Compreender os ambientes
Em uma solução de aprendizado de máquina empresarial, onde os experimentos podem ser executados em vários contextos de computação, pode ser importante estar ciente dos ambientes nos quais o código do experimento está sendo executado. Você pode usar o Azure Machine Learning ambientes para criar ambientes e especificar a configuração de tempo de execução para um experimento.
Quando você cria um espaço de trabalho do Azure Machine Learning, ambientes de selecionados são criados e disponibilizados automaticamente para você. Alternativamente, pode criar e gerir os seus próprios ambientes de personalizados e registá-los no espaço de trabalho. Criar e registrar ambientes personalizados torna possível definir contextos de tempo de execução consistentes e reutilizáveis para seus experimentos - independentemente de onde o script de experimento é executado.
O que é um ambiente no Azure Machine Learning?
O código Python é executado no contexto de um ambiente virtual que define a versão do tempo de execução Python a ser usado, bem como os pacotes instalados disponíveis para o código. Na maioria das instalações do Python, os pacotes são instalados e gerenciados em ambientes usando conda ou pip.
Para melhorar a portabilidade, você geralmente cria ambientes em contêineres do Docker que, por sua vez, são hospedados em destinos de computação, como seu computador de desenvolvimento, máquinas virtuais ou clusters na nuvem.
O Azure Machine Learning cria definições de ambiente nas imagens Docker e nos ambientes Conda. Quando você usa um ambiente, o Aprendizado de Máquina do Azure cria o ambiente no do Registro de Contêiner do Azure associado ao espaço de trabalho.
Dica
Ao criar um espaço de trabalho do Azure Machine Learning, você pode escolher se deseja usar um registro de Contêiner do Azure existente ou se deseja permitir que o espaço de trabalho crie um novo registro para você quando necessário.
Para exibir todos os ambientes disponíveis no espaço de trabalho do Azure Machine Learning, você pode listar os ambientes no estúdio, usando a CLI do Azure ou o SDK do Python.
Por exemplo, para listar os ambientes usando o Python SDK:
envs = ml_client.environments.list()
for env in envs:
print(env.name)
Para revisar os detalhes de um ambiente específico, você pode recuperar um ambiente por seu nome registrado:
env = ml_client.environments.get(name="my-environment", version="1")
print(env)