你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn

通过门户或 Python SDK (v2) 管理 Azure 机器学习工作区

适用于:Python SDK azure-ai-ml v2(当前版本)

在本文中,我们将使用 Azure 门户SDK for PythonAzure 机器学习创建、查看和删除 Azure 机器学习工作区

随着需求的变化或自动化要求的增加,还可使用 CLI 或通过 VS Code 扩展来管理工作区。

必备条件

  • Azure 订阅。 如果没有 Azure 订阅,请在开始操作前先创建一个免费帐户。 立即试用免费版或付费版 Azure 机器学习
  • 如果使用 Python SDK,请执行以下操作:
    1. 安装 SDK v2

    2. 提供你的订阅详细信息

      # Enter details of your subscription
      subscription_id = "<SUBSCRIPTION_ID>"
      resource_group = "<RESOURCE_GROUP>"
    3. 获取订阅的句柄。 本文的所有 Python 代码中都将使用 ml_client

      # get a handle to the subscription
      
      from azure.ai.ml import MLClient
      from azure.identity import DefaultAzureCredential
      
      ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
      • (可选)如果有多个帐户,请添加要用到 DefaultAzureCredential 中的 Azure Active Directory 的租户 ID。 在 Azure 门户的“Azure Active Directory 外部标识”下找到你的租户 ID。

        DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
        
      • (可选)如果要在主权云上工作**,请指定通过 DefaultAzureCredential 进行身份验证时要登录到其中的主权云。

        from azure.identity import AzureAuthorityHosts
        DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
        

限制

  • 创建新的工作区时,可以自动创建工作区所需的服务或使用现有的服务。 如果要使用来自不同于工作区所在的 Azure 订阅的现有服务,则必须在包含这些服务的订阅中注册 Azure 机器学习命名空间。 例如,在订阅 A 中创建一个使用订阅 B 中的存储帐户的工作区时,必须在订阅 B 中注册 Azure 机器学习命名空间,然后才能将此存储帐户用于该工作区。

    Azure 机器学习的资源提供程序是 Microsoft.MachineLearningServices。 有关如何查看它是否已注册以及如何注册的信息,请参阅 Azure 资源提供程序和类型一文。

    重要

    这仅适用于工作区创建期间提供的资源:Azure 存储帐户、Azure 容器注册表、Azure Key Vault 和 Application Insights。

  • 默认情况下,创建工作区时还会创建 Azure 容器注册表 (ACR)。 由于 ACR 当前不支持在资源组名称中使用 unicode 字符,因此请使用不包含这些字符的资源组。

  • 对于工作区的默认存储帐户,Azure 机器学习不支持分层命名空间(Azure Data Lake Storage Gen2 功能)。

提示

创建工作区时,将创建一个 Azure Application Insights 实例。 如果需要,可以在创建群集后删除 Application Insights 实例。 删除它会限制从工作区收集的信息,并且可能会使问题解决起来更加困难。 如果删除工作区创建的 Application Insights 实例,则无法在不删除和重新创建工作区的情况下重新创建实例。

有关使用此 Application Insights 实例的详细信息,请参阅从机器学习 Web 服务终结点监视和收集数据

创建工作区

可以直接在 Azure 机器学习工作室中创建工作区,但可用的选项有限。 或使用以下方法之一来更好地控制选项。

适用于:Python SDK azure-ai-ml v2(当前版本)

  • 默认规范。 默认情况下,系统会自动创建从属资源和资源组。 以下代码创建一个名为 myworkspace 的工作区,并在 eastus2 中创建一个名为 myresourcegroup 的资源组。

    # Creating a unique workspace name with current datetime to avoid conflicts
    from azure.ai.ml.entities import Workspace
    import datetime
    
    basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    ws_basic = Workspace(
        name=basic_workspace_name,
        location="eastus",
        display_name="Basic workspace-example",
        description="This example shows how to create a basic workspace",
        hbi_workspace=False,
        tags=dict(purpose="demo"),
    )
    ml_client.workspaces.begin_create(ws_basic)
  • 使用现有的 Azure 资源。 你还可以创建一个工作区,该工作区使用带有 Azure 资源 ID 格式的现有 Azure 资源。 请在 Azure 门户中或通过 SDK 查找特定的 Azure 资源 ID。 此示例假设资源组、存储帐户、密钥保管库、App Insights 和容器注册表已存在。

