Udostępnij za pośrednictwem


Zarządzanie obszarami roboczymi usługi Azure Machine Learning w portalu lub przy użyciu zestawu SDK języka Python (wersja 2)

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

W tym artykule tworzysz, wyświetlasz i usuwasz obszary robocze usługi Azure Machine Learning dla usługi Azure Machine Learning za pomocą witryny Azure Portal lub zestawu SDK dla języka Python.

W miarę zmiany potrzeb lub zwiększania wymagań automatyzacji można zarządzać obszarami roboczymi za pomocą interfejsu wiersza polecenia, programu Azure PowerShell lub za pośrednictwem rozszerzenia programu Visual Studio Code.

Wymagania wstępne

  • Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto. Wypróbuj bezpłatną lub płatną wersję usługi Azure Machine Learning już dziś.
  • Za pomocą zestawu SDK języka Python:
    1. Zainstaluj zestaw SDK w wersji 2.

    2. Zainstaluj usługę azure-identity: pip install azure-identity. Jeśli w komórce notesu użyj polecenia %pip install azure-identity.

    3. Podaj szczegóły subskrypcji:

      DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

      # Enter details of your subscription
      subscription_id = "<SUBSCRIPTION_ID>"
      resource_group = "<RESOURCE_GROUP>"
    4. Uzyskaj dojście do subskrypcji. Cały kod języka Python w tym artykule używa elementu ml_client:

      # get a handle to the subscription
      
      from azure.ai.ml import MLClient
      from azure.identity import DefaultAzureCredential
      
      ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
      • (Opcjonalnie) Jeśli masz wiele kont, dodaj identyfikator dzierżawy identyfikatora Entra firmy Microsoft, którego chcesz użyć w pliku DefaultAzureCredential. Znajdź swój identyfikator dzierżawy z witryny Azure Portal w obszarze Microsoft Entra ID, External Identities.

        DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
        
      • (Opcjonalnie) Jeśli pracujesz w regionach Azure Government — USA lub Azure (Chiny 21Vianet), musisz określić chmurę, do której chcesz się uwierzytelnić. Możesz określić te regiony w pliku DefaultAzureCredential.

        from azure.identity import AzureAuthorityHosts
        DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
        

Ograniczenia

  • Podczas tworzenia nowego obszaru roboczego możesz automatycznie tworzyć usługi wymagane przez obszar roboczy lub korzystać z istniejących usług. Jeśli chcesz używać istniejących usług z innej subskrypcji platformy Azure niż obszar roboczy, musisz zarejestrować przestrzeń nazw usługi Azure Machine Learning w subskrypcji zawierającej te usługi. Jeśli na przykład utworzysz obszar roboczy w subskrypcji A, który używa konta magazynu w subskrypcji B, przestrzeń nazw usługi Azure Machine Learning musi być zarejestrowana w subskrypcji B, zanim obszar roboczy będzie mógł korzystać z konta magazynu.

    Dostawca zasobów dla usługi Azure Machine Learning to Microsoft.MachineLearningServices. Aby uzyskać informacje na temat tego, czy jest on zarejestrowany, czy zarejestrowany, zobacz Dostawcy zasobów i typy platformy Azure.

    Ważne

    Te informacje dotyczą tylko zasobów udostępnianych podczas tworzenia obszaru roboczego: konta usługi Azure Storage, usługa Azure Container Registry, usługa Azure Key Vault i usługa Application Insights.

  • W przypadku izolacji sieci z punktami końcowymi online można użyć zasobów skojarzonych z obszarem roboczym (Azure Container Registry (ACR), konta magazynu, usługi Key Vault i usługi Application Insights) z grupy zasobów innej niż obszar roboczy. Jednak te zasoby muszą należeć do tej samej subskrypcji i dzierżawy co obszar roboczy. Aby uzyskać informacje o ograniczeniach dotyczących zabezpieczania zarządzanych punktów końcowych online przy użyciu zarządzanej sieci wirtualnej obszaru roboczego, zobacz Izolacja sieci z zarządzanymi punktami końcowymi online.

  • Tworzenie obszaru roboczego domyślnie tworzy również usługę Azure Container Registry (ACR). Ponieważ usługa ACR nie obsługuje obecnie znaków Unicode w nazwach grup zasobów, należy użyć grupy zasobów, która unika tych znaków.

