使用 Azure Machine Learning SDK 和 CLI 建立中樞

備註

本文件指的是 Microsoft Foundry（經典版）入口網站。

🔍 請參閱 Microsoft Foundry（新）文件以了解新入口網站。

這很重要

本文中標示為 (預覽) 的項目目前處於公開預覽狀態。此預覽版本沒有服務等級協定，不建議將其用於生產工作負載。可能不支援特定功能，或可能已經限制功能。如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

在本文中，您將學習如何使用 Azure Machine Learning SDK 與 Azure CLI（含機器學習擴充功能）來建立以下 Microsoft Foundry 資源：

鑄造中心
Microsoft Foundry 的連結

備註

中樞僅用於中樞型專案。 Foundry 專案不使用集線器。如需詳細資訊，請參閱專案類型。

先決條件

具有有效訂閱的 Azure 帳戶。如果您沒有，請建立免費的 Azure 帳戶，其中包含免費試用訂用帳戶。

設定您的環境

使用下列索引標籤來選取您是否使用 Python SDK 或 Azure CLI：

Python SDK
Azure CLI

安裝套件。 (如果在筆記本儲存格中，請改用 %pip install。)
```
pip install azure-ai-ml
pip install azure-identity
```

提供您的訂用帳戶詳細資料：

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

取得訂用帳戶的控制代碼。本文中的所有 Python 程式碼都會使用 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)

(選擇性) 如果您有多個帳戶，請將您想要使用的 Microsoft Entra ID 租用戶識別碼新增至 DefaultAzureCredential。在 Azure 入口網站的 [Microsoft Entra ID，外部身分識別] 下，尋找您的租用戶識別碼。
```
DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
```
(選擇性) 如果您正在 Azure Government - US 或 Azure China 21Vianet 區域中工作，請指定您要進行身份驗證的區域。您可以使用 DefaultAzureCredential 來指定區域。下列範例會向 Azure Government - 美國區域進行驗證：
```
from azure.identity import AzureAuthorityHosts
DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
```

如果您沒有安裝 Azure CLI 和機器學習延伸模組，請遵循安裝並設定機器學習延伸模組一文中的步驟。
若要從 Azure CLI 驗證您的 Azure 訂用帳戶，請使用下列命令：
```
az login
```
如需有關驗證的詳細資訊，請參閱驗證方法。

建立 Foundry 中樞與 Microsoft Foundry 連線

使用下列範例來建立新的中樞。請以您自己的值取代範例字串：

Python SDK
Azure CLI

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name}

建立 Foundry 連結

在同一資源群組建立自己的 Foundry 資源或 Azure OpenAI 資源後，你可以把它連接到你的樞紐。您也可以從相同訂用帳戶中的任何資源群組連線 Azure AI 搜尋服務。

Python SDK
Azure CLI

您的 ml_client 連線現在必須包含中樞：

提供您的訂用帳戶詳細資料。針對 <AML_WORKSPACE_NAME>，使用您的中樞名稱：

# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

取得中樞的控制代碼：

# get a handle to the workspace
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

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

用 ml_client 來建立與你的 Foundry 工具的連結。您可以在 Azure 入口網站中的 [ 資源管理 > 金鑰] 和 [端點] 下找到端點。對於 Foundry 資源，請使用 Foundry Tools 的 API 端點。針對 Azure AI 搜尋，請使用端點的 URL。

from azure.ai.ml.entities import AzureAIServicesConnection

# construct a Foundry connection
my_connection_name = "myaiservivce" # any name you want
aiservices_resource_name = <resource_name> # copy from Azure portal
my_endpoint = "<endpoint>" # copy from Azure portal
my_api_keys = None # leave blank for Authentication type = AAD
my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"

my_connection = AzureAIServicesConnection(name=my_connection_name,
                                    endpoint=my_endpoint, 
                                    api_key= my_api_keys,
                                    ai_services_resource_id=my_ai_services_resource_id)

# Create the connection
ml_client.connections.create_or_update(my_connection)

az ml connection create --file {connection.yml} --resource-group {my_resource_group} --workspace-name {my_hub_name}

您可使用 API 金鑰或無認證的 YAML 組態檔。欲了解更多關於 YAML 設定檔的資訊，請參閱 Foundry Tools 連接 YAML 架構：

API 金鑰範例：

name: myazai_ei
type: azure_ai_services
endpoint: <endpoint for your Foundry Tools>
api_key: XXXXXXXXXXXXXXX
ai_services_resource_id: <fully_qualified_resource_id>

無認證

name: myazai_apk
type: azure_ai_services
endpoint: <endpoint for your Foundry Tools>
ai_services_resource_id: <fully_qualified_resource_id>

<fully_qualified_resource_id> 是您 AI 服務資源的資源識別碼。格式為 /subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}。

利用現有的相依資源建立 Foundry 中心

您也可以使用 Azure 儲存體和 Azure Key Vault 等現有資源來建立中樞。在下列範例中，將範例字串值取代為您自己的值：

小提示

您可以移至資源的概觀並選取 JSON 檢視，從 Azure 入口網站擷取儲存體帳戶和金鑰保存庫的資源識別碼。資源識別碼位於 [識別碼] 欄位中。您也可以使用 Azure CLI 來擷取資源識別碼。例如，az storage account show --name {my_storage_account_name} --query "id" 和 az keyvault show --name {my_key_vault_name} --query "id"。

Python SDK
Azure CLI

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.Storage/storageAccounts/mystorageaccountname"
my_key_vault_id = "/subscriptions/aaaa0a0a-bb1b-cc2c-dd3d-eeeeee4e4e4e/resourceGroups/myresourcegroupname/providers/Microsoft.KeyVault/vaults/mykeyvaultname"

# construct a basic hub
my_hub = Hub(name=my_hub_name, 
            location=my_location,
            display_name=my_display_name,
            resource_group=my_resource_group,
            storage_account_id=my_storage_account_id,
            key_vault_id=my_key_vault_id)

created_hub = ml_client.workspaces.begin_create(my_hub).result()

az ml workspace create --kind hub --resource-group {my_resource_group} --name {my_hub_name} --location {hub-region} --storage-account {my_storage_account_id} --key-vault {my_key_vault_id}

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-12-04