Gerenciar espaços de trabalho do Azure Machine Learning no portal ou com o SDK do Python (v2)

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

Neste artigo, você cria, exibe e exclui espaços de trabalho do Azure Machine Learning para o Azure Machine Learning, com o portal do Azure ou o SDK para Python.

À medida que suas necessidades mudam ou seus requisitos de automação aumentam, você pode gerenciar espaços de trabalho com a CLI, o Azure PowerShell ou por meio da extensão VS Code.

Pré-requisitos

• Uma subscrição do Azure. Se não tiver uma subscrição do Azure, crie uma conta gratuita antes de começar. Experimente hoje mesmo a versão gratuita ou paga do Azure Machine Learning .
• Com o Python SDK:

  1. Instale o SDK v2.

  2. Instale azure-identity: pip install azure-identity. Se estiver em uma célula do bloco de anotações, use %pip install azure-identity.

  3. Forneça os detalhes da sua subscrição:

     APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

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

  4. Obtenha um identificador para a assinatura. Todo o código Python neste artigo usa 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)

     • (Opcional) Se você tiver várias contas, adicione a ID do locatário da ID do Microsoft Entra que deseja usar no DefaultAzureCredential. Encontre sua ID de locatário no portal do Azure em Microsoft Entra ID, Identidades Externas.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Opcional) Se você estiver trabalhando em uma nuvem soberana, precisará especificar a nuvem na qual deseja autenticar. Faça isso em DefaultAzureCredential.

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

Limitações

• Ao criar um novo espaço de trabalho, você pode criar automaticamente os serviços necessários para o espaço de trabalho ou usar serviços existentes. Se você quiser usar serviços existentes de uma assinatura do Azure diferente do espaço de trabalho, deverá registrar o namespace do Azure Machine Learning na assinatura que contém esses serviços. Por exemplo, ao criar um espaço de trabalho na assinatura A que usa uma conta de armazenamento da assinatura B, o namespace do Azure Machine Learning deve ser registrado na assinatura B antes que você possa usar a conta de armazenamento com o espaço de trabalho.

  O provedor de recursos para o Azure Machine Learning é Microsoft.MachineLearningServices. Para obter informações sobre como ver se ele está registrado e como registrá-lo, consulte o artigo Provedores e tipos de recursos do Azure.

  Importante

  Isso se aplica apenas aos recursos fornecidos durante a criação do espaço de trabalho; Contas de Armazenamento do Azure, Azure Container Register, Azure Key Vault e Application Insights.

• Para isolamento de rede com pontos de extremidade online, você pode usar recursos associados ao espaço de trabalho (Azure Container Registry (ACR), conta de armazenamento, Key Vault e Application Insights) de um grupo de recursos diferente do seu espaço de trabalho. No entanto, esses recursos devem pertencer à mesma assinatura e locatário do seu espaço de trabalho. Para obter informações sobre as limitações que se aplicam à proteção de pontos de extremidade online gerenciados, usando a rede virtual gerenciada de um espaço de trabalho, consulte Isolamento de rede com pontos de extremidade online gerenciados.

• A criação de espaço de trabalho também cria um Registro de Contêiner do Azure (ACR) por padrão. Como o ACR atualmente não oferece suporte a caracteres unicode em nomes de grupos de recursos, use um grupo de recursos que evite esses caracteres.

• O Azure Machine Learning não oferece suporte ao namespace hierárquico (recurso Azure Data Lake Storage Gen2) para a conta de armazenamento padrão do espaço de trabalho.

Gorjeta

Uma instância do Azure Application Insights é criada quando você cria o espaço de trabalho. Você pode excluir a instância do Application Insights após a criação do cluster, se desejar. Excluí-lo limita as informações coletadas do espaço de trabalho e pode dificultar a solução de problemas. Se você excluir a instância do Application Insights criada pelo espaço de trabalho, não poderá recriá-la sem excluir e recriar o espaço de trabalho.

Para obter mais informações sobre como usar essa instância do Application Insights, consulte Monitorar e coletar dados de pontos de extremidade de serviço Web do Machine Learning.

Criar uma área de trabalho

Você pode criar um espaço de trabalho diretamente no estúdio do Azure Machine Learning, com opções limitadas disponíveis. Você também pode usar um destes métodos para obter mais controle das opções:

Python SDK

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

• Especificação padrão. Por padrão, os recursos dependentes e o grupo de recursos são criados automaticamente. Esse código cria um espaço de trabalho chamado myworkspace, e um grupo de recursos nomeado myresourcegroup em eastus2.

