Machine Learning Studio (klasszikus) munkaterület üzembe helyezése az Azure Resource Manager használatával
A KÖVETKEZŐRE VONATKOZIK:A Machine Learning Studio (klasszikus) Azure Machine Learning
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek ML Studióból (klasszikus) azure Machine Learningbe való áthelyezéséről.
- További információ az Azure Machine Learningről
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Az Azure Resource Manager üzembehelyezési sablon használatával időt takaríthat meg azzal, hogy skálázható módon üzembe helyezheti az összekapcsolt összetevőket egy érvényesítési és újrapróbálkozási mechanizmussal. A Machine Learning Studio (klasszikus) munkaterületek beállításához például konfigurálnia kell egy Azure Storage-fiókot, majd üzembe kell helyeznie a munkaterületet. Képzelje el, hogy ezt manuálisan végzi több száz munkaterületen. Egyszerűbb alternatíva egy Azure Resource Manager-sablon használata a Studio (klasszikus) munkaterület és annak összes függőségének üzembe helyezéséhez. Ez a cikk lépésről lépésre végigvezeti ezen a folyamaton. Az Azure Resource Manager nagyszerű áttekintéséért lásd: Azure Resource Manager áttekintése.
Megjegyzés
Javasoljuk, hogy az Azure-ral való interakcióhoz az Azure Az PowerShell-modult használja. Az első lépésekhez tekintse meg az Azure PowerShell telepítését ismertető szakaszt. Az Az PowerShell-modulra történő migrálás részleteiről lásd: Az Azure PowerShell migrálása az AzureRM modulból az Az modulba.
Részletes útmutató: Machine Learning-munkaterület létrehozása
Létrehozunk egy Azure-erőforráscsoportot, majd üzembe helyezünk egy új Azure Storage-fiókot és egy új Machine Learning Studio-munkaterületet (klasszikus) egy Resource Manager sablon használatával. Az üzembe helyezés befejezése után fontos információkat nyomtatunk ki a létrehozott munkaterületekről (az elsődleges kulcsról, a munkaterület azonosítójáról és a munkaterület URL-címéről).
Azure Resource Manager-sablon létrehozása
A Machine Learning-munkaterülethez egy Azure Storage-fiók szükséges a hozzá társított adatkészlet tárolásához. Az alábbi sablon az erőforráscsoport nevét használja a tárfiók és a munkaterület nevének létrehozásához. A tárfiók nevét is tulajdonságként használja a munkaterület létrehozásakor.
{
"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)]"}
}
}
Mentse ezt a sablont mlworkspace.json fájlként a c:\temp fájlban.
Az erőforráscsoport üzembe helyezése a sablon alapján
- A PowerShell megnyitása
- Modulok telepítése az Azure Resource Manager és az Azure Service Management szolgáltatáshoz
# 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
Ezek a lépések letöltik és telepítik a többi lépés végrehajtásához szükséges modulokat. Ezt csak egyszer kell elvégezni abban a környezetben, ahol a PowerShell-parancsokat hajtja végre.
- Hitelesítés az Azure-ban
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount
Ezt a lépést minden munkamenethez meg kell ismételni. A hitelesítést követően meg kell jelenítenie az előfizetés adatait.
Most, hogy hozzáfértünk az Azure-hoz, létrehozhatjuk az erőforráscsoportot.
- Erőforráscsoport létrehozása
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg
Ellenőrizze, hogy az erőforráscsoport megfelelően van-e kiépítve. A ProvisioningState értékének "Sikeresnek" kell lennie. A sablon az erőforráscsoport nevét használja a tárfiók nevének létrehozásához. A tárfiók nevének 3 és 24 karakter közötti hosszúságúnak kell lennie, és csak számokat és kisbetűket kell használnia.
- Az erőforráscsoport üzembe helyezésével helyezzen üzembe egy új Machine Learning-munkaterületet.
# 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
Az üzembe helyezés befejezése után egyszerűen hozzáférhet az üzembe helyezett munkaterület tulajdonságaihoz. Elérheti például az elsődleges kulcs jogkivonatát.
# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value
A meglévő munkaterület tokenjeinek lekérésének másik módja a Invoke-AzResourceAction parancs használata. Listázhatja például az összes munkaterület elsődleges és másodlagos jogkivonatát.
# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}
A munkaterület kiépítése után számos Machine Learning Studio-feladatot (klasszikus) is automatizálhat a Machine Learning Studióhoz készült PowerShell-modul (klasszikus) használatával.
Következő lépések
- További információ az Azure Resource Manager-sablonok készítéséről.
- Tekintse meg az Azure Gyorsindítási sablonok adattárát.
- Tekintse meg ezt a videót az Azure Resource Manager.
- Tekintse meg a Resource Manager sablon referencia súgóját