Mi az az Azure Machine Learning-munkaterület?What is an Azure Machine Learning workspace?

A munkaterület a munkaterület legfelső szintű erőforrása a Azure Machine Learning, így központosított helyet biztosít a munkaterület használata során létrehozott Azure Machine Learning.The workspace is the top-level resource for Azure Machine Learning, providing a centralized place to work with all the artifacts you create when you use Azure Machine Learning. A munkaterület megőrzi az összes betanítás előzményeit, beleértve a naplókat, a metrikákat, a kimenetet és a szkriptek pillanatképét.The workspace keeps a history of all training runs, including logs, metrics, output, and a snapshot of your scripts. Ezzel az információval meghatározhatja, hogy melyik betanítás futtatja a legjobb modellt.You use this information to determine which training run produces the best model.

Ha már van egy modell, amit szeretne, regisztrálja azt a munkaterületen.Once you have a model you like, you register it with the workspace. Ezután a regisztrált modell- és pontozási szkriptek használatával üzembe helyezheti az Azure Container Instances, Azure Kubernetes Service vagy egy helyszínen programozható kaputömböt (FPGA) REST-alapú HTTP-végpontként.You then use the registered model and scoring scripts to deploy to Azure Container Instances, Azure Kubernetes Service, or to a field-programmable gate array (FPGA) as a REST-based HTTP endpoint. A modellt modulként egy Azure IoT Edge eszközre is üzembe helyezheti.You can also deploy the model to an Azure IoT Edge device as a module.

TaxonómiaTaxonomy

A munkaterület taxonómiát az alábbi ábra szemlélteti:A taxonomy of the workspace is illustrated in the following diagram:

Munkaterület-taxonóniaWorkspace taxonomy

Az ábrán a munkaterület következő összetevői láthatóak:The diagram shows the following components of a workspace:

  • A munkaterületek a Azure Machine Learning futtatásáhozszükséges Python-környezettel konfigurált számítási példányokat és felhőerőforrásokat Azure Machine Learning.A workspace can contain Azure Machine Learning compute instances, cloud resources configured with the Python environment necessary to run Azure Machine Learning.

  • A felhasználói szerepkörökkel megoszthatja munkaterületét más felhasználókkal, csapatokkal vagy projektekkel.User roles enable you to share your workspace with other users, teams, or projects.

  • A számítási célok a kísérletek futtatására használhatók.Compute targets are used to run your experiments.

  • A munkaterület létrehozásakor a társított erőforrások is létrejönnek.When you create the workspace, associated resources are also created for you.

  • A kísérletek betanítás futtatásokat tartalmaznak a modellek felépítéséhez.Experiments are training runs you use to build your models.

  • A folyamatok újrahasználható munkafolyamatok a modell betanítása és újraképezése érdekében.Pipelines are reusable workflows for training and retraining your model.

  • Az adatkészletek segítik a modell betanítása és a folyamat létrehozása során használt adatok kezelését.Datasets aid in management of the data you use for model training and pipeline creation.

  • Miután létrehozott egy modellt, amit üzembe szeretne helyezni, létre kell hoznia egy regisztrált modellt.Once you have a model you want to deploy, you create a registered model.

  • A regisztrált modell és egy pontozószkent használatával hozzon létre egy üzembe helyezési végpontot.Use the registered model and a scoring script to create a deployment endpoint.

Eszközök a munkaterületek közötti interakcióhozTools for workspace interaction

A munkaterületet a következő módokon használhatja:You can interact with your workspace in the following ways:

Fontos

Az alább megjelölt (előzetes verzió) eszközök jelenleg nyilvános előzetes verzióban állnak rendelkezésre.Tools marked (preview) below 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.

Gépi tanulás munkaterülettelMachine learning with a workspace

A gépi tanulási feladatok a munkaterületre olvasnak és/vagy írnak munkatermékeket.Machine learning tasks read and/or write artifacts to your workspace.

  • Kísérlet futtatása modell betanításhoz – a kísérlet futtatás eredményeit írja a munkaterületre.Run an experiment to train a model - writes experiment run results to the workspace.
  • Automatizált gépi tanulási folyamat használata modell betanításhoz – a betanítás eredményeit írja a munkaterületre.Use automated ML to train a model - writes training results to the workspace.
  • Modell regisztrálása a munkaterületen.Register a model in the workspace.
  • Modell üzembe helyezése – a regisztrált modellel hoz létre üzembe helyezést.Deploy a model - uses the registered model to create a deployment.
  • Újrahasználható munkafolyamatok létrehozása és futtatása.Create and run reusable workflows.
  • Gépi tanulási összetevők, például kísérletek, folyamatok, modellek, üzemelő példányok megtekintése.View machine learning artifacts such as experiments, pipelines, models, deployments.
  • Modellek nyomon követése és figyelése.Track and monitor models.

Munkaterület-kezelésWorkspace management

A következő munkaterület-felügyeleti feladatokat is elvégezheti:You can also perform the following workspace management tasks:

Munkaterület-kezelési feladatWorkspace management task PortálPortal StudioStudio Python SDK / R SDKPython SDK / R SDK parancssori felületCLI VS CodeVS Code
Munkaterület létrehozásaCreate a workspace
Munkaterület hozzáférésének kezeléseManage workspace access
Számítási erőforrások létrehozása és kezeléseCreate and manage compute resources
Notebook virtuális gép létrehozásaCreate a Notebook VM

Figyelmeztetés

A munkaterület Azure Machine Learning előfizetésbe vagy a tulajdonában lévő előfizetés új bérlőre való áthelyezése nem támogatott.Moving your Azure Machine Learning workspace to a different subscription, or moving the owning subscription to a new tenant, is not supported. Ez hibákat okozhat.Doing so may cause errors.

Munkaterület létrehozásaCreate a workspace

A munkaterületek többféleképpen is létrehozhatóak:There are multiple ways to create a workspace:

Megjegyzés

A munkaterület neve nem érzékeny a kis- és a kis- és a kis- és a nagy- és a kis- és a nagyThe workspace name is case-insensitive.

Társított erőforrásokAssociated resources

Amikor létrehoz egy új munkaterületet, az automatikusan több, a munkaterület által használt Azure-erőforrást is létrehoz:When you create a new workspace, it automatically creates several Azure resources that are used by the workspace:

  • Azure Storage-fiók:A munkaterület alapértelmezett adattárolója.Azure Storage account: Is used as the default datastore for the workspace. A számítási példányokkal használt Jupyter Azure Machine Learning is itt vannak tárolva.Jupyter notebooks that are used with your Azure Machine Learning compute instances are stored here as well.

    Fontos

    Alapértelmezés szerint a tárfiók egy általános célú v1-fiók.By default, the storage account is a general-purpose v1 account. Ezt a munkaterület létrehozása után általános célú v2-re frissítheti.You can upgrade this to general-purpose v2 after the workspace has been created. Az általános célú v2 verzióra való frissítés után ne engedélyezze a hierarchikus névteret a tárfiókon.Do not enable hierarchical namespace on the storage account after upgrading to general-purpose v2.

    Meglévő Azure Storage-fiók használata esetén az nem lehet BlobStorage vagy prémium szintű fiók (Premium_LRS és Premium_GRS).To use an existing Azure Storage account, it cannot be of type BlobStorage or a premium account (Premium_LRS and Premium_GRS). Emellett nem lehet hierarchikus névtér (amely a Azure Data Lake Storage Gen2).It also cannot have a hierarchical namespace (used with Azure Data Lake Storage Gen2). A munkaterület alapértelmezett tárfiókja nem támogatja sem a prémium szintű tárolókat, sem a hierarchikus névtereket.Neither premium storage or hierarchical namespaces are supported with the default storage account of the workspace. Használhat prémium szintű tárolót vagy hierarchikus névteret nem alapértelmezett tárfiókokkal.You can use premium storage or hierarchical namespace with non-default storage accounts.

  • Azure Container Registry:Regisztrálja a betanítás során és a modell üzembe helyezésekor használt Docker-tárolókat.Azure Container Registry: Registers docker containers that you use during training and when you deploy a model. A költségek minimalizálása érdekében az ACR az üzembe helyezési lemezképek létrehozása előtt töltődik be.To minimize costs, ACR is lazy-loaded until deployment images are created.

  • Azure Application Insights:A modellek monitorozási információit tárolja.Azure Application Insights: Stores monitoring information about your models.

  • Azure Key Vault:A számítási célok által használt titkos adatokat és a munkaterülethez szükséges egyéb bizalmas adatokat tárolja.Azure Key Vault: Stores secrets that are used by compute targets and other sensitive information that's needed by the workspace.

Megjegyzés

Ehelyett használhatja a meglévő Azure-erőforráspéldányokat, ha a munkaterületeta Python SDK-val, az R SDK-valvagy a Azure Machine Learning CLI-val hozza létre egy ARM-sablon használatával.You can instead use existing Azure resource instances when you create the workspace with the Python SDK, R SDK, or the Azure Machine Learning CLI using an ARM template.

Mi történt az Enterprise kiadással?What happened to Enterprise edition

2020 szeptemberében az Enterprise edition munkaterületeken elérhető összes képesség mostantól az Alapszintű kiadású munkaterületeken is elérhető.As of September 2020, all capabilities that were available in Enterprise edition workspaces are now also available in Basic edition workspaces. Az új nagyvállalati munkaterületek már nem lesznek létrehozva.New Enterprise workspaces can no longer be created. A paramétert Azure Resource Manager SDK-, CLI- vagy Azure Resource Manager hívások továbbra is működni sku fognak, de egy Alapszintű munkaterület lesz kiépítve.Any SDK, CLI, or Azure Resource Manager calls that use the sku parameter will continue to work but a Basic workspace will be provisioned.

December 21-től az összes Enterprise kiadás alapszintű kiadásra lesz beállítva, amely ugyanazokkal a képességekkel rendelkezik.Beginning December 21st, all Enterprise Edition workspaces will be automatically set to Basic Edition, which has the same capabilities. A folyamat során nem történik állásidő.No downtime will occur during this process. 2021. január 1-től a Enterprise kiadás hivatalosan kivezetjük.On January 1, 2021, Enterprise Edition will be formally retired.

Mindkét kiadásban az ügyfelek felelnek a felhasznált Azure-erőforrások költségeiért, és nem kell további díjakat fizetniük a Azure Machine Learning.In either editions, customers are responsible for the costs of Azure resources consumed and will not need to pay any additional charges for Azure Machine Learning. További részleteket az Azure Machine Learning díjszabását tartalmazó oldalon talál.Please refer to the Azure Machine Learning pricing page for more details.

Következő lépésekNext steps

A további Azure Machine Learning lásd:To get started with Azure Machine Learning, see: