Azure Machine Tanulás-munkaterületek kezelése a portálon vagy a Python SDK-val (v2)
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
Ebben a cikkben Azure Machine Tanulás-munkaterületeket hozhat létre, tekinthet meg és törölhet az Azure Machine Tanulás számára az Azure Portalon vagy a Pythonhoz készült SDK-val.
Az igények változásával vagy az automatizálási követelmények növekedésével kezelheti a munkaterületeket a parancssori felülettel, az Azure PowerShell-lel vagy a Visual Studio Code bővítményével.
Előfeltételek
- Azure-előfizetés. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki ma az Azure Machine ingyenes vagy fizetős verzióját Tanulás.
- A Python SDK-val:
Az azure-identity telepítése:
pip install azure-identity
. Ha jegyzetfüzetcellában van, használja a következőt%pip install azure-identity
: .Adja meg az előfizetés adatait:
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
# Enter details of your subscription subscription_id = "<SUBSCRIPTION_ID>" resource_group = "<RESOURCE_GROUP>"
Fogópont lekérése az előfizetéshez. A cikkben szereplő összes Python-kód a következőket használja
ml_client
:# get a handle to the subscription from azure.ai.ml import MLClient from azure.identity import DefaultAzureCredential ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
(Nem kötelező) Ha több fiókkal rendelkezik, adja hozzá a használni kívánt Microsoft Entra-azonosító bérlőazonosítóját a
DefaultAzureCredential
. Keresse meg a bérlőazonosítót az Azure Portalon a Microsoft Entra ID, External Identityes területen.DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
(Nem kötelező) Ha az Azure Government – USA vagy az Azure China 21Vianet régióban dolgozik, meg kell adnia azt a felhőt, amelyben hitelesíteni szeretné. Ezeket a régiókat a következő helyen
DefaultAzureCredential
adhatja meg:from azure.identity import AzureAuthorityHosts DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
Korlátozások
Új munkaterület létrehozásakor automatikusan létrehozhatja a munkaterülethez szükséges szolgáltatásokat, vagy használhatja a meglévő szolgáltatásokat. Ha a munkaterülettől eltérő Azure-előfizetésből származó meglévő szolgáltatásokat szeretne használni, regisztrálnia kell az Azure Machine Tanulás névterét a szolgáltatásokat tartalmazó előfizetésben. Ha például létrehoz egy munkaterületet az A előfizetésben, amely a B előfizetésből származó tárfiókot használ, az Azure Machine Tanulás névterét regisztrálni kell a B előfizetésben, mielőtt a tárfiókot használhassa a munkaterülettel.
Az Azure Machine Tanulás erőforrás-szolgáltatója a Microsoft.Machine Tanulás Services. Az Azure-erőforrás-szolgáltatókról és -típusokról szóló cikkből megtudhatja, hogyan lehet regisztrálni, és hogyan lehet regisztrálni.
Fontos
Ez csak a munkaterület létrehozása során biztosított erőforrásokra vonatkozik; Azure Storage-fiókok, Azure Container Register, Azure Key Vault és alkalmazás Elemzések.
Az online végpontokkal való hálózatelkülönítéshez a munkaterülethez társított erőforrásokat (Azure Container Registry (ACR), Storage-fiókot, Key Vaultot és alkalmazás Elemzések) használhatja a munkaterülettől eltérő erőforráscsoportból. Ezeknek az erőforrásoknak azonban ugyanahhoz az előfizetéshez és bérlőhöz kell tartoznia, mint a munkaterületnek. A felügyelt online végpontok biztonságossá tételére vonatkozó korlátozásokról a munkaterület felügyelt virtuális hálózatának használatával kapcsolatban lásd : Hálózatelkülönítés felügyelt online végpontokkal.
A munkaterület létrehozása alapértelmezés szerint létrehoz egy Azure Container Registryt (ACR). Mivel az ACR jelenleg nem támogatja az erőforráscsoportok nevében szereplő Unicode-karaktereket, használjon olyan erőforráscsoportot, amely elkerüli ezeket a karaktereket.
