GitHub Actions 配合 Azure Machine Learning 使用

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

開始使用 GitHub Actions，在 Azure Machine Learning 上訓練模型。

本文將教導您如何建立 GitHub Actions 工作流程，以建置機器學習模型並將其部署至 Azure 機器學習。 您可以在 NYC Taxi 數據集上訓練 scikit-learn 線性回歸模型。

GitHub Actions 會使用存放庫中 /.github/workflows/ 路徑下的工作流程 YAML (.yml) 檔案。 此定義包含組成工作流程的各種步驟與參數。

必要條件

  • Azure Machine Learning 工作區。 如需建立工作區的步驟，請參閱 建立工作區。

  • 適用於 Python v2 的 Azure Machine Learning SDK。 若要安裝 SDK，請使用下列命令：

    pip install azure-ai-ml azure-identity

    若要將現有的 SDK 安裝更新為最新版本，請使用下列命令：

    pip install --upgrade azure-ai-ml azure-identity

    如需詳細資訊，請參閱 適用於 Python 的 Azure Machine Learning 套件用戶端連結庫。

步驟 1：取得程式碼

在 GitHub 複製下列存放庫：

https://github.com/azure/azureml-examples

在本機複製您 Fork 的存放庫。

git clone https://github.com/YOUR-USERNAME/azureml-examples

步驟 2：使用 Azure 進行驗證

首先，定義如何使用 Azure 進行認證。 建議且更安全的選項是 透過 OpenID Connect 與 Microsoft Entra 應用程式或使用者指定的管理身份登入。 如有需要，您也可以使用服務主體和祕密登入。 這種方法較不安全，不建議使用。

產生部署認證

若要搭配 OIDC 使用 Azure 登入操作，您必須在 Microsoft Entra 應用程式或使用者指派的受控識別上設定聯邦身分識別憑證。

選項 1：Microsoft Entra 應用程式

選項 2：使用者指派的受控識別

建立祕密

您必須將應用程式的 用戶端識別碼、 目錄（租使用者）標識碼和 訂用帳戶識別碼 提供給登入動作。 這些值可以直接在工作流程中提供，也可以儲存在 GitHub 的秘密中，並在您的工作流程中參考。 將值儲存為 GitHub 秘密是較安全的選擇。

  1. 在 GitHub (英文) 中，前往您的存放庫。

  2. 選取 [安全性] > [祕密和變數] > [動作]。

    新增秘密的截圖

  3. 選擇 [新增存放庫祕密]。

    注意

    若要增強公用存放庫中的工作流程安全性，請使用環境秘密，而不是存放庫秘密。 如果環境需要核准，則作業在其中一位必要的檢閱者核准之前，無法存取環境秘密。

  4. 建立 AZURE_CLIENT_ID、AZURE_TENANT_ID 和 AZURE_SUBSCRIPTION_ID 的機密資訊。 從您的 Microsoft Entra 應用程式或 GitHub 祕密的使用者指派受控識別複製這些值：

    GitHub 祕密 Microsoft Entra 應用程式或使用者指派的受控識別
    AZURE_CLIENT_ID（Azure 用戶端識別碼） 用戶端識別碼
    AZURE_SUBSCRIPTION_ID 訂用帳戶識別碼
    AZURE_TENANT_ID 目錄識別碼 (租用戶) ID

    注意

    基於安全性考慮，我們建議使用 GitHub 秘密，而不是將值直接傳遞至工作流程。

步驟 3：更新 setup.sh 以連線至您的 Azure Machine Learning 工作區

更新 CLI 的設定檔變數以符合你的工作區。

  1. 在您 Fork 的存放庫中，前往 azureml-examples/cli/。

  2. 編輯 setup.sh 並更新檔案中的這些變數。

    變數 描述
    GROUP 資源群組的名稱
    LOCATION 工作區的位置 (範例：eastus2)
    WORKSPACE Azure Machine Learning 工作區名稱

步驟 4：以您的計算叢集名稱更新 pipeline.yml

使用 pipeline.yml 檔案來部署你的 Azure 機器學習管線。 管線是機器學習管線，而不是 DevOps 管線。 只有當你使用非 cpu-cluster 運算叢集名稱時，才需要進行這次更新。

  1. 在您 Fork 的存放庫中，前往 azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml。
  2. 每當您看到 compute: azureml:cpu-cluster 時，即應以您的計算叢集名稱更新 cpu-cluster 的值。 例如，如果您的叢集名為 my-cluster，則新的值應為 azureml:my-cluster。 更新共有五項。

步驟 5：執行您的 GitHub Actions 工作流程

您的工作流程會向 Azure 進行驗證、設定 Azure Machine Learning CLI，並使用 CLI 在 Azure Machine Learning 中定型模型。

您的工作流程檔案由觸發程序區段和作業所組成：

  • 觸發程序會在 on 區段中啟動工作流程。 工作流程預設會依 cron 排程執行，並在符合的分支與路徑提出提取要求時執行。 深入了解觸發工作流程的事件。
  • 在工作流程的 jobs 區段中，您會簽出程式碼，並使用 OpenID Connect 搭配 Azure login 動作登入 Azure。
  • 工作區段也包含用于設定和安裝機器學習 CLI (v2) 的動作。 安裝 CLI 之後，執行作業動作會執行您的 Azure Machine Learning pipeline.yml 檔案，以使用 NYC 計程車資料來定型模型。

啟用您的工作流程

  1. 在你分叉的儲存庫中，打開 .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml 並驗證你的工作流程是否與此相似。

    注意

    儲存庫中的工作流程文件可能包含額外步驟（如初始化與驗證），此處未列出。 以下範例展示了核心步驟。

    name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
permissions:
  id-token: write
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v4
    - name: azure login
      uses: azure/login@v2
      with:
          client-id: ${{ secrets.AZURE_CLIENT_ID }}
          tenant-id: ${{ secrets.AZURE_TENANT_ID }}
          subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

  2. 選擇 檢視執行。

  3. 選取 [我了解我的工作流程，繼續啟用這些工作流程]，以啟用工作流程。

  4. 選取 cli-jobs-pipelines-nyc-taxi-pipeline 工作流程，然後選擇 啟用工作流程。

    啟用 GitHub Actions 工作流程的螢幕擷取畫面。

  5. 選取 [執行工作流程]，然後選擇立即 [執行工作流程] 的選項。

    執行 GitHub Actions 工作流程的螢幕擷取畫面。

步驟 6：驗證您的工作流程執行

  1. 開啟已完成的工作流程執行，並確認建置作業已成功執行。 您會在作業旁看到綠色核取記號。

  2. 打開Azure Machine Learning Studio，然後前往 nyc-taxi-pipeline-example。 確認作業的每個部分 (準備、轉換、定型、預測、評分) 皆已完成，並且出現綠色核取記號。

    Machine Learning 工作室執行成功的螢幕擷取畫面。

清除資源

當你不再需要資源群組和儲存庫時，刪除資源群組和 GitHub 儲存庫來清理已部署的資源。

下一步

使用 Python SDK 建立生產 ML 管線

  • Last updated on