在 Azure Machine Learning 中連結及管理 Synapse Spark 集區

發行項
04/12/2024

適用於：Azure CLI ml 延伸模組 v2 (目前)Python SDK azure-ai-ml v2 (目前)

在本文中，您會了解如何在 Azure Machine Learning 中連結 Synapse Spark 集區。您可以使用下列任一種方式，在 Azure Machine Learning 中連結 Synapse Spark 集區：

使用 Azure Machine Learning 工作室 UI
使用 Azure Machine Learning CLI
使用 Azure Machine Learning Python SDK

必要條件

Azure 訂用帳戶；如果您沒有 Azure 訂用帳戶，請在開始前建立免費帳戶。
Azure Machine Learning 工作區。請參閱建立工作區資源。
建立 Azure Synapse Analytics 工作區。
使用 Azure 入口網站建立 Apache Spark 集區。

在 Azure Machine Learning 中連結 Synapse Spark 集區

Azure 機器學習提供不同方式來連結和管理 Synapse Spark 集區。

若要使用 [Studio 計算] 索引標籤附加 Synapse Spark 集區：

在左窗格的 [管理] 區段中，選取 [計算]。
選取 [連結的計算]。
在 [連結的計算] 畫面上，選取 [新增]，查看連結不同類型計算的選項。
選取 Synapse Spark 集區。

[ 附加 Synapse Spark 集 區] 面板會在畫面右側開啟。在此面板中：

輸入名稱，此名稱是指 Azure 機器學習資源內的附加 Synapse Spark 集區。
從下拉式功能表中選取 Azure [訂用帳戶]。
從下拉式功能表中選取 [Synapse 工作區]。
從下拉式功能表中選取 [Spark 集區]。
切換 [指派受控識別] 選項，加以啟用。
選取要與此連結的 Synapse Spark 集區搭配使用的受控 [識別類型]。
選取更新，完成 Synapse Spark 集區連結流程。

適用於：Azure CLI ml 延伸模組 v2 (目前)

透過 Azure 機器學習 CLI，我們可以使用命令行介面的直覺式 YAML 語法和命令來連結和管理 Synapse Spark 集區。

若要使用 YAML 語法定義連結的 Synapse Spark 集區，YAML 檔案應涵蓋下列屬性：

name – 所連結 Synapse Spark 集區的名稱。
type – 將此屬性設定為 synapsespark。
resource_id – 此屬性應提供在 Azure Synapse Analytics 工作區建立之 Synapse Spark 集區的資源識別碼值。 Azure 資源識別碼包括
- Azure 訂用帳戶識別碼
- 資源群組名稱
- Azure Synapse Analytics 工作區名稱，以及
- Synapse Spark 集區的名稱
```
name: <ATTACHED_SPARK_POOL_NAME>

type: synapsespark

resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>
```

identity – 此屬性會定義要指派給所連結 Synapse Spark 集區的識別類型。它可能需要下列任一個值：

system_assigned

user_assigned

name: <ATTACHED_SPARK_POOL_NAME>

type: synapsespark

resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>

identity:
type: system_assigned

若為 identity 類型 user_assigned，您也應提供 user_assigned_identities 值的清單。每個使用者指派的識別都應使用使用者指派識別的 resource_id 值，宣告為清單的元素。清單中第一個使用者指派的身分識別預設會用來提交作業。

name: <ATTACHED_SPARK_POOL_NAME>

type: synapsespark

resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>

identity:
  type: user_assigned
  user_assigned_identities:
    - resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<AML_USER_MANAGED_ID>

上述 YAML 檔案可用於 az ml compute attach 命令，當作 --file 參數。 Synapse Spark 集區可以使用以下 az ml compute attach，連結至訂用帳戶指定資源群組中的 Azure Machine Learning 工作區：

az ml compute attach --file <YAML_SPECIFICATION_FILE_NAME>.yaml --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME>

此範例顯示上方命令的預期輸出：

Class SynapseSparkCompute: This is an experimental class, and may change at any time. Please visit https://aka.ms/azuremlexperimental for more information.

{
    "auto_pause_settings": {
    "auto_pause_enabled": true,
    "delay_in_minutes": 15
    },
    "created_on": "2022-09-13 19:01:05.109840+00:00",
    "id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<AML_WORKSPACE_NAME>/computes/<ATTACHED_SPARK_POOL_NAME>",
    "location": "eastus2",
    "name": "<ATTACHED_SPARK_POOL_NAME>",
    "node_count": 5,
    "node_family": "MemoryOptimized",
    "node_size": "Small",
    "provisioning_state": "Succeeded",
    "resourceGroup": "<RESOURCE_GROUP>",
    "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>",
    "scale_settings": {
    "auto_scale_enabled": false,
    "max_node_count": 0,
    "min_node_count": 0
    },
    "spark_version": "3.2",
    "type": "synapsespark"
}

如果具有 YAML 規格檔案中指定名稱的已連結 Synapse Spark 集區，已在工作區中，則執行 az ml compute attach 命令會使用 YAML 規格檔案中提供的資訊，更新現有集區。您可以更新

識別類型
使用者指派的識別
標記

透過 YAML 規格檔案的值

若要顯示連結 Synapse Spark 集區的詳細資料，請執行 az ml compute show 命令。使用 --name 參數傳遞已連結 Synapse Spark 集區的名稱，如下所示：

az ml compute show --name <ATTACHED_SPARK_POOL_NAME> --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME>

此範例顯示上方命令的預期輸出：

<ATTACHED_SPARK_POOL_NAME>
{
    "auto_pause_settings": {
    "auto_pause_enabled": true,
    "delay_in_minutes": 15
    },
    "created_on": "2022-09-13 19:01:05.109840+00:00",
    "id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<AML_WORKSPACE_NAME>/computes/<ATTACHED_SPARK_POOL_NAME>",
    "location": "eastus2",
    "name": "<ATTACHED_SPARK_POOL_NAME>",
    "node_count": 5,
    "node_family": "MemoryOptimized",
    "node_size": "Small",
    "provisioning_state": "Succeeded",
    "resourceGroup": "<RESOURCE_GROUP>",
    "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>",
    "scale_settings": {
    "auto_scale_enabled": false,
    "max_node_count": 0,
    "min_node_count": 0
    },
    "spark_version": "3.2",
    "type": "synapsespark"
}

若要查看所有計算的清單，包括工作區中連結的 Synapse Spark 集區，請使用 az ml compute list 命令。使用名稱參數傳遞工作區的名稱，如下所示：

az ml compute list --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME>

此範例顯示上方命令的預期輸出：

[
    {
    "auto_pause_settings": {
        "auto_pause_enabled": true,
        "delay_in_minutes": 15
    },
    "created_on": "2022-09-09 21:28:54.871251+00:00",
    "id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<AML_WORKSPACE_NAME>/computes/<ATTACHED_SPARK_POOL_NAME>",
    "identity": {
        "principal_id": "<PRINCIPAL_ID>",
        "tenant_id": "<TENANT_ID>",
        "type": "system_assigned"
    },
    "location": "eastus2",
    "name": "<ATTACHED_SPARK_POOL_NAME>",
    "node_count": 5,
    "node_family": "MemoryOptimized",
    "node_size": "Small",
    "provisioning_state": "Succeeded",
    "resourceGroup": "<RESOURCE_GROUP>",
    "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>",
    "scale_settings": {
        "auto_scale_enabled": false,
        "max_node_count": 0,
        "min_node_count": 0
    },
    "spark_version": "3.2",
    "type": "synapsespark"
    },
    ...
]

適用於：Python SDK azure-ai-ml v2 (目前)

Azure Machine Learning Python SDK 提供便利功能，可讓您使用 Azure Machine Learning Notebooks 中的 Python 程式碼，連結和管理 Synapse Spark 集區。

若要使用 Python SDK 連結 Synapse Compute，請先建立 azure.ai.ml.MLClient 類別執行個體。這提供方便的函式與 Azure Machine Learning 服務互動。下列程式代碼範例會使用 azure.identity.DefaultAzureCredential 聯機至指定 Azure 訂用帳戶之資源群組中的工作區。在下列程式代碼範例中，使用下列參數來定義 SynapseSparkCompute ：

name - 新連結 Synapse Spark 集區的使用者定義名稱。
resource_id - 先前在 Azure Synapse Analytics 工作區中建立的 Synapse Spark 集區資源識別符

azure.ai.ml.MLClient.begin_create_or_update() 函式呼叫會將定義的 Synapse Spark 集區連結至 Azure Machine Learning 工作區。

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

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace_name
)

synapse_name = "<ATTACHED_SPARK_POOL_NAME>"
synapse_resource = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>"

synapse_comp = SynapseSparkCompute(name=synapse_name, resource_id=synapse_resource)
ml_client.begin_create_or_update(synapse_comp)

若要連結使用系統指派識別的 Synapse Spark 集區，請傳遞 IdentityConfiguration，並將類型設為 SystemAssigned，當作 SynapseSparkCompute 類別的 identity 參數。此代碼段會附加使用系統指派身分識別的 Synapse Spark 集區：

# import required libraries
from azure.ai.ml import MLClient
from azure.ai.ml.entities import SynapseSparkCompute, IdentityConfiguration
from azure.identity import DefaultAzureCredential

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace_name
)

synapse_name = "<ATTACHED_SPARK_POOL_NAME>"
synapse_resource = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>"
synapse_identity = IdentityConfiguration(type="SystemAssigned")

synapse_comp = SynapseSparkCompute(
    name=synapse_name, resource_id=synapse_resource, identity=synapse_identity
)
ml_client.begin_create_or_update(synapse_comp)

Synapse Spark 集區也可以使用使用者指派的識別。針對使用者指派的識別，您可以使用 IdentityConfiguration 類別，當作 SynapseSparkCompute 類別的 identity 參數，傳遞受控識別定義。針對以這種方式使用的受控識別定義，請將 type 設定為 UserAssigned。此外，傳遞 user_assigned_identities 參數。參數 user_assigned_identities 是 UserAssignedIdentity 類別的物件清單。 resource_id使用者指派身分識別的，會填入每個UserAssignedIdentity類別物件。以下程式碼片段連結使用使用者指派識別的 Synapse Spark 集區：

# import required libraries
from azure.ai.ml import MLClient
from azure.ai.ml.entities import (
    SynapseSparkCompute,
    IdentityConfiguration,
    UserAssignedIdentity,
)
from azure.identity import DefaultAzureCredential

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace_name
)

synapse_name = "<ATTACHED_SPARK_POOL_NAME>"
synapse_resource = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>"
synapse_identity = IdentityConfiguration(
    type="UserAssigned",
    user_assigned_identities=[
        UserAssignedIdentity(
            resource_id="/subscriptions/<SUBSCRIPTION_ID/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<AML_USER_MANAGED_ID>"
        )
    ],
)

synapse_comp = SynapseSparkCompute(
    name=synapse_name, resource_id=synapse_resource, identity=synapse_identity
)
ml_client.begin_create_or_update(synapse_comp)

注意

如果具有指定名稱的集區不在工作區中，azure.ai.ml.MLClient.begin_create_or_update() 函式會連結新的 Synapse Spark 集區。不過，如果具有該指定名稱的 Synapse Spark 集區已連結至工作區，則呼叫 azure.ai.ml.MLClient.begin_create_or_update() 函式會使用新的一或多個識別，更新現有連結的集區。

在 Azure Synapse Analytics 中新增角色指派

若要確保連結的 Synapse Spark 集區正常運作，請從 Azure Synapse Analytics 工作室 UI，將管理員角色指派給它。這些步驟示範如何執行：

在 Azure 入口網站中開啟 Synapse 工作區。
在左窗格中選取 [概觀]。
選取 [開啟 Synapse Studio]。
在 Azure Synapse Analytics 工作室中，選取左側窗格中的 [管理]。
在左邊數過來第二個左側窗格的 [安全性] 區段中，選取 [存取控制]。
選取 [新增]。
[新增角色指派] 面板會在畫面右側開啟。在此面板中：
1. 針對 [範圍] 選取 [工作區項目]。
2. 在 [項目類型] 下拉式功能表中，選取 [Apache Spark 集區]。
3. 在 [項目] 下拉式功能表中，選取您的 Apache Spark 集區。
4. 在 [角色] 下拉式功能表中，選取 [Synapse 管理員]。
5. 在 [選取使用者] 搜尋方塊中，開始輸入 Azure Machine Learning 工作區的名稱。這會顯示連結的 Synapse Spark 集區清單。從清單中選取您想要的 Synapse Spark 集區。
6. 選取套用。

更新 Synapse Spark 集區

您可以在 Azure Machine Learning 工作室 UI 中，管理連結的 Synapse Spark 集區。 Spark 集區管理功能包含所連結 Synapse Spark 集區的相關聯受控識別更新。您可以在更新 Synapse Spark 集區時，指派系統指派或使用者指派的識別。您應該先在 Azure 入口網站中建立使用者指派的受控識別，再將它指派給 Synapse Spark 集區。

若要更新所連結 Synapse Spark 集區的受控識別：

在 Azure Machine Learning 工作室中，開啟 Synapse Spark 集區的 [詳細資料] 頁面。
找到位於 [受控識別] 區段右側的編輯圖示。
若第一次指派受控識別，請切換 [指派受控識別]，加以啟用。
若要指派系統指派的受控識別：
1. 選取 [系統指派] 當作 [識別類型]。
2. 選取更新。
若要指派使用者指派的受控識別：
1. 選取 [使用者指派] 當作 [識別類型]。
2. 從下拉式功能表中選取 Azure [訂用帳戶]。
3. 在顯示 [依名稱搜尋] 文字的方塊中，輸入使用者指派受控識別名稱的前幾個字母。系統會顯示具有相符使用者指派受控識別名稱的清單。從清單中選取您想要的使用者指派受控識別。您可以選取多個使用者指派的受控識別，並將其指派給連結的 Synapse Spark 集區。
4. 選取更新。

適用於：Azure CLI ml 延伸模組 v2 (目前)

若要更新與附加 Synapse Spark 集區相關聯的身分識別，請使用適當的參數執行 az ml compute update 命令。若要指派系統指派的識別，請將命令中的 --identity 參數設定為 SystemAssigned，如下所示：

az ml compute update --identity SystemAssigned --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME> --name <ATTACHED_SPARK_POOL_NAME>

此範例顯示上方命令的預期輸出：

Class SynapseSparkCompute: This is an experimental class, and may change at any time. Please see https://aka.ms/azuremlexperimental for more information.
{
    "auto_pause_settings": {
    "auto_pause_enabled": true,
    "delay_in_minutes": 15
    },
    "created_on": "2022-09-13 20:02:15.746490+00:00",
    "id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<AML_WORKSPACE_NAME>/computes/<ATTACHED_SPARK_POOL_NAME>",
    "identity": {
    "principal_id": "<PRINCIPAL_ID>",
    "tenant_id": "<TENANT_ID>",
    "type": "system_assigned"
    },
    "location": "eastus2",
    "name": "<ATTACHED_SPARK_POOL_NAME>",
    "node_count": 5,
    "node_family": "MemoryOptimized",
    "node_size": "Small",
    "provisioning_state": "Succeeded",
    "resourceGroup": "<RESOURCE_GROUP>",
    "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<AML_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>",
    "scale_settings": {
    "auto_scale_enabled": false,
    "max_node_count": 0,
    "min_node_count": 0
    },
    "spark_version": "3.2",
    "type": "synapsespark"
}

若要指派使用者指派的識別，請將命令中的 --identity 參數設定為 UserAssigned。此外，您應該使用 --user-assigned-identities 參數來傳遞使用者指派身分識別的資源識別碼，如下所示：

az ml compute update --identity UserAssigned --user-assigned-identities /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<AML_USER_MANAGED_ID> --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME> --name <ATTACHED_SPARK_POOL_NAME>

此範例顯示上方命令的預期輸出：

Class SynapseSparkCompute: This is an experimental class, and may change at any time. Please see https://aka.ms/azuremlexperimental for more information.
{
  "auto_pause_settings": {
    "auto_pause_enabled": true,
    "delay_in_minutes": 15
  },
  "created_on": "2022-09-13 20:02:15.746490+00:00",
  "id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.MachineLearningServices/workspaces/<AML_WORKSPACE_NAME>/computes/<ATTACHED_SPARK_POOL_NAME>",
  "identity": {
    "type": "user_assigned",
    "user_assigned_identities": [
      {
        "client_id": "<CLIENT_ID>",
        "principal_id": "<PRINCIPAL_ID>",
        "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<AML_USER_MANAGED_ID>"
      }
    ]
  },
  "location": "eastus2",
  "name": "<ATTACHED_SPARK_POOL_NAME>",
  "node_count": 5,
  "node_family": "MemoryOptimized",
  "node_size": "Small",
  "provisioning_state": "Succeeded",
  "resourceGroup": "<RESOURCE_GROUP>",
  "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>",
  "scale_settings": {
    "auto_scale_enabled": false,
    "max_node_count": 0,
    "min_node_count": 0
  },
  "spark_version": "3.2",
  "type": "synapsespark"
}

注意

參數 --user-assigned-identities 可以取得資源識別碼清單，並將多個使用者定義的識別，指派給連結的 Synapse Spark 集區。清單中的第一個使用者指派識別預設會用於提交作業。

適用於：Python SDK azure-ai-ml v2 (目前)

若要使用系統指派的識別，請傳遞 IdentityConfiguration，並將類型設定為 SystemAssigned，當作 SynapseSparkCompute 類別的 identity 參數。以下程式碼片段會更新 Synapse Spark 集區，以使用系統指派的識別：

# import required libraries 
from azure.ai.ml import MLClient
from azure.ai.ml.entities import SynapseSparkCompute, IdentityConfiguration 
from azure.identity import DefaultAzureCredential
    
subscription_id = "<SUBSCRIPTION_ID>" 
resource_group_name = "<RESOURCE_GROUP>" 
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace 
) 

synapse_name = "<ATTACHED_SPARK_POOL_NAME>" 
synapse_resource ="/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>" 
synapse_identity = IdentityConfiguration(type="SystemAssigned") 

synapse_comp = SynapseSparkCompute(name=synapse_name, resource_id=synapse_resource,identity=synapse_identity) ml_client.begin_create_or_update(synapse_comp)