Az Azure Machine Tanulás nem támogatja a hierarchikus névteret (Azure Data Lake Storage Gen2 szolgáltatás) a munkaterület alapértelmezett tárfiókjában.
Tipp.
A munkaterület létrehozásakor létrejön egy Azure-alkalmazás Elemzések példány. Ha szeretné, törölheti az Alkalmazás Elemzések-példányt a fürt létrehozása után. A törlés korlátozza a munkaterületről gyűjtött információkat, és megnehezítheti a problémák elhárítását. Ha törli a munkaterület által létrehozott alkalmazáspéldányt Elemzések, a munkaterület törlése és újbóli létrehozása nélkül nem hozhatja létre újra.
Az alkalmazás Elemzések-példány használatáról további információt a Tanulás-webszolgáltatás-végpontok monitorozása és adatgyűjtése című témakörben talál.
Munkaterület létrehozása
Munkaterületet közvetlenül az Azure Machine Tanulás Studióban hozhat létre, és korlátozott lehetőségek állnak rendelkezésre. Az alábbi módszerek egyikével is szabályozhatja a beállításokat:
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
Alapkonfiguráció az első lépésekhez specifikáció nélkül, a társított erőforrások és az Azure-erőforráscsoport automatikusan létrejön. Ez a kód létrehoz egy munkaterületet, egy
myworkspace
függő Azure-erőforrásokat (Tárfiók, Key Vault, Tárolóregisztrációs adatbázis, Alkalmazás Elemzések) és egy, a következőben elnevezettmyresourcegroup
erőforráscsoportoteastus2
.# Creating a unique workspace name with current datetime to avoid conflicts from azure.ai.ml.entities import Workspace import datetime basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime( "%Y%m%d%H%M" ) ws_basic = Workspace( name=basic_workspace_name, location="eastus", display_name="Basic workspace-example", description="This example shows how to create a basic workspace", hbi_workspace=False, tags=dict(purpose="demo"), ) ws_basic = ml_client.workspaces.begin_create(ws_basic).result() print(ws_basic)
Meglévő Azure-erőforrások használata. Meglévő Azure-erőforrások használatához hivatkozzon rájuk az Azure-erőforrásazonosító formátum használatával. Keresse meg az adott Azure-erőforrásazonosítókat az Azure Portalon vagy az SDK-val. Ez a példa feltételezi, hogy az erőforráscsoport, a Tárfiók, a Key Vault, az Alkalmazás Elemzések és a Tárolóregisztrációs adatbázis már létezik.
# Creating a unique workspace name with current datetime to avoid conflicts import datetime from azure.ai.ml.entities import Workspace basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime( "%Y%m%d%H%M" ) # Change the following variables to resource ids of your existing storage account, key vault, application insights # and container registry. Here we reuse the ones we just created for the basic workspace existing_storage_account = ( # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>" ws_basic.storage_account ) existing_container_registry = ( # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>" ws_basic.container_registry ) existing_key_vault = ( # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>" ws_basic.key_vault ) existing_application_insights = ( # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>" ws_basic.application_insights ) ws_with_existing_resources = Workspace( name=basic_ex_workspace_name, location="eastus", display_name="Bring your own dependent resources-example", description="This sample specifies a workspace configuration with existing dependent resources", storage_account=existing_storage_account, container_registry=existing_container_registry, key_vault=existing_key_vault, application_insights=existing_application_insights, tags=dict(purpose="demonstration"), ) ws_with_existing_resources = ml_client.begin_create_or_update( ws_with_existing_resources ).result() print(ws_with_existing_resources)
(Előzetes verzió) Meglévő hub-munkaterület használata. Ahelyett, hogy saját biztonsági beállításokat és kapcsolódó erőforrásokat tartalmazó alapértelmezett munkaterületet hoz létre, újra felhasználhatja a központi munkaterület megosztott környezetét. Az új projekt-munkaterület biztonsági beállításokat és megosztott konfigurációkat szerez be a központból, beleértve a számítást és a kapcsolatokat. Ez a példa feltételezi, hogy a központi munkaterület már létezik.
from azure.ai.ml.entities import Project my_project_name = "myexampleproject" my_location = "East US" my_display_name = "My Example Project" my_hub = Project(name=my_hub_name, location=my_location, display_name=my_display_name, hub_id=created_hub.id) created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
További információ: Workspace SDK-referencia.
Ha problémái vannak az előfizetés elérésében, olvassa el az Azure Machine-Tanulás erőforrások és munkafolyamatok hitelesítésének beállítása, valamint az Azure Machine Tanulás-jegyzetfüzet hitelesítésének beállítása című témakört.
Hálózat
Fontos
A privát végpontok és virtuális hálózatok munkaterülettel való használatáról a hálózatelkülönítés és az adatvédelem című témakörben olvashat bővebben.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace
basic_private_link_workspace_name = (
"mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)
ws_private = Workspace(
name=basic_private_link_workspace_name,
location="eastus",
display_name="Private Link endpoint workspace-example",
description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
image_build_compute="cpu-compute",
public_network_access="Disabled",
tags=dict(purpose="demonstration"),
)
ml_client.workspaces.begin_create(ws_private).result()
Ehhez az osztályhoz meglévő virtuális hálózatra van szükség.
Titkosítás
Alapértelmezés szerint egy Azure Cosmos DB-példány tárolja a munkaterület metaadatait. A Microsoft fenntartja ezt a Cosmos DB-példányt. A Microsoft által felügyelt kulcsok titkosítják ezeket az adatokat.
Saját adattitkosítási kulcs használata
Saját kulcsot adhat meg az adattitkosításhoz. A saját kulcs megadásával létrehozza az Azure Cosmos DB-példányt, amely metaadatokat tárol az Azure-előfizetésében. További információ: Ügyfél által felügyelt kulcsok.
A következő lépésekkel adja meg a saját kulcsát:
Fontos
Az alábbi lépések végrehajtása előtt először el kell végeznie az alábbi műveleteket:
Kövesse az ügyfél által felügyelt kulcsok konfigurálásához a következő lépéseket:
- Az Azure Cosmos DB-szolgáltató regisztrálása
- Azure Key Vault létrehozása és konfigurálása
- Kulcs létrehozása
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
from azure.ai.ml.entities import Workspace, CustomerManagedKey
# specify the workspace details
ws = Workspace(
name="my_workspace",
location="eastus",
display_name="My workspace",
description="This example shows how to create a workspace",
customer_managed_key=CustomerManagedKey(
key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
key_uri="<KEY-IDENTIFIER>"
)
tags=dict(purpose="demo")
)
ml_client.workspaces.begin_create(ws)
Identitás
A portálon az Identitás lapon konfigurálhatja a felügyelt identitást, a tárfiók-hozzáférést és az adatokra gyakorolt hatást. A Python SDK-val kapcsolatban tekintse meg a következő szakaszok hivatkozásait.
Felügyelt identitás
A munkaterületek rendszer által hozzárendelt identitást vagy felhasználó által hozzárendelt identitást is megadhatnak. Ez az identitás az előfizetés erőforrásainak eléréséhez használható. További információ: Hitelesítés beállítása az Azure Machine Tanulás és más szolgáltatások között.
Tárfiók-hozzáférés
Az alapértelmezett tárfiókhoz való csatlakozáskor válasszon a hitelesítőadat-alapú vagy az identitásalapú hozzáférés közül. Identitásalapú hitelesítéshez a Storage Blob Data Közreműködői szerepkört meg kell adni a munkaterület felügyelt identitásának a tárfiókban.
Adathatással
Ha korlátozni szeretné a Microsoft által a munkaterületen gyűjtött adatokat, válassza a Nagy üzleti hatással munkaterületet a portálon, vagy állítsa be hbi_workspace=true
a Pythont. Erről a beállításról további információt a Inaktív titkosítás című témakörben talál.
Fontos
A nagy üzleti hatás kiválasztása csak munkaterület létrehozásakor történhet meg. Ezt a beállítást a munkaterület létrehozása után nem módosíthatja.
Címkék
A címkék olyan név/érték párok, amelyek segítségével kategóriákba sorolhatja az erőforrásokat, és ha ugyanazt a címkét több erőforrásra és erőforráscsoportra is alkalmazza, ezzel együtt jelenítheti meg és kezelheti azok összesített számlázási adatait.
Címkék hozzárendelése a munkaterülethez a név-érték párok megadásával. További információ: Címkék használata az Azure-erőforrások rendszerezéséhez.
Emellett címkék használatával [kényszerítse ki a munkaterületi szabályzatokat)(#enforce-szabályzatok).
Konfigurációs fájl letöltése
Ha egy számítási példányon futtatja a kódot, hagyja ki ezt a lépést. A számítási példány létrehozza és tárolja a fájl egy példányát.
Ha a munkaterületre hivatkozó kódot szeretne használni a helyi környezetben, töltse le a fájlt:
A jobb felső sarokban válassza ki a munkaterület nevét, majd válassza a Letöltés config.json
Helyezze a fájlt a Python-szkripteket vagy Jupyter-jegyzetfüzeteket tartalmazó könyvtárstruktúrába. Ugyanez a könyvtár, egy .azureml nevű alkönyvtár vagy egy szülőkönyvtár is tárolhatja ezt a fájlt. Számítási példány létrehozásakor a rendszer hozzáadja ezt a fájlt a megfelelő könyvtárhoz a virtuális gépen.
Szabályzatok kényszerítése
A munkaterület alábbi funkcióit be- és kikapcsolhatja:
- Visszajelzési lehetőségek a munkaterületen. A lehetőségek közé tartoznak az alkalmi terméken belüli felmérések és a mosolygó visszajelzési eszköz a munkaterület szalagcímén.
- A munkaterület előzetes verziójú funkcióinak kipróbálása.
Ezek a funkciók alapértelmezés szerint be vannak kapcsolva. A kikapcsoláshoz:
A munkaterület létrehozásakor kapcsolja ki a címkék szakasz funkcióit:
- Kapcsolja ki a visszajelzést a "ADMIN_HIDE_SURVEY: IGAZ" pár hozzáadásával
- Az előnézetek kikapcsolása a "AZML_DISABLE_PREVIEW_FEATURE" pár hozzáadásával: "IGAZ"
Meglévő munkaterület esetén kapcsolja ki a címkék szakasz funkcióit:
- Ugrás a munkaterület erőforrására az Azure Portalon
- Címkék megnyitása a bal oldali navigációs panelről
- Kapcsolja ki a visszajelzést a "ADMIN_HIDE_SURVEY: IGAZ" pár hozzáadásával
- Az előnézetek kikapcsolása a "AZML_DISABLE_PREVIEW_FEATURE: IGAZ" pár hozzáadásával
- Válassza az Alkalmazás lehetőséget.
Az előfizetés szintjén kikapcsolhatja az előnézeteket, így biztosítva, hogy az előfizetés összes munkaterületén ki legyen kapcsolva. Ebben az esetben az előfizetés felhasználói a munkaterület kiválasztása előtt sem férhetnek hozzá az előnézeti eszközhöz. Ez a beállítás olyan rendszergazdák számára hasznos, akik szeretnék biztosítani, hogy az előzetes verziójú funkciók ne legyenek használatban a szervezetükben.
Ha az előzetes verziójú beállítás le van tiltva az előfizetés szintjén, az egyes munkaterületeken való beállítás figyelmen kívül lesz hagyva.
Az előzetes verziójú funkciók letiltása előfizetési szinten:
- Ugrás az előfizetési erőforrásra az Azure Portalon
- Címkék megnyitása a bal oldali navigációs panelről
- Kapcsolja ki az előfizetés összes munkaterületének előnézetét a "AZML_DISABLE_PREVIEW_FEATURE" pár hozzáadásával: "IGAZ"
- Válassza az Alkalmazás lehetőséget.
