Skapa en Azure Machine Learning-arbetsyta

  • 7 minuter

För att få åtkomst till en Azure Machine Learning-arbetsyta måste du först skapa Azure Machine Learning-tjänsten i din Azure-prenumeration. Arbetsytan är en central plats där du kan arbeta med alla resurser och tillgångar som är tillgängliga för att träna och distribuera maskininlärningsmodeller. För reproducerbarhet lagrar arbetsytan en historik över alla träningsjobb, inklusive loggar, mått, utdata och en ögonblicksbild av koden.

Förstå Azure Machine Learning-tjänsten

Om du vill skapa en Azure Machine Learning-tjänst måste du:

  1. Få åtkomst till Azure, till exempel via Azure-portalen.

  2. Logga in för att få åtkomst till en Azure-prenumeration.

  3. Skapa en resursgrupp i din prenumeration.

  4. Skapa en Azure Machine Learning-tjänst för att skapa en arbetsyta.

    När en arbetsyta etableras skapar Azure automatiskt andra Azure-resurser inom samma resursgrupp för att stödja arbetsytan:

  5. Azure Storage-konto: Lagra filer och notebook-filer som används på arbetsytan och för att lagra metadata för jobb och modeller.

  6. Azure Key Vault: Hantera hemligheter på ett säkert sätt, till exempel autentiseringsnycklar och autentiseringsuppgifter som används av arbetsytan.

  7. Application Insights: Övervaka förutsägande tjänster på arbetsytan.

  8. Azure Container Registry: Skapas när det behövs för att lagra avbildningar för Azure Machine Learning-miljöer.

Diagram of hierarchy of Azure resources needed for the Azure Machine Learning workspace.

Skapa arbetsytan

Du kan skapa en Azure Machine Learning-arbetsyta på något av följande sätt:

Följande kod använder till exempel Python SDK för att skapa en arbetsyta med namnet mlw-example:

from azure.ai.ml.entities import Workspace

workspace_name = "mlw-example"

ws_basic = Workspace(
    name=workspace_name,
    location="eastus",
    display_name="Basic workspace-example",
    description="This example shows how to create a basic workspace",
)
ml_client.workspaces.begin_create(ws_basic)

Utforska arbetsytan i Azure-portalen

Det tar vanligtvis mellan 5 och 10 minuter att skapa en Azure Machine Learning-arbetsyta. När din arbetsyta skapas kan du välja arbetsytan för att visa dess information.

Screenshot of the overview page of the Azure Machine Learning workspace in the Azure portal.

På sidan Översikt på Azure Machine Learning-arbetsytan i Azure-portalen kan du starta Azure Machine Learning-studio. Azure Machine Learning-studio är en webbportal och tillhandahåller ett lätthanterad gränssnitt för att skapa, hantera och använda resurser och tillgångar på arbetsytan.

Från Azure-portalen kan du även ge andra åtkomst till Azure Machine Learning-arbetsytan med hjälp av åtkomstkontrollen.

Ge åtkomst till Azure Machine Learning-arbetsytan

Du kan ge enskilda användare eller team åtkomst till Azure Machine Learning-arbetsytan. Åtkomst beviljas i Azure med hjälp av rollbaserad åtkomstkontroll (RBAC), som du kan konfigurera på fliken Åtkomstkontroll i resursen eller resursgruppen.

På fliken Åtkomstkontroll kan du hantera behörigheter för att begränsa vilka åtgärder som vissa användare eller team kan utföra. Du kan till exempel skapa en princip som bara tillåter användare i gruppen Azure-administratörer att skapa beräkningsmål och datalager. Medan användare i gruppen dataforskare kan skapa och köra jobb för att träna modeller och registrera modeller.

Det finns tre allmänna inbyggda roller som du kan använda mellan resurser och resursgrupper för att tilldela behörigheter till andra användare:

  • Ägare: Får fullständig åtkomst till alla resurser och kan bevilja åtkomst till andra med hjälp av åtkomstkontroll.
  • Deltagare: Får fullständig åtkomst till alla resurser, men kan inte bevilja åtkomst till andra.
  • Läsare: Det går bara att visa resursen, men det går inte att göra några ändringar.

Dessutom har Azure Machine Learning specifika inbyggda roller som du kan använda:

  • AzureML-Dataforskare: Kan utföra alla åtgärder på arbetsytan, förutom att skapa eller ta bort beräkningsresurser eller redigera inställningarna för arbetsytan.
  • AzureML-beräkningsoperator: Tillåts att skapa, ändra och hantera åtkomst till beräkningsresurserna på en arbetsyta.

Om de inbyggda rollerna inte uppfyller dina behov kan du skapa en anpassad roll för att tilldela behörigheter till andra användare.

Dricks

Läs mer om hur du hanterar åtkomst till en Azure Machine Learning-arbetsyta, inklusive att skapa anpassade roller.

Organisera dina arbetsytor

Till en början kanske du bara arbetar med en arbetsyta. Men när du arbetar med storskaliga projekt kan du välja att använda flera arbetsytor.

Du kan använda arbetsytor för att gruppera maskininlärningstillgångar baserat på projekt, distributionsmiljöer (till exempel test och produktion), team eller någon annan organisationsprincip.

Dricks

Läs mer om hur du organiserar Azure Machine Learning-arbetsytor för en företagsmiljö.