Dela via

Distribuera En Machine Learning Studio-arbetsyta (klassisk) med Azure Resource Manager

  • Artikel

GÄLLER FÖR:Gäller för.Machine Learning Studio (klassisk) Gäller inte för.Azure Machine Learning

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Med hjälp av en Azure Resource Manager-distributionsmall sparar du tid genom att ge dig ett skalbart sätt att distribuera sammankopplade komponenter med en validerings- och återförsöksmekanism. Om du till exempel vill konfigurera Machine Learning Studio-arbetsytor (klassisk) måste du först konfigurera ett Azure Storage-konto och sedan distribuera arbetsytan. Tänk dig att du gör detta manuellt för hundratals arbetsytor. Ett enklare alternativ är att använda en Azure Resource Manager-mall för att distribuera en Studio-arbetsyta (klassisk) och alla dess beroenden. Den här artikeln tar dig igenom den här processen steg för steg. En bra översikt över Azure Resource Manager finns i Översikt över Azure Resource Manager.

Anteckning

Vi rekommenderar att du använder Azure Az PowerShell-modulen för att interagera med Azure. Se Installera Azure PowerShell för att komma igång. Information om hur du migrerar till Az PowerShell-modulen finns i artikeln om att migrera Azure PowerShell från AzureRM till Az.

Steg för steg: Skapa en Machine Learning-arbetsyta

Vi skapar en Azure-resursgrupp och distribuerar sedan ett nytt Azure-lagringskonto och en ny Machine Learning Studio-arbetsyta (klassisk) med hjälp av en Resource Manager mall. När distributionen är klar skriver vi ut viktig information om de arbetsytor som skapades (primärnyckeln, workspaceID och URL:en till arbetsytan).

Skapa en Azure Resource Manager-mall

En Machine Learning-arbetsyta kräver ett Azure-lagringskonto för att lagra datauppsättningen som är länkad till den. Följande mall använder namnet på resursgruppen för att generera lagringskontots namn och arbetsytans namn. Det använder också lagringskontots namn som en egenskap när arbetsytan skapas.

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

Spara den här mallen som mlworkspace.json fil under c:\temp.

Distribuera resursgruppen baserat på mallen

  • Öppna PowerShell
  • Installera moduler för Azure Resource Manager och Azure Service Management
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

De här stegen laddar ned och installerar de moduler som krävs för att slutföra de återstående stegen. Detta behöver bara göras en gång i miljön där du kör PowerShell-kommandona.

  • Autentisera till Azure
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

Det här steget måste upprepas för varje session. När prenumerationsinformationen har autentiserats ska den visas.

Azure-konto

Nu när vi har åtkomst till Azure kan vi skapa resursgruppen.

  • Skapa en resursgrupp
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

Kontrollera att resursgruppen är korrekt etablerad. ProvisioningState ska vara "Lyckades". Resursgruppens namn används av mallen för att generera lagringskontots namn. Namnet på lagringskontot måste vara mellan 3 och 24 tecken långt och endast använda siffror och gemener.

Resursgrupp

  • Distribuera en ny Machine Learning-arbetsyta med hjälp av resursgruppsdistributionen.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

När distributionen är klar är det enkelt att komma åt egenskaperna för arbetsytan som du distribuerade. Du kan till exempel komma åt primärnyckeltoken.

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

Ett annat sätt att hämta token för en befintlig arbetsyta är att använda kommandot Invoke-AzResourceAction. Du kan till exempel visa en lista över primära och sekundära token för alla arbetsytor.

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

När arbetsytan har etablerats kan du även automatisera många Machine Learning Studio-uppgifter (klassiska) med hjälp av PowerShell-modulen för Machine Learning Studio (klassisk).

Nästa steg