  # 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)

• Use os recursos existentes do Azure. Você também pode criar um espaço de trabalho que usa recursos existentes do Azure com o formato de ID de recurso do Azure. Encontre as IDs de recursos específicas do Azure no portal do Azure ou com o SDK. Este exemplo pressupõe que o grupo de recursos, a conta de armazenamento, o cofre de chaves, o App Insights e o registro de contêiner já existam.

  # 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)

Para obter mais informações, consulte Referência do SDK do espaço de trabalho.

Se você tiver problemas para acessar sua assinatura, consulte Configurar a autenticação para recursos e fluxos de trabalho do Azure Machine Learning e Autenticação no bloco de anotações do Azure Machine Learning.

Portal

1. Entre no portal do Azure usando as credenciais para sua assinatura do Azure.

2. No canto superior esquerdo do portal do Azure, selecione + Criar um recurso.

   

3. Use a barra de pesquisa para encontrar o Machine Learning.

4. Selecione Machine Learning.

5. No painel Aprendizado de Máquina, selecione Criar para começar.

6. Forneça as seguintes informações para configurar seu novo espaço de trabalho:

   Campo	Descrição
   Nome da área de trabalho	Insira um nome exclusivo que identifique seu espaço de trabalho. Este exemplo usa docs-ws. Os nomes devem ser exclusivos em todo o grupo de recursos. Use um nome que seja fácil de lembrar e que se diferencie dos espaços de trabalho criados por outras pessoas. O nome do espaço de trabalho não diferencia maiúsculas de minúsculas.
   Subscrição	Selecione a subscrição do Azure que pretende utilizar.
   Grupo de recursos	Utilize um grupo de recursos existente na sua subscrição ou introduza um nome para criar um novo grupo de recursos. Um grupo de recursos contém recursos relacionados para uma solução do Azure. Você precisa da função de colaborador ou proprietário para usar um grupo de recursos existente. Para obter mais informações sobre acesso, consulte Gerenciar o acesso a um espaço de trabalho do Azure Machine Learning.
   País/Região	Selecione a região do Azure mais próxima de seus usuários e dos recursos de dados para criar seu espaço de trabalho.
   Conta de armazenamento	A conta de armazenamento padrão para o espaço de trabalho. Por padrão, um novo é criado.
   Key Vault	O Cofre da Chave do Azure usado pelo espaço de trabalho. Por padrão, um novo é criado.
   Application Insights	A instância do Application Insights para o espaço de trabalho. Por padrão, um novo é criado.
   Container Registry	O Registro de Contêiner do Azure para o espaço de trabalho. Por padrão, um novo não é criado inicialmente para o espaço de trabalho. Em vez disso, a criação de uma imagem do Docker durante o treinamento ou a implantação também cria o Registro de Contêiner do Azure para o espaço de trabalho quando você precisar dele.

   

7. Quando terminar a configuração do espaço de trabalho, selecione Rever + Criar. Opcionalmente, use as seções Rede, Criptografia, Identidade e Tags para definir mais configurações de espaço de trabalho.

8. Revise as configurações e faça quaisquer outras alterações ou correções. Quando estiver satisfeito com as configurações, selecione Criar.

   Aviso

   Pode levar vários minutos para criar seu espaço de trabalho na nuvem.

   Quando o processo for concluído, uma mensagem de êxito da implantação será exibida.

9. Para exibir o novo espaço de trabalho, selecione Ir para recurso.

10. Para começar a usar o espaço de trabalho, selecione o link URL da Web do Studio no canto superior direito. Você também pode selecionar o espaço de trabalho na home page do estúdio do Azure Machine Learning.

Rede

Importante

Para obter mais informações sobre o uso de um ponto de extremidade privado e rede virtual com seu espaço de trabalho, consulte Isolamento e privacidade de rede.

Python SDK

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

# 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()

Esta classe requer uma rede virtual existente.

Portal

1. A configuração de rede padrão usa um ponto de extremidade Público, que pode ser acessado na Internet pública. No entanto, você pode selecionar Privado com Saída da Internet ou Privado com Saída Aprovada para limitar o acesso ao seu espaço de trabalho a uma Rede Virtual do Azure que você criou. Em seguida, role para baixo para definir as configurações.

   

2. Em Acesso de entrada ao espaço de trabalho, selecione Adicionar para abrir o formulário Criar ponto de extremidade privado.

3. No formulário Criar ponto de extremidade privado, defina o local, o nome e a rede virtual a serem usados. Para usar o ponto de extremidade com uma zona DNS privada, selecione Integrar com zona DNS privada e selecione a zona usando o campo Zona DNS privada . Selecione OK para criar o ponto de extremidade.

   

4. Se você selecionou Privado com saída da Internet, use a seção Acesso de saída do espaço de trabalho para configurar as regras de rede e saída.

5. Se você selecionou Privado com Saída Aprovada, use a seção Acesso de saída do espaço de trabalho para adicionar mais regras ao conjunto necessário.

6. Quando concluir a configuração de rede, você poderá selecionar Revisar + Criar ou avançar para a configuração opcional de Criptografia .

Encriptação

Por padrão, uma instância do Azure Cosmos DB armazena os metadados do espaço de trabalho. A Microsoft mantém essa instância do Cosmos DB. As chaves gerenciadas pela Microsoft criptografam esses dados.

Use sua própria chave de criptografia de dados

Você pode fornecer sua própria chave para criptografia de dados. Isso cria a instância do Azure Cosmos DB que armazena metadados em sua assinatura do Azure. Para obter mais informações, consulte Chaves gerenciadas pelo cliente.

Use estas etapas para fornecer sua própria chave:

Importante

Antes de seguir estas etapas, você deve primeiro executar estas ações:

Siga as etapas em Configurar chaves gerenciadas pelo cliente para:

• Registrar o provedor do Azure Cosmos DB
• Criar e configurar um Cofre da Chave do Azure
• Gerar uma chave

Python SDK

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

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)

Portal

1. Selecione Chaves gerenciadas pelo cliente e, em seguida, selecione Clique para selecionar a chave.

   

2. No formulário Selecionar chave do Cofre de Chaves do Azure, selecione um Cofre de Chaves do Azure existente, uma chave que ele contém e a versão da chave. Essa chave criptografa os dados armazenados no Azure Cosmos DB. Finalmente, use o botão Selecionar para usar essa chave.

   

Identidade

No portal, use a página Identidade para configurar a identidade gerenciada, o acesso à conta de armazenamento e o impacto nos dados. Para o Python SDK, consulte os links nas seções a seguir.

Identidade gerida

Um espaço de trabalho pode receber uma identidade atribuída ao sistema ou uma identidade atribuída ao usuário. Essa identidade é usada para acessar recursos em sua assinatura. Para obter mais informações, consulte Configurar a autenticação entre o Azure Machine Learning e outros serviços.

Acesso à conta de armazenamento

Escolha entre acesso baseado em credenciais ou acesso baseado em identidade ao se conectar à conta de armazenamento padrão. Para autenticação baseada em identidade, a função de Colaborador de Dados de Blob de Armazenamento deve ser concedida à identidade gerenciada do espaço de trabalho na conta de armazenamento.

Impacto dos dados

Para limitar os dados que a Microsoft coleta em seu espaço de trabalho, selecione Espaço de trabalho de alto impacto nos negócios no portal ou defina hbi_workspace=true em Python. Para obter mais informações sobre essa configuração, consulte Criptografia em repouso.

Importante

A seleção de alto impacto nos negócios só pode acontecer ao criar um espaço de trabalho. Não é possível alterar essa configuração após a criação do espaço de trabalho.

Etiquetas

As etiquetas são pares nome/valor que permitem categorizar recursos e ver faturação consolidada aplicando a mesma etiqueta a múltiplos recursos e grupos de recursos.

Atribua tags para o espaço de trabalho inserindo os pares nome/valor. Para obter mais informações, consulte Usar marcas para organizar seus recursos do Azure.

Use também tags para [enforce workspace policies)(#enforce-policies].

Baixar um arquivo de configuração

Se você executar seu código em uma instância de computação, ignore esta etapa. A instância de computação cria e armazena uma cópia desse arquivo para você.

Para usar o código em seu ambiente local que faz referência a esse espaço de trabalho, baixe o arquivo:

1. Selecione seu espaço de trabalho no estúdio do Azure

2. No canto superior direito, selecione o nome do espaço de trabalho e, em seguida, selecione Download config.json

   

Coloque o arquivo na estrutura de diretórios que contém seus scripts Python ou Jupyter Notebooks. O mesmo diretório, um subdiretório chamado .azureml ou um diretório pai pode conter esse arquivo. Quando você cria uma instância de computação, esse arquivo é adicionado ao diretório correto na VM para você.

Aplicar políticas

Você pode ativar/desativar estes recursos de um espaço de trabalho:

• Oportunidades de feedback no espaço de trabalho. As oportunidades incluem pesquisas ocasionais no produto e a ferramenta de feedback smile-frown no banner do espaço de trabalho.
• Capacidade de experimentar recursos de visualização no espaço de trabalho.

Esses recursos estão ativados por padrão. Para desativá-los:

• Ao criar o espaço de trabalho, desative os recursos da seção Marcas :

  1. Desative o feedback adicionando o par "ADMIN_HIDE_SURVEY: TRUE"
  2. Desative as pré-visualizações adicionando o par "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• Para um espaço de trabalho existente, desative os recursos da seção Marcas :

  1. Ir para o recurso de espaço de trabalho no portal do Azure
  2. Abrir Tags no painel de navegação esquerdo
  3. Desative o feedback adicionando o par "ADMIN_HIDE_SURVEY: TRUE"
  4. Desative as visualizações adicionando o par "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Selecione Aplicar.

Você pode desativar as visualizações em um nível de assinatura, garantindo que ela esteja desativada para todos os espaços de trabalho da assinatura. Nesse caso, os usuários na assinatura também não podem acessar a ferramenta de visualização antes de selecionar um espaço de trabalho. Essa configuração é útil para administradores que desejam garantir que os recursos de visualização não sejam usados em sua organização.

A configuração de visualização será ignorada em espaços de trabalho individuais se estiver desativada no nível de assinatura desse espaço de trabalho.

Para desativar os recursos de visualização no nível da assinatura:

1. Ir para o recurso de subscrição no portal do Azure
2. Abrir Tags no painel de navegação esquerdo
3. Desative as visualizações de todos os espaços de trabalho na assinatura adicionando o par "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Selecione Aplicar.

Conectar-se a um espaço de trabalho

Ao executar tarefas de aprendizado de máquina com o SDK, você precisa de um objeto MLClient que especifique a conexão com seu espaço de trabalho. Você pode criar um MLClient objeto a partir de parâmetros ou com um arquivo de configuração.

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

• Com um arquivo de configuração: esse código lê o conteúdo do arquivo de configuração para localizar seu espaço de trabalho. Ele abre um prompt para entrar se você ainda não se autenticou.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Dos parâmetros: Não há necessidade de ter um arquivo config.json disponível se você usar essa abordagem.

  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)

Se você tiver problemas para acessar sua assinatura, consulte Configurar a autenticação para recursos e fluxos de trabalho do Azure Machine Learning e Autenticação no bloco de anotações do Azure Machine Learning.

Localizar uma área de trabalho

Veja uma lista de todos os espaços de trabalho disponíveis. Você também pode procurar um espaço de trabalho dentro do Studio. Consulte Pesquisar ativos do Azure Machine Learning (visualização).

Python SDK

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

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)

Para obter detalhes específicos do espaço de trabalho:

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

Portal

1. Inicie sessão no portal do Azure.

2. No campo de pesquisa superior, digite Machine Learning.

3. Selecione Machine Learning.

   

4. Examine a lista dos espaços de trabalho encontrados. Você pode filtrar com base na assinatura, grupos de recursos e locais.

5. Selecione um espaço de trabalho para exibir suas propriedades.

Eliminar uma área de trabalho

Quando não precisar mais de um espaço de trabalho, exclua-o.

Aviso

Se a exclusão suave estiver habilitada para o espaço de trabalho, ela poderá ser recuperada após a exclusão. Se a exclusão suave não estiver habilitada ou se você selecionar a opção para excluir permanentemente o espaço de trabalho, ele não poderá ser recuperado. Para obter mais informações, consulte Recuperar um espaço de trabalho excluído.

Gorjeta

O comportamento padrão do Aprendizado de Máquina do Azure é excluir suavemente o espaço de trabalho. Isso significa que o espaço de trabalho não é excluído imediatamente, mas é marcado para exclusão. Para obter mais informações, consulte Exclusão suave.

Python SDK

APLICA-SE A: Python SDK azure-ai-ml v2 (atual)

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

A ação padrão não exclui recursos automaticamente

• container registry
• conta de armazenamento
• key vault
• Azure Application Insights

associado ao espaço de trabalho. Defina delete_dependent_resources como True para excluir esses recursos também.

Portal

No portal do Azure, selecione Excluir na parte superior do espaço de trabalho que você deseja excluir.

Clean up resources (Limpar recursos)

Importante

Os recursos que você criou podem ser usados como pré-requisitos para outros tutoriais e artigos de instruções do Azure Machine Learning.

