إنشاء & بيئات برامج استخدام في Azure التعلم الآلي

  • مقالة
  • قراءة خلال 13 دقائق

في هذه المقالة، تعرف على كيفية إنشاء بيئات Azure التعلم الآلي وإدارتها. استخدم البيئات لتتبع تبعيات برامج مشاريعك وإعادة إنتاجها أثناء تطورها.

تعد إدارة تبعية البرامج مهمة شائعة للمطورين. تريد التأكد من أن الإصدارات قابلة للتكرار بدون تكوين يدوي شامل للبرامج. تمثل فئة Azure التعلم الآلي Environment حلول التطوير المحلية مثل pip و Conda وتطوير السحابة الموزعة من خلال إمكانات Docker.

توضح الأمثلة الواردة في هذه المقالة كيفية:

  • إنشاء بيئة وتحديد تبعيات الحزمة.
  • استرداد البيئات وتحديثها.
  • استخدام بيئة للتدريب.
  • استخدم بيئة لنشر خدمة الويب.

للحصول على نظرة عامة عالية المستوى حول كيفية عمل البيئات في Azure التعلم الآلي، راجع ما هي بيئات التعلم الآلي؟ للحصول على معلومات حول إدارة البيئات في استوديو Azure ML، راجع إدارة البيئات في الاستوديو. للحصول على معلومات حول تكوين بيئات التطوير، راجع إعداد بيئة تطوير Python ل Azure ML.

المتطلبات الأساسية

إنشاء بيئة

تستكشف الأقسام التالية الطرق المتعددة التي يمكنك من خلالها إنشاء بيئة لتجاربك.

إنشاء كائن بيئة

لإنشاء بيئة يدويا، قم باستيراد Environment الفئة من SDK. ثم استخدم التعليمة البرمجية التالية لإنشاء كائن بيئة.

from azureml.core.environment import Environment
Environment(name="myenv")

استخدام بيئة منسقة

تحتوي البيئات المنسقة على مجموعات من حزم Python وتتوفر في مساحة العمل الخاصة بك بشكل افتراضي. يتم دعم هذه البيئات بصور Docker المخزنة مؤقتا مما يقلل من تكلفة إعداد التشغيل. يمكنك تحديد إحدى هذه البيئات المنسقة الشائعة للبدء بها:

  • تحتوي بيئة AzureML-lightgbm-3.2-ubuntu18.04-py37-cpu على Scikit-Learn و LightGBM و XGBoost و Dask بالإضافة إلى AzureML Python SDK الأخرى والحزم الإضافية.

  • تحتوي بيئة AzureML-sklearn-0.24-ubuntu18.04-py37-cpu على حزم علوم البيانات الشائعة. تتضمن هذه الحزم Scikit-Learn و Pandas و Matplotlib ومجموعة أكبر من حزم azureml-sdk.

للحصول على قائمة بالبيئات المنسقة، راجع مقالة البيئات المنسقة.

استخدم الطريقة Environment.get لتحديد إحدى البيئات المنسقة:

from azureml.core import Workspace, Environment

ws = Workspace.from_config()
env = Environment.get(workspace=ws, name="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu")

يمكنك سرد البيئات المنسقة وحزمها باستخدام التعليمة البرمجية التالية:

envs = Environment.list(workspace=ws)

for env in envs:
    if env.startswith("AzureML"):
        print("Name",env)
        print("packages", envs[env].python.conda_dependencies.serialize_to_string())

تحذير

لا تبدأ اسم البيئة الخاص بك باستخدام بادئة AzureML . هذه البادئة محجوزة للبيئات المنسقة.

لتخصيص بيئة منسقة، قم باستنساخ البيئة وإعادة تسميتها.

env = Environment.get(workspace=ws, name="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu")
curated_clone = env.clone("customize_curated")

استخدام تبعيات Conda أو ملفات متطلبات النقطة

يمكنك إنشاء بيئة من مواصفات Conda أو ملف متطلبات نقطة. استخدم الطريقة أو الطريقة from_conda_specification()from_pip_requirements() . في وسيطة الأسلوب، قم بتضمين اسم البيئة ومسار ملف الملف الذي تريده.

# From a Conda specification file
myenv = Environment.from_conda_specification(name = "myenv",
                                             file_path = "path-to-conda-specification-file")

# From a pip requirements file
myenv = Environment.from_pip_requirements(name = "myenv",
                                          file_path = "path-to-pip-requirements-file")

تمكين Docker

يقوم Azure التعلم الآلي بإنشاء صورة Docker وإنشاء بيئة Python داخل تلك الحاوية ، مع مراعاة مواصفاتك. يتم تخزين صور Docker مؤقتا وإعادة استخدامها: عادة ما يستغرق التشغيل الأول في بيئة جديدة وقتا أطول أثناء إنشاء الصورة. بالنسبة لعمليات التشغيل المحلية، حدد Docker داخل RunConfiguration.

بشكل افتراضي، تظهر صورة Docker التي تم إنشاؤها حديثا في سجل الحاوية المقترن بمساحة العمل. يحتوي اسم المستودع على النموذج azureml/azureml_<uuid>. يتوافق جزء المعرف الفريد (uuid) من الاسم مع تجزئة يتم حسابها من تكوين البيئة. تسمح هذه المراسلات للخدمة بتحديد ما إذا كانت صورة للبيئة المعينة موجودة بالفعل لإعادة استخدامها.

استخدام صورة Docker مسبقة الإنشاء

بشكل افتراضي ، تستخدم الخدمة تلقائيا إحدى الصور الأساسية المستندة إلى Ubuntu Linux ، وتحديدا الصورة المحددة بواسطة azureml.core.environment.DEFAULT_CPU_IMAGE. ثم يقوم بتثبيت أي حزم Python محددة تحددها بيئة Azure ML المتوفرة. تتوفر صور Azure ML CPU CPU و GPU الأساسية الأخرى في مستودع الحاويات. من الممكن أيضا استخدام صورة قاعدة Docker مخصصة.

# Specify custom Docker base image and registry, if you don't want to use the defaults
myenv.docker.base_image="your_base-image"
myenv.docker.base_image_registry="your_registry_location"

هام

يدعم Azure التعلم الآلي صور Docker التي توفر البرامج التالية فقط:

  • أوبونتو 18.04 أو أحدث.
  • كوندا 4.7.# أو أكبر.
  • بايثون 3.6+.
  • مطلوب غلاف متوافق مع POSIX متوفر في /bin/sh في أي صورة حاوية تستخدم للتدريب.

استخدم ملف Dockerfile الخاص بك

يمكنك أيضا تحديد ملف Dockerfile مخصص. من الأسهل البدء من إحدى صور Azure التعلم الآلي الأساسية باستخدام الأمر DockerFROM، ثم إضافة الخطوات المخصصة الخاصة بك. استخدم هذا النهج إذا كنت بحاجة إلى تثبيت حزم غير Python كتبعيات. تذكر تعيين الصورة الأساسية إلى بلا.

يرجى ملاحظة أن Python هي تبعية ضمنية في Azure التعلم الآلي لذلك يجب تثبيت ملف dockerfile مخصص.

# Specify docker steps as a string. 
dockerfile = r"""
FROM mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04
RUN echo "Hello from custom container!"
"""

# Set base image to None, because the image is defined by dockerfile.
myenv.docker.base_image = None
myenv.docker.base_dockerfile = dockerfile

# Alternatively, load the string from a file.
myenv.docker.base_image = None
myenv.docker.base_dockerfile = "./Dockerfile"

عند استخدام صور Docker المخصصة، يوصى بتثبيت إصدارات الحزم لضمان إمكانية التكرار بشكل أفضل.

حدد مترجم بايثون الخاص بك

في بعض الحالات، قد تحتوي صورتك الأساسية المخصصة بالفعل على بيئة Python مع الحزم التي تريد استخدامها.

لاستخدام الحزم المثبتة الخاصة بك وتعطيل Conda ، قم بتعيين المعلمة Environment.python.user_managed_dependencies = True. تأكد من أن الصورة الأساسية تحتوي على مترجم Python ، وتحتوي على الحزم التي يحتاجها البرنامج النصي التدريبي.

على سبيل المثال، للتشغيل في بيئة Miniconda أساسية مثبتة عليها حزمة NumPy، حدد أولا Dockerfile مع خطوة لتثبيت الحزمة. ثم قم بتعيين التبعيات التي يديرها المستخدم إلى True.

يمكنك أيضا تحديد مسار إلى مترجم بايثون معين داخل الصورة، عن طريق تعيين المتغير Environment.python.interpreter_path .

dockerfile = """
FROM mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210615.v1
RUN conda install numpy
"""

myenv.docker.base_image = None
myenv.docker.base_dockerfile = dockerfile
myenv.python.user_managed_dependencies=True
myenv.python.interpreter_path = "/opt/miniconda/bin/python"

تحذير

إذا قمت بتثبيت بعض تبعيات Python في صورة Docker الخاصة بك ونسيت تعيينها user_managed_dependencies=True، فلن توجد هذه الحزم في بيئة التنفيذ مما يؤدي إلى فشل وقت التشغيل. بشكل افتراضي، سيقوم Azure ML بإنشاء بيئة Conda مع التبعيات التي حددتها، وسيقوم بتنفيذ التشغيل في تلك البيئة بدلا من استخدام أي مكتبات Python قمت بتثبيتها على الصورة الأساسية.

استرداد تفاصيل الصورة

بالنسبة لبيئة مسجلة، يمكنك استرداد تفاصيل الصورة باستخدام التعليمة البرمجية التالية حيث details يوجد مثيل ل DockerImageDetails (AzureML Python SDK >= 1.11) ويوفر كافة المعلومات حول صورة البيئة مثل ملف dockerfile والسجل واسم الصورة.

details = environment.get_image_details(workspace=ws)

للحصول على تفاصيل الصورة من بيئة تم حفظها تلقائيا من تنفيذ تشغيل، استخدم التعليمة البرمجية التالية:

details = run.get_environment().get_image_details(workspace=ws)

استخدام البيئات الموجودة

إذا كان لديك بيئة Conda موجودة على الكمبيوتر المحلي الخاص بك ، فيمكنك استخدام الخدمة لإنشاء كائن بيئة. باستخدام هذه الاستراتيجية، يمكنك إعادة استخدام بيئتك التفاعلية المحلية في عمليات التشغيل عن بعد.

التعليمة البرمجية التالية بإنشاء كائن بيئة من بيئة mycondaenvConda الموجودة . يستخدم الطريقة from_existing_conda_environment() .

myenv = Environment.from_existing_conda_environment(name="myenv",
                                                    conda_environment_name="mycondaenv")

يمكن حفظ تعريف البيئة في دليل بتنسيق قابل للتحرير بسهولة باستخدام الطريقة save_to_directory() . بمجرد التعديل ، يمكن إنشاء بيئة جديدة عن طريق تحميل الملفات من الدليل.

# save the enviroment
myenv.save_to_directory(path="path-to-destination-directory", overwrite=False)
# modify the environment definition
newenv = Environment.load_from_directory(path="path-to-source-directory")

استخدام البيئة الافتراضية ضمنيا

إذا لم تحدد بيئة في تكوين تشغيل البرنامج النصي قبل إرسال التشغيل، إنشاء بيئة افتراضية لك.

from azureml.core import ScriptRunConfig, Experiment, Environment
# Create experiment 
myexp = Experiment(workspace=ws, name = "environment-example")

# Attach training script and compute target to run config
src = ScriptRunConfig(source_directory=".", script="example.py", compute_target="local")

# Submit the run
run = myexp.submit(config=src)

# Show each step of run 
run.wait_for_completion(show_output=True)

إضافة حزم إلى بيئة

أضف حزم إلى بيئة باستخدام ملفات Conda أو pip أو ملفات العجلات الخاصة. حدد كل تبعية حزمة باستخدام الفئة CondaDependency . إضافته إلى البيئة PythonSection.

باقات كوندا وبيب

إذا كانت الحزمة متوفرة في مستودع حزم Conda، فإننا نوصي باستخدام تثبيت Conda بدلا من تثبيت النقطة. عادة ما تأتي حزم Conda مع ثنائيات مسبقة الصنع تجعل التثبيت أكثر موثوقية.

المثال التالي يضيف إلى البيئة myenv. يضيف الإصدار 1.17.0 من numpy. كما أنه يضيف pillow الحزمة. يستخدم add_conda_package() المثال الطريقة والطريقة ، add_pip_package() على التوالي.

from azureml.core.environment import Environment
from azureml.core.conda_dependencies import CondaDependencies

myenv = Environment(name="myenv")
conda_dep = CondaDependencies()

# Installs numpy version 1.17.0 conda package
conda_dep.add_conda_package("numpy==1.17.0")

# Installs pillow package
conda_dep.add_pip_package("pillow")

# Adds dependencies to PythonSection of myenv
myenv.python.conda_dependencies=conda_dep

هام

إذا كنت تستخدم نفس تعريف البيئة لتشغيل آخر، فإن خدمة Azure التعلم الآلي تعيد استخدام الصورة المخزنة مؤقتا لبيئتك. إذا قمت بإنشاء بيئة ذات تبعية حزمة غير مثبتة، على سبيل المثال numpy، فستستمر هذه البيئة في استخدام إصدار الحزمة المثبت في وقت إنشاء البيئة. أيضا ، ستستمر أي بيئة مستقبلية ذات تعريف مطابق في استخدام الإصدار القديم. لمزيد من المعلومات، راجع إنشاء البيئة والتخزين المؤقت وإعادة الاستخدام.

باقات بايثون الخاصة

لاستخدام حزم Python بشكل خاص وآمن دون تعريضها للإنترنت العام ، راجع المقالة كيفية استخدام حزم Python الخاصة.

إدارة البيئات

يمكنك إدارة البيئات بحيث يمكنك تحديثها وتعقبها وإعادة استخدامها عبر أهداف الحوسبة ومع المستخدمين الآخرين لمساحة العمل.

تسجيل البيئات

يتم تسجيل البيئة تلقائيا مع مساحة العمل الخاصة بك عند إرسال تشغيل أو نشر خدمة ويب. يمكنك أيضا تسجيل البيئة يدويا باستخدام الطريقة register() . تجعل هذه العملية البيئة كيانا يتم تعقبه وإصداره في السحابة. يمكن مشاركة الكيان بين مستخدمي مساحة العمل.

التعليمة البرمجية التالية بتسجيل myenv البيئة إلى ws مساحة العمل.

myenv.register(workspace=ws)

عند استخدام البيئة لأول مرة في التدريب أو النشر، يتم تسجيلها في مساحة العمل. ثم يتم بناؤه ونشره على هدف الحوسبة. تقوم الخدمة بتخزين البيئات مؤقتا. تستغرق إعادة استخدام بيئة مخزنة مؤقتا وقتا أقل بكثير من استخدام خدمة جديدة أو خدمة تم تحديثها.

الحصول على البيئات الحالية

يقدم Environment الفصل طرقا تسمح لك باسترداد البيئات الموجودة في مساحة العمل الخاصة بك. يمكنك استرداد البيئات بالاسم أو كقائمة أو عن طريق تشغيل تدريب معين. هذه المعلومات مفيدة لاستكشاف الأخطاء وإصلاحها والتدقيق وإمكانية التكرار.

عرض قائمة بالبيئات

عرض البيئات في مساحة العمل الخاصة بك باستخدام الفصل Environment.list(workspace="workspace_name") . ثم حدد بيئة لإعادة استخدامها.

الحصول على بيئة بالاسم

يمكنك أيضا الحصول على بيئة محددة بالاسم والإصدار. تستخدم التعليمة البرمجية التالية الأسلوب get() لاسترداد إصدار 1myenv البيئة على ws مساحة العمل.

restored_environment = Environment.get(workspace=ws,name="myenv",version="1")

تدريب بيئة خاصة بالتشغيل

للحصول على البيئة التي تم استخدامها لتشغيل معين بعد انتهاء التدريب، استخدم الطريقة في get_environment() الفصل Run .

from azureml.core import Run
Run.get_environment()

تحديث بيئة موجودة

لنفترض أنك غيرت بيئة موجودة، على سبيل المثال، عن طريق إضافة حزمة بايثون. سيستغرق ذلك بعض الوقت للإنشاء حيث يتم إنشاء إصدار جديد من البيئة عند إرسال تشغيل أو نشر نموذج أو تسجيل البيئة يدويا. يسمح لك تعيين الإصدار بعرض تغييرات البيئة بمرور الوقت.

لتحديث إصدار حزمة Python في بيئة موجودة، حدد رقم الإصدار لتلك الحزمة. إذا كنت لا تستخدم رقم الإصدار الدقيق، فسيقوم Azure التعلم الآلي بإعادة استخدام البيئة الحالية مع إصدارات الحزم الأصلية الخاصة به.

