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

A munkaterület a Azure Machine Learning legfelső szintű erőforrása, amely központosított helyet biztosít a Azure Machine Learning használatakor létrehozott összes összetevővel való együttműködéshez.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 betanítási Futtatás előzményeit, beleértve a naplókat, a metrikákat, a kimenetet és a parancsfájlok pillanatképét.The workspace keeps a history of all training runs, including logs, metrics, output, and a snapshot of your scripts. Ezekkel az információkkal meghatározhatja, hogy melyik betanítási Futtatás a legjobb modellt állítja elő.You use this information to determine which training run produces the best model.

Ha egy modellt szeretne, regisztrálja azt a munkaterületen.Once you have a model you like, you register it with the workspace. Ezután a regisztrált modell-és pontozási szkriptekkel üzembe helyezheti az Azure Container Instances, az Azure Kubernetes Service-t vagy egy mezőre programozható Gate array (FPGA)-t 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 egy Azure IoT Edge eszközre is üzembe helyezheti modulként.You can also deploy the model to an Azure IoT Edge device as a module.

Elnevezési rendszertTaxonomy

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

Munkaterület besorolásaWorkspace taxonomy

A diagram a munkaterület következő összetevőit jeleníti meg:The diagram shows the following components of a workspace:

  • A munkaterületek tartalmazhatnak Azure Machine learning számítási példányokat, a Azure Machine learning futtatásához szükséges Python-környezettel konfigurált Felhőbeli erőforrásokat.A workspace can contain Azure Machine Learning compute instances, cloud resources configured with the Python environment necessary to run Azure Machine Learning.

  • A felhasználói szerepkörök lehetővé teszik a munkaterület más felhasználókkal, csapatokkal vagy projektekkel való megosztását.User roles enable you to share your workspace with other users, teams, or projects.

  • A kísérletek futtatásához számítási célokat kell használni.Compute targets are used to run your experiments.

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

  • A kísérletek olyan képzések, amelyeket a modellek létrehozásához használhat.Experiments are training runs you use to build your models.

  • A folyamatok újrafelhasználható munkafolyamatok a modell betanításához és átképzéséhez.Pipelines are reusable workflows for training and retraining your model.

  • Az adatkészletek segítséget nyújtanak a modell betanításához és a folyamat létrehozásához használt adat kezeléséhez.Datasets aid in management of the data you use for model training and pipeline creation.

  • Ha már rendelkezik egy olyan modellel, amelyet telepíteni szeretne, hozzon létre egy regisztrált modellt.Once you have a model you want to deploy, you create a registered model.

  • Hozzon létre egy telepítési végpontota regisztrált modell és egy pontozási parancsfájl használatával.Use the registered model and a scoring script to create a deployment endpoint.

A munkaterület-interakció eszközeiTools for workspace interaction

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

Fontos

Az alábbi megjelölésű eszközök (előzetes verzió) jelenleg nyilvános előzetes verzióban érhetők el.Tools marked (preview) below are currently in public preview. Az előzetes verzió szolgáltatási szintű szerződés nélkül van megadva, 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 beolvassák és/vagy leírják a munkaterületet.Machine learning tasks read and/or write artifacts to your workspace.

  • Futtasson egy kísérletet a modell betanításához – a kísérlet futtatása az eredményeket a munkaterületre.Run an experiment to train a model - writes experiment run results to the workspace.
  • Az automatizált ML használatával betaníthatja a modelleket – a betanítási eredményeket a munkaterületre írja.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 modell használatával hozza létre a központi telepítést.Deploy a model - uses the registered model to create a deployment.
  • Újrafelhasználható munkafolyamatok létrehozása és futtatása.Create and run reusable workflows.
  • Megtekintheti a gépi tanulási összetevőket, például a kísérleteket, a folyamatokat, a modelleket, a központi telepítéseket.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 végrehajthatja:You can also perform the following workspace management tasks:

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

Figyelmeztetés

Ha áthelyezi a Azure Machine Learning munkaterületet egy másik előfizetésbe, vagy áthelyezi a tulajdonosi előfizetést egy új bérlőre, 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 hibákhoz vezethet.Doing so may cause errors.

Munkaterület létrehozásaCreate a workspace

Több módon is létrehozhat egy munkaterületet:There are multiple ways to create a workspace:

Megjegyzés

A munkaterület neve megkülönbözteti a kis-és nagybetűket.The workspace name is case-insensitive.

Társított erőforrásokAssociated resources

Amikor új munkaterületet hoz létre, az automatikusan létrehoz több Azure-erőforrást, amelyet a munkaterület használ:When you create a new workspace, it automatically creates several Azure resources that are used by the workspace:

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

    Fontos

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

    Meglévő Azure Storage-fiók használatához nem lehet prémium szintű fiók (Premium_LRS és Premium_GRS).To use an existing Azure Storage account, it cannot be a premium account (Premium_LRS and Premium_GRS). Emellett nem lehet hierarchikus névtér (Azure Data Lake Storage Gen2).It also cannot have a hierarchical namespace (used with Azure Data Lake Storage Gen2). A munkaterület alapértelmezett Storage-fiókja nem támogatja a Premium Storage-t vagy a hierarchikus névtereket.Neither premium storage or hierarchical namespaces are supported with the default storage account of the workspace. A Premium Storage vagy a hierarchikus névtér nem alapértelmezett Storage- fiókokkal használható.You can use premium storage or hierarchical namespace with non-default storage accounts.

  • Azure Container Registry: regisztrálja a betanítás során használt Docker-tárolókat, és amikor üzembe helyezi a modellt.Azure Container Registry: Registers docker containers that you use during training and when you deploy a model. A költségek csökkentése érdekében az ACR a telepítési lemezképek létrehozása előtt betöltődik .To minimize costs, ACR is lazy-loaded until deployment images are created.

  • Azure Application Insights: a modellekkel kapcsolatos figyelési információkat tárolja.Azure Application Insights: Stores monitoring information about your models.

  • Azure Key Vault: a számítási célok és a munkaterület által igényelt egyéb bizalmas információk által használt titkokat 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-beli erőforrás-példányokat, amikor az ARM-sablonnallétrehozza a munkaterületet a Python SDK, az R SDKvagy a Azure Machine learning CLI 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 a Enterprise Edition kiadássalWhat happened to Enterprise edition

Szeptember 2020-ától az Enterprise Edition-munkaterületeken elérhető összes funkció már elérhető az alapszintű kiadás-munkaterületeken is.As of September 2020, all capabilities that were available in Enterprise edition workspaces are now also available in Basic edition workspaces. Az új vállalati munkaterületek már nem hozhatók létre.New Enterprise workspaces can no longer be created. A paramétert használó SDK-, CLI-vagy Azure Resource Manager-hívások sku továbbra is működni fognak, de 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.

A december 21-én kezdődően az Enterprise Edition-munkaterületek automatikusan az alapszintű kiadásra lesznek 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 leállás.No downtime will occur during this process. 2021. január 1-jén a nagyvállalati kiadás hivatalosan megszűnik.On January 1, 2021, Enterprise Edition will be formally retired.

Mindkét kiadásban az ügyfelek felelősek a felhasznált Azure-erőforrások költségeiért, és nem kell fizetniük a Azure Machine Learningért járó további díjakért.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 részletekért tekintse meg a Azure Machine learning díjszabási oldalát .Please refer to the Azure Machine Learning pricing page for more details.

Következő lépésekNext steps

A Azure Machine Learning megkezdéséhez tekintse meg a következőt:To get started with Azure Machine Learning, see: