上一個

下一個

建立和使用自訂環境

已完成

當您需要在 Azure Machine Learning 中建立自己的環境，以列出執行指令馬所需的所有套件、程式庫和相依性時，您可以建立自訂環境。

您可以從 Docker 映像、Docker 組建內容和帶有 Docker 映像的 conda 規格定義環境。

從 Docker 映像建立自訂環境

最簡單的方法可能是從 Docker 映像建立環境。 Docker 映像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公用映像中，所以可以在 Docker Hub 找到。 例如，您可以找到共用 Docker 映像，其中包含了使用 PyTorch 定型深度學習模型所需的所有必要套件。

若要從 Docker 映像建立環境，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 基礎映像來建立環境 (其類似於策劃環境所使用的映像)：

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 規格檔案建立自訂環境

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式碼。

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程式庫時，您可以在建立環境時，將 conda 規格檔案新增至 Docker 映像。

conda 規格檔案是一個 YAML 檔案，其中列出需要使用 conda 或 pip 安裝的套件。 這類 YAML 檔案如下所示：

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 映像和 conda 規格檔案建立環境，您可以使用下列程式碼：

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

由於所有策劃的環境都會以 AzureML- 作為前置詞，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指令碼的環境，請使用 <curated-environment-name>:<version> 或 <curated-environment-name>@latest 語法參考環境。

例如，下列程式碼示範如何使用 Python SDK 設定命令作業，其使用策劃環境，包括 Scikit-Learn：

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，可能需要 10-15 分鐘的時間來建置環境。 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，環境會新增至工作區中的自訂環境清單。 環境的映像裝載於與工作區相關聯的 Azure Container Registry 中。 每當您將相同的環境用於另一個作業 (和另一個指令碼) 時，環境即準備就緒，而且不需要再次建置。

繼續