Förstå miljöer

  • 6 minuter

I en maskininlärningslösning för företag, där experiment kan köras i olika beräkningskontexter, kan det vara viktigt att vara medveten om de miljöer där experimentkoden körs. Du kan använda Azure Machine Learning-miljöer för att skapa miljöer och ange körningskonfiguration för ett experiment.

När du skapar en Azure Machine Learning-arbetsyta skapas och görs utvalda miljöer automatiskt tillgängliga för dig. Du kan också skapa och hantera dina egna anpassade miljöer och registrera dem på arbetsytan. Genom att skapa och registrera anpassade miljöer kan du definiera konsekventa, återanvändbara körningskontexter för dina experiment – oavsett var experimentskriptet körs.

Vad är en miljö i Azure Machine Learning?

Python-kod körs i kontexten för en virtuell miljö som definierar vilken version av Python-körningen som ska användas samt de installerade paket som är tillgängliga för koden. I de flesta Python-installationer installeras och hanteras paket i miljöer med eller conda pip.

För att förbättra portabiliteten skapar du vanligtvis miljöer i Docker-containrar som i sin tur finns på beräkningsmål, till exempel utvecklingsdatorn, virtuella datorer eller kluster i molnet.

Diagram of environments, in containers, in compute targets.

Azure Machine Learning skapar miljödefinitioner i Docker-avbildningar och conda-miljöer. När du använder en miljö skapar Azure Machine Learning miljön i Azure Container-registret som är associerat med arbetsytan.

Dricks

När du skapar en Azure Machine Learning-arbetsyta kan du välja om du vill använda ett befintligt Azure Container-register eller om du vill låta arbetsytan skapa ett nytt register åt dig när det behövs.

Om du vill visa alla tillgängliga miljöer på Azure Machine Learning-arbetsytan kan du visa en lista över miljöer i studion med hjälp av Azure CLI eller Python SDK.

Om du till exempel vill visa en lista över miljöer med hjälp av Python SDK:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Om du vill granska information om en specifik miljö kan du hämta en miljö med dess registrerade namn:

env = ml_client.environments.get(name="my-environment", version="1")
print(env)