Gérer les espaces de travail Azure Machine Learning dans le portail ou avec le Kit de développement logiciel (SDK) Python (v2)

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

Cet article explique comment créer, afficher et supprimer des espaces de travail Azure Machine Learning pour le service Azure Machine Learning avec le portail Azure ou le Kit de développement logiciel (SDK) pour Python.

À mesure que vos besoins évoluent ou que vos exigences en matière d’automation augmentent, vous pouvez gérer des espaces de travail avec l’interface CLI, PowerShell ou l’extension VS Code.

Prérequis

  • Un abonnement Azure. Si vous n’avez pas d’abonnement Azure, créez un compte gratuit avant de commencer. Essayez la version gratuite ou payante d’Azure Machine Learning dès aujourd’hui.
  • Avec le SDK Python :
    1. Installez le Kit de développement logiciel (SDK) v2.

    2. Installer azure-identity : pip install azure-identity. Si c’est dans une cellule de notebook, utilisez %pip install azure-identity.

    3. Fournissez les informations de votre abonnement :

      S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

      # Enter details of your subscription
      subscription_id = "<SUBSCRIPTION_ID>"
      resource_group = "<RESOURCE_GROUP>"
    4. Obtenez un descripteur pour l’abonnement. Tout le code Python de cet article utilise ml_client :

      # get a handle to the subscription
      
      from azure.ai.ml import MLClient
      from azure.identity import DefaultAzureCredential
      
      ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
      • (Facultatif) Si vous avez plusieurs comptes, ajoutez l’ID de locataire de l’instance Microsoft Entra ID que vous souhaitez utiliser dans le DefaultAzureCredential. Recherchez votre ID de locataire dans le portail Azure sous Microsoft Entra ID, External Identities.

        DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
        
      • (Facultatif) Si vous travaillez sur un cloud souverain, vous devez spécifier le cloud dans lequel vous souhaitez vous authentifier. Faites-le dans DefaultAzureCredential.

        from azure.identity import AzureAuthorityHosts
        DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
        

Limites

  • Lors de la création d’un espace de travail, vous pouvez soit créer automatiquement les services nécessaires à l’espace de travail, soit utiliser des services existants. Si vous voulez utiliser des services existants d’un autre abonnement Azure que l’espace de travail, vous devez inscrire l’espace de noms Azure Machine Learning dans l’abonnement qui contient ces services. Par exemple, la création d’un espace de travail dans l’abonnement A qui utilise un compte de stockage de l’abonnement B, l’espace de noms Azure Machine Learning doit être inscrit dans l’abonnement B pour que vous puissiez utiliser le compte de stockage avec l’espace de travail.

    Le fournisseur de ressources pour Azure Machine Learning est Microsoft.MachineLearningServices. Pour plus d’informations sur la façon de déterminer s’il est inscrit et de l’inscrire, consultez l’article Fournisseurs et types de ressources Azure.

    Important

    Cela s’applique uniquement aux ressources fournies lors de la création de l’espace de travail : comptes de stockage Azure, registre de conteneurs Azure, Azure Key Vault et Application Insights.

  • Pour l’isolement réseau avec des points de terminaison en ligne, vous pouvez utiliser des ressources associées à l’espace de travail (Azure Container Registry (ACR), compte de stockage, Key Vault et Application Insights) depuis un groupe de ressources différent de celui de votre espace de travail. Toutefois, ces ressources doivent appartenir aux mêmes abonnement et locataire que votre espace de travail. Pour plus d’informations sur les limitations qui s’appliquent à la sécurisation des points de terminaison en ligne managés à l’aide du réseau virtuel managé d’un espace de travail, consultez Isolement réseau avec des points de terminaison en ligne managés.

  • En créant un espace de travail, vous créez également un Azure Container Registry (ACR) par défaut. Étant donné qu’ACR ne prend actuellement pas en charge les caractères Unicode dans le nom des groupes de ressources, utilisez un groupe de ressources qui évite d’utiliser ces caractères.

  • Azure Machine Learning ne prend pas en charge l’espace de noms hiérarchique (fonctionnalité d’Azure Data Lake Storage Gen2) pour le compte de stockage par défaut de l’espace de travail.

Conseil

Une instance Azure Application Insights est créée lorsque vous créez l’espace de travail. Si vous le souhaitez, vous pouvez supprimer l’instance Application Insights après la création du cluster. Sa suppression limite les informations collectées à partir de l’espace de travail, et peut compliquer la résolution des problèmes. Si vous supprimez l’instance Application Insights créée par l’espace de travail, vous ne pouvez pas la recréer sans supprimer et recréer l’espace de travail.