  • Usługa Azure Machine Learning nie obsługuje hierarchicznej przestrzeni nazw (funkcja usługi Azure Data Lake Storage Gen2) dla domyślnego konta magazynu obszaru roboczego.

Napiwek

Wystąpienie usługi aplikacja systemu Azure Insights jest tworzone podczas tworzenia obszaru roboczego. 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, jedynym sposobem ponownego utworzenia go jest usunięcie i ponowne utworzenie obszaru roboczego.

Aby uzyskać więcej informacji na temat korzystania z wystąpienia usługi Application Insights, zobacz Monitorowanie i zbieranie danych z punktów końcowych usługi sieci Web Machine Learning.

Tworzenie obszaru roboczego

Obszar roboczy można utworzyć bezpośrednio w usłudze Azure Machine Learning Studio z ograniczonymi dostępnymi opcjami. Możesz również użyć jednej z tych metod, aby uzyskać większą kontrolę nad opcjami:

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

  • Podstawowa konfiguracja rozpoczynania pracy bez specyfikacji, skojarzone zasoby i grupa zasobów platformy Azure są tworzone automatycznie. Ten kod tworzy obszar roboczy o nazwie myworkspace, zależne zasoby platformy Azure (konto usługi Storage, usługa Key Vault, rejestr kontenerów, usługa Application Insights) i grupę zasobów o nazwie myresourcegroup w eastus2programie .

    # Creating a unique workspace name with current datetime to avoid conflicts
    from azure.ai.ml.entities import Workspace
    import datetime
    
    basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    ws_basic = Workspace(
        name=basic_workspace_name,
        location="eastus",
        display_name="Basic workspace-example",
        description="This example shows how to create a basic workspace",
        hbi_workspace=False,
        tags=dict(purpose="demo"),
    )
    
    ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
    print(ws_basic)
  • Użyj istniejących zasobów platformy Azure. Aby przenieść istniejące zasoby platformy Azure, odwołaj się do nich przy użyciu formatu identyfikatora zasobu platformy Azure. Znajdź określone identyfikatory zasobów platformy Azure w witrynie Azure Portal lub za pomocą zestawu SDK. W tym przykładzie przyjęto założenie, że grupa zasobów, konto magazynu, usługa Key Vault, usługa Application Insights i rejestr kontenerów już istnieją.

    # Creating a unique workspace name with current datetime to avoid conflicts
    import datetime
    from azure.ai.ml.entities import Workspace
    
    basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    # Change the following variables to resource ids of your existing storage account, key vault, application insights
    # and container registry. Here we reuse the ones we just created for the basic workspace
    existing_storage_account = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
        ws_basic.storage_account
    )
    existing_container_registry = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
        ws_basic.container_registry
    )
    existing_key_vault = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
        ws_basic.key_vault
    )
    existing_application_insights = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
        ws_basic.application_insights
    )
    
    ws_with_existing_resources = Workspace(
        name=basic_ex_workspace_name,
        location="eastus",
        display_name="Bring your own dependent resources-example",
        description="This sample specifies a workspace configuration with existing dependent resources",
        storage_account=existing_storage_account,
        container_registry=existing_container_registry,
        key_vault=existing_key_vault,
        application_insights=existing_application_insights,
        tags=dict(purpose="demonstration"),
    )
    
    ws_with_existing_resources = ml_client.begin_create_or_update(
        ws_with_existing_resources
    ).result()
    
    print(ws_with_existing_resources)
  • (Wersja zapoznawcza) Użyj istniejącego obszaru roboczego centrum. Zamiast tworzyć domyślny obszar roboczy z własnymi ustawieniami zabezpieczeń i skojarzonymi zasobami, możesz ponownie użyć środowiska udostępnionego obszaru roboczego centrum. Nowy obszar roboczy "projekt" uzyska ustawienia zabezpieczeń i konfiguracje udostępnione z centrum, w tym obliczenia i połączenia. W tym przykładzie przyjęto założenie, że obszar roboczy centrum już istnieje.

    from azure.ai.ml.entities import Project
    
    my_project_name = "myexampleproject"
    my_location = "East US"
    my_display_name = "My Example Project"
    
    my_hub = Project(name=my_hub_name, 
                     location=my_location,
                     display_name=my_display_name,
                     hub_id=created_hub.id)
    
    created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
    

Aby uzyskać więcej informacji, zobacz Temat Dokumentacja zestawu SDK obszaru roboczego.

Jeśli masz problemy z dostępem do subskrypcji, zobacz Konfigurowanie uwierzytelniania dla zasobów i przepływów pracy usługi Azure Machine Learning oraz Uwierzytelnianie w notesie usługi Azure Machine Learning .

Sieć

Ważne

Aby uzyskać więcej informacji na temat korzystania z prywatnego punktu końcowego i sieci wirtualnej z obszarem roboczym, zobacz Izolacja sieci i prywatność.

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Ta klasa wymaga istniejącej sieci wirtualnej.

Szyfrowanie

Domyślnie wystąpienie usługi Azure Cosmos DB przechowuje metadane obszaru roboczego. Firma Microsoft utrzymuje to wystąpienie usługi Cosmos DB. Klucze zarządzane przez firmę Microsoft szyfrują te dane.

Korzystanie z własnego klucza szyfrowania danych

Możesz podać własny klucz do szyfrowania danych. Podanie własnego klucza powoduje utworzenie wystąpienia usługi Azure Cosmos DB, które przechowuje metadane w subskrypcji platformy Azure. Aby uzyskać więcej informacji, zobacz Klucze zarządzane przez klienta.

Wykonaj następujące kroki, aby podać własny klucz:

Ważne

Przed wykonaniem tych kroków należy najpierw wykonać następujące akcje:

Wykonaj kroki opisane w temacie Konfigurowanie kluczy zarządzanych przez klienta w celu:

  • Rejestrowanie dostawcy usługi Azure Cosmos DB
  • Tworzenie i konfigurowanie usługi Azure Key Vault
  • Generowanie klucza

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)


from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Tożsamość

W portalu użyj strony Tożsamość , aby skonfigurować tożsamość zarządzaną, dostęp do konta magazynu i wpływ na dane. Aby zapoznać się z zestawem SDK języka Python, zobacz linki w poniższych sekcjach.

Tożsamość zarządzana

Obszar roboczy może mieć tożsamość przypisaną przez system lub tożsamość przypisaną przez użytkownika. Ta tożsamość służy do uzyskiwania dostępu do zasobów w ramach subskrypcji. Aby uzyskać więcej informacji, zobacz Konfigurowanie uwierzytelniania między usługą Azure Machine Learning i innymi usługami.

Dostęp do konta magazynu

Wybierz między dostępem opartym na poświadczeniach lub dostępem opartym na tożsamości podczas nawiązywania połączenia z domyślnym kontem magazynu. W przypadku uwierzytelniania opartego na tożsamości rola Współautor danych obiektu blob usługi Storage musi zostać udzielona tożsamości zarządzanej obszaru roboczego na koncie magazynu.

Wpływ na dane

Aby ograniczyć dane zbierane przez firmę Microsoft w obszarze roboczym, wybierz pozycję Obszar roboczy o dużym wpływie na działalność biznesową w portalu lub ustaw wartość hbi_workspace=true w języku Python. Aby uzyskać więcej informacji na temat tego ustawienia, zobacz Szyfrowanie magazynowane.

Ważne

Wybranie dużego wpływu na działalność biznesową może mieć miejsce tylko podczas tworzenia obszaru roboczego. Nie można zmienić tego ustawienia po utworzeniu obszaru roboczego.

Tagi

Tagi to pary nazw i wartości umożliwiające kategoryzowanie zasobów oraz wyświetlanie skonsolidowanych informacji na temat rozliczeń przez zastosowanie tego samego tagu względem wielu zasobów i grup zasobów.

Przypisz tagi dla obszaru roboczego, wprowadzając pary nazw/wartości. Aby uzyskać więcej informacji, zobacz Organizowanie zasobów platformy Azure przy użyciu tagów.

Użyj również tagów do [wymuszenia zasad obszaru roboczego)(#enforce-policies).

