Beheerde rekenkracht gebruiken in een beheerd virtueel netwerk

Artikel
11/14/2023

Meer informatie over het configureren van rekenclusters of rekeninstanties in een door Azure Machine Learning beheerd virtueel netwerk.

Wanneer u een beheerd netwerk gebruikt, kunnen rekenresources die worden beheerd door Azure Machine Learning, deelnemen aan het virtuele netwerk. Azure Machine Learning-rekenclusters, rekeninstanties en beheerde online-eindpunten worden gemaakt in het beheerde netwerk.

Dit artikel is gericht op het configureren van rekenclusters en rekeninstanties in een beheerd netwerk. Zie beveiligde online-eindpunten met netwerkisolatie voor informatie over beheerde online-eindpunten.

Belangrijk

Als u van plan bent om serverloze Spark-taken te gebruiken, raadpleegt u het artikel over het beheerde virtuele netwerk voor configuratiegegevens. Deze stappen moeten worden gevolgd bij het configureren van het beheerde virtuele netwerk.

Vereisten

Voordat u de stappen in dit artikel volgt, moet u ervoor zorgen dat u over de volgende vereisten beschikt:

Een Azure Machine Learning-werkruimte die is geconfigureerd voor het gebruik van een beheerd virtueel netwerk.
De Azure CLI en de ml extensie voor de Azure CLI. Zie De CLI (v2) installeren, instellen en gebruiken voor meer informatie.
Tip

Op 23 mei 2023 is een beheerd virtueel netwerk van Azure Machine Learning geïntroduceerd. Als u een oudere versie van de ml-extensie hebt, moet u deze mogelijk bijwerken voor de voorbeelden in dit artikel. Gebruik de volgende Azure CLI-opdracht om de extensie bij te werken:
```
az extension update -n ml
```
In de CLI-voorbeelden in dit artikel wordt ervan uitgegaan dat u de Bash-shell (of compatibele) shell gebruikt. Bijvoorbeeld vanuit een Linux-systeem of Windows-subsysteem voor Linux.
De Azure CLI-voorbeelden in dit artikel gebruiken ws om de naam van de werkruimte weer te geven en rg om de naam van de resourcegroep weer te geven. Wijzig deze waarden indien nodig wanneer u de opdrachten met uw Azure-abonnement gebruikt.

Een Azure Machine Learning-werkruimte die is geconfigureerd voor het gebruik van een beheerd virtueel netwerk.
De Azure Machine Learning Python SDK v2. Zie De Python SDK v2 voor Azure Machine Learning installeren voor meer informatie over de SDK.
Tip

Op 23 mei 2023 is een beheerd virtueel netwerk van Azure Machine Learning geïntroduceerd. Als u een oudere versie van de SDK hebt geïnstalleerd, moet u deze mogelijk bijwerken voor de voorbeelden in dit artikel. Gebruik de volgende opdracht om de SDK bij te werken:
```
pip install --upgrade azure-ai-ml azure-identity
```

In de voorbeelden in dit artikel wordt ervan uitgegaan dat uw code begint met de volgende Python. Met deze code worden de klassen geïmporteerd die vereist zijn bij het maken van een werkruimte met een beheerd VNet, stelt u variabelen in voor uw Azure-abonnement en -resourcegroep en maakt u het ml_clientvolgende:

from azure.ai.ml import MLClient
from azure.ai.ml.entities import (
    Workspace,
    ManagedNetwork,
    IsolationMode,
    ServiceTagDestination,
    PrivateEndpointDestination,
    FqdnDestination
)
from azure.identity import DefaultAzureCredential

# Replace with the values for your Azure subscription and resource group.
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

# get a handle to the subscription
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

Rekenresources configureren

Gebruik de onderstaande tabbladen voor informatie over het configureren van rekenclusters en rekeninstanties in een beheerd virtueel netwerk:

Tip

Wanneer u een beheerd virtueel netwerk gebruikt, worden rekenclusters en rekeninstanties automatisch gemaakt in het beheerde netwerk. De onderstaande stappen richten zich op het configureren van de rekenresources om geen openbaar IP-adres te gebruiken.

Als u een rekencluster zonder openbaar IP-adres wilt maken, gebruikt u de volgende opdracht:

az ml compute create --name cpu-cluster --resource-group rg --workspace-name ws --type AmlCompute --set enable_node_public_ip=False

Gebruik de volgende opdracht om een rekenproces te maken zonder openbaar IP-adres :

az ml compute create --name myci --resource-group rg --workspace-name ws --type ComputeInstance --set enable_node_public_ip=False

In het volgende Python SDK-voorbeeld ziet u hoe u een rekencluster en rekenproces maakt zonder openbaar IP-adres:

from azure.ai.ml.entities import AmlCompute

# Create a compute cluster
compute_cluster = AmlCompute(
    name="mycomputecluster,
    size="STANDARD_D2_V2",
    min_instances=0,
    max_instances=4,
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(entity=compute_cluster)

# Create a compute instance
from azure.ai.ml.entities import ComputeInstance

compute_instance = ComputeInstance(
    name="mycomputeinstance",
    size="STANDARD_DS3_V2",
    enable_node_public_ip=False
)
ml_client.begin_create_or_update(compute_instance)

Beperkingen

Het maken van een rekencluster in een andere regio dan de werkruimte wordt niet ondersteund wanneer u een beheerd virtueel netwerk gebruikt.

Migratie van rekenresources

Als u een bestaande werkruimte hebt en het beheerde virtuele netwerk hiervoor wilt inschakelen, is er momenteel geen ondersteund migratiepad voor bestaande beheerde rekenresources. U moet alle bestaande beheerde rekenresources verwijderen en deze opnieuw maken nadat u het beheerde virtuele netwerk hebt ingeschakeld. De volgende lijst bevat de rekenresources die moeten worden verwijderd en opnieuw moeten worden gemaakt:

Rekencluster
Rekenproces
Beheerde online-eindpunten

Beheerde rekenkracht gebruiken in een beheerd virtueel netwerk

Vereisten

Rekenresources configureren

Beperkingen

Migratie van rekenresources

Volgende stappen

Aanvullende resources