Pour plus d’informations sur l’utilisation de cette instance Application Insights, consultez Superviser et collecter des données à partir des points de terminaison de service web Machine Learning.

Créer un espace de travail

Vous pouvez créer un espace de travail directement dans Azure Machine Learning studio, avec des options limitées disponibles. Vous pouvez également utiliser l’une de ces méthodes pour plus de contrôle des options :

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)

  • Spécification par défaut. Par défaut, les ressources dépendantes et le groupe de ressources sont créés automatiquement. Ce code crée un espace de travail nommé myworkspace et un groupe de ressources nommé myresourcegroup dans eastus2.

    # Creating a unique workspace name with current datetime to avoid conflicts
    from azure.ai.ml.entities import Workspace
    import datetime
    
    basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    ws_basic = Workspace(
        name=basic_workspace_name,
        location="eastus",
        display_name="Basic workspace-example",
        description="This example shows how to create a basic workspace",
        hbi_workspace=False,
        tags=dict(purpose="demo"),
    )
    
    ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
    print(ws_basic)
  • Utiliser des ressources Azure existantes. Vous pouvez également créer un espace de travail utilisant des ressources Azure existantes avec le format d’ID de ressource Azure. Recherchez les ID de ressource Azure spécifiques dans le portail Azure ou à l’aide du Kit de développement logiciel (SDK). Cet exemple suppose que le groupe de ressources, le compte de stockage, le coffre de clés, la fonctionnalité Application Insights et le registre de conteneurs existent déjà.

    # Creating a unique workspace name with current datetime to avoid conflicts
    import datetime
    from azure.ai.ml.entities import Workspace
    
    basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
        "%Y%m%d%H%M"
    )
    
    # Change the following variables to resource ids of your existing storage account, key vault, application insights
    # and container registry. Here we reuse the ones we just created for the basic workspace
    existing_storage_account = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
        ws_basic.storage_account
    )
    existing_container_registry = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
        ws_basic.container_registry
    )
    existing_key_vault = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
        ws_basic.key_vault
    )
    existing_application_insights = (
        # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
        ws_basic.application_insights
    )
    
    ws_with_existing_resources = Workspace(
        name=basic_ex_workspace_name,
        location="eastus",
        display_name="Bring your own dependent resources-example",
        description="This sample specifies a workspace configuration with existing dependent resources",
        storage_account=existing_storage_account,
        container_registry=existing_container_registry,
        key_vault=existing_key_vault,
        application_insights=existing_application_insights,
        tags=dict(purpose="demonstration"),
    )
    
    ws_with_existing_resources = ml_client.begin_create_or_update(
        ws_with_existing_resources
    ).result()
    
    print(ws_with_existing_resources)

Pour plus d’informations, consultez la Référence du Kit de développement logiciel (SDK) d’espace de travail.

Si vous rencontrez des problèmes pour accéder à votre abonnement, consultez Configurer l’authentification pour des ressources et des workflows Azure Machine Learning ainsi que le notebook Authentification dans Azure Machine Learning.

Mise en réseau

Important

Pour plus d’informations sur l’utilisation d’un point de terminaison privé et d’un réseau virtuel avec votre espace de travail, consultez Isolement réseau et confidentialité.

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Cette classe nécessite un réseau virtuel existant.

Chiffrement

Par défaut, une instance Azure Cosmos DB stocke les métadonnées de l’espace de travail. Microsoft gère cette instance Cosmos DB. Les clés managées par Microsoft chiffrent ces données.

Utiliser votre propre clé de chiffrement de données

Vous pouvez fournir votre propre clé pour le chiffrement des données. Cela crée l’instance d’Azure Cosmos DB qui stocke les métadonnées dans votre abonnement Azure. Pour plus d’informations, consultez Clés gérées par le client.

Procédez comme suit pour fournir votre propre clé :

Important

Avant de suivre ces étapes, vous devez d’abord effectuer ces actions :

Suivez les étapes décrites dans Configurer les clés gérées par le client pour :

  • Inscrire le fournisseur Azure Cosmos DB
  • Créer et configurer un coffre Azure Key Vault
  • Générer une clé

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)


from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Identité

Dans le portail, utilisez la page Identité pour configurer l’identité managée, l’accès au compte de stockage et l’impact sur les données. Pour le SDK Python, consultez les liens des sections suivantes.

