Workspace Kelas
Menentukan sumber daya Azure Machine Learning untuk mengelola artefak pelatihan dan penyebaran.
Ruang kerja adalah sumber daya dasar untuk pembelajaran mesin di Azure Machine Learning. Anda menggunakan ruang kerja untuk bereksperimen, melatih, dan menyebarkan model pembelajaran mesin. Setiap ruang kerja terkait dengan langganan Azure dan grup sumber daya, dan memiliki SKU terkait.
Untuk informasi selengkapnya tentang ruang kerja, lihat:
Konstruktor Ruang Kerja Kelas untuk memuat Ruang Kerja Azure Machine Learning yang ada.
- Warisan
-
builtins.objectWorkspace
Konstruktor
Workspace(subscription_id, resource_group, workspace_name, auth=None, _location=None, _disable_service_check=False, _workspace_id=None, sku='basic', tags=None, _cloud='AzureCloud')Parameter
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika Tidak Ada, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
- workspace_name
- str
Nama ruang kerja. Panjang nama harus antara 2 dan 32 karakter. Karakter pertama dari nama tersebut harus alfanumerik (huruf atau angka), tetapi sisanya boleh berisi alfanumerik, tanda hubung, dan garis bawah. Spasi kosong tidak diperbolehkan.
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika Tidak Ada, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
Keterangan
Contoh berikut menunjukkan cara pembuatan ruang kerja.
from azureml.core import Workspace
ws = Workspace.create(name='myworkspace',
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=True,
location='eastus2'
)
Setel create_resource_group ke False jika Anda memiliki grup sumber daya Azure yang ingin Anda gunakan untuk ruang kerja.
Untuk menggunakan ruang kerja yang sama di beberapa lingkungan, buat file konfigurasi JSON. File konfigurasi menyimpan langganan, sumber daya, dan nama ruang kerja Anda sehingga dapat dimuat dengan mudah. Untuk menyimpan konfigurasi, gunakan metode write_config.
ws.write_config(path="./file-path", file_name="ws_config.json")
Lihat Membuat file konfigurasi ruang kerja untuk contoh file konfigurasi.
Untuk memuat ruang kerja dari file konfigurasi, gunakan metode from_config.
ws = Workspace.from_config()
ws.get_details()
Atau, gunakan metode get untuk memuat ruang kerja yang sudah ada tanpa menggunakan file konfigurasi.
ws = Workspace.get(name="myworkspace",
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup')
Sampel di atas dapat meminta informasi masuk autentikasi Azure kepada Anda menggunakan dialog masuk interaktif. Untuk kasus penggunaan lainnya, termasuk menggunakan autentikasi Azure CLI dan autentikasi dalam alur kerja otomatis, lihat Autentikasi pada Azure Machine Learning.
Metode
| add_private_endpoint |
Tambahkan titik akhir privat ke ruang kerja. |
| create |
Buat Ruang Kerja Azure Machine Learning baru. Mengeluarkan pengecualian jika ruang kerja sudah ada atau salah satu persyaratan ruang kerja tidak terpenuhi. |
| delete |
Hapus Ruang Kerja Azure Machine Learning yang terkait dengan sumber daya. |
| delete_connection |
Hapus koneksi ruang kerja. |
| delete_private_endpoint_connection |
Menghapus koneksi titik akhir privat ke ruang kerja. |
| diagnose_workspace |
Diagnosis masalah penyiapan ruang kerja. |
| from_config |
Mengembalikan objek ruang kerja dari Ruang Kerja Azure Machine Learning yang ada. Membaca konfigurasi ruang kerja dari sebuah file. Mengeluarkan pengecualian jika file konfigurasi tidak dapat ditemukan. Metode ini menyediakan cara sederhana untuk menggunakan ulang ruang kerja yang sama di beberapa buku catatan atau proyek Python. Pengguna dapat menyimpan properti Azure Resource Manager (ARM) ruang kerja menggunakan metode write_config, dan menggunakan metode ini untuk memuat ruang kerja yang sama di buku catatan atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja. |
| get |
