Gérer une instance de calcul Azure Machine Learning

Article
05/07/2024

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)Kit de développement logiciel (SDK) Python azure-ai-ml v2 (préversion)

Découvrez comment gérer une instance de calcul dans votre espace de travail Azure Machine Learning.

Utilisez une instance de calcul comme environnement de développement complètement configuré et managé dans le cloud. Pour le développement et le test, vous pouvez également utiliser l’instance en tant que cible de calcul d’entraînement. Une instance de calcul peut exécuter plusieurs travaux en parallèle et dispose d’une file d’attente de travaux. Parce qu’il s’agit d’un environnement de développement, une instance de calcul ne peut pas être partagée avec d’autres utilisateurs dans votre espace de travail.

Dans cet article, vous apprenez à démarrer, arrêter, redémarrer et supprimer une instance de calcul. Pour apprendre à créer une instance de calcul, consultez Créer une instance de calcul Azure Machine Learning.

Remarque

Cet article présente l’interface CLI v2 dans les sections ci-dessous. Si vous utilisez toujours l’interface CLI v1, consultez Créer un cluster de calcul Azure Machine Learning avec l’Interface CLI v1.

Prérequis

Un espace de travail Azure Machine Learning. Pour plus d’informations, consultez Gestion des espaces de travail Azure Machine Learning.

Sélectionnez l’onglet adapté au reste des prérequis en fonction de votre méthode préférée pour gérer votre instance de calcul.

Si vous n’exécutez pas votre code sur une instance de calcul, installez le kit SDK Python Azure Machine Learning. Ce kit SDK est déjà installé pour vous sur une instance de calcul.
Connectez-vous à l’espace de travail via votre script Python :

Exécutez ce code pour vous connecter à votre espace de travail Azure Machine Learning.

Remplacez votre ID d’abonnement, le nom du groupe de ressources et le nom de l’espace de travail dans le code suivant. Pour rechercher ces valeurs :
1. Connectez-vous à Azure Machine Learning Studio.
2. Ouvrez l’espace de travail que vous souhaitez utiliser.
3. Sélectionnez le nom de votre espace de travail dans la barre d’outils Azure Machine Learning studio en haut à droite.
4. Copiez la valeur de l’espace de travail, du groupe de ressources et de l’ID d’abonnement dans le code.
5. Copiez une valeur, fermez la zone, puis collez la valeur dans un notebook au sein de studio. Revenez ensuite chercher la valeur suivante, et répétez l’opération.
S’APPLIQUE À : Kit de développement logiciel (SDK) Python azure-ai-mlv2 (préversion)
```
# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"
```
```
# get a handle to the workspace
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)
```
ml_client est un gestionnaire de l’espace de travail, qui vous permet de gérer d’autres ressources et travaux.

Si vous n’exécutez pas ces commandes sur une instance de calcul, installez l’extension Azure CLI pour Machine Learning service (v2). Cette extension est déjà installée pour vous sur une instance de calcul.
Authentifiez-vous, puis définissez l’espace de travail et le groupe de ressources par défaut. Laissez le terminal ouvert pour exécuter les autres commandes de cet article.
- Si vous êtes sur une instance de calcul :
```
az login --identity
# next line needed only if you have multiple subscriptions:
az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
```
- Si vous exécutez les commandes localement, omettez --identity, et suivez les instructions d’authentification. Remplacez également $CI_RESOURCE_GROUP et $CI_WORKSPACE par vos valeurs.

Gérer

Démarrez, arrêtez, redémarrez et supprimez une instance de calcul. Une instance de calcul ne fait pas automatiquement de scale-down. Veillez donc à arrêter la ressource pour éviter des frais continus. L’arrêt d’une instance de calcul a pour effet de la libérer. Ensuite, redémarrez-la quand vous en avez besoin. Si l’arrêt de l’instance de calcul met fin à la facturation des heures de calcul, vous êtes encore facturé pour le disque, l’IP publique et l’équilibreur de charge standard.

Vous pouvez activer l’arrêt automatique pour arrêter automatiquement l’instance de calcul après une heure spécifiée.

Vous pouvez également créer une planification pour que l’instance de calcul démarre et s’arrête automatiquement en fonction d’une heure et d’un jour de la semaine.

Conseil

L’instance de calcul a un disque de système d’exploitation de 120 Go. Si vous ne disposez pas de suffisamment d’espace disque, utilisez le terminal pour effacer au moins 1 à 2 Go avant d’arrêter ou redémarrer l’instance de calcul. N’arrêtez pas l’instance de calcul en émettant la commande sudo shutdown depuis le terminal. La taille du disque temporaire sur l’instance de calcul dépend de la taille de machine virtuelle choisie et est montée sur/mnt.

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

Dans ces exemples, le nom de l’instance de calcul est stocké dans la variable ci_basic_name.

Obtenir l’état

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Get compute
ci_basic_state = ml_client.compute.get(ci_basic_name)

Arrêter

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Stop compute
ml_client.compute.begin_stop(ci_basic_name).wait()

Démarrer

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Start compute
ml_client.compute.begin_start(ci_basic_name).wait()

Redémarrer

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Restart compute
ml_client.compute.begin_restart(ci_basic_name).wait()

Supprimer

from azure.ai.ml.entities import ComputeInstance, AmlCompute

ml_client.compute.begin_delete(ci_basic_name).wait()

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

Dans ces exemples, le nom de l’instance de calcul est instance.

