Aracılığıyla paylaş

Azure CLI kullanarak Azure Machine Learning çalışma alanlarını yönetme

  • Makale

ŞUNUN IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

Bu makalede, Azure CLI kullanarak Azure Machine Learning çalışma alanları oluşturmayı ve yönetmeyi öğreneceksiniz. Azure CLI, Azure kaynaklarını yönetmeye yönelik komutlar sağlar ve otomasyona vurgu yaparak Azure ile hızla çalışmanızı sağlayacak şekilde tasarlanmıştır. Azure CLI makine öğrenmesi uzantısı, Azure Machine Learning kaynaklarıyla çalışmaya yönelik komutlar sağlar.

Azure Machine Learning çalışma alanlarını oluşturmak ve yönetmek için aşağıdaki yöntemleri de kullanabilirsiniz:

Önkoşullar

  • Azure Machine Learning'in ücretsiz veya ücretli sürümüne sahip bir Azure aboneliği. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun.

  • Bu makaledeki Azure CLI komutlarını yerel olarak çalıştırmak istiyorsanız Azure CLI yüklüdür.

    Azure Cloud Shell'de Azure CLI komutlarını çalıştırırsanız herhangi bir şey yüklemeniz gerekmez. Tarayıcı, Azure CLI'nın en son bulut sürümüne ve Azure Machine Learning uzantısına erişir.

Sınırlamalar

  • Yeni bir çalışma alanı oluşturduğunuzda, çalışma alanı için gereken hizmetleri otomatik olarak oluşturabilir veya mevcut hizmetleri kullanabilirsiniz. Çalışma alanından farklı bir Azure aboneliğindeki mevcut hizmetleri kullanmak istiyorsanız, Azure Machine Learning ad alanını bu hizmetleri içeren aboneliğe kaydetmeniz gerekir. Örneğin, A aboneliğinde B aboneliğinde depolama hesabı kullanan bir çalışma alanı oluşturursanız, çalışma alanının depolama hesabını kullanabilmesi için önce Azure Machine Learning ad alanının B aboneliğine kaydedilmesi gerekir.

    Azure Machine Learning için kaynak sağlayıcısı Microsoft.MachineLearningServices'tir. Kayıtlı olup olmadığını veya kaydedip kaydetmediğini görme hakkında bilgi için bkz . Azure kaynak sağlayıcıları ve türleri.

    Önemli

    Bu bilgiler yalnızca çalışma alanı oluşturma sırasında sağlanan kaynaklar için geçerlidir: Azure Depolama Hesapları, Azure Container Registry, Azure Key Vault ve Application Insights.

Azure aboneliğinize bağlanma

Azure portalından Azure Cloud Shell kullanıyorsanız bu bölümü atlayabilirsiniz. Cloud Shell, oturum açtığınız Azure aboneliğini kullanarak kimliğinizi otomatik olarak doğrular.

Azure CLI'dan Azure aboneliğinizde yerel olarak kimlik doğrulaması yapmanın çeşitli yolları vardır. En basit yol tarayıcı kullanmaktır.

Etkileşimli kimlik doğrulaması yapmak için bir komut satırı veya terminal açın ve komutunu çalıştırın az login. CLI varsayılan tarayıcınızı açabiliyorsa, bunu yapar ve bir oturum açma sayfası yükler. Aksi takdirde, bir tarayıcı açmak ve bir cihaz yetkilendirme kodu girmek için https://aka.ms/devicelogin komut satırı yönergelerini izleyin.

İpucu

Oturum açtığınızda Azure hesabınızla ilişkili aboneliklerin listesini görürsünüz. ile isDefault: true abonelik bilgileri, Azure CLI komutları için şu anda etkinleştirilmiş olan aboneliktir. Bu abonelik, Azure Machine Learning çalışma alanınızı içeren abonelikle aynı olmalıdır. Abonelik bilgilerini Azure portalında çalışma alanınızın genel bakış sayfasında bulabilirsiniz.

Azure CLI komutlarını kullanmak üzere başka bir abonelik seçmek için komutunu çalıştırın az account set -s <subscription> ve geçiş için abonelik adını veya kimliğini belirtin. Abonelik seçimi hakkında daha fazla bilgi için bkz . Birden çok Azure aboneliği kullanma.

Diğer kimlik doğrulama yöntemleri için bkz . Azure CLI ile oturum açma.

Kaynak grubu oluşturma

Azure Machine Learning çalışma alanı mevcut veya yeni bir kaynak grubu içinde oluşturulmalıdır. Yeni bir kaynak grubu oluşturmak için aşağıdaki komutu çalıştırın. değerini adla ve <location> bu kaynak grubu için kullanmak istediğiniz Azure bölgesiyle değiştirin<resource-group-name>.

Not

Azure Machine Learning'in kullanılabildiği bir bölge seçtiğinizden emin olun. Bilgi için bkz . Bölgeye göre kullanılabilir ürünler.

az group create --name <resource-group-name> --location <azure-region>

Bu komutun yanıtı aşağıdaki JSON'a benzer. Oluşturulan kaynakları bulmak veya bunları diğer Azure CLI komutlarına veya otomasyonuna giriş olarak geçirmek için çıkış değerlerini kullanabilirsiniz.

{
  "id": "/subscriptions/<subscription-GUID>/resourceGroups/<resourcegroupname>",
  "location": "<location>",
  "managedBy": null,
  "name": "<resource-group-name>",
  "properties": {
    "provisioningState": "Succeeded"
  },
  "tags": null,
  "type": null
}

Kaynak gruplarıyla çalışma hakkında daha fazla bilgi için bkz . az group.

Çalışma alanı oluşturma

Dağıtılan bir Azure Machine Learning çalışma alanı, bağımlı ilişkili kaynaklar olarak diğer çeşitli hizmetleri gerektirir. Çalışma alanı oluşturmak için Azure CLI kullandığınızda, CLI yeni ilişkili kaynakları oluşturabilir veya mevcut kaynakları ekleyebilirsiniz.

Otomatik olarak oluşturulan yeni bağımlı hizmetlerle yeni bir çalışma alanı oluşturmak için aşağıdaki komutu çalıştırın:

az ml workspace create -n <workspace-name> -g <resource-group-name>

Mevcut kaynakları kullanan yeni bir çalışma alanı oluşturmak için, önce aşağıdaki bölümde açıklandığı gibi kaynakları bir YAML yapılandırma dosyasında tanımlarsınız. Ardından Azure CLI çalışma alanı oluşturma komutunda YAML dosyasına aşağıdaki gibi başvurabilirsiniz:

az ml workspace create -g <resource-group-name> --file <configuration-file>.yml

Çalışma alanı oluşturma komutunun çıktısı aşağıdaki JSON'a benzer. Oluşturulan kaynakları bulmak veya bunları diğer Azure CLI komutlarına giriş olarak geçirmek için çıkış değerlerini kullanabilirsiniz.

{
  "applicationInsights": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.insights/components/<application-insight-name>",
  "containerRegistry": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.containerregistry/registries/<container-registry-name>",
  "creationTime": "2019-08-30T20:24:19.6984254+00:00",
  "description": "",
  "friendlyName": "<workspace-name>",
  "id": "/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-id>",
  "identityPrincipalId": "<GUID>",
  "identityTenantId": "<GUID>",
  "identityType": "SystemAssigned",
  "keyVault": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.keyvault/vaults/<key-vault-name>",
  "location": "<location>",
  "name": "<workspace-name>",
  "resourceGroup": "<resource-group-name>",
  "storageAccount": "/subscriptions/<subscription-GUID>/resourcegroups/<resource-group-name>/providers/microsoft.storage/storageaccounts/<storage-account-name>",
  "type": "Microsoft.MachineLearningServices/workspaces",
  "workspaceid": "<GUID>"
}

YAML yapılandırma dosyası

Yeni bir çalışma alanı için mevcut kaynakları kullanmak için, kaynakları bir YAML yapılandırma dosyasında tanımlarsınız. Aşağıdaki örnekte bir YAML çalışma alanı yapılandırma dosyası gösterilmektedir:

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-basicex-prod
location: eastus
display_name: Bring your own dependent resources-example
description: This configuration specifies a workspace configuration with existing dependent resources
storage_account: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>
container_registry: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>
key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
application_insights: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>
tags:
  purpose: demonstration

Yapılandırma dosyasında ilişkili tüm bağımlı kaynakları belirtmeniz gerekmez. Kaynaklardan birini veya daha fazlasını belirtebilir ve diğerlerinin otomatik olarak oluşturulmasını sağlayabilirsiniz.

YAML dosyasındaki mevcut kaynakların kimliklerini sağlamanız gerekir. Bu kimlikleri Azure portalında kaynak Özelliklerini görüntüleyerek veya aşağıdaki Azure CLI komutlarını çalıştırarak alabilirsiniz:

  • Azure Uygulaması lication Insights:
    az monitor app-insights component show --app <application-insight-name> -g <resource-group-name> --query "id"
  • Azure Container Registry:
    az acr show --name <container-registry-name> -g <resource-group-name> --query "id"
  • Azure Key Vault:
    az keyvault show --name <key-vault-name> --query "id"
  • Azure Depolama Hesabı:
    az storage account show --name <storage-account-name> --query "id"

Sorgu sonuçları aşağıdaki dizeye benzer:
"/subscriptions/<subscription-GUID>/resourceGroups/<resource-group-name>/providers/<provider>/<subresource>/<id>".

İlişkili bağımlı kaynaklar

Aşağıdaki önemli noktalar ve sınırlamalar, çalışma alanlarıyla ilişkili bağımlı kaynaklar için geçerlidir.

Application Insights

İpucu

Çalışma alanını oluşturduğunuzda bir Azure Uygulaması lication Insights örneği oluşturulur. İsterseniz küme oluşturma işleminden sonra Application Insights örneğini silebilirsiniz. Silme, çalışma alanından toplanan bilgileri sınırlar ve sorunları gidermeyi zorlaştırabilir. Çalışma alanı tarafından oluşturulan Application Insights örneğini silerseniz, yeniden oluşturmanın tek yolu çalışma alanını silmek ve yeniden oluşturmaktır.

Application Insights örneğini kullanma hakkında daha fazla bilgi için bkz . Machine Learning web hizmeti uç noktalarını izleme ve veri toplama.

Container Registry

Azure Machine Learning çalışma alanı bazı işlemler için Azure Container Registry'yi kullanır ve ilk ihtiyaç duyduğunda otomatik olarak bir Container Registry örneği oluşturur.

Uyarı

Bir çalışma alanı için Azure Container Registry oluşturulduktan sonra silmeyin. Bunu yaptığınızda Azure Machine Learning çalışma alanınız bozulur.

Mevcut bir Azure kapsayıcı kayıt defterini bir Azure Machine Learning çalışma alanıyla kullanmak için kapsayıcı kayıt defterinde yönetici hesabını etkinleştirmeniz gerekir.

Depolama Hesabı

Çalışma alanı için mevcut bir depolama hesabı kullanıyorsanız, bu hesabın aşağıdaki ölçütlere uyması gerekir. Bu gereksinimler yalnızca varsayılan depolama hesabı için geçerlidir.

  • Hesap Premium_LRS veya Premium_GRS olamaz.
  • Azure Blob ve Azure Dosya özelliklerinin her ikisi de etkinleştirilmelidir.
  • Azure Data Lake Storage için hiyerarşik ad alanı devre dışı bırakılmalıdır.

Azure CLI iletişimlerinin güvenliğini sağlama

Tüm Azure Machine Learning V2 az ml komutları YAML parametreleri ve meta veriler gibi işletimsel verileri Azure Resource Manager'a iletir. Azure CLI komutlarından bazıları Azure Resource Manager ile İnternet üzerinden iletişim kurar.

Azure Machine Learning çalışma alanınız genelse ve sanal ağın arkasında değilse, iletişimlerin güvenliği HTTPS/TLS 1.2 kullanılarak sağlanır. Ek yapılandırma gerekmez.

Azure Machine Learning çalışma alanınız özel bir uç nokta ve sanal ağ kullanıyorsa, Azure CLI kullanmak için aşağıdaki yapılandırmalardan birini seçmeniz gerekir:

  • Genel İnternet üzerinden iletişim kurmak için parametresini --public-network-access olarak Enabledayarlayın.

  • Güvenlik nedeniyle genel İnternet üzerinden iletişim kurmaktan kaçınmak için Azure Machine Learning'i, aşağıdaki bölümde açıklandığı gibi bir Azure Özel Bağlantı uç noktasıyla özel ağ bağlantısı kullanacak şekilde yapılandırın.

Özel ağ bağlantısı

Kullanım örneğinize ve kuruluş gereksinimlerinize bağlı olarak, Azure Machine Learning'i özel ağ bağlantısını kullanacak şekilde yapılandırabilirsiniz. Çalışma alanı kaynağı için bir çalışma alanı ve Özel Bağlantı uç noktası dağıtmak için Azure CLI'yi kullanabilirsiniz.

Hem Azure Container Registry hem de Azure Machine Learning için özel bağlantı uç noktaları kullanıyorsanız, Docker ortam görüntüleri oluşturmak için Container Registry görevlerini kullanamazsınız. Bunun yerine, Azure Machine Learning işlem kümesi kullanarak görüntü oluşturmanız gerekir.

YAML çalışma alanı yapılandırma dosyanızda özelliğini Docker görüntü ortamı oluşturma için kullanılacak bir işlem kümesi adı olarak ayarlamanız image_build_compute gerekir. Özelliğini Disabledolarak ayarlayarak public_network_access özel bağlantı çalışma alanının İnternet üzerinden erişilebilir olmadığını da belirtebilirsiniz.

Aşağıdaki kodda özel ağ bağlantısı için örnek bir çalışma alanı yapılandırma dosyası gösterilmektedir.

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-privatelink-prod
location: eastus
display_name: Private Link endpoint workspace-example
description: When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.
image_build_compute: cpu-compute
public_network_access: Disabled
tags:
  purpose: demonstration

Çalışma alanını oluşturduktan sonra Azure ağ CLI komutlarını kullanarak çalışma alanı için özel bağlantı uç noktası oluşturun.

az network private-endpoint create \
    --name <private-endpoint-name> \
    --vnet-name <virtual-network-name> \
    --subnet <subnet-name> \
    --private-connection-resource-id "/subscriptions/<subscription>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>" \
    --group-id amlworkspace \
    --connection-name workspace -l <location>

Çalışma alanı için özel Etki Alanı Adı Sistemi (DNS) bölge girdileri oluşturmak için aşağıdaki komutları kullanın:

# Add privatelink.api.azureml.ms
az network private-dns zone create \
    -g <resource-group-name> \
    --name 'privatelink.api.azureml.ms'

az network private-dns link vnet create \
    -g <resource-group-name> \
    --zone-name 'privatelink.api.azureml.ms' \
    --name <link-name> \
    --virtual-network <virtual-network-name> \
    --registration-enabled false

az network private-endpoint dns-zone-group create \
    -g <resource-group-name> \
    --endpoint-name <private-endpoint-name> \
    --name <zone-group-name> \
    --private-dns-zone 'privatelink.api.azureml.ms' \
    --zone-name 'privatelink.api.azureml.ms'

# Add privatelink.notebooks.azure.net
az network private-dns zone create \
    -g <resource-group-name> \
    --name 'privatelink.notebooks.azure.net'

az network private-dns link vnet create \
    -g <resource-group-name> \
    --zone-name 'privatelink.notebooks.azure.net' \
    --name <link-name> \
    --virtual-network <virtual-network-name> \
    --registration-enabled false

az network private-endpoint dns-zone-group add \
    -g <resource-group-name> \
    --endpoint-name <private-endpoint-name> \
    --name <zone-group-name> \
    --private-dns-zone 'privatelink.notebooks.azure.net' \
    --zone-name 'privatelink.notebooks.azure.net'

Çalışma alanınızla özel uç nokta ve sanal ağ kullanma hakkında daha fazla bilgi için aşağıdaki makalelere bakın:

Özel Bağlantı kullanarak bir Azure yönetim grubundaki tüm Azure Resource Manager kaynaklarıyla iletişimin güvenliğini sağlamak için aşağıdaki işlemi kullanabilirsiniz:

  1. Azure kaynaklarını yönetmek için özel bir bağlantı oluşturun.
  2. Önceki adımda oluşturulan özel bağlantı için özel bir uç nokta oluşturun.

Önemli

Azure Resource Manager için özel bağlantı yapılandırmak için Azure aboneliğinin Sahibi ve kök yönetim grubunda Sahip veya Katkıda Bulunan olmanız gerekir. Daha fazla bilgi için bkz . Azure kaynaklarını yönetmek için özel bağlantı oluşturma.

Gelişmiş yapılandırmalar

Çalışma alanlarına uygulayabileceğiniz birkaç gelişmiş yapılandırma daha vardır. Karmaşık kaynak yapılandırmaları için Azure Resource Manager da dahil olmak üzere şablon tabanlı dağıtım seçeneklerine de bakın.

Müşteri tarafından yönetilen anahtarlar

Varsayılan olarak, çalışma alanı meta verileri Microsoft'un koruduğu bir Azure Cosmos DB örneğinde depolanır ve Microsoft tarafından yönetilen anahtarlar kullanılarak şifrelenir. Microsoft tarafından yönetilen anahtarı kullanmak yerine kendi anahtarınızı sağlayabilirsiniz. Kendi anahtarınızı kullanmak, Azure aboneliğinizde verilerinizi depolamak için ek bir kaynak kümesi oluşturur.

Not

Azure Cosmos DB model performans bilgilerini, denemeler tarafından günlüğe kaydedilen bilgileri veya model dağıtımlarınızdan günlüğe kaydedilen bilgileri depolamak için kullanılmaz.

Kendi anahtarınızı kullanan bir çalışma alanı oluşturmak için YAML çalışma alanı yapılandırma dosyasındaki parametresini kullanın customer_managed_key ve kasadaki anahtarı içeren key_vault ve key_uri anahtarın kaynak kimliğini belirtin.

$schema: https://azuremlschemas.azureedge.net/latest/workspace.schema.json
name: mlw-cmkexample-prod
location: eastus
display_name: Customer managed key encryption-example
description: This configurations shows how to create a workspace that uses customer-managed keys for encryption.
customer_managed_key: 
  key_vault: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>
  key_uri: https://<KEY_VAULT>.vault.azure.net/keys/<KEY_NAME>/<KEY_VERSION>
tags:
  purpose: demonstration

Şifreleme için kendi anahtarınızı kullandığınızda oluşturulan kaynaklar hakkında daha fazla bilgi edinmek için bkz . Azure Machine Learning ile veri şifreleme.

Not

Eklenen veri şifreleme kaynaklarını yönetmek için, Aboneliğinizde Machine Learning Uygulamasını Katkıda Bulunan izinleriyle yetkilendirmek için Kimlik ve Erişim Yönetimi'ni kullanın.

İş açısından yüksek etki alanı çalışma alanları

Microsoft'un çalışma alanınızda topladığı verileri sınırlamak için, YAML yapılandırma dosyasındaki TRUEözelliğini olarak ayarlayarak hbi_workspace iş açısından etkisi yüksek bir çalışma alanı belirtebilirsiniz. Yüksek iş etkisini yalnızca bir çalışma alanı oluşturduğunuzda ayarlayabilirsiniz. Çalışma alanı oluşturulduktan sonra bu ayarı değiştiremezsiniz.

Müşteri tarafından yönetilen anahtarlar ve yüksek iş etkisi çalışma alanı hakkında daha fazla bilgi için bkz . Azure Machine Learning için kurumsal güvenlik.

Çalışma alanlarını yönetmek için Azure CLI kullanma

Çalışma alanlarını yönetmek için az ml workspace komutlarını kullanabilirsiniz.

Çalışma alanı bilgilerini alma

Çalışma alanı hakkında bilgi almak için aşağıdaki komutu kullanın:

az ml workspace show -n <workspace-name> -g <resource-group-name>

Daha fazla bilgi için bkz . az ml workspace show.

Çalışma alanını güncelleştirme

Çalışma alanını güncelleştirmek için aşağıdaki komutu kullanın:

az ml workspace update -n <workspace-name> -g <resource-group-name>

Örneğin, aşağıdaki komut genel ağ erişimini etkinleştirmek için bir çalışma alanını güncelleştirir:

az ml workspace update -n <workspace-name> -g <resource-group-name> --public-network-access enabled

Daha fazla bilgi için, bkz. az ml çalışma alanı güncelleştirme.

Bağımlı kaynaklar için eşitleme anahtarları

Çalışma alanınızın kullandığı kaynaklardan birinin erişim anahtarlarını değiştirirseniz, çalışma alanının yeni anahtarlara eşitlenmesi yaklaşık bir saat sürer. Çalışma alanını yeni anahtarları hemen eşitlemeye zorlamak için aşağıdaki komutu kullanın:

az ml workspace sync-keys -n <workspace-name> -g <resource-group-name>

Çalışma alanı taşıma

Azure Machine Learning çalışma alanını taşıma işlemi şu anda önizleme aşamasındadır. Daha fazla bilgi için bkz. Azure Machine Learning çalışma alanlarını abonelikler arasında taşıma (önizleme).

Çalışma alanını silme

Artık gerekmedikten sonra bir çalışma alanını silmek için aşağıdaki komutu kullanın:

az ml workspace delete -n <workspace-name> -g <resource-group-name>

Azure Machine Learning için varsayılan davranış, çalışma alanını geçici olarak silmektir. Çalışma alanı hemen silinmez, ancak silinmek üzere işaretlenir. Daha fazla bilgi için bkz . Geçici silme.

Uyarı

Çalışma alanı için geçici silme etkinleştirildiyse, silme işleminden sonra kurtarılabilir. Geçici silme etkin değilse veya çalışma alanını kalıcı olarak silme seçeneğini belirtirseniz, kurtarılamaz. Daha fazla bilgi için bkz . Silinen çalışma alanını kurtarma.

Çalışma alanı silindiğinde, çalışma alanı tarafından kullanılan uygulama içgörüleri, depolama hesabı, anahtar kasası veya kapsayıcı kayıt defteri silinmez. Çalışma alanını, bağımlı kaynakları ve kaynak grubundaki diğer tüm Azure kaynaklarını silmek için kaynak grubunu silebilirsiniz. Kaynak grubunu silmek için aşağıdaki komutu kullanın:

az group delete -g <resource-group-name>

Daha fazla bilgi için bkz . az ml workspace delete.

Kaynak sağlayıcısı hatalarını giderme

Azure Machine Learning çalışma alanı veya çalışma alanı tarafından kullanılan bir kaynak oluştururken aşağıdaki iletilere benzer bir hata alabilirsiniz:

  • No registered resource provider found for location {location}
  • The subscription is not registered to use namespace {resource-provider-namespace}

Çoğu kaynak sağlayıcısı otomatik olarak kaydedilir, ancak tümü kaydedilmez. Bu iletiyi alırsanız, bahsedilen sağlayıcıyı kaydetmeniz gerekir.

Aşağıdaki tabloda Azure Machine Learning tarafından gereken kaynak sağlayıcılarının listesi yer alır:

Kaynak sağlayıcısı Neden gereklidir?
Microsoft.MachineLearningServices Azure Machine Learning çalışma alanını oluşturma.
Microsoft.Storage Azure Depolama Hesabı, çalışma alanı için varsayılan depolama alanı olarak kullanılır.
Microsoft.ContainerRegistry Azure Container Registry, çalışma alanı tarafından Docker görüntüleri oluşturmak için kullanılır.
Microsoft.KeyVault Azure Key Vault, çalışma alanı tarafından gizli dizileri depolamak için kullanılır.
Microsoft.Notebooks Azure Machine Learning işlem örneğindeki tümleşik not defterleri.
Microsoft.ContainerService Eğitilmiş modelleri Azure Kubernetes Services'e dağıtmayı planlıyorsanız.

Azure Machine Learning ile müşteri tarafından yönetilen bir anahtar kullanmayı planlıyorsanız aşağıdaki hizmet sağlayıcılarının kaydedilmesi gerekir:

Kaynak sağlayıcısı Neden gereklidir?
Microsoft.DocumentDB Çalışma alanı için meta verileri günlüğe kaydeden Azure CosmosDB örneği.
Microsoft.Search Azure Search, çalışma alanı için dizin oluşturma özellikleri sağlar.

Azure Machine Learning ile yönetilen bir sanal ağ kullanmayı planlıyorsanız Microsoft.Network kaynak sağlayıcısının kayıtlı olması gerekir. Bu kaynak sağlayıcısı, yönetilen sanal ağ için özel uç noktalar oluştururken çalışma alanı tarafından kullanılır.

Kaynak sağlayıcılarını kaydetme hakkında bilgi için bkz . Kaynak sağlayıcısı kaydı hatalarını çözme.

  • Makine öğrenmesi için Azure CLI uzantısı hakkında daha fazla bilgi için az ml belgelerine bakın.
  • Çalışma alanı sorunlarını tanımlayıp çözmeye yardımcı olabilecek tanılamalar hakkında bilgi için bkz . Çalışma alanı tanılamasını kullanma.
  • Azure Machine Learning'inizi en son güvenlik güncelleştirmeleriyle güncel tutma hakkında bilgi için bkz . Güvenlik açığı yönetimi.