Mengembalikan objek ruang kerja untuk Ruang Kerja Azure Machine Learning yang ada. Mengeluarkan pengecualian jika ruang kerja tidak ada atau bidang yang diperlukan tidak mengidentifikasi ruang kerja secara unik. |
| get_connection |
Mendapatkan koneksi ruang kerja. |
| get_default_compute_target |
Mendapatkan target komputasi default untuk ruang kerja. |
| get_default_datastore |
Mendapatkan penyimpanan data default untuk ruang kerja. |
| get_default_keyvault |
Mendapatkan objek brankas kunci default untuk ruang kerja. |
| get_details |
Mengembalikan detail ruang kerja. |
| get_mlflow_tracking_uri |
Dapatkan URI pelacakan MLflow untuk ruang kerja. MLflow (https://mlflow.org/) adalah platform sumber terbuka untuk melacak eksperimen pembelajaran mesin dan mengelola model. Anda dapat menggunakan API pengelogan MLflow dengan Azure Machine Learning sehingga metrik, model, dan artefak dicatat ke ruang kerja Azure Machine Learning Anda. |
| get_run |
Mengembalikan eksekusi dengan run_id yang ditentukan dalam ruang kerja. |
| list |
Mencantumkan semua ruang kerja yang dapat diakses pengguna dalam langganan. Daftar ruang kerja dapat difilter berdasarkan grup sumber daya. |
| list_connections |
Mencantumkan koneksi pada ruang kerja ini. |
| list_keys |
Mencantumkan kunci untuk ruang kerja saat ini. |
| set_connection |
Menambahkan atau memperbarui koneksi pada ruang kerja. |
| set_default_datastore |
Mengatur penyimpanan data default untuk ruang kerja. |
| setup |
Membuat ruang kerja baru atau mengambil ruang kerja yang sudah ada. |
| sync_keys |
Memicu ruang kerja untuk segera menyinkronkan kunci. Jika kunci untuk sumber daya apa pun di ruang kerja diubah, diperlukan waktu sekitar satu jam agar dapat diperbarui secara otomatis. Fungsi ini memungkinkan kunci diperbarui berdasarkan permintaan. Contoh skenarionya adalah membutuhkan akses langsung ke penyimpanan setelah meregenerasi kunci penyimpanan. |
| update |
Memperbarui nama, deskripsi, tag, komputasi build citra, dan pengaturan lainnya yang terkait dengan ruang kerja. |
| update_dependencies |
Perbarui sumber daya terkait untuk ruang kerja dalam kasus berikut. a) Ketika pengguna secara tidak sengaja menghapus sumber daya terkait yang ada dan ingin memperbaruinya dengan yang baru tanpa harus membuat ulang seluruh ruang kerja. b) Ketika pengguna memiliki sumber daya terkait yang ada dan ingin mengganti sumber daya terkait saat ini dengan ruang kerja. c) Ketika sumber daya terkait belum dibuat dan ingin menggunakan sumber daya yang sudah ada yang sudah dimiliki (hanya berlaku untuk registri kontainer). |
| write_config |
Menulis properti Azure Resource Manager (ARM) ruang kerja ke file konfigurasi. Properti ARM ruang kerja dapat dimuat kemudian menggunakan metode from_config. Default Metode ini memberikan cara sederhana untuk menggunakan ulang ruang kerja yang sama di beberapa buku catatan atau proyek Python. Pengguna dapat menyimpan properti ARM ruang kerja menggunakan fungsi ini, dan menggunakan from_config untuk memuat ruang kerja yang sama di buku catatan atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja. |
add_private_endpoint
Tambahkan titik akhir privat ke ruang kerja.
add_private_endpoint(private_endpoint_config, private_endpoint_auto_approval=True, location=None, show_output=True, tags=None)Parameter
- private_endpoint_config
- PrivateEndPointConfig
Konfigurasi titik akhir privat untuk membuat titik akhir privat ke ruang kerja.
- private_endpoint_auto_approval
- bool
Bendera boolean yang menunjukkan apakah pembuatan titik akhir privat harus disetujui secara otomatis atau disetujui secara manual dari Pusat Azure Private Link. Dalam kasus persetujuan manual, pengguna dapat melihat permintaan yang tertunda di portal Private Link untuk menyetujui/menolak permintaan.
Mengembalikan
Objek PrivateEndPoint dibuat.
Tipe hasil
create
Buat Ruang Kerja Azure Machine Learning baru.
Mengeluarkan pengecualian jika ruang kerja sudah ada atau salah satu persyaratan ruang kerja tidak terpenuhi.
static create(name, auth=None, subscription_id=None, resource_group=None, location=None, create_resource_group=True, sku='basic', tags=None, friendly_name=None, storage_account=None, key_vault=None, app_insights=None, container_registry=None, adb_workspace=None, primary_user_assigned_identity=None, cmk_keyvault=None, resource_cmk_uri=None, hbi_workspace=False, default_cpu_compute_target=None, default_gpu_compute_target=None, private_endpoint_config=None, private_endpoint_auto_approval=True, exist_ok=False, show_output=True, user_assigned_identity_for_cmk_encryption=None, system_datastores_auth_mode='accessKey', v1_legacy_mode=None)Parameter
- name
- str
Nama ruang kerja baru. Panjang nama harus antara 2 dan 32 karakter. Karakter pertama dari nama tersebut harus alfanumerik (huruf atau angka), tetapi sisanya boleh berisi alfanumerik, tanda hubung, dan garis bawah. Spasi kosong tidak diperbolehkan.
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika Tidak Ada, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
- subscription_id
- str
ID langganan dari langganan yang berisi untuk ruang kerja baru. Parameter diperlukan jika pengguna memiliki akses ke lebih dari satu langganan.
- resource_group
- str
Grup sumber daya Azure yang memuat ruang kerja. Default parameter ke mutasi nama ruang kerja.
- location
- str
Lokasi ruang kerja. Default parameter ke lokasi grup sumber daya. Lokasi harus berupa wilayah yang didukung untuk Azure Machine Learning.
- create_resource_group
- bool
Menunjukkan apakah akan membuat grup sumber daya jika grup sumber daya belum ada.
- friendly_name
- str
Nama opsional yang mudah diingat untuk ruang kerja yang dapat ditampilkan di antarmuka pengguna.
- storage_account
- str
Akun penyimpanan yang sudah ada dalam format ID sumber daya Azure. Penyimpanan akan digunakan oleh ruang kerja untuk menyimpan output run, kode, log, dll. Jika Tidak Ada, akun penyimpanan baru akan dibuat.
- key_vault
- str
Brankas kunci yang sudah ada dalam format ID sumber daya Azure. Lihat contoh kode di bawah ini untuk detail format ID sumber daya Azure. Brankas kunci akan digunakan oleh ruang kerja untuk menyimpan informasi masuk yang ditambahkan ke ruang kerja oleh pengguna. Jika Tidak Ada, brankas kunci baru akan dibuat.
- app_insights
- str
Application Insights yang sudah ada dalam format ID sumber daya Azure. Lihat contoh kode di bawah ini untuk detail format ID sumber daya Azure. Application Insights akan digunakan oleh ruang kerja untuk mencatat peristiwa layanan web. Jika Tidak Ada, Application Insights baru akan dibuat.
- container_registry
- str
Registri kontainer yang sudah ada dalam format ID sumber daya Azure (lihat contoh kode di bawah ini untuk detail format ID sumber daya Azure). Registri kontainer akan digunakan oleh ruang kerja untuk menarik dan mendorong eksperimen dan citra layanan web. Jika Tidak Ada, registri kontainer baru hanya akan dibuat bila diperlukan dan bukan bawaan pembuatan ruang kerja.
- adb_workspace
- str
Ruang Kerja Adb yang sudah ada dalam format ID sumber daya Azure (lihat contoh kode di bawah ini untuk detail format ID sumber daya Azure). Ruang Kerja Adb akan digunakan agar tertaut dengan ruang kerja. Jika None, tautan ruang kerja tidak akan berhasil.
- primary_user_assigned_identity
- str
Id sumber daya identitas yang ditetapkan pengguna yang digunakan untuk mewakili ruang kerja
- cmk_keyvault
- str
Brankas kunci yang berisi kunci yang dikelola pelanggan dalam format ID sumber daya Azure: /subscriptions/<azure-subscription-id>/resourcegroups/<azure-resource-group>/providers/microsoft.keyvault/vaults/<azure-keyvault-name> Misalnya: '/subscriptions/d139f240-94e6-4175-87a7-954b9d27db16/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault' Lihat contoh kode dalam Pernyataan di bawah ini untuk detail selengkapnya mengenai format ID sumber daya Azure.
- resource_cmk_uri
- str
URI kunci dari kunci yang dikelola pelanggan untuk mengenkripsi data tidak aktif.
Format URI adalah: https://<keyvault-dns-name>/keys/<key-name>/<key-version>.
Misalnya, 'https://mykeyvault.vault.azure.net/keys/mykey/bc5dce6d01df49w2na7ffb11a2ee008b '.
Lihat https://docs.microsoft.com/azure-stack/user/azure-stack-key-vault-manage-portal untuk mengetahui langkah-langkah tentang cara membuat kunci dan mendapatkan URI-nya.
- hbi_workspace
- bool
Menentukan apakah ruang kerja berisi data High Business Impact (HBI), misalnya, berisi informasi bisnis yang sensitif. Bendera ini dapat diatur hanya saat pembuatan ruang kerja. Nilainya tidak dapat diubah setelah ruang kerja dibuat. Nilai defaultnya adalah False.
Saat diatur ke True, langkah enkripsi lebih lanjut akan dilakukan, dan tergantung pada komponen SDK, akan menghasilkan informasi yang disunting dalam telemetri yang dikumpulkan secara internal. Untuk informasi selengkapnya, lihat Enkripsi data.
Ketika bendera ini diatur ke True, salah satu dampak yang mungkin adalah peningkatan kesulitan memecahkan masalah. Ini bisa terjadi karena beberapa telemetri tidak dikirim ke Microsoft dan ada sedikit visibilitas ke tingkat keberhasilan atau jenis masalah, dan karena itu mungkin tidak dapat bereaksi secara proaktif ketika bendera ini Benar. Rekomendasi untuk mengatasinya adalah menggunakan default False untuk bendera ini, kecuali jika benar-benar perlu untuk menggunakan default True.
- default_cpu_compute_target
- AmlComputeProvisioningConfiguration
(TIDAK DIGUNAKAN LAGI) Konfigurasi yang akan digunakan untuk membuat komputasi CPU. Default parameter ke {min_nodes=0, max_nodes=2, vm_size="STANDARD_DS2_V2", vm_priority="dedicated"} Jika Tidak Ada, komputasi tidak akan dibuat.
- default_gpu_compute_target
- AmlComputeProvisioningConfiguration
(TIDAK DIGUNAKAN LAGI) Konfigurasi yang akan digunakan untuk membuat komputasi GPU. Parameter default ke {min_nodes=0, max_nodes=2, vm_size="STANDARD_NC6", vm_priority="dedicated"} Jika Tidak Ada, komputasi tidak akan dibuat.
- private_endpoint_config
- PrivateEndPointConfig
Konfigurasi titik akhir privat untuk membuat titik akhir privat ke ruang kerja Azure ML.
- private_endpoint_auto_approval
- bool
Bendera boolean yang menunjukkan apakah pembuatan titik akhir privat harus disetujui secara otomatis atau disetujui secara manual dari Pusat Azure Private Link. Dalam kasus persetujuan manual, pengguna dapat melihat permintaan yang tertunda di portal Private Link untuk menyetujui/menolak permintaan.
- exist_ok
- bool
Menunjukkan apakah metode ini berhasil atau tidak jika ruang kerja sudah ada. Jika False, metode ini gagal bila ruang kerja sudah ada. Jika True, metode ini mengembalikan ruang kerja yang sudah ada.
- user_assigned_identity_for_cmk_encryption
- str
Id sumber daya identitas yang ditetapkan pengguna yang perlu digunakan untuk mengakses kunci kelola pelanggan
- system_datastores_auth_mode
- str
Menentukan apakah akan menggunakan informasi masuk untuk penyimpanan data sistem ruang kerja 'workspaceblobstore' dan 'workspacefilestore'. Nilai default adalah 'accessKey', dalam hal ini, ruang kerja akan membuat penyimpanan data sistem dengan informasi masuk. Jika diatur ke 'identity', ruang kerja akan membuat penyimpanan data sistem tanpa informasi masuk.
- v1_legacy_mode
- bool
Mencegah penggunaan layanan API v2 di Azure Resource Manager publik
Mengembalikan
Objek ruang kerja.
Tipe hasil
Pengecualian
Diajukan karena terjadi masalah saat pembuatan ruang kerja.
