Få åtkomst till en terminal för beräkningsinstanser på din arbetsyta

  • Artikel

Få åtkomst till terminalen för en beräkningsinstans på din arbetsyta för att:

  • Använd filer från Git- och versionsfiler. Dessa filer lagras i ditt arbetsytefilsystem, inte begränsat till en enda beräkningsinstans.
  • Installera paket på beräkningsinstansen.
  • Skapa extra kernels på beräkningsinstansen.

Förutsättningar

Komma åt en terminal

Så här kommer du åt terminalen:

  1. Öppna din arbetsyta i Azure Machine Learning-studio.

  2. Välj Notebook-filer till vänster.

  3. Välj avbildningen Öppna terminal .

    Open terminal window

  4. När en beräkningsinstans körs visas terminalfönstret för den beräkningsinstansen.

  5. När ingen beräkningsinstans körs använder du avsnittet Beräkning till höger för att starta eller skapa en beräkningsinstans. Start or create a compute instance

Utöver stegen ovan kan du även komma åt terminalen från:

  • RStudio eller Posit Workbench (tidigare RStudio Workbench) (Se Lägga till anpassade program som RStudio eller Posit Workbench)): Välj fliken Terminal längst upp till vänster.
  • Jupyter Lab: Välj terminalpanelen under rubriken Övrigt på fliken Start.
  • Jupyter: Välj Ny>terminal längst upp till höger på fliken Filer.
  • SSH till datorn om du aktiverade SSH-åtkomst när beräkningsinstansen skapades.

Kopiera och klistra in i terminalen

  • Windows: Ctrl-Insert för att kopiera och använda Ctrl-Shift-v eller Shift-Insert klistra in.
  • Mac OS: Cmd-c för att kopiera och Cmd-v klistra in.
  • FireFox/IE kanske inte stöder Behörigheter för Urklipp korrekt.

Använda filer från Git- och versionsfiler

Få åtkomst till alla Git-åtgärder från terminalen. Alla Git-filer och -mappar lagras i arbetsytans filsystem. Med den här lagringen kan du använda dessa filer från alla beräkningsinstanser på din arbetsyta.

Kommentar

Lägg till filerna och mapparna någonstans under mappen ~/cloudfiles/code/Users så att de syns i alla dina Jupyter-miljöer.

Information om hur du integrerar Git med din Azure Machine Learning-arbetsyta finns i Git-integrering för Azure Machine Learning.

Installera paket

Installera paket från ett terminalfönster. Installera paket i kerneln som du vill använda för att köra dina notebook-filer. Standardkärnan är python310-sdkv2.

Eller så kan du installera paket direkt i Jupyter Notebook, RStudio eller Posit Workbench (tidigare RStudio Workbench):

Kommentar

För pakethantering i en Python-notebook-fil använder du %pip - eller %conda magic functions för att automatiskt installera paket i den kernel som körs, i stället för !pip eller !conda som refererar till alla paket (inklusive paket utanför kerneln som körs för närvarande)

Lägga till nya kärnor

Varning

När du anpassar beräkningsinstansen kontrollerar du att du inte tar bort conda-miljöer eller jupyterkärnor som du inte skapade. Detta kan skada Jupyter/JupyterLab-funktioner.

Så här lägger du till en ny Jupyter-kernel i beräkningsinstansen:

  1. Använd terminalfönstret för att skapa en ny miljö. Koden nedan skapar newenvtill exempel :

    conda create --name newenv

  2. Aktivera miljön. Till exempel när du har skapat newenv:

    conda activate newenv

  3. Installera pip- och ipykernel-paketet i den nya miljön och skapa en kernel för conda env

    conda install pip
conda install ipykernel
python -m ipykernel install --user --name newenv --display-name "Python (newenv)"

Alla tillgängliga Jupyter-kernels kan installeras.

Så här lägger du till en ny R-kernel i beräkningsinstansen:

  1. Använd terminalfönstret för att skapa en ny miljö. Koden nedan skapar r_envtill exempel :

    conda create -n r_env r-essentials r-base

  2. Aktivera miljön. Till exempel när du har skapat r_env:

    conda activate r_env

  3. Kör R i den nya miljön:

    R

  4. I R-kommandotolken kör du IRkernel:

    IRkernel::installspec(name = 'irenv', displayname = 'New R Env')

  5. Avsluta R-sessionen.

    q()

Det tar några minuter innan den nya R-kerneln är redo att användas. Om du får ett felmeddelande om att det är ogiltigt väntar du och försöker sedan igen.

Mer information om conda finns i Använda R-språk med Anaconda. Mer information om IRkernel finns i Inbyggd R-kernel för Jupyter.

Ta bort tillagda kernels

Varning

När du anpassar beräkningsinstansen kontrollerar du att du inte tar bort conda-miljöer eller jupyterkärnor som du inte skapade.

Om du vill ta bort en tillagd Jupyter-kernel från beräkningsinstansen måste du ta bort kernelspec och (valfritt) conda-miljön. Du kan också välja att behålla conda-miljön. Du måste ta bort kernelspec, annars kan kerneln fortfarande väljas och orsaka oväntat beteende.

Så här tar du bort kernelspec:

  1. Använd terminalfönstret för att lista och hitta kernelspec:

    jupyter kernelspec list

  2. Ta bort kernelspec och ersätt UNWANTED_KERNEL med den kernel som du vill ta bort:

    jupyter kernelspec uninstall UNWANTED_KERNEL

Ta även bort conda-miljön:

  1. Använd terminalfönstret för att lista och hitta conda-miljön:

    conda env list

  2. Ta bort conda-miljön och ersätt ENV_NAME med conda-miljön som du vill ta bort:

    conda env remove -n ENV_NAME

Vid uppdatering bör kernellistan i notebook-vyn återspegla de ändringar du har gjort.

Hantera terminalsessioner

Terminalsessioner kan vara aktiva om terminalflikarna inte är korrekt stängda. För många aktiva terminalsessioner kan påverka prestandan för din beräkningsinstans.

Välj Hantera aktiva sessioner i terminalverktygsfältet för att se en lista över alla aktiva terminalsessioner och stänga av de sessioner som du inte längre behöver.

Läs mer om hur du hanterar sessioner som körs på din beräkning i Hantera notebook- och terminalsessioner.

Varning

Se till att du stänger alla sessioner som du inte längre behöver för att bevara beräkningsinstansens resurser och optimera dina prestanda.