Se você não planeja usar nenhum dos recursos que criou, exclua-os para não incorrer em cobranças:

1. No portal do Azure, selecione Grupos de recursos na extremidade esquerda.

2. Na lista, selecione o grupo de recursos que você criou.

3. Selecione Eliminar grupo de recursos.

   

4. Insira o nome do grupo de recursos. Em seguida, selecione Eliminar.

Resolução de Problemas

• Browsers suportados no estúdio de Aprendizagem de Máquina do Azure: sugerimos que utilize o browser mais atualizado e compatível com o seu sistema operativo. Estes navegadores são suportados:

  • Microsoft Edge (O novo Microsoft Edge, versão mais recente. Observação: o legado do Microsoft Edge não é suportado)
  • Safari (versão mais recente, apenas Mac)
  • Chrome (última versão)
  • Firefox (última versão)

• Portal do Azure:

  • Se você for diretamente para seu espaço de trabalho a partir de um link de compartilhamento do SDK ou do portal do Azure, não poderá exibir a página Visão geral padrão que tem informações de assinatura na extensão. Além disso, nesse cenário, você não pode alternar para outro espaço de trabalho. Para exibir outro espaço de trabalho, vá diretamente para o estúdio do Azure Machine Learning e procure o nome do espaço de trabalho.
  • Todos os ativos (Dados, Experiências, Cálculos e assim por diante) só estão disponíveis no estúdio de Aprendizado de Máquina do Azure. O portal do Azure não os oferece.
  • Tentar exportar um modelo para um espaço de trabalho do portal do Azure pode retornar um erro semelhante a este texto: Could not get resource of the type <type>. Resources of this type will not be exported. Como solução alternativa, use um dos modelos fornecidos em https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices como base para seu modelo.

Diagnóstico da área de trabalho

Você pode executar diagnósticos em seu espaço de trabalho a partir do estúdio do Azure Machine Learning ou do SDK do Python. Após a execução do diagnóstico, uma lista de todos os problemas detetados é retornada. Esta lista inclui links para possíveis soluções. Para obter mais informações, consulte Como usar o diagnóstico do espaço de trabalho.

Erros do provedor de recursos

Ao criar um espaço de trabalho do Azure Machine Learning ou um recurso usado pelo espaço de trabalho, você pode receber um erro semelhante às seguintes mensagens:

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

A maioria dos provedores de recursos são registrados automaticamente, mas não todos. Se receber esta mensagem, terá de registar o fornecedor mencionado.

A tabela a seguir contém uma lista dos provedores de recursos exigidos pelo Azure Machine Learning:

Fornecedor de recursos	Por que motivo é necessária
Microsoft.MachineLearningServices	Criando o espaço de trabalho do Azure Machine Learning.
Microsoft.Armazenamento	A Conta de Armazenamento do Azure é usada como o armazenamento padrão para o espaço de trabalho.
Microsoft.ContainerRegistry	O Registro de Contêiner do Azure é usado pelo espaço de trabalho para criar imagens do Docker.
Microsoft.KeyVault	O Azure Key Vault é usado pelo espaço de trabalho para armazenar segredos.
Microsoft.Notebooks	Blocos de anotações integrados na instância de computação do Azure Machine Learning.
Microsoft.ContainerService	Se você planeja implantar modelos treinados nos Serviços Kubernetes do Azure.

Se você planeja usar uma chave gerenciada pelo cliente com o Azure Machine Learning, os seguintes provedores de serviços devem ser registrados:

Fornecedor de recursos	Por que motivo é necessária
Microsoft.Banco de Dados de Documentos	Instância do Azure CosmosDB que registra metadados para o espaço de trabalho.
Microsoft.Pesquisa	O Azure Search fornece recursos de indexação para o espaço de trabalho.

Se você planeja usar uma rede virtual gerenciada com o Azure Machine Learning, o provedor de recursos Microsoft.Network deve ser registrado. Esse provedor de recursos é usado pelo espaço de trabalho ao criar pontos de extremidade privados para a rede virtual gerenciada.

Para obter informações sobre como registrar provedores de recursos, consulte Resolver erros para registro de provedor de recursos.

Excluindo o Registro de Contêiner do Azure

O espaço de trabalho do Azure Machine Learning usa o Azure Container Registry (ACR) para algumas operações. Ele cria automaticamente uma instância ACR quando precisa de uma pela primeira vez.

Aviso

Depois que um Registro de Contêiner do Azure tiver sido criado para um espaço de trabalho, não o exclua. Isso interromperá seu espaço de trabalho do Azure Machine Learning.

Exemplos

Os exemplos neste artigo vêm de workspace.ipynb.

Próximos passos

Depois de ter um espaço de trabalho, saiba como treinar e implantar um modelo.

Para saber mais sobre como planejar um espaço de trabalho para os requisitos da sua organização, visite Organizar e configurar o Azure Machine Learning.

• Se você precisar mover um espaço de trabalho para outra assinatura do Azure, visite Como mover um espaço de trabalho.

Para obter informações sobre como manter seu Aprendizado de Máquina do Azure atualizado com as atualizações de segurança mais recentes, visite Gerenciamento de vulnerabilidades.