Csatlakozás munkaterületre
Ha gépi tanulási feladatokat futtat az SDK-val, egy MLClient-objektumra van szükség, amely meghatározza a munkaterülethez való kapcsolatot. Objektumot MLClient
paraméterekből vagy konfigurációs fájlból is létrehozhat.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
Konfigurációs fájllal: Ez a kód beolvassa a konfigurációs fájl tartalmát a munkaterület megkereséséhez. Ekkor megjelenik a bejelentkezésre vonatkozó kérés, ha még nem hitelesített.
from azure.ai.ml import MLClient # read the config from the current directory ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
Paraméterekből: Ha ezt a módszert használja, nem kell config.json fájllal rendelkeznie.
from azure.ai.ml import MLClient from azure.ai.ml.entities import Workspace from azure.identity import DefaultAzureCredential ws = MLClient( DefaultAzureCredential(), subscription_id="<SUBSCRIPTION_ID>", resource_group_name="<RESOURCE_GROUP>", workspace_name="<AML_WORKSPACE_NAME>", ) print(ws)
Ha problémái vannak az előfizetés elérésében, olvassa el az Azure Machine-Tanulás erőforrások és munkafolyamatok hitelesítésének beállítása, valamint az Azure Machine Tanulás-jegyzetfüzet hitelesítésének beállítása című témakört.
Munkaterület keresése
Tekintse meg az összes elérhető munkaterület listáját. A Studióban munkaterületet is kereshet. Lásd: Azure Machine Tanulás-eszközök keresése (előzetes verzió).
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential
# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
for ws in my_ml_client.workspaces.list():
print(ws.name, ":", ws.location, ":", ws.description)
A munkaterület részleteinek lekérése:
ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)
Munkaterület törlése
Ha már nincs szüksége munkaterületre, törölje azt.
Figyelmeztetés
Ha a helyreállítható törlés engedélyezve van a munkaterületen, a törlés után helyreállítható. Ha a helyreállítható törlés nincs engedélyezve, vagy ha bejelöli a munkaterület végleges törlésének lehetőségét, az nem állítható helyre. További információ: Törölt munkaterület helyreállítása.
Tipp.
Az Azure Machine Tanulás alapértelmezett viselkedése a munkaterület helyreállítható törlése. Ez azt jelenti, hogy a munkaterület nincs azonnal törölve, hanem törlésre van megjelölve. További információ: Helyreállítható törlés.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azure-ai-ml v2 (aktuális)
ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)
Az alapértelmezett művelet nem törli automatikusan a munkaterülethez társított erőforrásokat. Állítsa delete_dependent_resources
true (Igaz) értékre az erőforrások törléséhez is.
- container registry
- tárfiók
- kulcstartó
- application insights
Az erőforrások eltávolítása
Fontos
A létrehozott erőforrások előfeltételként használhatók más Azure Machine-Tanulás oktatóanyagokhoz és útmutatókhoz.
Ha nem tervezi használni a létrehozott erőforrások egyikét sem, törölje őket, hogy ne járjon költséggel:
Az Azure Portalon válassza az Erőforráscsoportok lehetőséget a bal szélen.
A listából válassza ki a létrehozott erőforráscsoportot.
Válassza az Erőforráscsoport törlése elemet.
Adja meg az erőforráscsoport nevét. Ezután válassza a Törlés elemet.
Hibaelhárítás
Támogatott böngészők az Azure Machine Tanulás Studióban: Javasoljuk, hogy az operációs rendszerrel kompatibilis legfrissebb böngészőt használja. Ezek a böngészők támogatottak:
- Microsoft Edge (Az új Microsoft Edge, legújabb verzió. Megjegyzés: A Microsoft Edge örökölt verziója nem támogatott)
- Safari (legújabb verzió, csak Mac)
- Chrome (legújabb verzió)
- Firefox (legújabb verzió)
Azure Portal:
- Ha az SDK-ból vagy az Azure Portalról közvetlenül a munkaterületre lép egy megosztási hivatkozásból, nem tekintheti meg a standard Áttekintés lapot, amely előfizetési adatokat tartalmaz a bővítményben. Ebben a forgatókönyvben nem válthat másik munkaterületre. Egy másik munkaterület megtekintéséhez lépjen közvetlenül az Azure Machine Tanulás studióba, és keresse meg a munkaterület nevét.
- Minden eszköz (adat, kísérlet, számítás stb.) csak az Azure Machine Tanulás Studióban érhető el. Az Azure Portal nem* kínálja őket.
- Ha megpróbál exportálni egy sablont egy munkaterülethez az Azure Portalról, a következőhöz hasonló hibaüzenet jelenhet meg:
Could not get resource of the type <type>. Resources of this type will not be exported.
Kerülő megoldásként használja a sablon alapjául megadott https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices sablonok egyikét.
Munkaterület-diagnosztika
Diagnosztikát futtathat a munkaterületen az Azure Machine Tanulás studióból vagy a Python SDK-ból. A diagnosztika futtatása után a rendszer visszaadja az észlelt problémák listáját. Ez a lista a lehetséges megoldásokra mutató hivatkozásokat tartalmaz. További információ: Munkaterület-diagnosztika használata.
Erőforrás-szolgáltatói hibák
Azure Machine Tanulás-munkaterület vagy a munkaterület által használt erőforrás létrehozásakor a következő üzenetekhez hasonló hibaüzenet jelenhet meg:
No registered resource provider found for location {location}
The subscription is not registered to use namespace {resource-provider-namespace}
A legtöbb erőforrás-szolgáltató automatikusan regisztrálva van, de nem az összes. Ha ezt az üzenetet kapja, regisztrálnia kell az említett szolgáltatót.
Az alábbi táblázat az Azure Machine Tanulás által igényelt erőforrás-szolgáltatók listáját tartalmazza:
Erőforrás-szolgáltató | Miért van rá szükség? |
---|---|
Microsoft.Machine Tanulás Szolgáltatások | Az Azure Machine Tanulás-munkaterület létrehozása. |
Microsoft.Storage | A rendszer az Azure Storage-fiókot használja a munkaterület alapértelmezett tárolójaként. |
Microsoft.ContainerRegistry | Az Azure Container Registryt a munkaterület használja Docker-rendszerképek létrehozásához. |
Microsoft.KeyVault | Az Azure Key Vaultot a munkaterület titkos kulcsok tárolására használja. |
Microsoft.Notebooks | Integrált jegyzetfüzetek az Azure Machine Tanulás számítási példányon. |
Microsoft.ContainerService | Ha betanított modellek üzembe helyezését tervezi az Azure Kubernetes Servicesben. |
Ha ügyfél által felügyelt kulcsot szeretne használni az Azure Machine Tanulás, akkor a következő szolgáltatókat kell regisztrálnia:
Erőforrás-szolgáltató | Miért van rá szükség? |
---|---|
Microsoft.DocumentDB | Azure CosmosDB-példány, amely naplózza a munkaterület metaadatait. |
Microsoft.Search | Az Azure Search indexelési képességeket biztosít a munkaterülethez. |
Ha felügyelt virtuális hálózatot tervez használni az Azure Machine Tanulás, akkor a Microsoft.Network erőforrás-szolgáltatót regisztrálni kell. Ezt az erőforrás-szolgáltatót használja a munkaterület a felügyelt virtuális hálózat privát végpontjainak létrehozásakor.
Az erőforrás-szolgáltatók regisztrálásáról további információt az erőforrás-szolgáltató regisztrációjának hibáinak megoldása című témakörben talál.
Az Azure Container Registry törlése
Az Azure Machine Tanulás-munkaterület egyes műveletekhez az Azure Container Registryt (ACR) használja. Automatikusan létrehoz egy ACR-példányt, amikor először szüksége van rá.
Figyelmeztetés
Miután létrehozott egy Azure Container Registryt egy munkaterülethez, ne törölje azt. Ez megszakítja az Azure Machine Tanulás-munkaterületet.
Példák
A cikkben szereplő példák a workspace.ipynb fájlból származnak.
Következő lépések
Ha már rendelkezik munkaterületével, megtudhatja, hogyan taníthat be és helyezhet üzembe modelleket.
Ha többet szeretne megtudni arról, hogyan tervezhet munkaterületet a szervezet igényeinek megfelelően, látogasson el az Azure Machine-Tanulás rendszerezésére és beállítására.
- Ha át kell helyeznie egy munkaterületet egy másik Azure-előfizetésbe, keresse fel a Munkaterület áthelyezése című témakört.
Az Azure Machine Tanulás naprakészen tartásáról a legújabb biztonsági frissítésekről a Biztonsági rések kezelése című témakörben olvashat.