Azure Machine Learning için Python geliştirme ortamı ayarlama

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

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.
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 maliyet tahakkuk eder (ücretlerden kaçınmak için vm kullanılmadığında durdurulabilir). Fiyatlandırma ayrıntılarına bakın.
Veri Bilimi Sanal Makinesi (DSVM)	Bulut tabanlı işlem örneğine benzer (Python önceden yüklenmiştir), ancak diğer 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.

Bu makalede, aşağıdaki araçlar için diğer 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 dosyasını Python betiklerinizi veya Jupyter Not Defterlerinizi içeren dizin yapısına yerleştirmelisiniz. Bunu aynı dizine, azureml adlı bir alt dizine veya bir üst dizine yerleştirebilirsiniz.

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

Aşağıdaki yöntemlerden birini kullanarak 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. vesubscription_idresource_group yerine kendi öğesini koyarak değiştirmeyi workspace_nameunutmayın.

  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:

1. Python sanal ortamı (virtualenv, conda) oluşturma.

   Not

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

   Önemli

   Linux veya macOS kullanıyorsanız ve bash (örneğin, zsh) dışında bir kabuk kullanıyorsanız, bazı komutları çalıştırırken hatalarla karşılaşabilirsiniz. Bu sorunu geçici olarak çözmek için bash komutunu kullanarak yeni bir bash kabuğu başlatın ve komutları çalıştırın.

2. Yeni oluşturduğunuz Python sanal ortamınızı etkinleştirin.

3. Azure Machine Learning Python SDK'sını yükleyin.

4. 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 ayarladıktan sonra Azure Machine Learning ile çalışmaya başlayabilirsiniz. Başlamak için bir günde tamamlanabilecek Öğretici: Azure Machine Learning'e göz atın.

Jupyter Not Defterleri

Yerel bir Jupyter Notebook sunucusu çalıştırdığınızda Python sanal ortamınız için bir IPython çekirdeği oluşturun. Bu yaklaşım beklenen çekirdek ve paket içeri aktarma davranışının sağlanmasına yardımcı olur.

1. Ortama özgü IPython çekirdeklerini etkinleştirme

   conda install notebook ipykernel
   

2. Python sanal ortamınız için bir çekirdek oluşturun. <myenv> değerini Python sanal ortamınızın adıyla değiştirin.

   ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
   

3. 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:

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

Visual Studio Code uzantısını yükledikten sonra şunu yapmak için kullanın:

• Azure Machine Learning kaynaklarınızı yönetme
• Azure Machine Learning işlem örneğine bağlanma
• Çevrimiçi uç noktalarda yerel olarak hata ayıklama
• Eğitilmiş modelleri dağıtın.

Azure Machine Learning hesaplama 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 yapılandırılacak bir şey yok.

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 bilgisayar örneğinin masraflarını önlemek için boşta kapatma işlemini 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. Veri bilimi çalışmaları için tasarlanmıştır ve aşağıdaki gibi araçlar ve yazılımlarla önceden yapılandırılmış olarak gelir:

• TensorFlow, PyTorch, Scikit-learn, XGBoost ve Azure Machine Learning SDK'sı gibi paketler
• Spark Bağımsız 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:

1. 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:ubuntu-2004:2004-gen2: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 2022 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-2022:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
     

2. Azure Machine Learning SDK'sı için conda ortamı oluşturma:

   conda create -n py310 python=3.10
   

3. Ortam oluşturulduktan sonra etkinleştirin ve SDK'yı yükleyin

   conda activate py310
   pip install azure-ai-ml azure-identity
   

4. 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 Makineleri.

Sonraki adımlar

• Azure Machine Learning'i kullanmaya başlayın.
• Python için Azure Machine Learning SDK referansına bakın.