    # Creating a unique workspace name with current datetime to avoid conflicts
    import datetime
    from azure.ai.ml.entities import Workspace
    
    basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    ws_with_existing = Workspace(
        name=basic_ex_workspace_name,
        location="eastus",
        display_name="Bring your own dependent resources-example",
        description="This sample 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=dict(purpose="demonstration"),
    )
    
    # uncomment this line after providing details of subscription, resource group and other details above
    #  ml_client.begin_create_or_update(ws_with_existing).result()

有关详细信息,请查看工作区 SDK 参考

如果在访问订阅时遇到问题,请参阅为 Azure 机器学习资源和工作流设置身份验证以及 Azure 机器学习中的身份验证笔记本。

网络

重要

有关将专用终结点和虚拟网络与工作区结合使用的详细信息,请参阅网络隔离和隐私

适用于:Python SDK azure-ai-ml v2(当前版本)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private_link = Workspace(
    name=basic_private_link_workspace_name,
    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=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private_link)

此类需要现有虚拟网络。

高级

默认情况下,工作区的元数据存储在 Microsoft 维护的 Azure Cosmos DB 实例中。 该数据是使用 Microsoft 管理的密钥加密的。

若要限制 Microsoft 在你的工作区中收集的数据,请在门户中选择“高业务影响工作区”,或在 Python 中设置 。 有关此设置的详细信息,请参阅静态加密

重要

只能在创建工作区时选择高业务影响。 在创建工作区后,不能更改此设置。

使用自己的数据加密密钥

你可以提供自己的密钥来加密数据。 这样做会创建在 Azure 订阅中存储元数据的 Azure Cosmos DB 实例。 有关详细信息,请参阅客户管理的密钥

通过以下步骤提供你自己的密钥:

重要

在执行这些步骤之前,必须先执行以下操作:

按照配置客户管理的密钥中的步骤完成以下操作:

  • 注册 Azure Cosmos DB 提供程序
  • 创建和配置 Azure Key Vault
  • 生成密钥

适用于:Python SDK azure-ai-ml v2(当前版本)


from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

下载配置文件

如果要在计算实例上运行代码,请跳过此步骤。 计算实例将为你创建并存储此文件的副本。

如果打算在本地环境使用引用此工作区的代码,请下载此文件:

  1. Azure 工作室中选择工作区

  2. 在右上角选择工作区名称,然后选择“下载 config.json”

    下载 config.json

使用 Python 脚本或 Jupyter Notebook 将此文件放入到目录结构中。 它可以位于同一目录(名为 .azureml 的子目录)中,也可以位于父目录中。 创建计算实例时,此文件会添加到 VM 上的正确目录中。

连接到工作区

使用 SDK 运行机器学习任务时,需要一个 MLClient 对象,该对象指定到工作区的连接。 可以通过参数或配置文件创建 MLClient 对象。

适用于:Python SDK azure-ai-ml v2(当前版)

  • 通过配置文件:此代码将读取配置文件的内容以查找工作区。 如果你尚未进行身份验证,系统会提示你登录。

    from azure.ai.ml import MLClient
    
    # read the config from the current directory
    ws_from_config = MLClient.from_config()
    
  • 通过参数:如果使用此方法,则无需提供 config.json 文件。

    from azure.ai.ml import MLClient
    from azure.ai.ml.entities import Workspace
    from azure.identity import DefaultAzureCredential
    
    # uncomment this line after providing details of subscription, resource group and workspace name
    # ws = MLClient(DefaultAzureCredential(), subscription_id='<SUBSCRIPTION_ID>', resource_group_name='<RESOURCE_GROUP>', workspace_name='<AML_WORKSPACE_NAME>')

