruimte geschreven.
  • Registreer een model in de werkruimte.
  • Een model implementeren: gebruikt het geregistreerde model om een implementatie te maken.
  • Herbruikbare werkstromen maken en uitvoeren.
  • Bekijk machine learning-artefacten zoals taken, pijplijnen, modellen en implementaties.
  • Modellen bijhouden en bewaken.

Werkruimtebeheer

U kunt ook de volgende werkruimtebeheertaken uitvoeren:

Werkruimtebeheertaak Portal Studio Python-SDK Azure CLI VS-code
Een werkruimte maken
Toegang tot werkruimten beheren
Compute-resources maken en beheren
Een rekenproces maken

Waarschuwing

Het verplaatsen van uw Azure Machine Learning-werkruimte naar een ander abonnement of het verplaatsen van het abonnement dat eigenaar is van een nieuwe tenant, wordt niet ondersteund. Dit kan fouten veroorzaken.

Een werkruimte maken

Er zijn meerdere manieren om een werkruimte te maken:

Notitie

De naam van de werkruimte is niet hoofdlettergevoelig.

Subresources

Deze subresources zijn de belangrijkste resources die worden gemaakt in de AzureML-werkruimte.

  • VM's: bieden rekenkracht voor uw AzureML-werkruimte en vormen een integraal onderdeel van de implementatie en training van modellen.
  • Load Balancer: er wordt een netwerk load balancer gemaakt voor elk rekenexemplaar en elk rekencluster om verkeer te beheren, zelfs wanneer het rekenproces/-cluster is gestopt.
  • Virtual Network: deze helpen Azure-resources met elkaar, internet en andere on-premises netwerken te communiceren.
  • Bandbreedte: omvat alle uitgaande gegevensoverdrachten tussen regio's.

Gekoppelde resources

Wanneer u een nieuwe werkruimte maakt, worden er automatisch verschillende Azure-resources gemaakt die door de werkruimte worden gebruikt:

  • Azure Storage-account: wordt gebruikt als het standaardgegevensarchief voor de werkruimte. Jupyter-notebooks die worden gebruikt met uw Azure Machine Learning-rekenexemplaren, worden hier ook opgeslagen.

    Belangrijk

    Het opslagaccount is standaard een v1-account voor algemeen gebruik. U kunt deze upgrade uitvoeren naar algemeen gebruik v2 nadat de werkruimte is gemaakt. Schakel geen hiërarchische naamruimte in voor het opslagaccount na een upgrade naar algemeen gebruik v2.

    Als u een bestaand Azure Storage-account wilt gebruiken, mag dit niet van het type BlobStorage of een Premium-account zijn (Premium_LRS en Premium_GRS). Het kan ook geen hiërarchische naamruimte hebben (gebruikt met Azure Data Lake Storage Gen2). Premium-opslag en hiërarchische naamruimten worden niet ondersteund met het standaardopslagaccount van de werkruimte. U kunt Premium-opslag of hiërarchische naamruimte gebruiken met niet-standaardopslagaccounts .

  • Azure Container Registry: Registreert Docker-containers die worden gebruikt voor de volgende onderdelen:

    Om de kosten te minimaliseren, wordt ACR luie geladen totdat er installatiekopieën nodig zijn.

    Notitie

    Als voor uw abonnementsinstelling tags moeten worden toegevoegd aan de onderliggende resources, mislukt Azure Container Registry (ACR) die zijn gemaakt door Azure Machine Learning, omdat tags niet kunnen worden ingesteld op ACR.

  • Azure-toepassing Insights: slaat bewakings- en diagnostische gegevens op. Zie Online-eindpunten bewaken voor meer informatie.

    Notitie

    U kunt het Application Insights-exemplaar desgewenst verwijderen nadat het cluster is gemaakt. Als u deze verwijdert, beperkt u de informatie die uit de werkruimte wordt verzameld en wordt het mogelijk moeilijker om problemen op te lossen. Als u het Application Insights-exemplaar verwijdert dat door de werkruimte is gemaakt, kunt u deze niet opnieuw maken zonder de werkruimte te verwijderen en opnieuw te maken.

  • Azure Key Vault: slaat geheimen op die worden gebruikt door rekendoelen en andere gevoelige informatie die nodig is voor de werkruimte.

Notitie

U kunt in plaats daarvan bestaande Azure-resource-exemplaren gebruiken wanneer u de werkruimte maakt met de Python SDK of de Azure Machine Learning CLI met behulp van een ARM-sjabloon.

Volgende stappen

Zie Azure Machine Learning organiseren en instellen voor meer informatie over het plannen van een werkruimte voor de vereisten van uw organisatie.

Als u aan de slag wilt gaan met Azure Machine Learning, raadpleegt u: