Hantera Azure Machine Learning-arbetsytor i portalen eller med Python SDK (v2)

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

• v1
• v2 (aktuell)

I den här artikeln skapar, visar och tar du bort Azure Machine Learning-arbetsytor för Azure Machine Learning med hjälp av Azure Portal eller SDK för Python.

När dina behov ändras eller kraven för automatisering ökar kan du även hantera arbetsytor med hjälp av CLI, Azure PowerShell eller via VS Code-tillägget.

Förutsättningar

• En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning idag.
• Om du använder Python SDK:

  1. Installera SDK v2.

  2. Ange din prenumerationsinformation

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

  3. Hämta ett handtag till prenumerationen. ml_client används i all Python-kod i den här artikeln.

     # 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)

     • (Valfritt) Om du har flera konton lägger du till klient-ID:t för den Azure Active Directory som du vill använda i DefaultAzureCredential. Hitta ditt klientorganisations-ID från Azure Portal under Azure Active Directory, Externa identiteter.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Valfritt) Om du arbetar med ett nationellt moln**, anger du det nationella moln som ska autentiseras DefaultAzureCredentialmed i ..

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

Begränsningar

• När du skapar en ny arbetsyta kan du antingen automatiskt skapa tjänster som krävs av arbetsytan eller använda befintliga tjänster. Om du vill använda befintliga tjänster från en annan Azure-prenumeration än arbetsytan måste du registrera Azure Machine Learning-namnområdet i prenumerationen som innehåller dessa tjänster. Om du till exempel skapar en arbetsyta i prenumeration A som använder ett lagringskonto från prenumeration B måste Azure Machine Learning-namnområdet registreras i prenumeration B innan du kan använda lagringskontot med arbetsytan.

  Resursprovidern för Azure Machine Learning är Microsoft.MachineLearningServices. Information om hur du ser om den är registrerad och hur du registrerar den finns i artikeln Azure-resursprovidrar och typer .

  Viktigt

  Detta gäller endast för resurser som tillhandahålls när arbetsytan skapas. Azure Storage-konton, Azure Container Register, Azure Key Vault och Application Insights.

• Om du skapar en arbetsyta skapas som standard även en Azure Container Registry (ACR). Eftersom ACR för närvarande inte stöder unicode-tecken i resursgruppsnamn använder du en resursgrupp som inte innehåller dessa tecken.

• Azure Machine Learning stöder inte hierarkisk namnrymd (Azure Data Lake Storage Gen2 funktion) för arbetsytans standardlagringskonto.

Tips

En Azure Application Insights-instans skapas när du skapar arbetsytan. 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.

Mer information om hur du använder den här Application Insights-instansen finns i Övervaka och samla in data från Machine Learning-webbtjänstslutpunkter.

Skapa en arbetsyta

Du kan skapa en arbetsyta direkt i Azure Machine Learning-studio, med begränsade tillgängliga alternativ. Eller använd någon av metoderna nedan för mer kontroll över alternativ.

Python SDK

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

• Standardspecifikation. Som standard skapas beroende resurser och resursgruppen automatiskt. Den här koden skapar en arbetsyta med namnet myworkspace och en resursgrupp med namnet myresourcegroup i eastus2.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Använd befintliga Azure-resurser. Du kan också skapa en arbetsyta som använder befintliga Azure-resurser med Azure-resurs-ID-format. Hitta specifika Azure-resurs-ID:t i Azure Portal eller med SDK:t. Det här exemplet förutsätter att resursgruppen, lagringskontot, nyckelvalvet, App Insights och containerregistret redan finns.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

Mer information finns i Arbetsytans SDK-referens.

Om du har problem med att komma åt din prenumeration kan du läsa Konfigurera autentisering för Azure Machine Learning-resurser och arbetsflöden samt autentisering i Azure Machine Learning Notebook.

Portal

1. Logga in på Azure Portal med autentiseringsuppgifterna för din Azure-prenumeration.

2. I det övre vänstra hörnet i Azure Portal väljer du + Skapa en resurs.

   

3. Använd sökfältet för att hitta Machine Learning.

4. Välj Maskininlärning.

5. I fönstret Machine Learning väljer du Skapa för att börja.

6. Ange följande information för att konfigurera den nya arbetsytan:

   Fält	Beskrivning
   Namn på arbetsyta	Ange ett unikt namn som identifierar din arbetsyta. I det här exemplet använder vi docs-ws. Namn måste vara unika i resursgruppen. Använd ett namn som är enkelt att återkalla och för att skilja från arbetsytor som skapats av andra. Arbetsytans namn är skiftlägesokänsligt.
   Prenumeration	Välj den Azure-prenumeration som du vill använda.
   Resursgrupp	Använd en befintlig resursgrupp i din prenumeration eller ange ett namn för att skapa en ny resursgrupp. En resursgrupp innehåller relaterade resurser för en Azure-lösning. I det här exemplet använder vi docs-aml. Du behöver rollen deltagare eller ägare för att kunna använda en befintlig resursgrupp. Mer information om åtkomst finns i Hantera åtkomst till en Azure Machine Learning-arbetsyta.
   Region	Välj den Azure-region som är närmast dina användare och dataresurserna för att skapa din arbetsyta.
   Lagringskonto	Standardlagringskontot för arbetsytan. Som standard skapas en ny.
   Key Vault	Azure-Key Vault som används av arbetsytan. Som standard skapas en ny.
   Application Insights	Application Insights-instansen för arbetsytan. Som standard skapas en ny.
   Container Registry	Arbetsytans Azure Container Registry. Som standard skapas en ny t_ ursprungligen för arbetsytan. I stället skapas den när du behöver den när du skapar en Docker-avbildning under träning eller distribution.

   

7. När du är klar med att konfigurera arbetsytan väljer du Granska + skapa. Du kan också använda avsnitten Nätverk och Avancerat för att konfigurera fler inställningar för arbetsytan.

8. Granska inställningarna och gör andra ändringar eller korrigeringar. När du är nöjd med inställningarna väljer du Skapa.

   Varning

   Det kan ta flera minuter att skapa din arbetsyta i molnet.

   När processen är klar visas ett meddelande om att distributionen lyckades.

9. Om du vill visa den nya arbetsytan väljer du Gå till resurs.

Nätverk

Viktigt

Mer information om hur du använder en privat slutpunkt och ett virtuellt nätverk med din arbetsyta finns i Nätverksisolering och sekretess.

Python SDK

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

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Den här klassen kräver ett befintligt virtuellt nätverk.

Portal

1. Standardnätverkskonfigurationen är att använda en offentlig slutpunkt som är tillgänglig på det offentliga Internet. Om du vill begränsa åtkomsten till din arbetsyta till en Azure-Virtual Network du har skapat kan du i stället välja Privat slutpunkt som anslutningsmetod och sedan använda + Lägg till för att konfigurera slutpunkten.

   

2. I formuläret Skapa privat slutpunkt anger du den plats, det namn och det virtuella nätverk som ska användas. Om du vill använda slutpunkten med en Privat DNS zon väljer du Integrera med privat DNS-zon och väljer zonen med fältet Privat DNS Zon. Välj OK för att skapa slutpunkten.

   

3. När du är klar med att konfigurera nätverk kan du välja Granska + skapa eller gå vidare till den valfria avancerade konfigurationen.

Avancerat

Som standard lagras metadata för arbetsytan i en Azure Cosmos DB-instans som Microsoft underhåller. Dessa data krypteras med Microsoft-hanterade nycklar.

Om du vill begränsa de data som Microsoft samlar in på din arbetsyta väljer du Arbetsyta med hög affärspåverkan i portalen eller i hbi_workspace=true Python. Mer information om den här inställningen finns i Kryptering i vila.

Viktigt

Du kan bara välja hög inverkan på verksamheten när du skapar en arbetsyta. Du kan inte ändra den här inställningen när arbetsytan har skapats.

Använda din egen datakrypteringsnyckel

Du kan ange en egen nyckel för datakryptering. När du gör det skapas Den Azure Cosmos DB-instans som lagrar metadata i din Azure-prenumeration. Mer information finns i Kundhanterade nycklar.

Använd följande steg för att ange din egen nyckel:

Viktigt

Innan du följer de här stegen måste du först utföra följande åtgärder:

Följ stegen i Konfigurera kundhanterade nycklar för att:

• Registrera Azure Cosmos DB-providern
• Skapa och konfigurera en Azure-Key Vault
• Generera en nyckel

Python SDK

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

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portal

1. Välj Kundhanterade nycklar och välj sedan Klicka för att välja nyckel.

   

2. I formuläret Välj nyckel från Azure Key Vault väljer du en befintlig Azure-Key Vault, en nyckel som den innehåller och versionen av nyckeln. Den här nyckeln används för att kryptera data som lagras i Azure Cosmos DB. Använd slutligen knappen Välj för att använda den här nyckeln.

   

Ladda ned en konfigurationsfil

Hoppa över det här steget om du ska köra koden på en beräkningsinstans. Beräkningsinstansen skapar och lagrar kopian av den här filen åt dig.

Om du planerar att använda kod i din lokala miljö som refererar till den här arbetsytan laddar du ned filen:

1. Välj din arbetsyta i Azure Studio

2. Längst upp till höger väljer du arbetsytans namn och sedan Ladda ned config.json

   

Placera filen i katalogstrukturen med dina Python-skript eller Jupyter Notebooks. Den kan finnas i samma katalog, en underkatalog med namnet .azureml eller i en överordnad katalog. När du skapar en beräkningsinstans läggs den här filen till i rätt katalog på den virtuella datorn åt dig.

Anslut till en arbetsyta

När du kör maskininlärningsuppgifter med hjälp av SDK:et behöver du ett MLClient-objekt som anger anslutningen till din arbetsyta. Du kan skapa ett MLClient objekt från parametrar eller med en konfigurationsfil.

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

• Med en konfigurationsfil: Den här koden läser innehållet i konfigurationsfilen för att hitta din arbetsyta. Du uppmanas att logga in om du inte redan har autentiserats.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config()
  

• Från parametrar: Du behöver inte ha en config.json-fil tillgänglig om du använder den här metoden.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Om du har problem med att komma åt din prenumeration kan du läsa Konfigurera autentisering för Azure Machine Learning-resurser och arbetsflöden och autentisering i Azure Machine Learning Notebook.

Hitta en arbetsyta

Visa en lista över alla arbetsytor som du kan använda.
Du kan också söka efter en arbetsyta i Studio. Se Sök efter Azure Machine Learning-tillgångar (förhandsversion).

Python SDK

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

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

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

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Så här hämtar du information om en specifik arbetsyta:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portal

1. Logga in på Azure-portalen.

2. I det översta sökfältet skriver du Machine Learning.

3. Välj Machine Learning.

   

4. Titta igenom listan över arbetsytor som hittades. Du kan filtrera baserat på prenumeration, resursgrupper och platser.

5. Välj en arbetsyta för att visa dess egenskaper.

Ta bort en arbetsyta

Ta bort den när du inte längre behöver en arbetsyta.

Varning

Om mjuk borttagning är aktiverat för arbetsytan kan det återställas efter borttagningen. Om mjuk borttagning inte är aktiverat eller om du väljer alternativet att ta bort arbetsytan permanent kan den inte återställas. Mer information finns i Återställa en borttagen arbetsyta.

Om du har tagit bort arbetsytan av misstag kanske du fortfarande kan hämta dina anteckningsböcker. Mer information finns i Redundans för affärskontinuitet och haveriberedskap.

Python SDK

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

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Standardåtgärden är inte att ta bort resurser som är associerade med arbetsytan, d.v.s. containerregistret, lagringskontot, nyckelvalvet och application insights. Ställ även in delete_dependent_resources på True för att ta bort dessa resurser.

Portal

I Azure Portal väljer du Ta bort överst på arbetsytan som du vill ta bort.

Rensa resurser

Viktigt

De resurser som du har skapat kan användas som förutsättningar för andra Azure Machine Learning-självstudier och instruktionsartiklar.

Om du inte planerar att använda någon av de resurser som du skapade tar du bort dem så att du inte debiteras några avgifter:

1. I Azure-portalen väljer du Resursgrupper längst till vänster.

2. Välj resursgruppen som du skapade från listan.

3. Välj Ta bort resursgrupp.

   

4. Ange resursgruppsnamnet. Välj sedan Ta bort.

Felsökning

• Webbläsare som stöds i Azure Machine Learning-studio: Vi rekommenderar att du använder den senaste webbläsaren som är kompatibel med ditt operativsystem. Följande webbläsare stöds:

  • Microsoft Edge (Den nya Microsoft Edge, senaste versionen. Inte Microsoft Edge-äldre)
  • Safari (senaste versionen, endast Mac)
  • Chrome (senaste versionen)
  • Firefox (senaste versionen)

• Azure Portal:

  • Om du går direkt till din arbetsyta från en resurslänk från SDK:t eller Azure Portal kan du inte visa standardöversiktssidan med prenumerationsinformation i tillägget. I det här scenariot kan du inte heller växla till en annan arbetsyta. Om du vill visa en annan arbetsyta går du direkt till Azure Machine Learning-studio och söker efter arbetsytans namn.
  • Alla tillgångar (data, experiment, beräkningar och så vidare) är endast tillgängliga i Azure Machine Learning-studio. De är inte tillgängliga från Azure Portal.
  • Försök att exportera en mall för en arbetsyta från Azure Portal kan returnera ett fel som liknar följande text: Could not get resource of the type <type>. Resources of this type will not be exported. Som en lösning kan du använda en av mallarna som tillhandahålls som https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices grund för mallen.

Diagnostik för arbetsyta

Du kan köra diagnostik på din arbetsyta från Azure Machine Learning-studio eller Python SDK. När diagnostiken har körts returneras en lista över eventuella identifierade problem. Den här listan innehåller länkar till möjliga lösningar. Mer information finns i Så här använder du arbetsytediagnostik.

Resursproviderfel

När du skapar en Azure Machine Learning-arbetsyta eller en resurs som används av arbetsytan kan du få ett felmeddelande som liknar följande meddelanden:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

De flesta resursprovidrar registreras automatiskt, men inte alla. Om du får det här meddelandet måste du registrera den angivna providern.

Följande tabell innehåller en lista över de resursprovidrar som krävs av Azure Machine Learning:

Resursprovider	Varför det behövs
Microsoft.MachineLearningServices	Skapa Azure Machine Learning-arbetsytan.
Microsoft.Storage	Azure Storage-kontot används som standardlagring för arbetsytan.
Microsoft.ContainerRegistry	Azure Container Registry används av arbetsytan för att skapa Docker-avbildningar.
Microsoft.KeyVault	Azure Key Vault används av arbetsytan för att lagra hemligheter.
Microsoft.Notebooks/NotebookProxies	Integrerade notebook-filer på Azure Machine Learning-beräkningsinstansen.
Microsoft.ContainerService	Om du planerar att distribuera tränade modeller till Azure Kubernetes Services.

Om du planerar att använda en kundhanterad nyckel med Azure Machine Learning måste följande tjänsteleverantörer registreras:

Resursprovider	Varför det behövs
Microsoft.DocumentDB/databaseAccounts	Azure CosmosDB-instans som loggar metadata för arbetsytan.
Microsoft.Search/searchServices	Azure Search tillhandahåller indexeringsfunktioner för arbetsytan.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.

Ta bort Azure Container Registry

Azure Machine Learning-arbetsytan använder Azure Container Registry (ACR) för vissa åtgärder. Den skapar automatiskt en ACR-instans när den först behöver en.

Varning

När en Azure Container Registry har skapats för en arbetsyta ska du inte ta bort den. Om du gör det bryts din Azure Machine Learning-arbetsyta.

Exempel

Exempel i den här artikeln kommer från workspace.ipynb.

Nästa steg

När du har en arbetsyta lär du dig hur du tränar och distribuerar en modell.

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

• Om du behöver flytta en arbetsyta till en annan Azure-prenumeration läser du Så här flyttar du en arbetsyta.

Information om hur du håller din Azure ML uppdaterad med de senaste säkerhetsuppdateringarna finns i Sårbarhetshantering.