Zarządzanie obszarami roboczymi usługi Azure Machine Learning przy użyciu zestawu PYTHON SDK (wersja 1)

DOTYCZY:Zestaw SDK języka Python w wersji 1

• Wersja 1
• Wersja 2 (bieżąca wersja)

W tym artykule tworzysz, wyświetlasz i usuwasz obszary robocze usługi Azure Machine Learning dla usługi Azure Machine Learning przy użyciu zestawu SDK dla języka Python.

Wraz ze zmianami lub wymaganiami dotyczącymi automatyzacji można również zarządzać obszarami roboczymi przy użyciu interfejsu wiersza polecenia lub za pośrednictwem rozszerzenia programu VS 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.
• Jeśli używasz zestawu SDK języka Python, zainstaluj zestaw SDK.

Ograniczenia

• Podczas tworzenia nowego obszaru roboczego można 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. Na przykład utworzenie obszaru roboczego w subskrypcji A korzystającej z konta magazynu z subskrypcji B, przestrzeń nazw usługi Azure Machine Learning musi być zarejestrowana w subskrypcji B, zanim będzie można używać konta magazynu z obszarem roboczym.

  Dostawca zasobów dla usługi Azure Machine Learning to Microsoft.MachineLearningServices. Aby uzyskać informacje na temat sposobu rejestrowania i rejestrowania go, zobacz artykuł Azure resource providers and types (Dostawcy zasobów i typy zasobów platformy Azure ).

  Ważne

  Dotyczy to tylko zasobów udostępnianych podczas tworzenia obszaru roboczego; Konta usługi Azure Storage, rejestr kontenerów platformy Azure, usługa Azure Key Vault i usługa Application Insights.

• Domyślnie utworzenie obszaru roboczego powoduje również utworzenie Azure Container Registry (ACR). Ponieważ usługa ACR nie obsługuje obecnie znaków Unicode w nazwach grup zasobów, użyj grupy zasobów, która nie zawiera tych znaków.

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

Porada

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, nie będzie można utworzyć go ponownie bez usuwania i ponownego tworzenia obszaru roboczego.

Aby uzyskać więcej informacji na temat korzystania z tego 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 Azure Machine Learning studio z ograniczonymi dostępnymi opcjami. Możesz też użyć jednej z poniższych metod, aby uzyskać większą kontrolę nad opcjami.

• Specyfikacja domyślna. Domyślnie zasoby zależne i grupa zasobów zostaną utworzone automatycznie. Ten kod tworzy obszar roboczy o nazwie myworkspace i grupę zasobów o nazwie myresourcegroup w .eastus2

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  from azureml.core import Workspace
  
  ws = Workspace.create(name='myworkspace',
                 subscription_id='<azure-subscription-id>',
                 resource_group='myresourcegroup',
                 create_resource_group=True,
                 location='eastus2'
                 )
  

  Ustaw create_resource_group wartość Fałsz, jeśli masz istniejącą grupę zasobów platformy Azure, której chcesz użyć dla obszaru roboczego.

• Wiele dzierżaw. Jeśli masz wiele kont, dodaj identyfikator dzierżawy usługi Azure Active Directory, której chcesz użyć. Znajdź swój identyfikator dzierżawy z Azure Portal w obszarze Azure Active Directory, External Identities.

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

• Suwerenna chmura. Jeśli pracujesz w suwerennej chmurze, potrzebujesz dodatkowego kodu do uwierzytelniania na platformie Azure.

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

• Użyj istniejących zasobów platformy Azure. Możesz również utworzyć obszar roboczy, który używa istniejących zasobów platformy Azure z formatem identyfikatora zasobu platformy Azure. Znajdź określone identyfikatory zasobów platformy Azure w Azure Portal lub za pomocą zestawu SDK. W tym przykładzie przyjęto założenie, że grupa zasobów, konto magazynu, magazyn kluczy, usługa App Insights i rejestr kontenerów już istnieją.

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  import os
  from azureml.core import Workspace
  from azureml.core.authentication import ServicePrincipalAuthentication
  
  service_principal_password = os.environ.get("AZUREML_PASSWORD")
  
  service_principal_auth = ServicePrincipalAuthentication(
      tenant_id="<tenant-id>",
      username="<application-id>",
      password=service_principal_password)
  
                        auth=service_principal_auth,
                             subscription_id='<azure-subscription-id>',
                             resource_group='myresourcegroup',
                             create_resource_group=False,
                             location='eastus2',
                             friendly_name='My workspace',
                             storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
                             key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
                             app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
                             container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
                             exist_ok=False)
  

Aby uzyskać więcej informacji, zobacz Workspace SDK reference (Dokumentacja zestawu SDK obszaru roboczego).

Jeśli masz problemy z dostępem do subskrypcji, zobacz Konfigurowanie uwierzytelniania dla zasobów i przepływów pracy usługi Azure Machine Learning, a także 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 sieciowa i prywatność.

Zestaw SDK języka Python usługi Azure Machine Learning udostępnia klasę PrivateEndpointConfig , której można użyć z elementem Workspace.create() do utworzenia obszaru roboczego z prywatnym punktem końcowym. Ta klasa wymaga istniejącej sieci wirtualnej.

Zaawansowany

Domyślnie metadane obszaru roboczego są przechowywane w wystąpieniu usługi Azure Cosmos DB utrzymywanym przez firmę Microsoft. Te dane są szyfrowane przy użyciu kluczy zarządzanych przez firmę Microsoft.

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

Ważne

Podczas tworzenia obszaru roboczego można wybrać duży wpływ na działalność biznesową. Nie można zmienić tego ustawienia po utworzeniu obszaru roboczego.

Korzystanie z własnego klucza szyfrowania danych

Możesz podać własny klucz do szyfrowania danych. Spowoduje to utworzenie wystąpienia usługi Azure Cosmos DB, które przechowuje metadane w subskrypcji platformy Azure. Aby uzyskać więcej informacji, zobacz Klucze zarządzane przez klienta dla usługi Azure Machine Learning.

Aby podać własny klucz, wykonaj następujące kroki:

Ważne

Przed wykonaniem tych kroków należy najpierw wykonać następujące czynności:

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

Użyj polecenia cmk_keyvault i resource_cmk_uri , aby określić klucz zarządzany przez klienta.

from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
               subscription_id='<azure-subscription-id>',
               resource_group='myresourcegroup',
               create_resource_group=True,
               location='eastus2'
               cmk_keyvault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/<keyvault-name>', 
               resource_cmk_uri='<key-identifier>'
               )

Pobieranie pliku konfiguracji

Jeśli będziesz używać wystąpienia obliczeniowego w obszarze roboczym do uruchamiania kodu, pomiń ten krok. Wystąpienie obliczeniowe utworzy i zapisze kopię tego pliku.

Jeśli planujesz używać kodu w środowisku lokalnym, który odwołuje się do tego obszaru roboczego (ws), zapisz plik konfiguracji:

DOTYCZY:Zestaw SDK języka Python w wersji 1

ws.write_config()

Umieść plik w strukturze katalogów za pomocą skryptów języka Python lub notesów Jupyter Notebook. Może on znajdować się w tym samym katalogu, podkatalogu o nazwie .azureml lub w katalogu nadrzędnym. Podczas tworzenia wystąpienia obliczeniowego ten plik jest dodawany do odpowiedniego katalogu na maszynie wirtualnej.

Łączenie z obszarem roboczym

W kodzie języka Python utworzysz obiekt obszaru roboczego w celu nawiązania połączenia z obszarem roboczym. Ten kod odczytuje zawartość pliku konfiguracji, aby znaleźć obszar roboczy. Jeśli jeszcze nie uwierzytelniono, zostanie wyświetlony monit o zalogowanie się.

DOTYCZY:Zestaw SDK języka Python w wersji 1

from azureml.core import Workspace

ws = Workspace.from_config()

• Wiele dzierżaw. Jeśli masz wiele kont, dodaj identyfikator dzierżawy usługi Azure Active Directory, której chcesz użyć. Znajdź swój identyfikator dzierżawy z Azure Portal w obszarze Azure Active Directory, External Identities.

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.from_config(auth=interactive_auth)
  

• Suwerenna chmura. Jeśli pracujesz w suwerennej chmurze, potrzebujesz dodatkowego kodu do uwierzytelniania na platformie Azure.

  DOTYCZY:Zestaw SDK języka Python w wersji 1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.from_config(auth=interactive_auth)
  

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

Znajdowanie obszaru roboczego

Zobacz listę wszystkich obszarów roboczych, których można użyć.

