Mi az az Azure Machine Learning számítási példány?What is an Azure Machine Learning compute instance?

A Azure Machine Learning számítási példány egy felügyelt felhőalapú munkaállomás adatszakértők számára.An Azure Machine Learning compute instance is a managed cloud-based workstation for data scientists.

A számítási példányok megkönnyítik a fejlesztés első Azure Machine Learning, valamint felügyeleti és vállalati készültségi képességeket biztosítanak a rendszergazdák számára.Compute instances make it easy to get started with Azure Machine Learning development as well as provide management and enterprise readiness capabilities for IT administrators.

Számítási példány használata teljes körűen konfigurált és felügyelt fejlesztési környezetként a felhőben a gépi tanuláshoz.Use a compute instance as your fully configured and managed development environment in the cloud for machine learning. Emellett számítási célként is használhatók betanításra és következtetésre fejlesztési és tesztelési célokra.They can also be used as a compute target for training and inferencing for development and testing purposes.

Éles környezetben használt modellbesoroláshoz használjon Azure Machine Learning számítási fürtöt többcsomópontos skálázási képességekkel.For production grade model training, use an Azure Machine Learning compute cluster with multi-node scaling capabilities. Éles környezetben használt modell üzembe helyezéséhez használja a Azure Kubernetes Service fürtöt.For production grade model deployment, use Azure Kubernetes Service cluster.

A számítási példány Jupyter-funkcióinak használatához győződjön meg arról, hogy a webes szoftvercsatornák kommunikációja nincs letiltva.For compute instance Jupyter functionality to work, ensure that web socket communication is not disabled. Győződjön meg arról, hogy a hálózat engedélyezi a websocket-kapcsolatokat a *.instances.azureml.net és *.instances.azureml.ms.Please ensure your network allows websocket connections to *.instances.azureml.net and *.instances.azureml.ms.

Miért érdemes számítási példányt használni?Why use a compute instance?

A számítási példány egy teljes körűen felügyelt, felhőalapú munkaállomás, amely az Ön gépi tanulási fejlesztési környezetére van optimalizálva.A compute instance is a fully managed cloud-based workstation optimized for your machine learning development environment. A következő előnyöket biztosítja:It provides the following benefits:

Főbb előnyökKey benefits DescriptionDescription
TermelékenységProductivity Modelleket integrált jegyzetfüzetek és a következő eszközök használatával építhet ki és helyezhet üzembe a Azure Machine Learning stúdió:You can build and deploy models using integrated notebooks and the following tools in Azure Machine Learning studio:
- Jupyter- Jupyter
- JupyterLab- JupyterLab
- VS Code (előzetes verzió)- VS Code (preview)
- RStudio (előzetes verzió)- RStudio (preview)
A számítási példány teljes mértékben integrálva van Azure Machine Learning munkaterülettel és studióban.Compute instance is fully integrated with Azure Machine Learning workspace and studio. Jegyzetfüzeteket és adatokat oszthat meg a munkaterület más adatszakértőivel.You can share notebooks and data with other data scientists in the workspace.
A VS Code számítási példányokkal is használható.You can also use VS Code with compute instances.
Felügyelt & biztonságosManaged & secure Csökkentse a biztonsági erőforrásigényt, és adjon megfelelőséget a vállalati biztonsági követelményeknek.Reduce your security footprint and add compliance with enterprise security requirements. A számítási példányok robusztus felügyeleti szabályzatokat és biztonságos hálózati konfigurációkat biztosítanak, például:Compute instances provide robust management policies and secure networking configurations such as:

- Automatikus kiépítés Resource Manager sablonokból vagy Azure Machine Learning SDK-ból- Autoprovisioning from Resource Manager templates or Azure Machine Learning SDK
- Azure szerepköralapú hozzáférés-vezérlés (Azure RBAC)- Azure role-based access control (Azure RBAC)
- Virtuális hálózatok támogatása- Virtual network support
- SSH-szabályzat az SSH-hozzáférés engedélyezéséhez/letiltásához- SSH policy to enable/disable SSH access
TLS 1.2 engedélyezveTLS 1.2 enabled
Ml-hez   előre   konfigurálvaPreconfigured for ML Időt takaríthat meg a beállítási feladatokon előre konfigurált és naprakész ML-csomagokkal, mélytanulás-keretrendszerekkel és GPU-illesztőkkel.Save time on setup tasks with pre-configured and up-to-date ML packages, deep learning frameworks, GPU drivers.
Teljes mértékben testreszabhatóFully customizable Az Azure-beli virtuális gépek típusainak széles körű támogatása, beleértve a GPU-kat és a megőrzött, alacsony szintű testreszabást, például a csomagok és illesztőprogramok telepítését, a speciális forgatókönyvek rosszak.Broad support for Azure VM types including GPUs and persisted low-level customization such as installing packages and drivers makes advanced scenarios a breeze.