Arrêter
```
az ml compute stop --name instance 
```
Démarrer
```
az ml compute start --name instance 
```
Redémarrer
```
az ml compute restart --name instance 
```
Supprimer
```
az ml compute delete --name instance 
```

Dans votre espace de travail dans Azure Machine Learning Studio, sélectionnez Calcul, puis Instance de calcul en haut.

Vous pouvez effectuer les actions suivantes :

Créer une instance de calcul
Actualiser l’onglet des instances de calcul.
Démarrer, arrêter et redémarrer une instance de calcul. Vous payez pour l’instance chaque fois qu’elle s’exécute. Arrêtez l’instance de calcul quand vous ne l’utilisez pas, pour réduire les coûts. L’arrêt d’une instance de calcul a pour effet de la libérer. Ensuite, redémarrez-la quand vous en avez besoin. Vous pouvez également planifier l’heure de démarrage et d’arrêt de l’instance de calcul.
Supprimer une instance de calcul.
Filtrez la liste des instances de calcul pour afficher uniquement celles que vous avez créées.

Pour chaque instance de calcul d’un espace de travail que vous avez créée (ou qui a été créée pour vous), vous pouvez :

Accéder à Jupyter, JupyterLab et RStudio sur l’instance de calcul.
Ajouter un accès SSH à une instance de calcul. L’accès SSH est désactivé par défaut, mais il peut être activé au moment de la création de l’instance de calcul. L’accès SSH s’effectue par le biais d’un mécanisme de clé publique/privée. L’onglet vous donne des informations sur la connexion SSH, dont l’adresse IP, le nom d’utilisateur et le numéro de port. Dans un déploiement de réseau virtuel, la désactivation de SSH empêche un accès SSH à partir de l’Internet public. Vous pouvez toujours effectuer une connexion SSH à partir d’un réseau virtuel à l’aide de l’adresse IP privée du nœud d’instance de calcul et du port 22.

Conseil

Si les instances de calcul se situent dans un réseau virtuel managé et que l’adresse IP publique est désactivée, utilisez la commande az ml compute connect-ssh pour vous connecter à l’instance de calcul.
Sélectionner le nom du calcul pour :
- Afficher des informations sur une instance de calcul spécifique, telles que l’adresse IP et la région.
- Créez ou modifiez la planification du démarrage et de l’arrêt de l’instance de calcul. Faites défiler vers le bas de la page pour modifier la planification.

Le contrôle d'accès en fonction du rôle Azure (Azure RBAC) vous permet de contrôler les utilisateurs de l'espace de travail qui peuvent créer, supprimer, démarrer ou arrêter une instance de calcul. Tous les utilisateurs ayant les rôles Contributeur et Propriétaire dans l’espace de travail sont autorisés à créer, supprimer, démarrer, arrêter et redémarrer des instances de calcul dans tout l’espace de travail. Toutefois, seul le créateur d’une instance de calcul spécifique, ou l’utilisateur affecté si elle a été créée en son nom, est autorisé à accéder à Jupyter, JupyterLab et RStudio sur cette instance de calcul. Une instance de calcul est dédiée à un seul utilisateur qui a un accès racine. Cet utilisateur a accès à Jupyter/JupyterLab/RStudio s’exécutant sur l’instance. L’instance de calcul dispose d’une connexion à utilisateur unique et toutes les actions utilisent l’identité de cet utilisateur pour Azure RBAC et pour l’attribution des tâches d’expérience. L’accès SSH est contrôlé par le biais d’un mécanisme de clé publique/privée.

Ces actions peuvent être contrôlées par Azure RBAC :

Microsoft.MachineLearningServices/workspaces/computes/read
Microsoft.MachineLearningServices/workspaces/computes/write
Microsoft.MachineLearningServices/workspaces/computes/delete
Microsoft.MachineLearningServices/workspaces/computes/start/action
Microsoft.MachineLearningServices/workspaces/computes/stop/action
Microsoft.MachineLearningServices/workspaces/computes/restart/action
Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

Pour créer une instance de calcul, vous avez besoin d’autorisations pour les actions suivantes :

Microsoft.MachineLearningServices/workspaces/computes/write
Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Audit et observation de la version de l’instance de calcul

Une fois déployée, une instance de calcul n’est pas mise à jour automatiquement. Microsoft publie de nouvelles images de machine virtuelle tous les mois. Pour connaître les options permettant de rester à jour avec la dernière version, consultez Gestion des vulnérabilités.

Pour savoir si la version du système d’exploitation d’une instance est à jour, vous pouvez interroger sa version en utilisant la CLI, le SDK ou l’interface utilisateur Studio.

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

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print instance.os_image_metadata

Pour plus d’informations sur les classes, les méthodes et les paramètres utilisés dans cet exemple, consultez les documents de référence suivants :

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

Les administrateurs informatiques peuvent utiliser Azure Policy pour surveiller l’inventaire des instances dans les espaces de travail du portail de conformité Azure Policy. Affectez la stratégie intégrée Auditer les instances de calcul Azure Machine Learning avec un système d’exploitation obsolète sur un abonnement Azure ou une étendue de groupe d’administration Azure.

Partager via

Gérer une instance de calcul Azure Machine Learning

Prérequis

Gérer

Audit et observation de la version de l’instance de calcul

Étapes suivantes

Ressources supplémentaires