Konfigurera en Python-utvecklingsmiljö för Azure Mašinsko učenje

Artikel
09/01/2024

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

Lär dig hur du konfigurerar en Python-utvecklingsmiljö för Azure Mašinsko učenje.

I följande tabell visas varje utvecklingsmiljö som beskrivs i den här artikeln, tillsammans med för- och nackdelar.

Environment	Fördelar	Nackdelar
Lokal miljö	Fullständig kontroll över din utvecklingsmiljö och dina beroenden. Kör med valfritt byggverktyg, miljö eller valfri IDE.	Det tar längre tid att komma igång. Nödvändiga SDK-paket måste installeras och en miljö måste också installeras om du inte redan har ett.
Data Science Virtual Machine (DSVM)	Liknar den molnbaserade beräkningsinstansen (Python är förinstallerat), men med ytterligare populära datavetenskaps- och maskininlärningsverktyg förinstallerade. Lätt att skala och kombinera med andra anpassade verktyg och arbetsflöden.	En långsammare kom igång-upplevelse jämfört med den molnbaserade beräkningsinstansen.
Azure Mašinsko učenje beräkningsinstans	Det enklaste sättet att komma igång. SDK:n är redan installerad på den virtuella arbetsytan och självstudierna för notebook-filer är förklonkade och redo att köras.	Brist på kontroll över utvecklingsmiljön och beroenden. Ytterligare kostnader som uppstår för virtuella Linux-datorer (den virtuella datorn kan stoppas när den inte används för att undvika avgifter). Se prisuppgifter.

Den här artikeln innehåller även ytterligare användningstips för följande verktyg:

Jupyter Notebooks: Om du redan använder Jupyter Notebooks har SDK några extrafunktioner som du bör installera.
Visual Studio Code: Om du använder Visual Studio Code innehåller Azure Mašinsko učenje-tillägget språkstöd för Python och funktioner för att göra det mycket enklare och mer produktivt att arbeta med Azure Mašinsko učenje.

Förutsättningar

Azure Mašinsko učenje arbetsyta. Om du inte har någon kan du skapa en Azure Mašinsko učenje-arbetsyta via Azure-portalen, Azure CLI och Azure Resource Manager-mallar.

Endast lokal och DSVM: Skapa en konfigurationsfil för arbetsytan

Konfigurationsfilen för arbetsytan är en JSON-fil som talar om för SDK:t hur du kommunicerar med din Azure-Mašinsko učenje arbetsyta. Filen heter config.json och har följande format:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Den här JSON-filen måste finnas i katalogstrukturen som innehåller dina Python-skript eller Jupyter Notebooks. Den kan finnas i samma katalog, en underkatalog med namnet.azureml*, eller i en överordnad katalog.

Använd metoden om MLClient.from_config du vill använda den här filen från koden. Den här koden läser in informationen från filen och ansluter till din arbetsyta.

Skapa en konfigurationsfil för arbetsytan i någon av följande metoder:

Azure Machine Learning Studio

Ladda ned filen:
1. Logga in på Azure Mašinsko učenje Studio
2. I det övre högra verktygsfältet i Azure Mašinsko učenje Studio väljer du namnet på arbetsytan.
3. Välj länken Ladda ned konfigurationsfil.

Python-SDK för Azure Machine Learning

Skapa ett skript för att ansluta till din Azure Mašinsko učenje-arbetsyta. Se till att ersätta subscription_id,resource_group och workspace_name med din egen.

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

#import required libraries
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

#Enter details of your Azure Machine Learning workspace
subscription_id = '<SUBSCRIPTION_ID>'
resource_group = '<RESOURCE_GROUP>'
workspace = '<AZUREML_WORKSPACE_NAME>'

#connect to the workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)

Lokal dator eller fjärrmiljö för virtuell dator

Du kan konfigurera en miljö på en lokal dator eller en virtuell fjärrdator, till exempel en Azure-Mašinsko učenje beräkningsinstans eller en virtuell datavetenskapsdator.

Så här konfigurerar du en lokal utvecklingsmiljö eller en fjärransluten virtuell dator:

Skapa en virtuell Python-miljö (virtualenv, conda).

Kommentar

Även om det inte krävs rekommenderar vi att du använder Anaconda eller Miniconda för att hantera virtuella Python-miljöer och installera paket.

Viktigt!

Om du använder Linux eller macOS och använder ett annat gränssnitt än bash (till exempel zsh) kan du få fel när du kör vissa kommandon. Du kan undvika det här problemet genom att använda bash kommandot för att starta ett nytt bash-gränssnitt och köra kommandona där.
Aktivera den nya virtuella Python-miljön.
Installera Azure Mašinsko učenje Python SDK.
Om du vill konfigurera din lokala miljö att använda din Azure Mašinsko učenje-arbetsyta skapar du en konfigurationsfil för arbetsytan eller använder en befintlig.

Nu när du har konfigurerat din lokala miljö är du redo att börja arbeta med Azure Mašinsko učenje. Se Självstudie: Azure Mašinsko učenje på en dag för att komma igång.

Jupyter Notebook

När du kör en lokal Jupyter Notebook-server rekommenderar vi att du skapar en IPython-kernel för din virtuella Python-miljö. Detta säkerställer det förväntade beteendet för kernel- och paketimport.

Aktivera miljöspecifika IPython-kernels
```
conda install notebook ipykernel
```
Skapa en kernel för din virtuella Python-miljö. Ersätt <myenv> med namnet på din virtuella Python-miljö.
```
ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
```
Starta Jupyter Notebook-servern

Dricks

Exempel på notebook-filer finns i lagringsplatsen AzureML-Examples . SDK-exempel finns under /sdk/python. Exempel på konfigurationsanteckningsboken.

Visual Studio-koden

Så här använder du Visual Studio Code för utveckling:

Installera Visual Studio Code.
Installera Tillägget Azure Mašinsko učenje Visual Studio Code (förhandsversion).

När du har installerat Visual Studio Code-tillägget använder du det för att:

Azure Machine Learning-beräkningsinstans

Azure Mašinsko učenje-beräkningsinstansen är en säker, molnbaserad Azure-arbetsstation som ger dataforskare en Jupyter Notebook-server, JupyterLab och en fullständigt hanterad maskininlärningsmiljö.

Det finns inget att installera eller konfigurera för en beräkningsinstans.

Skapa en när som helst inifrån din Azure Mašinsko učenje-arbetsyta. Ange bara ett namn och ange en typ av virtuell Azure-dator. Prova nu med Skapa resurser för att komma igång.

Mer information om beräkningsinstanser, inklusive hur du installerar paket, finns i Skapa en Azure Mašinsko učenje beräkningsinstans.

Dricks

Om du vill förhindra avgifter för en oanvänd beräkningsinstans aktiverar du inaktiv avstängning.

Förutom en Jupyter Notebook-server och JupyterLab kan du använda beräkningsinstanser i den integrerade notebook-funktionen i Azure Mašinsko učenje Studio.

Du kan också använda Tillägget Azure Mašinsko učenje Visual Studio Code för att ansluta till en fjärrberäkningsinstans med VS Code.

Data Science Virtual Machine

Den virtuella datavetenskapsdatorn är en anpassad virtuell datoravbildning som du kan använda som utvecklingsmiljö. Den är utformad för data science-arbete som är förkonfigurerade verktyg och programvara som:

Paket som TensorFlow, PyTorch, Scikit-learn, XGBoost och Azure Mašinsko učenje SDK
Populära datavetenskapsverktyg som Spark Standalone och Drill
Azure-verktyg som Azure CLI, AzCopy och Storage Explorer
Integrerade utvecklingsmiljöer (IDE:er) som Visual Studio Code och PyCharm
Jupyter Notebook Server

En mer omfattande lista över verktygen finns i verktygsguiden för datavetenskapliga virtuella datorer.

Viktigt!

Om du planerar att använda den virtuella datavetenskapsdatorn som beräkningsmål för dina tränings- eller slutsatsdragningsjobb stöds endast Ubuntu.

Så här använder du den virtuella datavetenskapsdatorn som utvecklingsmiljö:

Skapa en datavetenskaplig virtuell dator med någon av följande metoder:

Använd Azure-portalen för att skapa en Ubuntu eller Windows DSVM.
Skapa en datavetenskaplig virtuell dator med hjälp av ARM-mallar.

Använda Azure CLI

Om du vill skapa en virtuell Ubuntu Data Science-dator använder du följande kommando:

# create a Ubuntu Data Science VM in your resource group
# note you need to be at least a contributor to the resource group in order to execute this command successfully
# If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password

Om du vill skapa en Windows DSVM använder du följande kommando:

# create a Windows Server 2016 DSVM in your resource group
# note you need to be at least a contributor to the resource group in order to execute this command successfully
az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password

Skapa en conda-miljö för Azure Mašinsko učenje SDK:
```
conda create -n py310 python=310
```
När miljön har skapats aktiverar du den och installerar SDK:et
```
conda activate py310
pip install azure-ai-ml azure-identity
```
Om du vill konfigurera den virtuella datavetenskapsdatorn så att den använder din Azure Mašinsko učenje-arbetsyta skapar du en konfigurationsfil för arbetsytan eller använder en befintlig.

Dricks

Precis som i lokala miljöer kan du använda Visual Studio Code och Tillägget Azure Mašinsko učenje Visual Studio Code för att interagera med Azure Mašinsko učenje.

Mer information finns i Data Science Virtual Machines.

Nästa steg

Träna och distribuera en modell i Azure Mašinsko učenje med MNIST-datauppsättningen.
Se Azure Mašinsko učenje SDK för Python-referens.

Dela via