Azure Machine Learning için Python geliştirme ortamı ayarlama

Makale
04/08/2024

Azure Machine Learning için Python geliştirme ortamı yapılandırmayı öğrenin.

Aşağıdaki tabloda, bu makalede ele alınan her geliştirme ortamı, artıları ve dezavantajları gösterilmektedir.

Ortam	Avantajlar	Dezavantajlar
Yerel ortam	Geliştirme ortamınızın ve bağımlılıklarınızın tam denetimi. İstediğiniz herhangi bir derleme aracı, ortam veya IDE ile çalıştırın.	Kullanmaya başlamak daha uzun sürer. Gerekli SDK paketleri yüklenmelidir ve ortamınız yoksa da yüklenmelidir.
Veri Bilimi Sanal Makinesi (DSVM)	Bulut tabanlı işlem örneğine benzer şekilde (Python önceden yüklenmiştir) ancak ek popüler veri bilimi ve makine öğrenmesi araçları önceden yüklenmiştir. Diğer özel araçlar ve iş akışlarıyla kolayca ölçeklendirilebilir ve birleştirebilirsiniz.	Bulut tabanlı işlem örneğine kıyasla daha yavaş bir başlangıç deneyimi.
Azure Machine Learning işlem örneği	Başlamanın en kolay yolu. SDK çalışma alanı VM'nize zaten yüklenmiştir ve not defteri öğreticileri önceden kopyalanmış ve çalışmaya hazırdır.	Geliştirme ortamınız ve bağımlılıklarınız üzerinde denetim eksikliği. Linux VM için ek maliyet tahakkuk ettirilir (ücretlerden kaçınmak için VM kullanımda olmadığında durdurulabilir). Fiyatlandırma ayrıntılarına bakın.

Bu makalede, aşağıdaki araçlar için ek kullanım ipuçları da sağlanır:

Jupyter Notebooks: Zaten Jupyter Notebooks kullanıyorsanız SDK'nın yüklemeniz gereken bazı ek özellikleri vardır.
Visual Studio Code: Visual Studio Code kullanıyorsanız, Azure Machine Learning uzantısı Python için dil desteği ve Azure Machine Learning ile çalışmayı çok daha kullanışlı ve üretken hale getirmek için özellikler içerir.

Önkoşullar

Azure Machine Learning çalışma alanı. Yoksa Azure portalı, Azure CLI ve Azure Resource Manager şablonları aracılığıyla bir Azure Machine Learning çalışma alanı oluşturabilirsiniz.

Yalnızca yerel ve DSVM: Çalışma alanı yapılandırma dosyası oluşturma

Çalışma alanı yapılandırma dosyası, SDK'ya Azure Machine Learning çalışma alanınızla nasıl iletişim kuracaklarını bildiren bir JSON dosyasıdır. Dosya config.json olarak adlandırılır ve aşağıdaki biçime sahiptir:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Bu JSON dosyası Python betiklerinizi veya Jupyter Not Defterlerinizi içeren dizin yapısında olmalıdır. Aynı dizinde, .azureml* adlı bir alt dizinde veya bir üst dizinde olabilir.

Bu dosyayı kodunuzdan kullanmak için yöntemini kullanın MLClient.from_config . Bu kod, dosyadaki bilgileri yükler ve çalışma alanınıza bağlanır.

Aşağıdaki yöntemlerden birinde bir çalışma alanı yapılandırma dosyası oluşturun:

Azure Machine Learning Studio

Dosyayı indirin:
1. Azure Machine Learning stüdyosu oturum açma
2. Sağ üst Azure Machine Learning stüdyosu araç çubuğunda çalışma alanı adınızı seçin.
3. Yapılandırma dosyasını indir bağlantısını seçin.

Azure Machine Learning Python SDK'sı

Azure Machine Learning çalışma alanınıza bağlanmak için bir betik oluşturun. veresource_groupworkspace_name yerine kendi öğesini koyarak değiştirmeyi subscription_idunutmayın.

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

#import required libraries
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

#Enter details of your Azure Machine Learning workspace
subscription_id = '<SUBSCRIPTION_ID>'
resource_group = '<RESOURCE_GROUP>'
workspace = '<AZUREML_WORKSPACE_NAME>'

#connect to the workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)

Yerel bilgisayar veya uzak VM ortamı

Yerel bir bilgisayarda veya Azure Machine Learning işlem örneği veya Veri Bilimi VM gibi uzak bir sanal makinede ortam ayarlayabilirsiniz.

Yerel bir geliştirme ortamı veya uzak VM yapılandırmak için:

Python sanal ortamı (virtualenv, conda) oluşturma.

Not

Gerekli olmasa da Python sanal ortamlarını yönetmek ve paketleri yüklemek için Anaconda veya Miniconda kullanmanız önerilir.

Önemli

Linux veya macOS kullanıyorsanız ve bash (örneğin, zsh) dışında bir kabuk kullanıyorsanız bazı komutları çalıştırdığınızda hata alabilirsiniz. Bu sorunu geçici olarak çözmek için komutunu kullanarak bash yeni bir bash kabuğu başlatın ve komutları orada çalıştırın.
Yeni oluşturduğunuz Python sanal ortamınızı etkinleştirin.
Azure Machine Learning Python SDK'sını yükleyin.
Yerel ortamınızı Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir dosyayı kullanın.

Yerel ortamınızı ayarladığınıza göre Artık Azure Machine Learning ile çalışmaya başlayabilirsiniz. Başlamak için Öğretici: Bir günde Azure Machine Learning'e bakın.

Jupyter Notebooks

Yerel bir Jupyter Notebook sunucusu çalıştırırken, Python sanal ortamınız için bir IPython çekirdeği oluşturmanız önerilir. Bu, beklenen çekirdek ve paket içeri aktarma davranışının sağlanmasına yardımcı olur.

Ortama özgü IPython çekirdeklerini etkinleştirme
```
conda install notebook ipykernel
```
Python sanal ortamınız için bir çekirdek oluşturun. değerini Python sanal ortamınızın adıyla değiştirdiğinden <myenv> emin olun.
```
ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
```
Jupyter Notebook sunucusunu başlatma

İpucu

Örneğin not defterleri için bkz . AzureML Örnekleri deposu. SDK örnekleri /sdk/python altında bulunur. Örneğin, Yapılandırma not defteri örneği.

Visual Studio Code

Geliştirme için Visual Studio Code kullanmak için:

Visual Studio Code’u yükleyin.
Azure Machine Learning Visual Studio Code uzantısını (önizleme) yükleyin.

Visual Studio Code uzantısını yükledikten sonra şunu yapmak için kullanın:

Azure Machine Learning işlem örneği

Azure Machine Learning işlem örneği , veri bilimcilerine Jupyter Notebook sunucusu, JupyterLab ve tam olarak yönetilen bir makine öğrenmesi ortamı sağlayan güvenli, bulut tabanlı bir Azure iş istasyonudur.

İşlem örneği için yüklenecek veya yapılandırılan bir şey yoktur.

Azure Machine Learning çalışma alanınızdan istediğiniz zaman bir tane oluşturun. Yalnızca bir ad girin ve bir Azure VM türü belirtin. Başlamak için kaynak oluştur ile şimdi deneyin.

Paketleri yükleme de dahil olmak üzere işlem örnekleri hakkında daha fazla bilgi edinmek için bkz . Azure Machine Learning işlem örneği oluşturma.

İpucu

Kullanılmayan bir işlem örneğinde ücret alınmasını önlemek için boşta kapatmayı etkinleştirin.

Jupyter Notebook sunucusuna ve JupyterLab'e ek olarak, Azure Machine Learning stüdyosu içindeki tümleşik not defteri özelliğinde işlem örneklerini kullanabilirsiniz.

Vs Code kullanarak uzak işlem örneğine bağlanmak için Azure Machine Learning Visual Studio Code uzantısını da kullanabilirsiniz.

Veri Bilimi Sanal Makinesi

Veri Bilimi VM, geliştirme ortamı olarak kullanabileceğiniz özelleştirilmiş bir sanal makine (VM) görüntüsüdür. Şu gibi önceden yapılandırılmış araçlar ve yazılımlar olan veri bilimi çalışmaları için tasarlanmıştır:

TensorFlow, PyTorch, Scikit-learn, XGBoost ve Azure Machine Learning SDK'sı gibi paketler
Spark Tek Başına ve Drill gibi popüler veri bilimi araçları
Azure CLI, AzCopy ve Depolama Gezgini gibi Azure araçları
Visual Studio Code ve PyCharm gibi tümleşik geliştirme ortamları (IDE' ler)
Jupyter Notebook Sunucusu

Araçların daha kapsamlı bir listesi için Veri Bilimi VM araçları kılavuzuna bakın.

Önemli

Veri Bilimi VM'sini eğitim veya çıkarım işleriniz için işlem hedefi olarak kullanmayı planlıyorsanız yalnızca Ubuntu desteklenir.

Veri Bilimi VM'yi geliştirme ortamı olarak kullanmak için:

Aşağıdaki yöntemlerden birini kullanarak Veri Bilimi VM oluşturun:

Ubuntu veya Windows DSVM oluşturmak için Azure portalını kullanın.
ARM şablonlarını kullanarak Veri Bilimi VM oluşturun.

Azure CLI'yi kullanma

Ubuntu Veri Bilimi VM oluşturmak için aşağıdaki komutu kullanın:

# create a Ubuntu Data Science VM in your resource group
# note you need to be at least a contributor to the resource group in order to execute this command successfully
# If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password

Windows DSVM oluşturmak için aşağıdaki komutu kullanın:

# create a Windows Server 2016 DSVM in your resource group
# note you need to be at least a contributor to the resource group in order to execute this command successfully
az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password

Azure Machine Learning SDK'sı için conda ortamı oluşturma:
```
conda create -n py310 python=310
```
Ortam oluşturulduktan sonra etkinleştirin ve SDK'yı yükleyin
```
conda activate py310
pip install azure-ai-ml azure-identity
```
Veri Bilimi VM'sini Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir sanal makineyi kullanın.

İpucu

Yerel ortamlara benzer şekilde, Azure Machine Learning ile etkileşime geçmek için Visual Studio Code ve Azure Machine Learning Visual Studio Code uzantısını kullanabilirsiniz.

Daha fazla bilgi için bkz. Veri Bilimi Sanal Makinesi s.

Sonraki adımlar

MNIST veri kümesiyle Azure Machine Learning'de model eğitin ve dağıtın.
Bkz. Python için Azure Machine Learning SDK'sı başvurusu.

Aracılığıyla paylaş