Azure Machine Learning 的運作方式：資源和資產

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

本文適用於第二個版本的 Azure Machine Learning CLI 和 Python SDK v2。如需第一版（v1），請參閱 Azure Machine Learning 的運作方式：架構和概念（v1）。

Azure Machine Learning 包含數個資源和資產，可讓您執行機器學習工作。執行任何作業皆需要這些資源和資產。

資源：執行機器學習工作流程所需的設定或基礎結構資源。這些資源包括：
資產：使用 Azure Machine Learning 命令建立，或作為定型/評分執行的一部分。資產已建立版本，而且可以在 Azure Machine Learning 工作區中註冊。其中包括：
- 模型
- 環境
- 數據
- 元件

本文件提供這些資源和資產的快速概觀。

先決條件

若要使用本文中的 Python SDK 程式碼範例：

安裝 Python SDK v2。

建立 Azure Machine Learning 訂用帳戶的連線。這些範例全都依賴 ml_client。若要建立工作區，連線不需要工作區名稱，因為您可能還沒有工作區名稱。本文中的所有其他範例則需要將工作區名稱包含在連線中。

# Import required libraries.
from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential
from azure.ai.ml.entities import AmlCompute

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

# Get a handle to the subscription. (Use this if you haven't created a workspace yet.)
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

# All other examples in this article require that the connection include a workspace name.
workspace_name = "<WORKSPACE_NAME>"
ml_client = ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace_name)

若要使用本文中的 Azure CLI 程式碼範例，您必須安裝並設定 Azure CLI。您可以從 [安裝和設定 CLI （v2）] 安裝 Azure CLI。

安裝 Azure CLI 之後，請登入您的 Azure 帳戶：

az login

如果您有權存取多個 Azure 訂用帳戶，請設定作用中的訂用帳戶：

az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"

工作區

工作區是 Azure Machine Learning 的最上層資源，提供集中式位置來處理您在使用 Azure Machine Learning 時建立的所有成品。工作區保留所有工作的歷程記錄，包括記錄、計量、輸出，以及指令碼的快照集。工作區會儲存資料存放區與計算等資源的參考。它也會保留所有資產，例如模型、環境、元件和資料資產。

建立工作區

若要使用 Python SDK v2 建立工作區，您可以使用下列程式碼：

適用於：Python SDK azure-ai-ml v2 (目前)

# Specify the workspace details.
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    tags=dict(purpose="demo"),
)
# Use MLClient to connect to the subscription and resource group and create the workspace.
ml_client.workspaces.begin_create(ws)

如需使用 SDK v2 建立 Azure Machine Learning 工作區的更多方式，請參閱此 Jupyter 筆記本。

若要使用 CLI v2 建立工作區，請使用下列命令：

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml workspace create --file my_workspace.yml

如需檔案的內容，請參閱工作區 YAML 範例 (英文)。

如需建立工作區的詳細資訊，請參閱在入口網站中或使用 Python SDK (v2) 來管理 Azure Machine Learning 工作區。

Compute

計算是您可以用來執行工作或是裝載端點的指定計算資源。 Azure Machine Learning 支援下列計算類型：

運算執行個體。雲端中完全配置和託管的開發環境。您可以使用執行個體作為開發和測試的定型或推斷計算。它類似於雲端中的虛擬機器。
計算叢集。受管運算基礎架構，可讓您輕鬆地在雲端中建立 CPU 或 GPU 運算節點叢集。
無伺服器運算。您即時存取的運算叢集。當您使用無伺服器計算時，不需要建立自己的叢集。所有計算生命週期管理都會卸載至 Azure Machine Learning。
推論叢集。用來將定型的機器學習模型部署至 Azure Kubernetes Service （AKS）。您可以從 Azure Machine Learning 工作區建立 Azure Kubernetes Service 叢集，或附加現有的 AKS 叢集。
附加計算。您可以將自己的運算資源附加至工作區，並用於訓練和推論。

建立計算資源

若要使用 Python SDK v2 建立計算叢集，您可以使用下列程式碼：

適用於：Python SDK azure-ai-ml v2 (目前)

from azure.ai.ml.entities import AmlCompute
cluster_basic = AmlCompute(
    name="basic-example",
    type="amlcompute",
    size="STANDARD_DS3_v2",
    location="westus",
    min_instances=0,
    max_instances=2,
    idle_time_before_scale_down=120,
)
ml_client.begin_create_or_update(cluster_basic)

如需使用 SDK v2 建立計算的更多方式，請參閱此 Jupyter 筆記本。

若要使用 CLI v2 建立計算，請使用下列命令：

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml compute create --file my_compute.yml

如需檔案的內容，請參閱計算 YAML 範例 (英文)。

如需建立計算的詳細資訊，請參閱：

Datastore（資料存儲）

Azure Machine Learning 資料存放區會安全地將資料儲存體的連線資訊保留在 Azure 上，因此您不需要在指令碼中撰寫程式碼。您可以註冊和建立資料存放區，輕鬆連線至儲存體帳戶，並存取基礎儲存體服務中的資料。 CLI v2 和 SDK v2 支援下列類型的雲端式儲存體服務：

Azure Blob 容器
Azure 檔案共用
Azure Data Lake Storage
Azure Data Lake Storage Gen2

建立資料存放區

若要使用 Python SDK v2 建立資料存放區，您可以使用下列程式碼：

適用於：Python SDK azure-ai-ml v2 (目前)

import AzureBlobDatastore

blob_datastore1 = AzureBlobDatastore(
    name="blob_example",
    description="Datastore pointing to a blob container.",
    account_name="mytestblobstore",
    container_name="data-container",
    credentials={
        "account_key": "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
    },
)
ml_client.create_or_update(blob_datastore1)

如需使用 SDK v2 建立資料存放區的更多方法，請參閱此 Jupyter 筆記本。

若要使用 CLI v2 建立資料存放區，請使用下列命令：

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml datastore create --file my_datastore.yml

如需檔案的內容，請參閱資料存放區 YAML 範例 (英文)。

若要深入了解如何使用資料存放區，請參閱建立及管理資料資產。

型號

Azure 機器學習模型包含一或多個二進位檔案，這些檔案代表機器學習模型和任何對應的中繼資料。您可以從本機或遠端的檔案或目錄建立模型。針對遠端位置 https，支援 wasbs 和 azureml 位置。所建立的模型會在工作區中以指定的名稱和版本受到追蹤。 Azure Machine Learning 支援三種類型的模型儲存體格式：

custom_model
mlflow_model
triton_model

在模型登錄中建立模型

模型註冊可讓您在 Azure 雲端自己的工作區中儲存模型和控制模型版本。模型登錄可協助您組織和追蹤已定型模型。

如需如何在登錄中建立模型的詳細資訊，請參閱在 Azure Machine Learning 中使用模型。

環境

Azure Machine Learning 環境是發生機器學習工作之環境的封裝。它指定訓練和評分指令碼的軟體套件、環境變數和軟體設定。在您的機器學習工作區內，環境是被管理和版本控制的實體。環境支援在各種計算的可重現性、可稽核和可攜式機器學習工作流程。

環境類型

Azure Machine Learning 支援兩種類型的環境：策展和自訂。

策展環境由 Azure Machine Learning 提供，依預設在工作區中可用。主要是依原樣使用，含有 Python 封裝和設定的集合，協助您開始使用各種機器學習架構。這些預先建立的環境也可加快部署時間。如需完整清單，請參閱策展環境文章。

在自訂環境中，您必須負責設定環境，以及安裝計算上定型或評分指令碼所需的套件或任何其他相依性。 Azure Machine Learning 可讓您使用下列專案來建立自己的環境：

Docker 映像。
具有 Conda YAML 檔案的基底 Docker 映像，以進行進一步的自訂。
Docker 建置內容。

建立 Azure Machine Learning 自訂環境

如需使用 Python SDK v2 建立環境的相關資訊，請參閱建立環境。

如需使用 SDK v2 建立自訂環境的更多方式，請參閱此 Jupyter 筆記本。

如需環境的詳細資訊，請參閱在 Azure Machine Learning 中建立和管理環境。

資料

Azure Machine Learning 可讓您使用不同類型的資料：

URI （本機或雲端儲存體中的位置）
- uri_folder
- uri_file
資料表 (表格式資料抽象概念)
- mltable
基本型別
- string
- boolean
- number

在大部分情況下，您會使用URI（uri_folder 和 uri_file）指向儲存體中的某個位置，然後透過將儲存體掛載或下載至節點，輕鬆將其對應至工作中計算節點的檔案系統。

mltable 是表格式資料的抽象概念，用於 AutoML 作業、平行作業和某些進階案例。如果您剛開始使用 Azure Machine Learning 且未使用 AutoML，強烈建議您從 URI 開始。

元件

Azure Machine Learning 元件是獨立的程式碼片段，可完成機器學習管線中的一個步驟。元件是進階機器學習管線的建置區塊。元件可以執行資料處理、模型訓練和模型評分等任務。元件類似於函數：它有名稱和參數，需要輸入並傳回輸出。

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-10-31

共用方式為

Azure Machine Learning 的運作方式：資源和資產

先決條件

工作區

建立工作區

Compute

建立計算資源

Datastore（資料存儲）

建立資料存放區

型號

在模型登錄中建立模型

環境

環境類型

建立 Azure Machine Learning 自訂環境

資料

元件

相關內容

意見反應

其他資源