共用方式為

搭配 Azure Machine Learning 使用 GitHub Actions

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 計程車數據集上定 型 scikit-learn 線性回歸模型。

GitHub Actions 會在存放庫的路徑中使用 /.github/workflows/ 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。

  • GitHub 帳戶。 如果您沒有 Microsoft 帳戶，請免費註冊。

步驟 1：取得程式碼

在 GitHub 派生下列存放庫：

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

在本機複製分支存放庫。

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

步驟 2：使用 Azure 進行驗證

您必須先定義如何向 Azure 進行驗證。 建議更安全的選項是 使用 Microsoft Entra 應用程式或使用者指派的受控識別，使用 OpenID Connect 登入。 如有必要，您也可以搭配服務主體和秘密使用登入。 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 登入動作 ，您必須在 Microsoft Entra 應用程式或使用者指派的受控識別上設定同盟身分識別認證。

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]。

    新增祕密的螢幕擷取畫面

  3. 選取 [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，除非其中一個必要的檢閱者核准環境秘密，否則作業無法存取環境秘密。

  4. 建立 AZURE_CLIENT_ID、AZURE_TENANT_ID 和 AZURE_SUBSCRIPTION_ID 的秘密。 從您的 Microsoft Entra 應用程式或 GitHub 秘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 (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

您必須更新 CLI 安裝程式檔案變數，以符合您的工作區。

  1. 在分支存放庫中移至 azureml-examples/cli/。

  2. 編輯 setup.sh 並更新檔案中的這些變數。

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

步驟 4：以您的計算叢集名稱更新 pipeline.yml

您可以使用pipeline.yml檔案來部署 Azure 機器學習 管線。 管線是機器學習管線，而不是 DevOps 管線。 只有在使用 cpu-cluster 以外的名稱作為電腦叢集名稱時，才需要進行此更新。

  1. 在分支存放庫中移至 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。 工作流程依預設會按 cron 排程執行，以及從相符的分支和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 [作業] 區段中，您會簽出程式碼，並使用 OpenID Connect 以 Azure 登入動作登入 Azure。
  • 作業區段也包含會安裝及設定機器學習 CLI (v2) 的安裝動作。 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. 在您的分支存放庫中開啟 .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml，並確認您的工作流程顯示如下。

    name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
      - sdk-preview
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v2
    - 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. 選取 [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：確認您的工作流程執行

  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。 您會看到作業旁的綠色複選標記。

  2. 開啟 Azure Machine Learning Studio，並瀏覽至 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

不再需要資源群組和存放庫時，請刪除資源群組和 GitHub 存放庫，以清除您所部署的資源。

下一步

使用 Python SDK 建立生產 ML 管線