Vad är en Azure Machine Learning-arbetsyta?

Arbetsytan är resursen på den översta nivån i Azure Machine Learning, och är en central plats där du kan arbeta med alla artefakter du skapar när du använder Azure Machine Learning. Arbetsytan innehåller en historik över alla träningskörningar, inklusive loggar, mått, utdata och en ögonblicksbild av dina skript. Du använder den här informationen till att avgöra vilken träningskörning som skapar den bästa modellen.

När du har en modell som du gillar registrerar du den på arbetsytan. Sedan använder du den registrerade modellen och bedömningsskripten för att distribuera till en onlineslutpunkt som en REST-baserad HTTP-slutpunkt.

Taxonomi

  • En arbetsyta kan innehålla Azure Machine Learning-beräkningsinstanser, molnresurser som konfigurerats med Den Python-miljö som krävs för att köra Azure Machine Learning.

  • Med användarroller kan du dela din arbetsyta med andra användare, team eller projekt.

  • Beräkningsmål används för att köra experimenten.

  • När du skapar arbetsytan skapas också associerade resurser åt dig.

  • Jobb är träningskörningar som du använder för att skapa dina modeller. Du kan organisera dina jobb i Experiment.

  • Pipelines är återanvändbara arbetsflöden för träning och omträning av din modell.

  • Stöd för datatillgångar vid hantering av de data som du använder för modellträning och pipelineskapande.

  • När du har en modell som du vill distribuera skapar du en registrerad modell.

  • Använd den registrerade modellen och ett bedömningsskript för att skapa en onlineslutpunkt.

Verktyg för interaktion med arbetsytan

Du kan interagera med din arbetsyta på följande sätt:

Maskininlärning med en arbetsyta

Maskininlärningsuppgifter läser och/eller skriver artefakter till din arbetsyta.

  • Kör ett experiment för att träna en modell – skriver jobbkörningsresultat till arbetsytan.
  • Använd automatiserad ML för att träna en modell – skriver träningsresultat till arbetsytan.
  • Registrera en modell på arbetsytan.
  • Distribuera en modell – använder den registrerade modellen för att skapa en distribution.
  • Skapa och köra återanvändbara arbetsflöden.
  • Visa maskininlärningsartefakter som jobb, pipelines, modeller, distributioner.
  • Spåra och övervaka modeller.

Arbetsytehantering

Du kan också utföra följande arbetsytehanteringsuppgifter:

Hanteringsuppgift för arbetsytor Portalen Studio Python SDK Azure CLI VS Code
Skapa en arbetsyta
Hantera arbetsyteåtkomst
Skapa och hantera beräkningsresurser
Skapa en beräkningsinstans

Varning

Det går inte att flytta din Azure Machine Learning-arbetsyta till en annan prenumeration eller flytta ägandeprenumerationen till en ny klientorganisation. Detta kan orsaka fel.

Skapa en arbetsyta

Det finns flera sätt att skapa en arbetsyta:

Anteckning

Arbetsytans namn är skiftlägesokänsligt.

Underresurser

Dessa underresurser är de viktigaste resurserna som skapas på AzureML-arbetsytan.

  • Virtuella datorer: tillhandahålla databehandlingskraft för din AzureML-arbetsyta och är en viktig del i distributions- och träningsmodeller.
  • Load Balancer: en lastbalanserare för nätverk skapas för varje beräkningsinstans och beräkningskluster för att hantera trafik även när beräkningsinstansen/klustret stoppas.
  • Virtual Network: dessa hjälper Azure-resurser att kommunicera med varandra, Internet och andra lokala nätverk.
  • Bandbredd: kapslar in alla utgående dataöverföringar mellan regioner.

Associerade resurser

När du skapar en ny arbetsyta skapas automatiskt flera Azure-resurser som används av arbetsytan:

  • Azure Storage-konto: Används som standarddatalager för arbetsytan. Jupyter-notebook-filer som används med dina Azure Machine Learning-beräkningsinstanser lagras även här.

    Viktigt

    Som standard är lagringskontot ett generellt v1-konto. Du kan uppgradera detta till generell användning v2 när arbetsytan har skapats. Aktivera inte hierarkiskt namnområde på lagringskontot när du har uppgraderat till generell användning v2.

    Om du vill använda ett befintligt Azure Storage-konto kan det inte vara av typen BlobStorage eller ett Premium-konto (Premium_LRS och Premium_GRS). Den kan inte heller ha ett hierarkiskt namnområde (används med Azure Data Lake Storage Gen2). Varken premiumlagring eller hierarkiska namnområden stöds med arbetsytans standardlagringskonto . Du kan använda premiumlagring eller hierarkiskt namnområde med lagringskonton som inte är standard .

  • Azure Container Registry: Registrerar docker-containrar som används för följande komponenter:

    För att minimera kostnaderna är ACR lazy-loaded tills avbildningar behövs.

    Anteckning

    Om din prenumerationsinställning kräver att taggar läggs till i resurser under den misslyckas Azure Container Registry (ACR) som skapats av Azure Machine Learning, eftersom vi inte kan ange taggar till ACR.

  • Azure Application Insights: Lagrar övervaknings- och diagnostikinformation. Mer information finns i Övervaka onlineslutpunkter.

    Anteckning

    Du kan ta bort Application Insights-instansen när klustret har skapats om du vill. Om du tar bort den begränsas den information som samlas in från arbetsytan, vilket kan göra det svårare att felsöka problem. Om du tar bort Application Insights-instansen som skapats av arbetsytan kan du inte återskapa den utan att ta bort och återskapa arbetsytan.

  • Azure Key Vault: Lagrar hemligheter som används av beräkningsmål och annan känslig information som behövs av arbetsytan.

Anteckning

Du kan i stället använda befintliga Azure-resursinstanser när du skapar arbetsytan med Python SDK eller Azure Machine Learning CLI med hjälp av en ARM-mall.

Nästa steg

Mer information om hur du planerar en arbetsyta för organisationens krav finns i Organisera och konfigurera Azure Machine Learning.

Information om hur du kommer igång med Azure Machine Learning finns i: