Dela via

Skapa en hubb med Azure Machine Learning SDK och CLI

Viktigt!

Objekt markerade (förhandsversion) i den här artikeln är för närvarande i offentlig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade. Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

I den här artikeln får du lära dig hur du skapar följande Azure AI Foundry-resurser med hjälp av Azure Machine Learning SDK och Azure CLI (med maskininlärningstillägg):

  • En Azure AI Foundry-hub
  • En Azure AI Services-anslutning

Anmärkning

En hubb används endast för ett hubbbaserat projekt. Ett Foundry-projekt använder inte en hubb. Mer information finns i Typer av projekt.

Förutsättningar

Konfigurera din miljö

Använd följande flikar för att välja om du använder Python SDK eller Azure CLI:

  1. Installera paket. Använd %pip install i stället i en notebook-cell.

    pip install azure-ai-ml
pip install azure-identity

  2. Ange din prenumerationsinformation:

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

  3. Få ett grepp om prenumerationen. All Python-kod i den här artikeln använder 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)

  4. (Valfritt) Om du har flera konton lägger du till klient-ID:t för det Microsoft Entra-ID som du vill använda i DefaultAzureCredential. Hitta ditt klientorganisations-ID från Azure portal under Microsoft Entra-ID, Externa Identiteter.

    DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")

  5. Valfritt: Om du arbetar i regionerna Azure Government - US eller Azure China 21Vianet, ange vilken region du vill autentisera mot. Du kan specificera regionen med DefaultAzureCredential. Följande exempel autentiserar till Azure Government - USA-regionen:

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

Skapa Azure AI Foundry-hubben och AI Services-anslutningen

Använd följande exempel för att skapa en ny hubb. Ersätt exempelsträngvärden med dina egna värden:

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

Skapa en AI Foundry-anslutning

När du har skapat en egen AI Foundry-resurs eller Azure OpenAI-resurs i samma resursgrupp kan du ansluta den till din hubb. Du kan också ansluta Azure AI Search från valfri resursgrupp i samma prenumeration.

  1. Din ml_client anslutning måste nu innehålla din hubb:

    • Ange din prenumerationsinformation. För <AML_WORKSPACE_NAME>använder du hubbens namn:

      # Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

    • Hämta ett handtag till hubben:

      # get a handle to the workspace
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

  2. Använd ml_client för att skapa anslutningen till dina AI-tjänster. Du hittar slutpunkter i Azure-portalen under Resurshanteringsnycklar > och slutpunkter. För en AI Foundry-resurs använder du AI Services-slutpunkten . För Azure AI Search använder du URL:en för slutpunkten.

    from azure.ai.ml.entities import AzureAIServicesConnection

# construct an AI Services connection
my_connection_name = "myaiservivce" # any name you want
aiservices_resource_name = <resource_name> # copy from Azure portal
my_endpoint = "<endpoint>" # copy from Azure portal
my_api_keys = None # leave blank for Authentication type = AAD
my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"

my_connection = AzureAIServicesConnection(name=my_connection_name,
                                    endpoint=my_endpoint, 
                                    api_key= my_api_keys,
                                    ai_services_resource_id=my_ai_services_resource_id)

# Create the connection
ml_client.connections.create_or_update(my_connection)

Skapa en Azure AI Foundry-hubb med hjälp av befintliga beroenderesurser

Du kan också skapa en hubb med befintliga resurser som Azure Storage och Azure Key Vault. I följande exempel ersätter du exempelsträngvärdena med dina egna värden:

Tips/Råd

Du kan hämta resurs-ID:t för lagringskontot och nyckelvalvet från Azure Portal genom att gå till resursens översikt och välja JSON-vyn. Resurs-ID:t finns i id-fältet. Du kan också använda Azure CLI för att hämta resurs-ID:t. Till exempel az storage account show --name {my_storage_account_name} --query "id" och az keyvault show --name {my_key_vault_name} --query "id".

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.Storage/storageAccounts/mystorageaccountname"
my_key_vault_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.KeyVault/vaults/mykeyvaultname"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name,
            resource_group=my_resource_group,
            storage_account_id=my_storage_account_id,
            key_vault_id=my_key_vault_id)

created_hub = ml_client.workspaces.begin_create(my_hub).result()