Pobieranie pliku konfiguracji

Jeśli uruchomisz kod w wystąpieniu obliczeniowym, pomiń ten krok. Wystąpienie obliczeniowe tworzy i przechowuje kopię tego pliku.

Aby użyć kodu w środowisku lokalnym odwołującym się do tego obszaru roboczego, pobierz plik:

  1. Wybieranie obszaru roboczego w usłudze Azure Studio

  2. W prawym górnym rogu wybierz nazwę obszaru roboczego, a następnie wybierz pozycję Pobierz config.json

    Zrzut ekranu przedstawiający opcję

Umieść plik w strukturze katalogów zawierającej skrypty języka Python lub notesy Jupyter Notebook. Ten sam katalog, podkatalog o nazwie .azureml lub katalog nadrzędny może przechowywać ten plik. Podczas tworzenia wystąpienia obliczeniowego ten plik jest dodawany do odpowiedniego katalogu na maszynie wirtualnej.

Wymuszanie zasad

Możesz włączyć/wyłączyć te funkcje obszaru roboczego:

  • Możliwości przesyłania opinii w obszarze roboczym. Możliwości obejmują okazjonalne ankiety w produktach i narzędzie do przesyłania opinii z uśmiechem na banerze obszaru roboczego.
  • Możliwość wypróbowania funkcji w wersji zapoznawczej w obszarze roboczym.

Te funkcje są domyślnie włączone. Aby je wyłączyć:

  • Podczas tworzenia obszaru roboczego wyłącz funkcje z sekcji Tagi :

    1. Wyłącz opinię, dodając parę "ADMIN_HIDE_SURVEY: TRUE"
    2. Wyłącz podglądy, dodając parę "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
  • W przypadku istniejącego obszaru roboczego wyłącz funkcje z sekcji Tagi :

    1. Przejdź do zasobu obszaru roboczego w witrynie Azure Portal
    2. Otwieranie tagów z panelu nawigacji po lewej stronie
    3. Wyłącz opinię, dodając parę "ADMIN_HIDE_SURVEY: TRUE"
    4. Wyłącz podglądy, dodając parę "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
    5. Wybierz Zastosuj.

Zrzut ekranu przedstawia ustawienia tagów, aby uniemożliwić przesyłanie opinii w obszarze roboczym.

Podglądy można wyłączyć na poziomie subskrypcji, upewniając się, że jest on wyłączony dla wszystkich obszarów roboczych w subskrypcji. W takim przypadku użytkownicy w subskrypcji również nie mogą uzyskać dostępu do narzędzia w wersji zapoznawczej przed wybraniem obszaru roboczego. To ustawienie jest przydatne dla administratorów, którzy chcą mieć pewność, że funkcje w wersji zapoznawczej nie są używane w organizacji.

Jeśli ustawienie podglądu jest wyłączone na poziomie subskrypcji, ustawienie go w poszczególnych obszarach roboczych jest ignorowane.

Aby wyłączyć funkcje w wersji zapoznawczej na poziomie subskrypcji:

  1. Przejdź do zasobu subskrypcji w witrynie Azure Portal
  2. Otwieranie tagów z panelu nawigacji po lewej stronie
  3. Wyłącz podglądy dla wszystkich obszarów roboczych w subskrypcji, dodając parę "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
  4. Wybierz Zastosuj.

Łączenie z obszarem roboczym

Podczas uruchamiania zadań uczenia maszynowego za pomocą zestawu SDK wymagany jest obiekt MLClient określający połączenie z obszarem roboczym. Obiekt można utworzyć MLClient na podstawie parametrów lub za pomocą pliku konfiguracji.

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

  • Za pomocą pliku konfiguracji: ten kod odczytuje zawartość pliku konfiguracji, aby znaleźć obszar roboczy. Spowoduje to otwarcie monitu o zalogowanie się, jeśli jeszcze nie zostało uwierzytelnione.

    from azure.ai.ml import MLClient
    
    # read the config from the current directory
    ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
    
  • Z parametrów: jeśli używasz tej metody, nie trzeba mieć dostępnego pliku config.json.

    from azure.ai.ml import MLClient
    from azure.ai.ml.entities import Workspace
    from azure.identity import DefaultAzureCredential
    
    ws = MLClient(
        DefaultAzureCredential(),
        subscription_id="<SUBSCRIPTION_ID>",
        resource_group_name="<RESOURCE_GROUP>",
        workspace_name="<AML_WORKSPACE_NAME>",
    )
    print(ws)

Jeśli masz problemy z dostępem do subskrypcji, zobacz Konfigurowanie uwierzytelniania dla zasobów i przepływów pracy usługi Azure Machine Learning oraz Uwierzytelnianie w notesie usługi Azure Machine Learning .

Znajdowanie obszaru roboczego

Zobacz listę wszystkich dostępnych obszarów roboczych. Możesz również wyszukać obszar roboczy w programie Studio. Zobacz Wyszukiwanie zasobów usługi Azure Machine Learning (wersja zapoznawcza).

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Aby uzyskać szczegółowe informacje o określonym obszarze roboczym:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Usuwanie obszaru roboczego

Jeśli obszar roboczy nie jest już potrzebny, usuń go.

Ostrzeżenie

Jeśli dla obszaru roboczego włączono usuwanie nietrwałe, można je odzyskać po usunięciu. Jeśli usuwanie nietrwałe nie jest włączone lub wybierzesz opcję trwałego usunięcia obszaru roboczego, nie można go odzyskać. Aby uzyskać więcej informacji, zobacz Odzyskiwanie usuniętego obszaru roboczego.

Napiwek

Domyślnym zachowaniem usługi Azure Machine Learning jest usunięcie obszaru roboczego w sposób nietrwały. Oznacza to, że obszar roboczy nie jest natychmiast usuwany, ale zamiast tego jest oznaczony do usunięcia. Aby uzyskać więcej informacji, zobacz Usuwanie nietrwałe.

DOTYCZY: Zestaw PYTHON SDK azure-ai-ml w wersji 2 (bieżąca)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Domyślna akcja nie powoduje automatycznego usuwania zasobów skojarzonych z obszarem roboczym. Ustaw delete_dependent_resources wartość True, aby usunąć te zasoby.

  • rejestr kontenerów
  • konto magazynu
  • magazyn kluczy
  • application insights

Czyszczenie zasobów

Ważne

Utworzone zasoby mogą być używane jako wymagania wstępne w innych samouczkach usługi Azure Machine Learning i artykułach z instrukcjami.

Jeśli nie planujesz korzystać z żadnych utworzonych zasobów, usuń je, aby nie ponosić żadnych opłat:

  1. W witrynie Azure Portal na końcu z lewej strony wybierz pozycję Grupy zasobów.

  2. Z listy wybierz utworzoną grupę zasobów.

  3. Wybierz pozycję Usuń grupę zasobów.

    Zrzut ekranu przedstawiający wybrane opcje usuwania grupy zasobów w witrynie Azure Portal.

  4. Wpisz nazwę grupy zasobów. Następnie wybierz Usuń.

Rozwiązywanie problemów

  • Obsługiwane przeglądarki w usłudze Azure Machine Learning Studio: zalecamy korzystanie z najbardziej aktualnej przeglądarki zgodnej z systemem operacyjnym. Obsługiwane są następujące przeglądarki:

    • Microsoft Edge (nowa przeglądarka Microsoft Edge, najnowsza wersja. Uwaga: starsza wersja przeglądarki Microsoft Edge nie jest obsługiwana)
    • Safari (najnowsza wersja, tylko komputery Mac)
    • Chrome (najnowsza wersja)
    • Firefox (najnowsza wersja)
  • Azure Portal:

    • Jeśli przejdziesz bezpośrednio do obszaru roboczego z linku udostępniania z zestawu SDK lub witryny Azure Portal, nie możesz wyświetlić standardowej strony Przegląd zawierającej informacje o subskrypcji w rozszerzeniu. Ponadto w tym scenariuszu nie można przełączyć się do innego obszaru roboczego. Aby wyświetlić inny obszar roboczy, przejdź bezpośrednio do usługi Azure Machine Learning Studio i wyszukaj nazwę obszaru roboczego.
    • Wszystkie zasoby (dane, eksperymenty, obliczenia itd.) są dostępne tylko w usłudze Azure Machine Learning Studio. Witryna Azure Portal nie oferuje ich*.
    • Próba wyeksportowania szablonu dla obszaru roboczego z witryny Azure Portal może spowodować zwrócenie błędu podobnego do tego tekstu: Could not get resource of the type <type>. Resources of this type will not be exported. aby obejść ten problem, użyj jednego z szablonów dostępnych na https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices podstawie szablonu.

Diagnostyka obszaru roboczego

Diagnostykę obszaru roboczego można uruchomić z poziomu usługi Azure Machine Learning Studio lub zestawu SDK języka Python. Po uruchomieniu diagnostyki zostanie zwrócona lista wykrytych problemów. Ta lista zawiera linki do możliwych rozwiązań. Aby uzyskać więcej informacji, zobacz Jak używać diagnostyki obszaru roboczego.

Błędy dostawcy zasobów

Podczas tworzenia obszaru roboczego usługi Azure Machine Learning lub zasobu używanego przez obszar roboczy może wystąpić błąd podobny do następujących komunikatów:

  • No registered resource provider found for location {location}
  • The subscription is not registered to use namespace {resource-provider-namespace}

Większość dostawców zasobów jest automatycznie rejestrowana, ale nie wszystkie. Jeśli zostanie wyświetlony ten komunikat, musisz zarejestrować wymienionego dostawcę.

Poniższa tabela zawiera listę dostawców zasobów wymaganych przez usługę Azure Machine Learning:

Dostawca zasobów Dlaczego jest to potrzebne
Microsoft.MachineLearningServices Tworzenie obszaru roboczego usługi Azure Machine Learning.
Microsoft.Storage Konto usługi Azure Storage jest używane jako domyślny magazyn dla obszaru roboczego.
Microsoft.ContainerRegistry Usługa Azure Container Registry jest używana przez obszar roboczy do tworzenia obrazów platformy Docker.
Microsoft.KeyVault Usługa Azure Key Vault jest używana przez obszar roboczy do przechowywania wpisów tajnych.
Microsoft.Notebooks Zintegrowane notesy w wystąpieniu obliczeniowym usługi Azure Machine Learning.
Microsoft.ContainerService Jeśli planujesz wdrażanie wytrenowanych modeli w usługach Azure Kubernetes Services.

Jeśli planujesz korzystanie z klucza zarządzanego przez klienta w usłudze Azure Machine Learning, należy zarejestrować następujących dostawców usług:

Dostawca zasobów Dlaczego jest to potrzebne
Microsoft.DocumentDB Wystąpienie usługi Azure CosmosDB, które rejestruje metadane obszaru roboczego.
Microsoft.Search Usługa Azure Search udostępnia funkcje indeksowania dla obszaru roboczego.

Jeśli planujesz korzystanie z zarządzanej sieci wirtualnej z usługą Azure Machine Learning, dostawca zasobów Microsoft.Network musi być zarejestrowany. Ten dostawca zasobów jest używany przez obszar roboczy podczas tworzenia prywatnych punktów końcowych dla zarządzanej sieci wirtualnej.

Aby uzyskać informacje na temat rejestrowania dostawców zasobów, zobacz Rozwiązywanie błędów dotyczących rejestracji dostawcy zasobów.

Usuwanie usługi Azure Container Registry

Obszar roboczy usługi Azure Machine Learning używa usługi Azure Container Registry (ACR) na potrzeby niektórych operacji. Automatycznie tworzy wystąpienie usługi ACR, gdy jest ono najpierw potrzebne.

Ostrzeżenie

Po utworzeniu usługi Azure Container Registry dla obszaru roboczego nie usuwaj go. Spowoduje to przerwanie obszaru roboczego usługi Azure Machine Learning.

Przykłady

Przykłady w tym artykule pochodzą z pliku workspace.ipynb.

Następne kroki

Gdy masz obszar roboczy, dowiedz się, jak trenować i wdrażać model.

Aby dowiedzieć się więcej na temat planowania obszaru roboczego dla wymagań organizacji, odwiedź stronę Organizowanie i konfigurowanie usługi Azure Machine Learning.

Aby uzyskać informacje na temat aktualizowania usługi Azure Machine Learning przy użyciu najnowszych aktualizacji zabezpieczeń, odwiedź stronę Zarządzanie lukami w zabezpieczeniach.