Znajdź swoje subskrypcje na stronie Subskrypcje w Azure Portal. Skopiuj identyfikator i użyj go w poniższym kodzie, aby wyświetlić wszystkie obszary robocze dostępne dla tej subskrypcji.

DOTYCZY:Zestaw SDK języka Python w wersji 1

from azureml.core import Workspace

Workspace.list('<subscription-id>')

Metoda Workspace.list(..) nie zwraca pełnego obiektu obszaru roboczego. Zawiera tylko podstawowe informacje o istniejących obszarach roboczych w subskrypcji. Aby uzyskać pełny obiekt dla określonego obszaru roboczego, użyj polecenia Workspace.get(..).

Usuwanie obszaru roboczego

Jeśli obszar roboczy nie jest już potrzebny, usuń go.

Ostrzeżenie

Jeśli usuwanie nietrwałe jest włączone dla obszaru roboczego, 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.

Jeśli przypadkowo usunięto obszar roboczy, nadal możesz pobrać notesy. Aby uzyskać szczegółowe informacje, zobacz Tryb failover dla ciągłości działania i odzyskiwania po awarii.

Usuń obszar roboczy ws:

DOTYCZY:Zestaw SDK języka Python w wersji 1

ws.delete(delete_dependent_resources=False, no_wait=False)

Domyślną akcją nie jest usuwanie zasobów skojarzonych z obszarem roboczym, czyli rejestru kontenerów, konta magazynu, magazynu kluczy i usługi Application Insights. Ustaw delete_dependent_resources wartość True, aby usunąć te zasoby.

Czyszczenie zasobów

Ważne

Utworzone zasoby mogą być używane jako wymagania wstępne dla innych samouczków usługi Azure Machine Learning i artykułów 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 przez siebie grupę zasobów.

3. Wybierz pozycję Usuń grupę zasobów.

   

4. Wpisz nazwę grupy zasobów. Następnie wybierz pozycję Usuń.

Rozwiązywanie problemów

• Obsługiwane przeglądarki w 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). Nie starsza wersja przeglądarki Microsoft Edge)
  • Safari (najnowsza wersja, tylko Mac)
  • Chrome (najnowsza wersja)
  • Firefox (najnowsza wersja)

• Azure Portal:

  • Jeśli przejdziesz bezpośrednio do obszaru roboczego z linku udziału z zestawu SDK lub Azure Portal, nie możesz wyświetlić standardowej strony Przegląd zawierającej informacje o subskrypcji w rozszerzeniu. W tym scenariuszu nie można również przełączyć się do innego obszaru roboczego. Aby wyświetlić inny obszar roboczy, przejdź bezpośrednio do Azure Machine Learning studio i wyszukaj nazwę obszaru roboczego.
  • Wszystkie zasoby (dane, eksperymenty, obliczenia itd.) są dostępne tylko w Azure Machine Learning studio. Nie są one dostępne w Azure Portal.
  • Próba wyeksportowania szablonu dla obszaru roboczego z Azure Portal może spowodować zwrócenie błędu podobnego do następującego tekstu: Could not get resource of the type <type>. Resources of this type will not be exported. jako obejście użyj jednego z szablonów udostępnianych jako https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices podstawa szablonu.

Diagnostyka obszaru roboczego

Możesz uruchomić diagnostykę obszaru roboczego z poziomu Azure Machine Learning studio lub zestawu PYTHON SDK. Po uruchomieniu diagnostyki zwracana jest 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 otrzymasz 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	Azure Container Registry jest używany 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/NotebookProxies	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/databaseAccounts	Wystąpienie usługi Azure CosmosDB, które rejestruje metadane obszaru roboczego.
Microsoft.Search/searchServices	Usługa Azure Search zapewnia możliwości indeksowania dla obszaru roboczego.

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

Usuwanie Azure Container Registry

Obszar roboczy usługi Azure Machine Learning używa Azure Container Registry (ACR) dla niektórych operacji. Spowoduje to automatyczne utworzenie wystąpienia usługi ACR, gdy będzie ono najpierw potrzebne.

Ostrzeżenie

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

Następne kroki

Po utworzeniu obszaru roboczego dowiedz się, jak trenować i wdrażać model.

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

• Jeśli musisz przenieść obszar roboczy do innej subskrypcji platformy Azure, zobacz Jak przenieść obszar roboczy.

• Aby znaleźć obszar roboczy, zobacz Wyszukiwanie zasobów usługi Azure Machine Learning (wersja zapoznawcza).

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