Identité gérée

Un espace de travail peut recevoir une identité affecté par le système ou par l’utilisateur. Cette identité est utilisée pour accéder aux ressources de votre abonnement. Pour plus d’informations, consultez Configurer l’authentification entre Azure Machine Learning et d’autres services.

Accès au compte de stockage

Choisissez entre Accès basé sur les informations d’identification ou Accès basé sur l’identité lors de la connexion au compte de stockage par défaut. Pour l’authentification basée sur l’identité, le rôle Contributeur aux données Blob du stockage doit être accordé à l’identité managée de l’espace de travail sur le compte de stockage.

Impact des données

Pour limiter les données que Microsoft collecte sur votre espace de travail, sélectionnez l’espace de travail HBI (High Business Impact) dans le portail, ou définissez hbi_workspace=true dans Python. Pour plus d’informations sur ce paramètre, consultez Chiffrement au repos.

Important

La sélection de High Business Impact ne peut se faire que lors de la création d’un espace de travail. Vous ne pouvez pas modifier ce paramètre une fois l’espace de travail créé.

Balises

Les étiquettes sont des paires nom/valeur qui vous permettent de catégoriser les ressources et d’afficher une facturation centralisée en appliquant la même étiquette à plusieurs ressources et groupes de ressources.

Attribuez des balises pour l’espace de travail en entrant les paires nom/valeur. Pour plus d’informations, consultez Organisation des ressources Azure à l’aide de balises.

Utilisez également des balises pour [appliquer des stratégies d’espace de travail)(#appliquer-stratégies).

Télécharger un fichier de configuration

Si vous exécutez votre code sur une instance de calcul, ignorez cette étape. L’instance de calcul crée et stocke une copie de ce fichier pour vous.

Pour utiliser sur votre environnement local du code faisant référence à cet espace de travail, téléchargez le fichier :

  1. Sélectionner votre espace de travail dans Azure Studio

  2. En haut à droite, sélectionnez le nom de l’espace de travail, puis Télécharger config.json.

    Télécharger config.json

Placez le fichier dans la structure de répertoires qui contient vos scripts Python ou vos notebooks Jupyter. Le même répertoire, un sous-répertoire nommé .azureml ou un répertoire parent peut contenir ce fichier. Quand vous créez une instance de calcul, ce fichier est automatiquement ajouté dans le répertoire approprié sur la machine virtuelle.

Appliquer des stratégies

Vous pouvez activer/désactiver ces fonctionnalités d’un espace de travail :

  • Opportunités de commentaires dans l’espace de travail. Les opportunités comprennent des enquêtes occasionnelles dans le produit et l’outil de commentaires visage souriant/mécontent dans la bannière de l’espace de travail.
  • Possibilité d’essayer les fonctionnalités d’évaluation dans l’espace de travail.

Ces fonctionnalités sont par défaut. Pour les désactiver :

  • Lors de la création de l’espace de travail, désactivez les fonctionnalités dans la section Balises :

    1. Désactiver les commentaires en ajoutant la paire « ADMIN_HIDE_SURVEY: TRUE »
    2. Désactiver les préversions en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE": "TRUE »
  • Pour un espace de travail existant, désactivez les fonctionnalités dans la section Balises :

    1. Accéder à la ressource de l’espace de travail dans le Portail Azure
    2. Ouvrez la section Balises dans le volet de navigation gauche.
    3. Désactiver les commentaires en ajoutant la paire « ADMIN_HIDE_SURVEY: TRUE »
    4. Désactiver les préversions en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE: TRUE »
    5. Sélectionnez Appliquer.

Capture d’écran des balises de paramètres permettant d’empêcher l’envoi de commentaires dans l’espace de travail.

Vous pouvez désactiver les préversions au niveau de l’abonnement, ce qui veille à leur désactivation pour tout l’espace de travail de l’abonnement. Dans ce cas, les utilisateurs de l’abonnement n’ont pas non plus accès à l’outil de préversion avant la sélection d’espace de travail. Ce paramètre est utile pour les administrateurs qui veulent s’assurer que les fonctionnalités d’évaluation ne sont pas utilisées dans leur organisation.

Le paramètre de préversion est ignoré sur des espaces de travail individuels s’il est désactivé au niveau de l’abonnement de ces espaces de travail.

Pour désactiver les fonctionnalités d’évaluation au niveau de l’abonnement :

  1. Accéder à la ressource de l’abonnement dans le Portail Azure
  2. Ouvrez la section Balises dans le volet de navigation gauche.
  3. Désactiver les préversions pour tous les espaces de travail de l’abonnement en ajoutant la paire « AZML_DISABLE_PREVIEW_FEATURE: TRUE »
  4. Sélectionnez Appliquer.

Se connecter à un espace de travail

Lors de l’exécution de tâches Machine Learning avec le Kit de développement logiciel (SDK), vous avez besoin d’un objet MLClient qui spécifie la connexion à votre espace de travail. Vous pouvez créer un objet MLClient à partir de paramètres ou avec un fichier de configuration.

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-ml v2 (actuelle)

  • Avec un fichier config : ce code lit le contenu du fichier config pour localiser votre espace de travail. Si vous ne vous êtes pas déjà authentifié, une fenêtre s’ouvre pour vous inviter à vous connecter.

    from azure.ai.ml import MLClient
    
    # read the config from the current directory
    ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
    
  • À partir de paramètres : il n’est pas nécessaire d’avoir un fichier config.json disponible si vous utilisez cette approche.

    from azure.ai.ml import MLClient
    from azure.ai.ml.entities import Workspace
    from azure.identity import DefaultAzureCredential
    
    ws = MLClient(
        DefaultAzureCredential(),
        subscription_id="<SUBSCRIPTION_ID>",
        resource_group_name="<RESOURCE_GROUP>",
        workspace_name="<AML_WORKSPACE_NAME>",
    )
    print(ws)

Si vous rencontrez des problèmes pour accéder à votre abonnement, consultez Configurer l’authentification pour des ressources et des workflows Azure Machine Learning ainsi que le notebook Authentification dans Azure Machine Learning.

Trouver un espace de travail

Consultez la liste de tous les espaces de travail que vous avez disponibles. Vous pouvez également rechercher un espace de travail dans Studio. Consultez Recherche de ressources Azure Machine Learning (préversion).

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Pour obtenir des détails spécifiques sur l’espace de travail :

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Supprimer un espace de travail

Lorsque vous n’avez plus besoin d’un espace de travail, supprimez-le.

Avertissement

Si la suppression réversible est activée pour l’espace de travail, celui-ci peut être récupéré après sa suppression. Si la suppression réversible n’est pas activée ou si vous sélectionnez l’option permettant de supprimer définitivement l’espace de travail, celui-ci ne peut plus être récupéré. Pour plus d'informations, consultez Récupérer un espace de travail supprimé.

Conseil

Le comportement par défaut d’Azure Machine Learning consiste en une suppression réversible de l’espace de travail. Cela signifie que l’espace de travail n’est pas immédiatement supprimé, mais marqué pour suppression. Pour plus d’informations, consultez Suppression réversible.

S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

L’action par défaut ne supprime pas automatiquement les ressources

  • Container Registry
  • compte de stockage
  • coffre de clés
  • application insights

associées à l’espace de travail. Définissez delete_dependent_resources sur True pour supprimer également ces ressources.

Nettoyer les ressources

Important

Les ressources que vous avez créées peuvent être utilisées comme prérequis pour d’autres tutoriels d’Azure Machine Learning et des articles de procédure.

Si vous n’avez pas l’intention d’utiliser les ressources que vous avez créées, supprimez-les pour éviter des frais :

  1. Dans le portail Azure, sélectionnez Groupes de ressources tout à gauche.

  2. Dans la liste, sélectionnez le groupe de ressources créé.

  3. Sélectionnez Supprimer le groupe de ressources.

    Capture d’écran des sélections permettant de supprimer un groupe de ressources dans le portail Azure.

  4. Entrez le nom du groupe de ressources. Puis sélectionnez Supprimer.

Dépannage

  • Navigateurs pris en charge dans Azure Machine Learning studio : Nous vous suggérons d’utiliser le navigateur le plus récent compatible avec votre système d’exploitation. Ces navigateurs sont pris en charge :

    • Microsoft Edge (le nouveau Microsoft Edge, dernière version. Remarque : Microsoft Edge hérité n’est pas pris en charge)
    • Safari (dernière version, Mac uniquement)
    • Chrome (version la plus récente)
    • Firefox (version la plus récente)
  • Portail Azure:

    • Si vous accédez directement à votre espace de travail à partir d’un lien de partage provenant du kit SDK ou du Portail Azure, vous ne pourrez pas afficher la page Vue d’ensemble standard comportant des informations sur l’abonnement dans l’extension. De plus, vous ne pouvez pas basculer vers un autre espace de travail dans ce scénario. Pour afficher un autre espace de travail, accédez directement à Azure Machine Learning Studio, puis recherchez le nom de l’espace de travail.
    • Toutes les ressources (données, expériences, calculs, etc.) sont uniquement disponibles dans Azure Machine Learning studio. Le portail Azure ne les propose pas.
    • La tentative d’exportation d’un modèle pour un espace de travail à partir du portail Azure peut retourner une erreur semblable à ce texte : Could not get resource of the type <type>. Resources of this type will not be exported. Comme solution de contournement, utilisez l’un des modèles fournis dans https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices comme base pour votre modèle.

Diagnostics de l’espace de travail

Vous pouvez exécuter des diagnostics sur votre espace de travail à partir d’Azure Machine Learning studio ou du kit de développement logiciel (SDK) Python. Une fois les diagnostics exécutés, une liste de tous les problèmes détectés est retournée. Cette liste contient des liens vers des solutions possibles. Pour plus d’informations, consultez Comment utiliser les diagnostics de l’espace de travail.

Erreurs du fournisseur de ressources

Lors de la création d’un espace de travail Azure Machine Learning ou d’une ressource utilisée par l’espace de travail, vous pouvez recevoir un message d’erreur semblable aux messages suivants :

  • No registered resource provider found for location {location}
  • The subscription is not registered to use namespace {resource-provider-namespace}

Par défaut, la plupart des fournisseurs de ressources sont enregistrés automatiquement. Si vous recevez ce message, vous devez inscrire le fournisseur mentionné.

Le tableau suivant contient la liste des fournisseurs de ressources requis par Azure Machine Learning :

Fournisseur de ressources Pourquoi il est nécessaire
Microsoft.MachineLearningServices Création de l’espace de travail Azure Machine Learning.
Microsoft.Storage Un compte Stockage Azure est utilisé comme stockage par défaut pour l’espace de travail.
Microsoft.ContainerRegistry Azure Container Registry est utilisé par l’espace de travail pour créer des images Docker.
Microsoft.KeyVault Azure Key Vault est utilisé par l’espace de travail pour stocker les secrets.
Microsoft.Notebooks Notebooks intégrés sur l’instance de calcul Azure Machine Learning.
Microsoft.ContainerService Si vous envisagez de déployer des modèles entraînés sur Azure Kubernetes Service.

Si vous prévoyez d’utiliser une clé gérée par le client avec Azure Machine Learning, les fournisseurs de services suivants doivent être inscrits :

Fournisseur de ressources Pourquoi il est nécessaire
Microsoft.DocumentDB Instance Azure CosmosDB qui journalise les métadonnées de l’espace de travail.
Microsoft.Search La Recherche Azure fournit des fonctionnalités d’indexation pour l’espace de travail.

Si vous envisagez d’utiliser un réseau virtuel managé avec Azure Machine Learning, le fournisseur de ressources Microsoft.Network doit être inscrit. Ce fournisseur de ressources est utilisé par l’espace de travail lors de la création de points de terminaison privés pour le réseau virtuel managé.

Pour plus d’informations sur l’inscription d’un fournisseur de ressources, consultez Résoudre les erreurs d’inscription de fournisseurs de ressources.

Suppression d'Azure Container Registry

L’espace de travail Azure Machine Learning utilise l’Azure Container Registry (ACR) pour certaines opérations. Il crée automatiquement une instance ACR dès qu'il en a besoin.

Avertissement

Une fois qu’un Azure Container Registry a été créé pour un espace de travail, ne le supprimez pas. Cela entraînerait l’arrêt de votre espace de travail Azure Machine Learning.

Exemples

Les exemples de cet article proviennent de workspace.ipynb.

Étapes suivantes

Une fois que vous disposez d’un espace de travail, découvrez comment effectuer l’apprentissage d’un modèle, puis déployer celui-ci.

Pour en savoir plus sur la planification d’un espace de travail pour les besoins de votre organisation, consultez Organiser et configurer Azure Machine Learning.

Pour plus d’informations sur la façon de maintenir votre Azure Machine Learning à jour avec les dernières mises à jour de sécurité, consultez Gestion des vulnérabilités.