Létrehozhat saját számítási példányt, vagy egy rendszergazda létrehozhat egy számítási példányt az Ön nevében.You can create a compute instance yourself, or an administrator can create a compute instance on your behalf.

Egy beállítási szkriptet (előzetes verzió) is használhat a számítási példány igény szerint történő testreszabásának és konfiguráljának automatizált módszerére.You can also use a setup script (preview) for an automated way to customize and configure the compute instance as per your needs.

Eszközök és környezetekTools and environments

Fontos

A cikkben megjelölt (előzetes verzió) elemek jelenleg nyilvános előzetes verzióban állnak rendelkezésre.Items marked (preview) in this article are currently in public preview. Az előzetes verzió szolgáltatói szerződés nélkül érhető el, és nem ajánlott éles számítási feladatokhoz.The preview version is provided without a service level agreement, and it's not recommended for production workloads. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik.Certain features might not be supported or might have constrained capabilities. További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.For more information, see Supplemental Terms of Use for Microsoft Azure Previews.

Azure Machine Learning számítási példány lehetővé teszi modellek írását, betanítása és üzembe helyezését egy teljesen integrált jegyzetfüzet-felhasználói élményben a munkaterületen.Azure Machine Learning compute instance enables you to author, train, and deploy models in a fully integrated notebook experience in your workspace.

Jupyter-notebookokat futtathat a VS Code-ban számítási példány használatával távoli kiszolgálóként, SSH nélkül.You can run Jupyter notebooks in VS Code using compute instance as the remote server with no SSH needed. A VS Code-integrációt távoli SSH-bővítményen keresztül is engedélyezheti.You can also enable VS Code integration through remote SSH extension.

Csomagokat telepíthet, és kerneleket adhat a számítási példányhoz.You can install packages and add kernels to your compute instance.

Az alábbi eszközök és környezetek már telepítve vannak a számítási példányon:Following tools and environments are already installed on the compute instance:

Általános eszközök & környezetekhezGeneral tools & environments RészletekDetails
IllesztőprogramokDrivers CUDA
cuDNN
NVIDIA
Blob FUSE
Intel MPI-kódtárIntel MPI library
Azure CLIAzure CLI
Azure Machine Learning mintákAzure Machine Learning samples
DockerDocker
NginxNginx
NCCL 2.0NCCL 2.0
ProtobufProtobuf
R-eszközök & környezetekbenR tools & environments RészletekDetails
RStudio Server Open Source Edition (előzetes verzió)RStudio Server Open Source Edition (preview)
R kernelR kernel
Azure Machine Learning SDK for RAzure Machine Learning SDK for R azuremlsdkazuremlsdk
SDK-mintákSDK samples
PYTHON-eszközök & környezetekbenPYTHON tools & environments RészletekDetails
Anaconda PythonAnaconda Python
Jupyter és bővítményekJupyter and extensions
Jupyterlab és bővítményekJupyterlab and extensions
Pythonhoz készült Azure Machine Learning SDKAzure Machine Learning SDK for Python
a PyPI-bólfrom PyPI
Tartalmazza a legtöbb további azureml-csomagot.Includes most of the azureml extra packages. A teljes lista megnyitásához nyisson meg egy terminálablakot a számítási példányon, és futtassa a következőt:To see the full list, open a terminal window on your compute instance and run
conda list -n azureml_py36 azureml*
Egyéb PyPI-csomagokOther PyPI packages jupytext
tensorboard
nbconvert
notebook
Pillow
Conda-csomagokConda packages cython
numpy
ipykernel
scikit-learn
matplotlib
tqdm
joblib
nodejs
nb_conda_kernels
Mély tanulási csomagokDeep learning packages PyTorch
TensorFlow
Keras
Horovod
MLFlow
pandas-ml
scrapbook
ONNX-csomagokONNX packages keras2onnx
onnx
onnxconverter-common
skl2onnx
onnxmltools
Azure Machine Learning Python & R SDK-mintákAzure Machine Learning Python & R SDK samples

A Python-csomagok mind a Python 3.8 – AzureML környezetben vannak telepítve.Python packages are all installed in the Python 3.8 - AzureML environment. A számítási példány alap operációs rendszerének az Ubuntu 18.04-es verziója van.Compute instance has Ubuntu 18.04 as the base OS.

Fájlok eléréseAccessing files

A jegyzetfüzetek és az R-szkriptek a munkaterület alapértelmezett tárfiókjában vannak tárolva az Azure-fájlmegosztásban.Notebooks and R scripts are stored in the default storage account of your workspace in Azure file share. Ezek a fájlok a "Felhasználói fájlok" könyvtárban találhatók.These files are located under your “User files” directory. Ez a tároló megkönnyíti a jegyzetfüzetek számítási példányok közötti megosztását.This storage makes it easy to share notebooks between compute instances. A tárfiók emellett biztonságosan megőrzi a jegyzetfüzeteket, amikor leállít vagy töröl egy számítási példányt.The storage account also keeps your notebooks safely preserved when you stop or delete a compute instance.

A munkaterület Azure-fájlmegosztási fiókja meghajtóként van csatlakoztatva a számítási példányon.The Azure file share account of your workspace is mounted as a drive on the compute instance. Ez a meghajtó a Jupyter, a Jupyter Labs és az RStudio alapértelmezett munkakönyvtára.This drive is the default working directory for Jupyter, Jupyter Labs, and RStudio. Ez azt jelenti, hogy a Jupyterben, JupyterLab-ban vagy RStudióban létrehozott notebookokat és egyéb fájlokat a rendszer automatikusan a fájlmegosztáson tárolja, és más számítási példányokhoz is használható.This means that the notebooks and other files you create in Jupyter, JupyterLab, or RStudio are automatically stored on the file share and available to use in other compute instances as well.

A fájlmegosztásban lévő fájlok az ugyanazon a munkaterületen lévő összes számítási példányról elérhetők.The files in the file share are accessible from all compute instances in the same workspace. A számítási példányon ezen fájlok módosításai megbízhatóan megmaradnak a fájlmegosztásban.Any changes to these files on the compute instance will be reliably persisted back to the file share.

A legújabb mintafájlokat Azure Machine Learning is klónozhatja a munkaterület fájlmegosztásának felhasználói fájlok könyvtárában található mappába.You can also clone the latest Azure Machine Learning samples to your folder under the user files directory in the workspace file share.

A kis méretű fájlok írása a hálózati meghajtókon lassabb, mint maga a számítási példány helyi lemeze.Writing small files can be slower on network drives than writing to the compute instance local disk itself. Ha sok kis fájlt ír, próbáljon meg közvetlenül a számítási példányon egy könyvtárat, például egy /tmp könyvtárat használni.If you are writing many small files, try using a directory directly on the compute instance, such as a /tmp directory. Vegye figyelembe, hogy ezek a fájlok más számítási példányok számára nem lesznek elérhetők.Note these files will not be accessible from other compute instances.

Ne tárolja a betanítás adatait a notebookok fájlmegosztásán.Do not store training data on the notebooks file share. Ideiglenes adataihoz használhatja a /tmp könyvtárat a számítási példányon.You can use the /tmp directory on the compute instance for your temporary data. Ne írjon azonban nagyon nagy méretű adatfájlokat a számítási példány operációsrendszer-lemezére.However, do not write very large files of data on the OS disk of the compute instance. A számítási példány operációsrendszer-lemezének kapacitása 128 GB.OS disk on compute instance has 128 GB capacity. Az ideiglenes betanítás adatait a /mnt fájlhoz csatlakoztatott ideiglenes lemezen is tárolhatja.You can also store temporary training data on temporary disk mounted on /mnt. Az ideiglenes lemezméret a választott virtuálisgép-méret alapján konfigurálható, és nagyobb mennyiségű adatot tárolhat, ha nagyobb méretű virtuális gépet választ.Temporary disk size is configurable based on the VM size chosen and can store larger amounts of data if a higher size VM is chosen. Adattárolókat és adatkészleteket is csatlakoztathat.You can also mount datastores and datasets.

Számítási példány kezeléseManaging a compute instance

A munkaterületen a Azure Machine Learning stúdió válassza a Számítás, majd a felül található Számítási példány lehetőséget.In your workspace in Azure Machine Learning studio, select Compute, then select Compute Instance on the top.

Számítási példány kezelése

További információ a számítási példány kezeléséről: Új számítási példány Azure Machine Learning kezelése.For more about managing the compute instance, see Create and manage an Azure Machine Learning compute instance.