如果在访问订阅时遇到问题,请参阅为 Azure 机器学习资源和工作流设置身份验证以及 Azure 机器学习中的身份验证笔记本。

查找工作区

查看你可以使用的所有工作区的列表。
还可以在工作室中搜索工作区。 请参阅搜索 Azure 机器学习资产(预览版)

适用于:Python SDK azure-ai-ml v2(当前版本)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

若要获取特定工作区的详细信息,请执行以下操作:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

创建工作区

不再需要工作区时,请删除它。

警告

如果为工作区启用了软删除,则可以在删除后恢复它。 如果未启用软删除,或者选择永久删除工作区的选项,则无法恢复该工作区。 有关详细信息,请参阅恢复已删除的工作区

如果你意外删除了工作区,仍可以检索你的笔记本。 有关详细信息,请参阅业务连续性和灾难恢复的故障转移

适用于:Python SDK azure-ai-ml v2(当前版本)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

默认操作不是要删除与工作区关联的资源,即容器注册表、存储帐户、密钥保管库和 Application Insights。 如果将 delete_dependent_resources 设置为 True,则也会删除这些资源。

清理资源

重要

已创建的资源可用作其他 Azure 机器学习教程和操作方法文章的先决条件。

如果你不打算使用已创建的任何资源,请删除它们,以免产生任何费用:

  1. 在 Azure 门户中,选择最左侧的“资源组” 。

  2. 从列表中选择你创建的资源组。

  3. 选择“删除资源组”

    用于在 Azure 门户中删除资源组的选项的屏幕截图。

  4. 输入资源组名称。 然后选择“删除”。

故障排除

  • Azure 机器学习工作室支持的浏览器:建议使用与操作系统兼容的最新浏览器。 支持以下浏览器:

    • Microsoft Edge(新的 Microsoft Edge(最新版)。不是 Microsoft Edge 旧版)
    • Safari(最新版本,仅限 Mac)
    • Chrome(最新版本)
    • Firefox(最新版本)
  • Azure 门户

工作区诊断

在 Azure 机器学习工作室或 Python SDK 中,可以在工作区上运行诊断。 运行诊断后,将返回检测到的任何问题的列表。 此列表包含指向可能的解决方案的链接。 有关详细信息,请参阅如何使用工作区诊断

资源提供程序错误

创建 Azure 机器学习工作区或工作区使用的资源时,可能会收到类似于以下消息的错误:

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

大多数资源提供程序会自动注册,但并非全部。 如果收到此消息,则需要注册所提到的提供程序。

下表包含 Azure 机器学习所需的资源提供程序的列表:

资源提供程序 为什么需要它
Microsoft.MachineLearningServices 创建 Azure 机器学习工作区。
Microsoft.Storage Azure 存储帐户用作该工作区的默认存储。
Microsoft.ContainerRegistry Azure 容器注册表被工作区用来生成 Docker 映像。
Microsoft.KeyVault 该工作区使用 Azure Key Vault 来存储机密。
Microsoft.Notebooks/NotebookProxies Azure 机器学习计算实例上集成的笔记本。
Microsoft.ContainerService 如果计划将训练后的模型部署到 Azure Kubernetes 服务。

如果计划将客户管理的密钥与 Azure 机器学习一起使用,则必须注册以下服务提供程序:

资源提供程序 为什么需要它
Microsoft.DocumentDB/databaseAccounts 用于记录工作区元数据的 Azure CosmosDB 实例。
Microsoft.Search/searchServices Azure 搜索为工作区提供索引编制功能。

有关注册资源提供程序的信息,请参阅解决资源提供程序注册错误

删除 Azure 容器注册表

Azure 机器学习工作区使用 Azure 容器注册表 (ACR) 执行某些操作。 首次需要 ACR 实例时,它会自动创建一个。

警告

为工作区创建 Azure 容器注册表后,请不要将其删除。 删除该注册表将损坏 Azure 机器学习工作区。

示例

本文中的示例来自 workspace.ipynb

后续步骤

有了工作区后,请了解如何训练和部署模型

若要详细了解如何根据组织要求规划工作区,请参阅组织和设置 Azure 机器学习

有关如何使用最新的安全更新使 Azure ML 保持最新的信息,请参阅漏洞管理