Synapse Spark 集區也可以使用使用者指派的識別。針對使用者指派的識別，您可以使用 IdentityConfiguration 類別，當作 SynapseSparkCompute 類別的 identity 參數，傳遞受控識別定義。針對以這種方式使用的受控識別定義，請將 type 設定為 UserAssigned。此外，傳遞 user_assigned_identities 參數。參數 user_assigned_identities 是 UserAssignedIdentity 類別的物件清單。使用者指派識別的 resource_id 會填入每個 UserAssignedIdentity 類別物件。以下程式碼片段會更新 Synapse Spark 集區，以使用使用者指派的識別：

# import required libraries
from azure.ai.ml import MLClient
from azure.ai.ml.entities import (
    SynapseSparkCompute,
    IdentityConfiguration,
    UserAssignedIdentity,
)
from azure.identity import DefaultAzureCredential

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace_name
)

synapse_name = "<ATTACHED_SPARK_POOL_NAME>"
synapse_resource = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Synapse/workspaces/<SYNAPSE_WORKSPACE_NAME>/bigDataPools/<SPARK_POOL_NAME>"
synapse_identity = IdentityConfiguration(
    type="UserAssigned",
    user_assigned_identities=[
        UserAssignedIdentity(
            resource_id="/subscriptions/<SUBSCRIPTION_ID/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<AML_USER_MANAGED_ID>"
        )
    ],
)

synapse_comp = SynapseSparkCompute(
    name=synapse_name, resource_id=synapse_resource, identity=synapse_identity
)
ml_client.begin_create_or_update(synapse_comp)

注意

如果具有指定名稱的集區不在工作區中，azure.ai.ml.MLClient.begin_create_or_update() 函式會連結新的 Synapse Spark 集區。不過，如果具有該指定名稱的 Synapse Spark 集區已連結至工作區，則 azure.ai.ml.MLClient.begin_create_or_update() 函式呼叫會使用新的一或多個識別，更新現有連結的集區。

中斷連結 Synapse Spark 集區

建議將連結的 Synapse Spark 集區中斷連結，以清理工作區。

Azure Machine Learning 工作室 UI 也提供與連結的 Synapse Spark 集區中斷連結的方法。若要這樣做，請遵循下列步驟：

在 Azure Machine Learning 工作室中，開啟 Synapse Spark 集區的 [詳細資料] 頁面。
選取 [中斷連結]，將連結的 Synapse Spark 集區中斷連結。

適用於：Azure CLI ml 延伸模組 v2 (目前)

使用 --name 參數傳遞的集區名稱執行 az ml compute detach 命令，即可中斷連結的 Synapse Spark 集區，如下所示：

az ml compute detach --name <ATTACHED_SPARK_POOL_NAME> --subscription <SUBSCRIPTION_ID> --resource-group <RESOURCE_GROUP> --workspace-name <AML_WORKSPACE_NAME>

此範例顯示上方命令的預期輸出：

Are you sure you want to perform this operation? (y/n): y

適用於：Python SDK azure-ai-ml v2 (目前)

我們會使用 MLClient.compute.begin_delete() 函式呼叫。將所連結 Synapse Spark 集區的 name，以及動作 Detach 傳遞至函式。以下程式碼片段會將 Synapse Spark 集區與 Azure Machine Learning 工作區中斷連結：

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

subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace_name = "<AML_WORKSPACE_NAME>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace_name
)

synapse_name = "<ATTACHED_SPARK_POOL_NAME>"
ml_client.compute.begin_delete(name=synapse_name, action="Detach")

Azure Machine Learning 中的無伺服器 Spark 計算

某些使用者案例可能需要在 Azure 機器學習作業提交期間存取無伺服器 Spark 計算資源，而不需要附加 Spark 集區。 Azure Synapse Analytics 與 Azure Machine Learning 整合也提供無伺服器 Spark 計算體驗。這可讓您存取作業中的 Spark 計算，無需先將計算附加至工作區。深入了解無伺服器 Spark 計算體驗。

共用方式為

在 Azure Machine Learning 中連結及管理 Synapse Spark 集區

必要條件

在 Azure Machine Learning 中連結 Synapse Spark 集區

在 Azure Synapse Analytics 中新增角色指派

更新 Synapse Spark 集區

中斷連結 Synapse Spark 集區

Azure Machine Learning 中的無伺服器 Spark 計算

下一步

意見反應

意見反應

其他資源