Share via

Nasazení pracovního prostoru Machine Learning Studia (Classic) pomocí Azure Resource Manager

  • Článek

PLATÍ PRO:Platí pro.Machine Learning Studio (classic) Se nevztahuje na.Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Použití šablony nasazení Azure Resource Manager vám ušetří čas tím, že poskytuje škálovatelný způsob nasazení vzájemně propojených komponent pomocí mechanismu ověřování a opakování. Pokud například chcete nastavit pracovní prostory nástroje Machine Learning Studio (Classic), musíte nejprve nakonfigurovat účet úložiště Azure a pak nasadit pracovní prostor. Představte si, že to uděláte ručně pro stovky pracovních prostorů. Jednodušší alternativou je použití šablony Azure Resource Manager k nasazení pracovního prostoru Studia (classic) a všech jeho závislostí. Tento článek vás tímto procesem provede podrobným postupem. Skvělý přehled azure Resource Manager najdete v tématu Přehled azure Resource Manager.

Poznámka

Při práci s Azure doporučujeme používat modul Azure Az PowerShellu. Začněte tím, že si projdete téma Instalace Azure PowerShellu. Informace o tom, jak migrovat na modul Az PowerShell, najdete v tématu Migrace Azure PowerShellu z AzureRM na Az.

Podrobný postup: Vytvoření pracovního prostoru služby Machine Learning

Vytvoříme skupinu prostředků Azure a pak nasadíme nový účet úložiště Azure a nový pracovní prostor Machine Learning Studia (Classic) pomocí šablony Resource Manager. Po dokončení nasazení vytiskneme důležité informace o pracovních prostorech, které byly vytvořeny (primární klíč, ID pracovního prostoru a adresa URL pracovního prostoru).

Vytvoření šablony Azure Resource Manager

Pracovní prostor služby Machine Learning vyžaduje účet úložiště Azure k uložení datové sady, která je s ním propojená. Následující šablona používá název skupiny prostředků k vygenerování názvu účtu úložiště a názvu pracovního prostoru. Název účtu úložiště používá také jako vlastnost při vytváření pracovního prostoru.

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

Tuto šablonu uložte jako soubor mlworkspace.json pod c:\temp.

Nasazení skupiny prostředků na základě šablony

  • Otevření Powershellu
  • Instalace modulů pro Azure Resource Manager a Azure Service Management
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

Tento postup stáhne a nainstaluje moduly potřebné k dokončení zbývajících kroků. V prostředí, ve kterém spouštíte příkazy PowerShellu, je potřeba to provést jenom jednou.

  • Ověřování v Azure
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

Tento krok je potřeba opakovat pro každou relaci. Po ověření by se měly zobrazit informace o vašem předplatném.

Účet Azure

Teď, když máme přístup k Azure, můžeme vytvořit skupinu prostředků.

  • Vytvoření skupiny prostředků
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

Ověřte, že je skupina prostředků správně zřízená. ProvisioningState by měl být "Succeeded" (Úspěch). Název skupiny prostředků šablona používá k vygenerování názvu účtu úložiště. Název účtu úložiště musí mít délku 3 až 24 znaků a musí používat jenom číslice a malá písmena.

Skupina prostředků

  • Pomocí nasazení skupiny prostředků nasaďte nový pracovní prostor služby Machine Learning.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

Po dokončení nasazení je snadný přístup k vlastnostem pracovního prostoru, který jste nasadili. Můžete například získat přístup k tokenu primárního klíče.

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

Dalším způsobem, jak načíst tokeny existujícího pracovního prostoru, je použít příkaz Invoke-AzResourceAction. Můžete například zobrazit seznam primárních a sekundárních tokenů všech pracovních prostorů.

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

Po zřízení pracovního prostoru můžete pomocí modulu PowerShellu pro Machine Learning Studio (classic) také automatizovat mnoho úloh nástroje Machine Learning Studio (Classic).

Další kroky