Como usar o diagnóstico do espaço de trabalho
APLICA-SE A:
Python SDK azure-ai-ml v2 (atual)
APLICA-SE A: Python SDK azureml v1
O Azure Machine Learning disponibiliza uma API de diagnóstico que pode ser utilizada para identificar problemas na área de trabalho. Os erros devolvidos no relatório de diagnóstico incluem informações sobre como resolver o problema.
Pode utilizar os diagnósticos da área de trabalho no estúdio do Azure Machine Learning ou no SDK Python.
Pré-requisitos
Antes de seguir as etapas neste artigo, verifique se você tem os seguintes pré-requisitos:
Uma área de trabalho do Azure Machine Learning. Se você não tiver um, use as etapas no artigo Guia de início rápido: criar recursos do espaço de trabalho para criar um.
Para instalar o Python SDK v2, use o seguinte comando:
pip install azure-ai-ml azure-identityPara atualizar uma instalação existente do SDK para a versão mais recente, use o seguinte comando:
pip install --upgrade azure-ai-ml azure-identityPara obter mais informações, consulte Instalar o Python SDK v2 para Azure Machine Learning.
- Uma área de trabalho do Azure Machine Learning. Se você não tiver um, consulte Criar um espaço de trabalho.
- O SDK do Azure Machine Learning v1 para Python.
Diagnóstico do estúdio
No estúdio do Azure Machine Learning, pode executar um diagnóstico na área de trabalho para verificar a configuração. Para executar o diagnóstico, selecione o ícone '?' no canto superior direito da página. Em seguida, selecione Executar diagnóstico da área de trabalho.
Após a execução do diagnóstico, uma lista de todos os problemas detetados é retornada. Esta lista inclui links para possíveis soluções.
Diagnóstico de Python
O trecho a seguir demonstra como usar o diagnóstico de espaço de trabalho do Python.
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
subscription_id = '<your-subscription-id>'
resource_group = '<your-resource-group-name>'
workspace = '<your-workspace-name>'
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
resp = ml_client.workspaces.begin_diagnose(workspace).result()
# Inspect the attributes of the response you are interested in
for result in resp.application_insights_results:
print(f"Diagnostic result: {result.code}, {result.level}, {result.message}")
A resposta é um objeto DiagnoseResponseResultValue que contém informações sobre quaisquer problemas detetados com o espaço de trabalho.
APLICA-SE A: Python SDK azureml v1
from azureml.core import Workspace
ws = Workspace.from_config()
diag_param = {
"value": {
}
}
resp = ws.diagnose_workspace(diag_param)
print(resp)
A resposta é um documento JSON que contém informações sobre quaisquer problemas detetados com o espaço de trabalho. O JSON a seguir é um exemplo de resposta:
{
"value": {
"user_defined_route_results": [],
"network_security_rule_results": [],
"resource_lock_results": [],
"dns_resolution_results": [{
"code": "CustomDnsInUse",
"level": "Warning",
"message": "It is detected VNet '/subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.Network/virtualNetworks/<virtual-network-name>' of private endpoint '/subscriptions/<subscription-id>/resourceGroups/<myresourcegroup>/providers/Microsoft.Network/privateEndpoints/<workspace-private-endpoint>' is not using Azure default DNS. You need to configure your DNS server and check https://learn.microsoft.com/azure/machine-learning/how-to-custom-dns to make sure the custom DNS is set up correctly."
}],
"storage_account_results": [],
"key_vault_results": [],
"container_registry_results": [],
"application_insights_results": [],
"other_results": []
}
}
Se nenhum problema for detetado, um documento JSON vazio será retornado.
Para obter mais informações, consulte a referência do espaço de trabalho .
Para obter mais informações, consulte a referência Workspace.diagnose_workspace( ).