Inzicht in omgevingen

  • 6 minuten

In een machine learning-oplossing voor ondernemingen, waar experimenten kunnen worden uitgevoerd in verschillende rekencontexten, kan het belangrijk zijn om rekening te houden met de omgevingen waarin uw experimentcode wordt uitgevoerd. U kunt Azure Machine Learning-omgevingen gebruiken om omgevingen te maken en runtimeconfiguratie voor een experiment op te geven.

Wanneer u een Azure Machine Learning-werkruimte maakt, worden gecureerde omgevingen automatisch gemaakt en beschikbaar gesteld voor u. U kunt ook uw eigen aangepaste omgevingen maken en beheren en deze registreren in de werkruimte. Door aangepaste omgevingen te maken en te registreren, kunt u consistente, herbruikbare runtimecontexten definiëren voor uw experimenten, ongeacht waar het experimentscript wordt uitgevoerd.

Wat is een omgeving in Azure Machine Learning?

Python-code wordt uitgevoerd in de context van een virtuele omgeving die de versie van de Python-runtime definieert die moet worden gebruikt, evenals de geïnstalleerde pakketten die beschikbaar zijn voor de code. In de meeste Python-installaties worden pakketten geïnstalleerd en beheerd in omgevingen met of condapip.

Om de draagbaarheid te verbeteren, maakt u meestal omgevingen in Docker-containers die op zijn beurt worden gehost op rekendoelen, zoals uw ontwikkelcomputer, virtuele machines of clusters in de cloud.

Diagram of environments, in containers, in compute targets.

Azure Machine Learning bouwt omgevingsdefinities in Docker-installatiekopieën en conda-omgevingen. Wanneer u een omgeving gebruikt, bouwt Azure Machine Learning de omgeving op in het Azure Container Registry dat is gekoppeld aan de werkruimte.

Tip

Wanneer u een Azure Machine Learning-werkruimte maakt, kunt u kiezen of u een bestaand Azure Container Registry wilt gebruiken of dat de werkruimte een nieuw register voor u moet maken wanneer dat nodig is.

Als u alle beschikbare omgevingen in de Azure Machine Learning-werkruimte wilt weergeven, kunt u de omgevingen in de studio weergeven met behulp van de Azure CLI of de Python SDK.

Als u bijvoorbeeld de omgevingen wilt weergeven met behulp van de Python SDK:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Als u de details van een specifieke omgeving wilt bekijken, kunt u een omgeving ophalen op basis van de geregistreerde naam:

env = ml_client.environments.get(name="my-environment", version="1")
print(env)