Konfigurera en Python-utvecklingsmiljö för Azure Machine Learning

  • Artikel

Lär dig hur du konfigurerar en Python-utvecklingsmiljö för Azure Machine Learning.

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

Miljö 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 Machine Learning-beräkningsinstans Enklaste sättet att komma igång. SDK:n är redan installerad på din virtuella arbetsytedator och självstudierna för notebook-filer är förkloade och redo att köras. Bristande kontroll över utvecklingsmiljön och beroenden. Ytterligare kostnader som uppstår för virtuella Linux-datorer (virtuella datorer kan stoppas när de inte används för att undvika avgifter). Se prisinformation.

Den här artikeln innehåller även ytterligare användningstips för följande verktyg:

  • Jupyter Notebooks: Om du redan använder Jupyter Notebooks har SDK vissa extrafunktioner som du bör installera.

  • Visual Studio Code: Om du använder Visual Studio Code innehåller Azure Machine Learning-tillägget språkstöd för Python och funktioner för att göra det mycket enklare och mer produktivt att arbeta med Azure Machine Learning.

Förutsättningar

Endast lokal och DSVM: Skapa en konfigurationsfil för arbetsytan

Konfigurationsfilen för arbetsytan är en JSON-fil som talar om för SDK hur du kommunicerar med din Azure Machine Learning-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.

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

Skapa en konfigurationsfil för arbetsytan på någon av följande metoder:

  • Azure Machine Learning-studio

    Ladda ned filen:

    1. Logga in på Azure Machine Learning-studio
    2. Välj namnet på arbetsytan i det övre högra Azure Machine Learning-studio verktygsfältet.
    3. Välj länken Ladda ned konfigurationsfil .

    Skärmbild som visar hur du laddar ned konfigurationsfilen.

  • Azure Machine Learning Python SDK

    Skapa ett skript för att ansluta till din Azure Machine Learning-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 fjärransluten virtuell dator, till exempel en Azure Machine Learning-beräkningsinstans eller Datavetenskap virtuell dator.

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

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

    Anteckning

    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 några kommandon. Du kan undvika det här problemet genom att använda bash kommandot för att starta ett nytt bash-gränssnitt och köra kommandona där.

  2. Aktivera den nya virtuella Python-miljön.

  3. Installera Azure Machine Learning Python SDK.

  4. Om du vill konfigurera din lokala miljö så att den använder din Azure Machine Learning-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 Machine Learning. Se Självstudie: Azure Machine Learning 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.

  1. Aktivera miljöspecifika IPython-kernels

    conda install notebook ipykernel

  2. 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)"

  3. Starta Jupyter Notebook-servern

Tips

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

Visuell Studio-kod

Så här använder du Visual Studio Code för utveckling:

  1. Installera Visual Studio Code.
  2. Installera Azure Machine Learning Visual Studio Code-tillägget (förhandsversion).

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

Azure Machine Learning-beräkningsinstans

Azure Machine Learning-beräkningsinstansen är en säker, molnbaserad Azure-arbetsstation som ger dataexperter 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 Machine Learning-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 Machine Learning-beräkningsinstans.

Tips

Om du vill förhindra kostnader 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 Machine Learning-studio.

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

Virtuell dator för datavetenskap

Den Datavetenskap virtuella datorn 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 Machine Learning 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 guiden Datavetenskap VM-verktyg.

Viktigt

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

Så här använder du den Datavetenskap virtuella datorn som utvecklingsmiljö:

  1. Skapa en Datavetenskap virtuell dator med någon av följande metoder:

    • Använd Azure Portal för att skapa en Ubuntu eller Windows DSVM.

    • Skapa en Datavetenskap virtuell dator med ARM-mallar.

    • Använda Azure CLI

      Använd följande kommando för att skapa en virtuell Ubuntu-Datavetenskap-dator:

      # 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

  2. Skapa en conda-miljö för Azure Machine Learning SDK:

    conda create -n py310 python=310

  3. När miljön har skapats aktiverar du den och installerar SDK:en

    conda activate py310
pip install azure-ai-ml azure-identity

  4. Om du vill konfigurera den Datavetenskap virtuella datorn att använda din Azure Machine Learning-arbetsyta skapar du en konfigurationsfil för arbetsytan eller använder en befintlig.

    Tips

    Precis som i lokala miljöer kan du använda Visual Studio Code och Azure Machine Learning Visual Studio Code-tillägget för att interagera med Azure Machine Learning.

    Mer information finns i Datavetenskap Virtual Machines.

Nästa steg