Keterangan
Contoh pertama ini hanya memerlukan spesifikasi minimal, dan semua sumber daya dependen beserta grup sumber daya akan dibuat secara otomatis.
from azureml.core import Workspace
ws = Workspace.create(name='myworkspace',
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=True,
location='eastus2')
Contoh berikut menunjukkan cara menggunakan ulang sumber daya Azure yang sudah ada dengan menggunakan format ID sumber daya Azure. ID sumber daya Azure tertentu dapat diambil melalui Portal Azure atau SDK. Hal ini mengasumsikan bahwa grup sumber daya, akun penyimpanan, brankas kunci, App Insights, dan registri kontainer sudah ada.
import os
from azureml.core import Workspace
from azureml.core.authentication import ServicePrincipalAuthentication
service_principal_password = os.environ.get("AZUREML_PASSWORD")
service_principal_auth = ServicePrincipalAuthentication(
tenant_id="<tenant-id>",
username="<application-id>",
password=service_principal_password)
ws = Workspace.create(name='myworkspace',
auth=service_principal_auth,
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=False,
location='eastus2',
friendly_name='My workspace',
storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
exist_ok=False)
delete
Hapus Ruang Kerja Azure Machine Learning yang terkait dengan sumber daya.
delete(delete_dependent_resources=False, no_wait=False)Parameter
- delete_dependent_resources
- bool
Apakah akan menghapus sumber daya yang terkait dengan ruang kerja, yaitu, registri kontainer, akun penyimpanan, brankas kunci, dan application insights. Defaultnya adalah False. Atur ke True untuk menghapus sumber daya ini.
Mengembalikan
None jika berhasil; jika gagal, menampilkan kesalahan.
Tipe hasil
delete_connection
Hapus koneksi ruang kerja.
delete_connection(name)Parameter
delete_private_endpoint_connection
Menghapus koneksi titik akhir privat ke ruang kerja.
delete_private_endpoint_connection(private_endpoint_connection_name)Parameter
- private_endpoint_connection_name
- str
Nama unik koneksi titik akhir privat pada ruang kerja
diagnose_workspace
Diagnosis masalah penyiapan ruang kerja.
diagnose_workspace(diagnose_parameters)Parameter
- diagnose_parameters
- <xref:_restclient.models.DiagnoseWorkspaceParameters>
Parameter mendiagnosis kesehatan ruang kerja
Mengembalikan
Instans AzureOperationPoller yang mengembalikan DiagnoseResponseResult
Tipe hasil
from_config
Mengembalikan objek ruang kerja dari Ruang Kerja Azure Machine Learning yang ada.
Membaca konfigurasi ruang kerja dari sebuah file. Mengeluarkan pengecualian jika file konfigurasi tidak dapat ditemukan.
Metode ini menyediakan cara sederhana untuk menggunakan ulang ruang kerja yang sama di beberapa buku catatan atau proyek Python. Pengguna dapat menyimpan properti Azure Resource Manager (ARM) ruang kerja menggunakan metode write_config, dan menggunakan metode ini untuk memuat ruang kerja yang sama di buku catatan atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja.
static from_config(path=None, auth=None, _logger=None, _file_name=None)Parameter
- path
- str
Jalur ke file konfigurasi atau direktori awal yang akan dicari. Default parameter untuk memulai pencarian di direktori saat ini.
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika Tidak Ada, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
- _file_name
- str
Memungkinkan pengambilalihan nama file konfigurasi yang akan dicari saat jalur merupakan jalur direktori.
Mengembalikan
Objek ruang kerja untuk Ruang Kerja Azure ML yang sudah ada.
Tipe hasil
get
Mengembalikan objek ruang kerja untuk Ruang Kerja Azure Machine Learning yang ada.
Mengeluarkan pengecualian jika ruang kerja tidak ada atau bidang yang diperlukan tidak mengidentifikasi ruang kerja secara unik.
static get(name, auth=None, subscription_id=None, resource_group=None, location=None, cloud='AzureCloud', id=None)Parameter
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika None, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
- subscription_id
- str
ID langganan yang akan digunakan. Parameter diperlukan jika pengguna memiliki akses ke lebih dari satu langganan.
- resource_group
- str
Grup sumber daya yang akan digunakan. Jika None, metode akan mencari semua grup sumber daya di langganan.
- cloud
- str
Nama cloud target. Dapat berupa salah satu dari "AzureCloud", "AzureChinaCloud", atau "AzureUSGovernment". Jika tidak ada cloud yang ditentukan, "AzureCloud" akan digunakan.
Mengembalikan
Objek ruang kerja.
Tipe hasil
get_connection
Mendapatkan koneksi ruang kerja.
get_connection(name)Parameter
get_default_compute_target
Mendapatkan target komputasi default untuk ruang kerja.
get_default_compute_target(type)Parameter
Mengembalikan
Target komputasi default untuk jenis komputasi yang diberikan.
Tipe hasil
get_default_datastore
Mendapatkan penyimpanan data default untuk ruang kerja.
get_default_datastore()Mengembalikan
Penyimpanan data default.
Tipe hasil
get_default_keyvault
Mendapatkan objek brankas kunci default untuk ruang kerja.
get_default_keyvault()Mengembalikan
Objek KeyVault yang terkait dengan ruang kerja.
Tipe hasil
get_details
Mengembalikan detail ruang kerja.
get_details()Mengembalikan
Detail ruang kerja dalam format kamus.
Tipe hasil
Keterangan
Kamus yang dikembalikan berisi pasangan kunci-nilai berikut.
id: URI yang mengarah ke sumber daya ruang kerja ini, berisi ID langganan, grup sumber daya, dan nama ruang kerja.
name: Nama ruang kerja ini.
location: Wilayah ruang kerja.
type: URI format "{providerName}/workspaces".
tags: Saat ini tidak digunakan.
workspaceid: ID ruang kerja ini.
description: Saat ini tidak digunakan.
friendlyName: Nama yang mudah diingat untuk ruang kerja yang ditampilkan di antarmuka pengguna.
creationTime: Waktu yang ditetapkan ruang kerja ini, dalam format ISO8601.
containerRegistry: Registri kontainer ruang kerja yang digunakan untuk menarik dan mendorong citra eksperimentasi sekaligus layanan web.
keyVault: Brankas kunci ruang kerja yang digunakan untuk menyimpan informasi masuk yang ditambahkan ke ruang kerja oleh pengguna.
applicationInsights: Application Insights akan digunakan oleh ruang kerja untuk mencatat peristiwa layanan web.
identityPrincipalId:
identityTenantId
identityType
storageAccount: Penyimpanan akan digunakan oleh ruang kerja untuk menyimpan output run, kode, log, dll.
sku: SKU ruang kerja (juga disebut sebagai edisi). Parameter hadir untuk kompatibilitas mundur dan diabaikan.
resourceCmkUri: URI kunci dari kunci yang dikelola pelanggan untuk mengenkripsi data saat tidak aktif. Lihat https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 untuk langkah-langkah tentang cara membuat kunci dan mendapatkan URI-nya.
hbiWorkspace: Menentukan apakah data pelanggan merupakan data dampak bisnis tinggi.
imageBuildCompute: Target komputasi untuk build citra.
systemDatastoresAuthMode: Menentukan apakah akan menggunakan informasi masuk untuk penyimpanan data sistem ruang kerja 'workspaceblobstore' dan 'workspacefilestore'. Nilai default adalah 'accessKey', dalam hal ini, ruang kerja akan membuat penyimpanan data sistem dengan informasi masuk. Jika diatur ke 'identity', ruang kerja akan membuat penyimpanan data sistem tanpa informasi masuk.
Untuk informasi selengkapnya tentang pasangan nilai-kunci ini, lihat create.
get_mlflow_tracking_uri
Dapatkan URI pelacakan MLflow untuk ruang kerja.
MLflow (https://mlflow.org/) adalah platform sumber terbuka untuk melacak eksperimen pembelajaran mesin dan mengelola model. Anda dapat menggunakan API pengelogan MLflow dengan Azure Machine Learning sehingga metrik, model, dan artefak dicatat ke ruang kerja Azure Machine Learning Anda.
get_mlflow_tracking_uri(_with_auth=False)Parameter
- _with_auth
- bool
(TIDAK DIGUNAKAN LAGI) Menambahkan info autentikasi ke URI pelacakan.
Mengembalikan
URI pelacakan yang kompatibel dengan MLflow.
Tipe hasil
Keterangan
Gunakan sampel berikut untuk mengonfigurasi pelacakan MLflow guna mengirim data ke Ruang Kerja Azure ML:
import mlflow
from azureml.core import Workspace
workspace = Workspace.from_config()
mlflow.set_tracking_uri(workspace.get_mlflow_tracking_uri())
get_run
Mengembalikan eksekusi dengan run_id yang ditentukan dalam ruang kerja.
get_run(run_id)Parameter
Mengembalikan
Eksekusi yang dikirim.
Tipe hasil
list
Mencantumkan semua ruang kerja yang dapat diakses pengguna dalam langganan.
Daftar ruang kerja dapat difilter berdasarkan grup sumber daya.
static list(subscription_id, auth=None, resource_group=None)Parameter
Objek autentikasi. Untuk detail selengkapnya, lihat https://aka.ms/aml-notebook-auth. Jika None, informasi masuk Azure CLI default akan digunakan atau API akan meminta informasi masuk.
- resource_group
- str
Grup sumber daya untuk memfilter ruang kerja yang dikembalikan. Jika Tidak Ada, metode ini akan membuat daftar semua ruang kerja di dalam langganan yang ditentukan.
Mengembalikan
Kamus yang kuncinya adalah nama ruang kerja dan nilainya adalah daftar objek Ruang Kerja.
Tipe hasil
list_connections
Mencantumkan koneksi pada ruang kerja ini.
list_connections(category=None, target=None)Parameter
- category
list_keys
set_connection
Menambahkan atau memperbarui koneksi pada ruang kerja.
set_connection(name, category, target, authType, value)Parameter
set_default_datastore
Mengatur penyimpanan data default untuk ruang kerja.
set_default_datastore(name)Parameter
setup
Membuat ruang kerja baru atau mengambil ruang kerja yang sudah ada.
static setup()Mengembalikan
Objek Ruang Kerja.
Tipe hasil
sync_keys
Memicu ruang kerja untuk segera menyinkronkan kunci.
Jika kunci untuk sumber daya apa pun di ruang kerja diubah, diperlukan waktu sekitar satu jam agar dapat diperbarui secara otomatis. Fungsi ini memungkinkan kunci diperbarui berdasarkan permintaan. Contoh skenarionya adalah membutuhkan akses langsung ke penyimpanan setelah meregenerasi kunci penyimpanan.
sync_keys(no_wait=False)Parameter
Mengembalikan
None jika berhasil; jika gagal, menampilkan kesalahan.
Tipe hasil
update
Memperbarui nama, deskripsi, tag, komputasi build citra, dan pengaturan lainnya yang terkait dengan ruang kerja.
update(friendly_name=None, description=None, tags=None, image_build_compute=None, service_managed_resources_settings=None, primary_user_assigned_identity=None, allow_public_access_when_behind_vnet=None, v1_legacy_mode=None)Parameter
- friendly_name
- str
Nama yang mudah diingat untuk ruang kerja yang dapat ditampilkan di antarmuka pengguna.
- service_managed_resources_settings
- <xref:azureml._base_sdk_common.workspace.models.ServiceManagedResourcesSettings>
Pengaturan sumber daya yang dikelola layanan.
- primary_user_assigned_identity
- str
Id sumber daya identitas ditetapkan pengguna yang mewakili identitas ruang kerja.
- allow_public_access_when_behind_vnet
- bool
Izinkan akses publik ke ruang kerja link pribadi.
- v1_legacy_mode
- bool
Mencegah penggunaan layanan API v2 di Azure Resource Manager publik
Mengembalikan
Kamus informasi yang diperbarui.
Tipe hasil
update_dependencies
Perbarui sumber daya terkait untuk ruang kerja dalam kasus berikut.
a) Ketika pengguna secara tidak sengaja menghapus sumber daya terkait yang ada dan ingin memperbaruinya dengan yang baru tanpa harus membuat ulang seluruh ruang kerja. b) Ketika pengguna memiliki sumber daya terkait yang ada dan ingin mengganti sumber daya terkait saat ini dengan ruang kerja. c) Ketika sumber daya terkait belum dibuat dan ingin menggunakan sumber daya yang sudah ada yang sudah dimiliki (hanya berlaku untuk registri kontainer).
update_dependencies(container_registry=None, force=False)Parameter
- force
- bool
Jika dipaksa memperbarui sumber daya dependen tanpa konfirmasi yang diminta.
Tipe hasil
write_config
Menulis properti Azure Resource Manager (ARM) ruang kerja ke file konfigurasi.
Properti ARM ruang kerja dapat dimuat kemudian menggunakan metode from_config. Default path ke'.azureml/' di direktori yang bekerja saat ini dan default file_name ke 'config.json'.
Metode ini memberikan cara sederhana untuk menggunakan ulang ruang kerja yang sama di beberapa buku catatan atau proyek Python. Pengguna dapat menyimpan properti ARM ruang kerja menggunakan fungsi ini, dan menggunakan from_config untuk memuat ruang kerja yang sama di buku catatan atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja.
write_config(path=None, file_name=None)Parameter
- path
- str
Pengguna menyediakan lokasi untuk menulis file config.json. Default parameter ke '.azureml/' di direktori yang bekerja saat ini.
- file_name
- str
Nama yang akan digunakan untuk file konfigurasi. Default parameter ke config.json.
Atribut
compute_targets
Mencantumkan semua target komputasi dalam ruang kerja.
Mengembalikan
Kamus dengan kunci sebagai nama target komputasi dan nilai sebagai objek ComputeTarget.
Tipe hasil
datasets
Mencantumkan semua himpunan data dalam ruang kerja.
Mengembalikan
Kamus dengan kunci sebagai nama himpunan data dan nilai sebagai objek Dataset.
Tipe hasil
datastores
Mencantumkan semua penyimpanan data dalam ruang kerja. Operasi ini tidak mengembalikan info masuk penyimpanan data.
Mengembalikan
Kamus dengan kunci sebagai nama penyimpanan data dan nilai sebagai objek Datastore.
Tipe hasil
discovery_url
environments
Mencantumkan semua lingkungan dalam ruang kerja.
Mengembalikan
Kamus dengan kunci sebagai nama lingkungan dan nilai sebagai objek Environment.
Tipe hasil
experiments
Mencantumkan semua eksperimen dalam ruang kerja.
Mengembalikan
Kamus dengan kunci sebagai nama eksperimen dan nilai sebagai objek Experiment.
Tipe hasil
images
Mengembalikan daftar citra dalam ruang kerja.
Mengajukan WebserviceException jika ada masalah dalam berinteraksi dengan layanan manajemen model.
Mengembalikan
Kamus dengan kunci sebagai nama citra dan nilai sebagai objek Image.
Tipe hasil
Pengecualian
Terdapat masalah dalam berinteraksi dengan layanan manajemen model.
linked_services
Cantumkan semua layanan tertaut dalam ruang kerja.
Mengembalikan
Kamus di mana kunci adalah nama layanan tertaut dan nilai adalah objek LinkedService.
Tipe hasil
location
models
Mengembalikan daftar model dalam ruang kerja.
Mengajukan WebserviceException jika terjadi masalah saat berinteraksi dengan layanan manajemen model.
Mengembalikan
Kamus model dengan kunci sebagai nama model dan nilai sebagai objek Model.
Tipe hasil
Pengecualian
Terdapat masalah dalam berinteraksi dengan layanan manajemen model.
name
private_endpoints
Mencantumkan semua titik akhir privat ruang kerja.
Mengembalikan
Kamus objek PrivateEndPoint yang berkaitan dengan ruang kerja. Kuncinya adalah nama titik akhir privat.
Tipe hasil
resource_group
Mengembalikan nama grup sumber daya untuk ruang kerja ini.
Mengembalikan
Nama grup sumber daya.
Tipe hasil
service_context
Mengembalikan konteks layanan untuk ruang kerja ini.
Mengembalikan
Mengembalikan objek ServiceContext.
Tipe hasil
sku
subscription_id
tags
webservices
Mengembalikan daftar layanan web dalam ruang kerja.
Mengajukan WebserviceException jika ada masalah saat mengembalikan daftar.
Mengembalikan
Daftar layanan web dalam ruang kerja.
Tipe hasil
Pengecualian
Terdapat masalah dalam mengembalikan daftar.
DEFAULT_CPU_CLUSTER_CONFIGURATION
DEFAULT_CPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>DEFAULT_CPU_CLUSTER_NAME
DEFAULT_CPU_CLUSTER_NAME = 'cpu-cluster'DEFAULT_GPU_CLUSTER_CONFIGURATION
DEFAULT_GPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>DEFAULT_GPU_CLUSTER_NAME
DEFAULT_GPU_CLUSTER_NAME = 'gpu-cluster'Saran dan Komentar
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat: https://aka.ms/ContentUserFeedback.
Kirim dan lihat umpan balik untuk