Új számítási példány létrehozásaCreate a compute instance

Rendszergazdaként létrehozhat számítási példányt mások számára a munkaterületen (előzetes verzió).As an administrator, you can create a compute instance for others in the workspace (preview).

Egy beállítási szkriptet (előzetes verzió) is használhat a számítási példány testreszabásának és konfiguráljának automatizált módszerére.You can also use a setup script (preview) for an automated way to customize and configure the compute instance.

Ha saját maga szeretne számítási példányt létrehozni, használja a munkaterületet az Azure Machine Learning stúdió-ban, hozzon létre egy új számítási példányt a Számítás szakaszban vagy a Jegyzetfüzetek szakaszban, amikor készen áll az egyik jegyzetfüzet futtatására. To create your a compute instance for yourself, use your workspace in Azure Machine Learning studio, create a new compute instance from either the Compute section or in the Notebooks section when you are ready to run one of your notebooks.

Példányokat is létrehozhatYou can also create an instance

A virtuálisgép-családra és a számítási példány létrehozására vonatkozó teljes regionális kvóta régiónkénti dedikált magok egységesek és meg vannak osztva Azure Machine Learning számítási fürtkvóta betanítása során.The dedicated cores per region per VM family quota and total regional quota, which applies to compute instance creation, is unified and shared with Azure Machine Learning training compute cluster quota. A számítási példány leállítása nem ad ki kvótát, hogy újra tudja-e indítani a számítási példányt.Stopping the compute instance does not release quota to ensure you will be able to restart the compute instance.

A számítási példány P10 operációsrendszer-lemezzel is jár.Compute instance comes with P10 OS disk. Az ideiglenes lemez típusa a választott virtuálisgép-mérettől függ.Temp disk type depends on the VM size chosen. Jelenleg nem lehet módosítani az operációsrendszer-lemez típusát.Currently, it is not possible to change the OS disk type.

Számítási célCompute target

A számítási példányok betanításra használt számítási célként is használhatók, hasonlóan a Azure Machine Learning betanító fürtökhöz.Compute instances can be used as a training compute target similar to Azure Machine Learning compute training clusters.

Egy számítási példány:A compute instance:

  • Feladat-üzenetsora van.Has a job queue.
  • Biztonságosan futtat feladatokat egy virtuális hálózati környezetben anélkül, hogy a vállalatoknak SSH-portot kell megnyitniuk.Runs jobs securely in a virtual network environment, without requiring enterprises to open up SSH port. A feladat tárolóba telepített környezetben fut, és a modellfüggőségeket egy Docker-tárolóba csomagolása.The job executes in a containerized environment and packages your model dependencies in a Docker container.
  • Párhuzamosan több kis feladat is futtatható (előzetes verzió).Can run multiple small jobs in parallel (preview). Magonként két feladat futhat párhuzamosan, amíg a többi feladat várólistára kerül.Two jobs per core can run in parallel while the rest of the jobs are queued.
  • Támogatja az egycsomópontos több GPU-s elosztott betanítás feladatokatSupports single-node multi-GPU distributed training jobs

A számítási példányt használhatja helyi következtetési üzembehelyezés célként tesztelési/hibakeresési forgatókönyvekhez.You can use compute instance as a local inferencing deployment target for test/debug scenarios.

Tipp

A számítási példány 120 GB-os operációsrendszer-lemezzel rendelkezik.The compute instance has 120GB OS disk. Ha elfogy a lemezterület, és használhatatlan állapotba kerül, törölje az operációsrendszer-lemezen legalább 5 GB lemezterületet (a kapcsolóhoz csatlakoztatva) a számításipéldány-terminálon keresztül a fájlok/mappák eltávolításával, majd tegye a következőt: sudo reboot .If you run out of disk space and get into an unusable state, please clear at least 5 GB disk space on OS disk (mounted on /) through the compute instance terminal by removing files/folders and then do sudo reboot. A terminál eléréséhez kattintson a Számítási lista vagy a Számítási példány részletei lapra, és kattintson a Terminál hivatkozásra.To access the terminal go to compute list page or compute instance details page and click on Terminal link. A terminálon futtatva ellenőrizheti a rendelkezésre álló df -h lemezterületet.You can check available disk space by running df -h on the terminal. Legalább 5 GB lemezterületet töröl a betelt sudo reboot előtt.Clear at least 5 GB space before doing sudo reboot. Ne állítsa le vagy indítsa újra a számítási példányt a Studióban, amíg el nem törli az 5 GB-os lemezterületet.Please do not stop or restart the compute instance through the Studio until 5 GB disk space has been cleared.

Következő lépésekNext steps