Skapa en Azure Machine Learning-arbetsyta med CLI (v2)

  • 6 minuter

Organisationer använder ofta flera Azure Machine Learning-arbetsytor för olika team eller projekt. Om du enkelt vill skapa flera Azure Machine Learning-arbetsytor kan du använda Azure CLI (v2).

Data science-teamet som du arbetar med vill använda Azure Machine Learning för alla maskininlärningsprojekt. Ditt arbete med det här första projektet med att förutsäga kundomsättning är ett exempel för alla maskininlärningsprojekt som de kommer att göra i framtiden. Du vill se till att du kan replikera stegen för att skapa en Azure Machine Learning-arbetsyta.

Här får du lära dig hur du organiserar arbetsytehantering i Azure Machine Learning. Därefter får du lära dig hur du använder Azure CLI (v2) för att skapa och hantera din Azure Machine Learning-arbetsyta.

Organisera Azure Machine Learning-arbetsytor

Om du vill veta hur du organiserar dina arbetsytor måste du bestämma hur du vill hantera ditt team och projekt.

Företaget du arbetar för har ett datavetenskapsteam. Flera dataforskare experimenterar för närvarande med maskininlärningsmodeller som kan hjälpa andra avdelningar att utföra sitt arbete mer effektivt. För närvarande får varje dataexpert en liten datamängd och tränar en modell på sin dator.

Tillsammans med data science-teamet bestämmer du att alla maskininlärningsarbetsbelastningar ska använda Azure Machine Learning för att hjälpa dataforskare att samarbeta i projekt. Och ännu viktigare är att med Azure Machine Learning blir det enkelt att distribuera en modell, så att den relevanta avdelningen kan använda modellens insikter.

Teamstruktur

I allmänhet finns det tre vanliga sätt att organisera Azure Machine Learning-arbetsytor:

  • Arbetsyta per team: Välj att använda en arbetsyta för varje team när alla medlemmar i ett team behöver samma åtkomstnivå till data- och experimenteringstillgångar.
  • Arbetsyta per projekt: Välj att använda en arbetsyta för varje projekt om du behöver segregering av data och experimenteringstillgångar efter projekt, eller ha kostnadsrapporterings- och budgeteringskrav på projektnivå.
  • Enskild arbetsyta: Välj att använda en arbetsyta för icke-team- eller icke-projektrelaterat arbete, eller när kostnader inte kan kopplas direkt till en specifik faktureringsenhet, till exempel med R&D. En enda arbetsyta minskar ditt Azure-fotavtryck.

Data science-teamet arbetar med projekt för olika interna avdelningar som ibland också behöver åtkomst till data eller modell. Tillsammans bestämmer du dig för att skapa en arbetsyta per projekt. Du har redan ditt första projekt: kundomsättningsmodellen för marknadsföringsavdelningen. När du har skapat en arbetsyta för det här projektet som exempel gör teamet samma sak för alla nya projekt i framtiden.

Dricks

Läs mer om metodtips och vanliga beslutspunkter för att organisera Azure Machine Learning-arbetsytor.

Skapa en arbetsyta med CLI (v2)

Första gången du skapar en Azure Machine Learning-arbetsyta arbetar du med CLI interaktivt på datorn (cmd.exe i Windows, Bash på Linux eller macOS). Innan du kan använda Azure CLI för att skapa en arbetsyta måste du göra följande:

  • Azure CLI är installerat på datorn.
  • Azure Machine Learning-tillägget är installerat.
  • Du autentiserade till din Azure-prenumeration från CLI. Kom ihåg att om du har flera prenumerationer länkade till ditt konto kan du ange standardprenumerationen.

Skapa en resursgrupp och ange som standard

Om du vill skapa en arbetsyta behöver du en resursgrupp. Du kan använda en befintlig resursgrupp eller skapa en ny med az group create kommandot :

az group create --name "churn-dev-rg" --location "eastus"

Mer information om hur du arbetar med resursgrupper finns i az group.

När du har skapat en resursgrupp kan du ange en standardresursgrupp. Du måste inkludera resursgruppen som en parameter för många kommandon när du hanterar en Azure Machine Learning-arbetsyta. Om en resursgrupp anges som standard behöver du inte inkludera den som en parameter varje gång.

az configure --defaults group="churn-dev-rg"

Skapa en Azure Machine Learning-arbetsyta

Nu när du har angett en standardresursgrupp kan du skapa en arbetsyta utan att lägga till resursgruppens namn som en parameter:

az ml workspace create --name "aml-churn-dev"

Kommandot az ml workspace create tar ett par minuter att skapa alla nödvändiga resurser. I shell-prompten kan du se vad som skapas och hur lång tid det tar per resurs. Utdata ser ut ungefär så här:

{
  "application_insights": "/subscriptions/<subscription-GUID>/resourcegroups/churn-dev-rg/providers/microsoft.insights/components/amlchurninsightsGUID",
  "description": "aml-churn-dev",
  "discovery_url": "https://eastus.api.azureml.ms/discovery",
  "friendly_name": "aml-churn-dev",
  "hbi_workspace": false,
  "key_vault": "/subscriptions/<subscription-GUID>/resourcegroups/churn-dev-rg/providers/microsoft.keyvault/vaults/amlchurnkeyvaultGUID",
  "location": "eastus",
  "mlflow_tracking_uri": "azureml://eastus.api.azureml.ms/mlflow/v1.0/subscriptions/<subscription-GUID>/resourceGroups/churn-dev-rg/providers/Microsoft.MachineLearningServices/workspaces/aml-churn-dev",
  "name": "aml-churn-dev",
  "storage_account": "/subscriptions/<subscription-GUID>/resourcegroups/churn-dev-rg/providers/microsoft.storage/storageaccounts/amlchurnstorageGUID",
  "tags": {}
}

Du kan använda utdata för att hitta dina resurser, till exempel om du vill hitta dem i Azure-portalen. Om du navigerar till resursgruppen i Azure-portalen kan du se fyra resurser:

  • Machine Learning-arbetsyta
  • Programinsikter
  • Key Vault
  • Lagringskonto

Om du ska hantera din arbetsyta med CLI kan du slutligen ange arbetsytan som standard. Om du anger en arbetsyta som standard behöver du inte inkludera den som en parameter varje gång du vill köra ett kommando.

Ange standardarbetsytan med följande kommando:

az configure --defaults workspace="aml-churn-dev"