تصحيح أخطاء إنشاء الصورة

يستخدم المثال التالي الطريقة build() لإنشاء بيئة يدويا كصورة Docker. يراقب سجلات الإخراج من بناء الصورة باستخدام wait_for_completion(). ثم تظهر الصورة التي تم إنشاؤها في مثيل سجل حاوية Azure الخاص بمساحة العمل. هذه المعلومات مفيدة لتصحيح الأخطاء.

from azureml.core import Image
build = env.build(workspace=ws)
build.wait_for_completion(show_output=True)

من المفيد أولا إنشاء الصور محليا باستخدام الطريقة build_local() . لإنشاء صورة عامل الرصيف ، اضبط المعلمة useDocker=Trueالاختيارية . لدفع الصورة الناتجة إلى سجل حاوية مساحة عمل AzureML، قم بتعيين pushImageToWorkspaceAcr=True.

build = env.build_local(workspace=ws, useDocker=True, pushImageToWorkspaceAcr=True)

تحذير

سيؤدي تغيير ترتيب التبعيات أو القنوات في بيئة ما إلى بيئة جديدة وسيتطلب بناء صورة جديدة. بالإضافة إلى ذلك ، سيؤدي build() استدعاء الطريقة لصورة موجودة إلى تحديث تبعياتها إذا كانت هناك إصدارات جديدة.

استخدام سجل حاويات Azure بدون مسؤول (ACR) مع VNet

لم يعد مطلوبا من المستخدمين تمكين وضع المسؤول على ACR المرفق بمساحة العمل الخاصة بهم في سيناريوهات VNet. تأكد من أن وقت إنشاء الصورة المشتقة على الحوسبة أقل من 1 ساعة لتمكين البناء الناجح. بمجرد دفع الصورة إلى مساحة العمل ACR ، لا يمكن الآن الوصول إلى هذه الصورة إلا باستخدام هوية حوسبة. لمزيد من المعلومات حول الإعداد، راجع كيفية استخدام الهويات المدارة مع Azure التعلم الآلي.

استخدام البيئات للتدريب

لإرسال تشغيل تدريبي، تحتاج إلى دمج بيئتك وهدف الحساب والبرنامج النصي Python للتدريب في تكوين تشغيل. هذا التكوين هو كائن غلاف يستخدم لإرسال عمليات التشغيل.

عند إرسال تدريب ، قد يستغرق بناء بيئة جديدة عدة دقائق. تعتمد المدة على حجم التبعيات المطلوبة. يتم تخزين البيئات مؤقتا بواسطة الخدمة. طالما ظل تعريف البيئة دون تغيير، فإنك تتحمل وقت الإعداد الكامل مرة واحدة فقط.

يوضح مثال تشغيل البرنامج النصي المحلي التالي المكان الذي ستستخدمه ScriptRunConfig ككائن المجمع الخاص بك.

from azureml.core import ScriptRunConfig, Experiment
from azureml.core.environment import Environment

exp = Experiment(name="myexp", workspace = ws)
# Instantiate environment
myenv = Environment(name="myenv")

# Configure the ScriptRunConfig and specify the environment
src = ScriptRunConfig(source_directory=".", script="train.py", compute_target="local", environment=myenv)

# Submit run 
run = exp.submit(src)

ملاحظة

لتعطيل محفوظات التشغيل أو تشغيل اللقطات، استخدم الإعداد ضمن src.run_config.history.

هام

استخدم وحدات SKU لوحدة المعالجة المركزية لأي صورة مبنية على الحوسبة.

إذا لم تحدد البيئة في تكوين التشغيل، فستقوم الخدمة بإنشاء بيئة افتراضية عند إرسال التشغيل.

استخدام البيئات لنشر خدمة الويب

يمكنك استخدام البيئات عند نشر النموذج الخاص بك كخدمة ويب. تتيح هذه الإمكانية سير عمل متصل وقابل للتكرار. في سير العمل هذا، يمكنك تدريب النموذج واختباره ونشره باستخدام نفس المكتبات في كل من حوسبة التدريب وحساب الاستدلال.

إذا كنت تقوم بتعريف البيئة الخاصة بك لنشر خدمة ويب، فيجب عليك الإدراج azureml-defaults بالإصدار >= 1.0.45 كتبعية نقطة. تحتوي هذه الحزمة على الوظائف المطلوبة لاستضافة النموذج كخدمة ويب.

لنشر خدمة ويب، قم بدمج البيئة وحساب الاستدلال والبرنامج النصي لتسجيل النقاط والنموذج المسجل في كائن النشر الخاص بك، deploy(). لمزيد من المعلومات، راجع كيفية ومكان نشر النماذج.

في هذا المثال، افترض أنك أكملت عملية تدريب. الآن تريد نشر هذا النموذج إلى مثيلات حاوية Azure. عند إنشاء خدمة ويب، يتم تحميل ملفات النموذج وتسجيل النقاط على الصورة، وتتم إضافة مكدس الاستدلال Azure التعلم الآلي إلى الصورة.

from azureml.core.model import InferenceConfig, Model
from azureml.core.webservice import AciWebservice, Webservice

# Register the model to deploy
model = run.register_model(model_name = "mymodel", model_path = "outputs/model.pkl")

# Combine scoring script & environment in Inference configuration
inference_config = InferenceConfig(entry_script="score.py", environment=myenv)

# Set deployment configuration
deployment_config = AciWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1)

# Define the model, inference, & deployment configuration and web service name and location to deploy
service = Model.deploy(
    workspace = ws,
    name = "my_web_service",
    models = [model],
    inference_config = inference_config,
    deployment_config = deployment_config)

Notebooks

يتم أيضا تضمين أمثلة التعليمات البرمجية في هذه المقالة في دفتر ملاحظات استخدام البيئات.

لتثبيت بيئة Conda كنواة في دفتر ملاحظات، راجع إضافة نواة Jupyter جديدة.

يوضح نشر نموذج باستخدام صورة قاعدة Docker مخصصة كيفية نشر نموذج باستخدام صورة أساسية مخصصة ل Docker.

يوضح دفتر الملاحظات المثال هذا كيفية نشر نموذج Spark كخدمة ويب.

إنشاء بيئات وإدارتها باستخدام Azure CLI

APPLY TO: Azure CLI ml extensionع1 v2 (معاينة)

هام

تتطلب أوامر Azure CLI في هذه المقالة الامتداد azure-cli-ml، أو v1 ، ل Azure التعلم الآلي. يتوفر الآن الإصدار 2 CLI المحسن (المعاينة) باستخدام الإضافة ml ويوصى به. الملحقات غير متوافقة، لذلك لن تعمل أوامر v2 CLI للخطوات الواردة في هذه المقالة. ومع ذلك ، يمكن التفاعل مع مساحات عمل التعلم الآلي وجميع الموارد الأساسية من أي منهما ، مما يعني أنه يمكن لمستخدم واحد إنشاء مساحة عمل باستخدام الإصدار 1 CLI ويمكن لمستخدم آخر إرسال الوظائف إلى نفس مساحة العمل باستخدام الإصدار 2 CLI.

للعثور على الإضافات التي قمت بتثبيتها، استخدم az extension list. إذا كانت قائمة الملحقات تحتوي على azure-cli-ml، لديك الامتداد الصحيح للخطوات الواردة في هذه المقالة.

لمزيد من المعلومات حول تثبيت الملحقات المختلفة واستخدامها، راجع المقالات التالية:

يعكس Azure التعلم الآلي CLI معظم وظائف Python SDK. يمكنك استخدامه لإنشاء البيئات وإدارتها. توضح الأوامر التي نناقشها في هذا القسم الوظائف الأساسية.

يقوم الأمر التالي بسقالات الملفات الخاصة بتعريف بيئة افتراضي في الدليل المحدد. هذه الملفات هي ملفات JSON. أنها تعمل مثل الفئة المقابلة في SDK. يمكنك استخدام الملفات لإنشاء بيئات جديدة تحتوي على إعدادات مخصصة.

az ml environment scaffold -n myenv -d myenvdir

قم بتشغيل الأمر التالي لتسجيل بيئة من دليل محدد.

az ml environment register -d myenvdir

قم بتشغيل الأمر التالي لسرد كافة البيئات المسجلة.

az ml environment list

قم بتنزيل بيئة مسجلة باستخدام الأمر التالي.

az ml environment download -n myenv -d downloaddir

إنشاء بيئات وإدارتها باستخدام التعليمات البرمجية Visual Studio

باستخدام ملحق Azure التعلم الآلي، يمكنك إنشاء بيئات وإدارتها في Visual Studio Code. لمزيد من المعلومات، راجع إدارة موارد Azure التعلم الآلي باستخدام ملحق VS Code.

الخطوات التالية