Co to jest obszar roboczy usługi Azure Machine Learning?

Artykuł
12/05/2022
Czas czytania: 5 min

Obszar roboczy jest zasobem najwyższego poziomu dla usługi Azure Machine Learning, który udostępnia scentralizowane miejsce do pracy z wszystkimi tworzonymi podczas korzystania usługi Azure Machine Learning artefaktami. Obszar roboczy przechowuje historię wszystkich przebiegów trenowania, w tym dzienniki, metryki, dane wyjściowe i migawkę skryptów. Te informacje służą do określenia, który przebieg trenowania generuje najlepszy model.

Po utworzeniu modelu, który chcesz, zarejestruj go w obszarze roboczym. Następnie użyj zarejestrowanego modelu i skryptów oceniania do wdrożenia w punkcie końcowym online jako punktu końcowego HTTP opartego na protokole REST.

Taksonomii

Obszar roboczy może zawierać wystąpienia obliczeniowe usługi Azure Machine Learning, zasoby w chmurze skonfigurowane przy użyciu środowiska języka Python niezbędne do uruchomienia usługi Azure Machine Learning.
Role użytkowników umożliwiają udostępnianie obszaru roboczego innym użytkownikom, zespołom lub projektom.
Docelowe obiekty obliczeniowe są używane do uruchamiania eksperymentów.
Podczas tworzenia obszaru roboczego są również tworzone skojarzone zasoby .
Zadania to przebiegi szkoleniowe używane do tworzenia modeli. Zadania można organizować w eksperymenty.
Potoki to przepływy pracy wielokrotnego użytku do trenowania i ponownego trenowania modelu.
Zasoby danych ułatwiają zarządzanie danymi używanymi do trenowania modelu i tworzenia potoku.
Po utworzeniu modelu, który chcesz wdrożyć, należy utworzyć zarejestrowany model.
Użyj zarejestrowanego modelu i skryptu oceniania, aby utworzyć punkt końcowy online.

Narzędzia do interakcji obszaru roboczego

Możesz wchodzić w interakcje z obszarem roboczym w następujący sposób:

W Internecie:
- Azure Machine Learning studio
- Projektant usługi Azure Machine Learning
W dowolnym środowisku języka Python z zestawem AZURE Machine Learning SDK dla języka Python.
W wierszu polecenia przy użyciu rozszerzenia interfejsu wiersza polecenia usługi Azure Machine Learning
Rozszerzenie programu VS Code usługi Azure Machine Learning

Uczenie maszynowe z obszarem roboczym

Zadania uczenia maszynowego odczytują i/lub zapisują artefakty w obszarze roboczym.

Uruchamianie eksperymentu w celu wytrenowania modelu — zapisuje wyniki uruchomienia zadania w obszarze roboczym.
Używanie zautomatyzowanego uczenia maszynowego do trenowania modelu — zapisuje wyniki trenowania w obszarze roboczym.
Rejestrowanie modelu w obszarze roboczym.
Wdrażanie modelu — używa zarejestrowanego modelu do utworzenia wdrożenia.
Tworzenie i uruchamianie przepływów pracy wielokrotnego użytku.
Wyświetlanie artefaktów uczenia maszynowego, takich jak zadania, potoki, modele, wdrożenia.
Śledzenie i monitorowanie modeli.

Zarządzanie obszarem roboczym

Można również wykonywać następujące zadania zarządzania obszarem roboczym:

Zadanie zarządzania obszarem roboczym	Portal	Studio	Zestaw SDK dla języka Python	Interfejs wiersza polecenia platformy Azure	VS Code
Tworzenie obszaru roboczego	✓	✓	✓	✓	✓
Zarządzanie dostępem do obszaru roboczego	✓			✓
Tworzenie zasobów obliczeniowych i zarządzanie nimi	✓	✓	✓	✓	✓
Tworzenie wystąpienia obliczeniowego		✓	✓	✓	✓

Ostrzeżenie

Przenoszenie obszaru roboczego usługi Azure Machine Learning do innej subskrypcji lub przenoszenie subskrypcji będącą właścicielem do nowej dzierżawy nie jest obsługiwane. Może to spowodować błędy.

Tworzenie obszaru roboczego

Istnieje wiele sposobów tworzenia obszaru roboczego:

Użyj Azure Machine Learning studio, aby szybko utworzyć obszar roboczy z ustawieniami domyślnymi.
Użyj Azure Portal dla interfejsu typu punkt-kliknięcie z większą ilością opcji.
Użyj zestawu SDK usługi Azure Machine Learning dla języka Python, aby tworzyć obszar roboczy na bieżąco z poziomu skryptów języka Python lub notesów programu Jupyter.
Użyj szablonu usługi Azure Resource Manager lub interfejsu wiersza usługi Azure Machine Learning, gdy musisz zautomatyzować lub dostosować tworzenie przy użyciu firmowych standardów zabezpieczeń.
Jeśli pracujesz w programie Visual Studio Code, użyj rozszerzenia VS Code.

Uwaga

Nazwa obszaru roboczego nie uwzględnia wielkości liter.

Zasoby podrzędne

Te zasoby podrzędne są głównymi zasobami, które są tworzone w obszarze roboczym usługi AzureML.

Maszyny wirtualne: zapewniają moc obliczeniową dla obszaru roboczego usługi AzureML i są integralną częścią wdrażania i trenowania modeli.
Load Balancer: dla każdego wystąpienia obliczeniowego i klastra obliczeniowego jest tworzony moduł równoważenia obciążenia sieciowego do zarządzania ruchem nawet wtedy, gdy wystąpienie obliczeniowe/klaster jest zatrzymany.
Virtual Network: ułatwiają one zasobom platformy Azure komunikowanie się ze sobą, Internetem i innymi sieciami lokalnymi.
Przepustowość: hermetyzuje wszystkie wychodzące transfery danych między regionami.

Skojarzone zasoby

Podczas tworzenia nowego obszaru roboczego automatycznie tworzy kilka zasobów platformy Azure, które są używane przez obszar roboczy:

Konto usługi Azure Storage: jest używane jako domyślny magazyn danych dla obszaru roboczego. Notesy Jupyter, które są używane z wystąpieniami obliczeniowymi usługi Azure Machine Learning, są również przechowywane w tym miejscu.

Ważne

Domyślnie konto magazynu jest kontem ogólnego przeznaczenia w wersji 1. Można ją uaktualnić do warstwy ogólnego przeznaczenia w wersji 2 po utworzeniu obszaru roboczego. Nie należy włączać hierarchicznej przestrzeni nazw na koncie magazynu po uaktualnieniu do warstwy ogólnego przeznaczenia w wersji 2.

Aby użyć istniejącego konta usługi Azure Storage, nie może to być konto blobStorage ani konto w warstwie Premium (Premium_LRS i Premium_GRS). Nie może również mieć hierarchicznej przestrzeni nazw (używanej z Azure Data Lake Storage Gen2). Magazyn w warstwie Premium ani hierarchiczne przestrzenie nazw nie są obsługiwane z domyślnym kontem magazynu obszaru roboczego. Możesz użyć magazynu w warstwie Premium lub hierarchicznej przestrzeni nazw z kontami magazynu innym niż domyślne .
Azure Container Registry: Rejestruje kontenery platformy Docker, które są używane dla następujących składników:
- Środowiska usługi Azure Machine Learning podczas trenowania i wdrażania modeli
- AutoML podczas wdrażania
- Profilowanie danych
Aby zminimalizować koszty, usługa ACR jest ładowana z opóźnieniem , dopóki obrazy nie będą potrzebne.

Uwaga

Jeśli ustawienie subskrypcji wymaga dodania tagów do zasobów, Azure Container Registry (ACR) utworzone przez usługę Azure Machine Learning zakończy się niepowodzeniem, ponieważ nie można ustawić tagów na wartość ACR.
aplikacja systemu Azure Insights: przechowuje informacje dotyczące monitorowania i diagnostyki. Aby uzyskać więcej informacji, zobacz Monitorowanie punktów końcowych online.

Uwaga

Jeśli chcesz, możesz usunąć wystąpienie usługi Application Insights po utworzeniu klastra. Usunięcie go ogranicza informacje zebrane z obszaru roboczego i może utrudnić rozwiązywanie problemów. Jeśli usuniesz wystąpienie usługi Application Insights utworzone przez obszar roboczy, nie będzie można utworzyć go ponownie bez usuwania i ponownego tworzenia obszaru roboczego.
Azure Key Vault: przechowuje wpisy tajne używane przez docelowe obiekty obliczeniowe i inne poufne informacje wymagane przez obszar roboczy.

Uwaga

Zamiast tego możesz użyć istniejących wystąpień zasobów platformy Azure podczas tworzenia obszaru roboczego przy użyciu zestawu SDK języka Python lub interfejsu wiersza polecenia usługi Azure Machine Learning przy użyciu szablonu usługi ARM.

Następne kroki

Aby dowiedzieć się więcej na temat planowania obszaru roboczego pod kątem wymagań organizacji, zobacz Organizowanie i konfigurowanie usługi Azure Machine Learning.

Aby rozpocząć pracę z usługą Azure Machine Learning, zobacz: