Azure Resource Manager Kullanarak Machine Learning Studio (klasik) Çalışma Alanını Dağıtma
ŞUNLAR IÇIN GEÇERLIDIR: Machine Learning Studio (klasik)
Azure Machine Learning
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning'e taşıma hakkındaki bilgilere bakın.
- Azure Machine Learning hakkında daha fazla bilgi edinin
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Azure Resource Manager dağıtım şablonu kullanmak, doğrulama ve yeniden deneme mekanizmasıyla birbirine bağlı bileşenleri dağıtmanın ölçeklenebilir bir yolunu sunarak size zaman kazandırır. Örneğin Machine Learning Studio (klasik) Çalışma Alanlarını ayarlamak için önce bir Azure depolama hesabı yapılandırmanız ve ardından çalışma alanınızı dağıtmanız gerekir. Bunu yüzlerce çalışma alanı için el ile yaptığınızı düşünün. Daha kolay bir alternatif, Bir Azure Resource Manager şablonu kullanarak bir Studio (klasik) Çalışma Alanı ve tüm bağımlılıklarını dağıtmaktır. Bu makale, bu süreci adım adım ilerletmektedir. Azure Resource Manager'a genel bakış için bkz . Azure Resource Manager'a genel bakış.
Not
Azure ile etkileşim kurmak için Azure Az PowerShell modülünü kullanmanızı öneririz. Başlamak için bkz. Azure PowerShell'i yükleme. Az PowerShell modülüne nasıl geçeceğinizi öğrenmek için bkz. Azure PowerShell’i AzureRM’den Az’ye geçirme.
Adım adım: Machine Learning Çalışma Alanı oluşturma
Bir Azure kaynak grubu oluşturacak, ardından Resource Manager şablonu kullanarak yeni bir Azure depolama hesabı ve yeni bir Machine Learning Studio (klasik) Çalışma Alanı dağıtacağız. Dağıtım tamamlandıktan sonra, oluşturulan çalışma alanları (birincil anahtar, workspaceID ve çalışma alanının URL'si) hakkında önemli bilgileri yazdıracağız.
Azure Resource Manager şablonu oluşturma
Machine Learning Çalışma Alanı, bağlantılı veri kümesini depolamak için bir Azure depolama hesabı gerektirir. Aşağıdaki şablon, depolama hesabı adını ve çalışma alanı adını oluşturmak için kaynak grubunun adını kullanır. Ayrıca, çalışma alanını oluştururken özellik olarak depolama hesabı adını kullanır.
{
"contentVersion": "1.0.0.0",
"$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
"variables": {
"namePrefix": "[resourceGroup().name]",
"location": "[resourceGroup().location]",
"mlVersion": "2016-04-01",
"stgVersion": "2015-06-15",
"storageAccountName": "[concat(variables('namePrefix'),'stg')]",
"mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
"mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
"stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
"storageAccountType": "Standard_LRS"
},
"resources": [
{
"apiVersion": "[variables('stgVersion')]",
"name": "[variables('storageAccountName')]",
"type": "Microsoft.Storage/storageAccounts",
"location": "[variables('location')]",
"properties": {
"accountType": "[variables('storageAccountType')]"
}
},
{
"apiVersion": "[variables('mlVersion')]",
"type": "Microsoft.MachineLearning/workspaces",
"name": "[variables('mlWorkspaceName')]",
"location": "[variables('location')]",
"dependsOn": ["[variables('stgResourceId')]"],
"properties": {
"UserStorageAccountId": "[variables('stgResourceId')]"
}
}
],
"outputs": {
"mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
"mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
"mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
"mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
}
}
Bu şablonu c:\temp altında mlworkspace.json dosyası olarak kaydedin.
Kaynak grubunu şablona göre dağıtma
- PowerShell’i açın
- Azure Resource Manager ve Azure Hizmet Yönetimi için modülleri yükleme
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser
# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser
Bu adımlar, kalan adımları tamamlamak için gereken modülleri indirir ve yükler. Bunun, PowerShell komutlarını yürütmekte olduğunuz ortamda yalnızca bir kez yapılması gerekir.
- Azure'da kimlik doğrulaması
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount
Bu adımın her oturum için yinelenmesi gerekir. Kimlik doğrulaması yaptıktan sonra abonelik bilgilerinizin görüntülenmesi gerekir.
Artık Azure'a erişimimiz olduğuna göre kaynak grubunu oluşturabiliriz.
- Kaynak grubu oluşturma
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg
Kaynak grubunun doğru şekilde sağlandığını doğrulayın. ProvisioningState "Başarılı" olmalıdır. Kaynak grubu adı, şablon tarafından depolama hesabı adını oluşturmak için kullanılır. Depolama hesabı adı 3 ila 24 karakter uzunluğunda olmalı ve yalnızca sayı ve küçük harf kullanmalıdır.
- Kaynak grubu dağıtımını kullanarak yeni bir Machine Learning Çalışma Alanı dağıtın.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName
Dağıtım tamamlandıktan sonra, dağıtmış olduğunuz çalışma alanının özelliklerine erişmek kolaydır. Örneğin, Birincil Anahtar Belirteci'ne erişebilirsiniz.
# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value
Mevcut çalışma alanının belirteçlerini almanın bir diğer yolu da Invoke-AzResourceAction komutunu kullanmaktır. Örneğin, tüm çalışma alanlarının birincil ve ikincil belirteçlerini listeleyebilirsiniz.
# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}
Çalışma alanı sağlandıktan sonra, Machine Learning Studio için PowerShell Modülü'ni (klasik) kullanarak birçok Machine Learning Studio (klasik) görevini de otomatikleştirebilirsiniz.
Sonraki adımlar
- Azure Resource Manager Şablonları yazma hakkında daha fazla bilgi edinin.
- Azure Hızlı Başlangıç Şablonları Deposu'na göz atın.
- Azure Resource Manager hakkındaki bu videoyu izleyin.
- Resource Manager şablon başvurusu yardımına bakın