建立和使用自定義環境
當您需要在 Azure Machine Learning 中建立自己的環境，以列出執行腳本所需的所有套件、連結庫和相依性時，您可以建立 自定義環境。
您可以從 Docker 映像、Docker 組建內容，以及包含 Docker 映像的 conda 規格來定義環境。
從 Docker 映像建立自定義環境
最簡單的方法可能是從 Docker 映像建立環境。 Docker 映射可以裝載在公用登錄中，例如 Docker Hub 或私下儲存在 Azure Container Registry 中。
許多開放原始碼架構會封裝在 Docker Hub 上的公用映射中。 例如，您可以找到包含所有必要的套件的公用 Docker 映射，以使用 PyTorch定型深度學習模型。
若要從 Docker 映射建立環境，您可以使用 Python SDK：
from azure.ai.ml.entities import Environment
env_docker_image = Environment(
image="pytorch/pytorch:latest",
name="public-docker-image-example",
description="Environment created from a public Docker image.",
)
ml_client.environments.create_or_update(env_docker_image)
您也可以使用 Azure Machine Learning 基底映射來建立環境（這類似於策劃環境所使用的映射）：
from azure.ai.ml.entities import Environment
env_docker_image = Environment(
image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
name="aml-docker-image-example",
description="Environment created from a Azure ML Docker image.",
)
ml_client.environments.create_or_update(env_docker_image)
使用 conda 規格檔案建立自定義環境
雖然 Docker 映像在處理特定架構時包含所有必要的套件，但您可能需要包含其他套件來執行程序代碼。
例如，您可能想要使用 PyTorch 來定型模型，並使用 MLflow 追蹤模型。
當您需要在環境中包含其他套件或連結庫時，您可以在建立環境時，將 conda 規格檔案新增至 Docker 映像。
conda 規格檔案是 YAML 檔案，其中列出需要使用 conda 或 pip安裝的套件。 這類 YAML 檔案可能如下所示：
name: basic-env-cpu
channels:
- conda-forge
dependencies:
- python=3.7
- scikit-learn
- pandas
- numpy
- matplotlib
提示
請檢閱 conda 文件，以了解如何手動建立環境，以取得 conda 檔案的標準格式資訊。
若要從基底 Docker 映射和 conda 規格檔案建立環境，您可以使用下列程式代碼：
from azure.ai.ml.entities import Environment
env_docker_conda = Environment(
image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
conda_file="./conda-env.yml",
name="docker-image-plus-conda-example",
description="Environment created from a Docker image plus Conda environment.",
)
ml_client.environments.create_or_update(env_docker_conda)
注意
由於所有策展環境前面都會加上 AzureML-，因此您無法建立具有相同前置詞的環境。
使用環境
最常見的是，當您想要將指令碼作為 (命令) 作業執行時，您會使用環境。
若要指定您想要用來執行文稿的環境，請使用 <curated-environment-name>:<version> 或 <curated-environment-name>@latest 語法來參考環境。
例如，下列程式代碼示範如何使用 Python SDK 設定命令作業，其使用包含 Scikit-Learn 的策劃環境：
from azure.ai.ml import command
# configure job
job = command(
code="./src",
command="python train.py",
environment="docker-image-plus-conda-example:1",
compute="aml-cluster",
display_name="train-custom-env",
experiment_name="train-custom-env"
)
# submit job
returned_job = ml_client.create_or_update(job)
當您提交作業後，即會建置環境。 第一次使用環境時，建置環境可能需要 10-15 分鐘的時間。 您可以在作業的記錄中檢閱環境組建的記錄。
當 Azure Machine Learning 建置新的環境時，它會新增至工作區中的自定義環境清單。 環境的映像裝載在與工作區相關聯的 Azure Container Registry 中。 每當您將相同的環境用於另一個作業（和另一個腳本），環境就已準備好進行，而且不需要再次建置。