Werken in VS Code op afstand verbonden met een rekenproces
In dit artikel vindt u meer informatie over het werken binnen een externe VS Code-verbinding met een Azure Machine Learning-rekenproces. Gebruik VS Code als uw volledig geïntegreerde ontwikkelomgeving (IDE) met de kracht van Azure Machine Learning-resources. U kunt werken met een externe verbinding met uw rekenproces in de browser met VS Code voor het web of de VS Code-bureaubladtoepassing.
- We raden VS Code voor het web aan, omdat u al uw machine learning rechtstreeks vanuit de browser kunt uitvoeren en zonder vereiste installaties of afhankelijkheden.
Belangrijk
Zie Inkomend en uitgaand netwerkverkeer configureren om verbinding te maken met een rekenproces achter een firewall.
Vereisten
Voordat u aan de slag gaat, hebt u het volgende nodig:
- Een Azure Machine Learning-werkruimte en rekenproces. Voltooi Resources maken die u nodig hebt om ze beide te maken.
Uw extern verbonden IDE instellen
VS Code heeft meerdere extensies waarmee u uw machine learning-doelen kunt bereiken. Gebruik de Azure-extensie om verbinding te maken en te werken met uw Azure-abonnement. Gebruik de Azure Machine Learning-extensie om werkruimteassets zoals berekeningen, gegevens, omgevingen, taken en meer weer te geven, bij te werken en te maken.
Wanneer u VS Code voor het web gebruikt, zijn de nieuwste versies van deze extensies automatisch beschikbaar voor u. Als u de bureaubladtoepassing gebruikt, moet u deze mogelijk installeren.
Wanneer u VS Code voor de eerste keer start dat is verbonden met een rekenproces , moet u deze stappen volgen en even de tijd nemen om u te richten op de hulpprogramma's in uw geïntegreerde ontwikkelomgeving.
Zoek de Azure-extensie en meld u aan
Zodra uw abonnementen worden weergegeven, kunt u filteren op de abonnementen die u vaak gebruikt. U kunt ook werkruimten vastmaken die u het vaakst in de abonnementen gebruikt.
De werkruimte waarin u de externe VS Code-verbinding hebt gestart (de werkruimte waarin het rekenproces zich bevindt), moet automatisch worden ingesteld als de standaardinstelling. U kunt de standaardwerkruimte bijwerken via de statusbalk van VS Code.
Als u van plan bent om de Azure Machine Learning CLI te gebruiken, opent u een terminal in het menu en meldt u zich aan bij de Azure Machine Learning CLI met behulp van
az login --identity.
Volgende keren dat u verbinding maakt met dit rekenproces, hoeft u deze stappen niet te herhalen.
Verbinding maken met een kernel
Er zijn een aantal manieren om vanuit VS Code verbinding te maken met een Jupyter-kernel. Het is belangrijk om inzicht te hebben in de verschillen in gedrag en de voordelen van de verschillende benaderingen.
Als u dit notebook al hebt geopend in Azure Machine Learning, raden we u aan verbinding te maken met een bestaande sessie op het rekenproces. Met deze actie wordt opnieuw verbinding gemaakt met een bestaande sessie die u hebt gehad voor dit notebook in Azure Machine Learning.
Zoek de kernelkiezer in de rechterbovenhoek van uw notitieblok en selecteer deze
Kies de optie Azure Machine Learning-rekenproces en vervolgens de externe optie als u eerder verbinding hebt gemaakt
Een notebooksessie met een bestaande verbinding selecteren
Als uw notebook geen bestaande sessie heeft, kunt u kiezen uit de kernels die in die lijst beschikbaar zijn om een nieuwe te maken. Met deze actie maakt u een VS Code-specifieke kernelsessie. Deze VS Code-specifieke sessies zijn alleen bruikbaar in VS Code en moeten daar worden beheerd. U kunt deze sessies beheren door de Jupyter PowerToys-extensie te installeren.
Hoewel er een aantal manieren zijn om kernels in VS Code te verbinden en te beheren, is het maken van verbinding met een bestaande kernelsessie de aanbevolen manier om een naadloze overgang van de Azure Machine Learning-studio naar VS Code mogelijk te maken. Als u van plan bent om voornamelijk in VS Code te werken, kunt u gebruikmaken van elke kernelverbindingsbenadering die voor u werkt.
Overgang tussen Azure Machine Learning en VS Code
Het is raadzaam om niet tegelijkertijd in beide toepassingen aan dezelfde bestanden te werken, omdat u mogelijk conflicten hebt die u moet oplossen. Uw huidige bestand wordt opgeslagen in de studio voordat u naar VS Code navigeert. U kunt veel van de acties in de Azure Machine Learning-studio in VS Code uitvoeren met behulp van een YAML-eerste benadering. Mogelijk vindt u bepaalde acties (bijvoorbeeld bestanden bewerken en fouten opsporen) in VS Code en andere acties (bijvoorbeeld een trainingstaak maken) in de Azure Machine Learning-studio. U moet vinden dat u naadloos heen en weer kunt navigeren tussen de twee.
Volgende stap
Zie Jupyter-kernelbeheer voor meer informatie over het beheren van Jupyter-kernels in VS Code.