Azure Machine Learning のための開発環境を構成するConfigure a development environment for Azure Machine Learning

適用先: 有効Basic エディション 有効Enterprise エディション                    (Enterprise エディションにアップグレード)APPLIES TO: yesBasic edition yesEnterprise edition                    (Upgrade to Enterprise edition)

この記事では、Azure Machine Learning を操作する開発環境を構成する方法について説明します。In this article, you learn how to configure a development environment to work with Azure Machine Learning. Azure Machine Learning は、プラットフォームに依存しません。Azure Machine Learning is platform agnostic. 開発環境のハード要件は Python 3 だけです。The only hard requirement for your development environment is Python 3. Anaconda や Virtualenv などの分離環境もお勧めします。An isolated environment like Anaconda or Virtualenv is also recommended.

次の表では、この記事で説明されている各開発環境と、その長所および短所を示します。The following table shows each development environment covered in this article, along with pros and cons.

環境Environment 長所Pros 短所Cons
クラウドベースの Azure Machine Learning コンピューティング インスタンスを使用する (プレビュー)Cloud-based Azure Machine Learning compute instance (preview) 最も簡単に始められる方法です。Easiest way to get started. SDK 全体は既にワークスペース VM にインストールされており、ノートブックのチュートリアルは事前に複製され、実行準備ができています。The entire SDK is already installed in your workspace VM, and notebook tutorials are pre-cloned and ready to run. 開発環境と依存関係を制御することはできません。Lack of control over your development environment and dependencies. Linux VM では追加コストが発生します (VM を使用していない場合は料金を回避するために停止できます)。Additional cost incurred for Linux VM (VM can be stopped when not in use to avoid charges). 価格の詳細を参照してください。See pricing details.
ローカル環境Local environment 開発環境と依存関係を完全に制御できます。Full control of your development environment and dependencies. 任意のビルド ツール、環境、または IDE を使用できます。Run with any build tool, environment, or IDE of your choice. 始めるのに時間がかかります。Takes longer to get started. 必要な SDK パッケージをインストールする必要があり、環境がまだない場合はそれもインストールする必要があります。Necessary SDK packages must be installed, and an environment must also be installed if you don't already have one.
Azure DatabricksAzure Databricks スケーラブルな Apache Spark プラットフォームで大規模な集中型機械学習ワークフローを実行する場合に適しています。Ideal for running large-scale intensive machine learning workflows on the scalable Apache Spark platform. 実験用機械学習、または小規模な実験とワークフローでは過剰です。Overkill for experimental machine learning, or smaller-scale experiments and workflows. Azure Databricks の追加コストが発生します。Additional cost incurred for Azure Databricks. 価格の詳細を参照してください。See pricing details.
Data Science Virtual Machine (DSVM)The Data Science Virtual Machine (DSVM) クラウドベースのコンピューティング インスタンスに似ていますが (Python と SDK はプレインストールされています)、その他の一般的なデータ サイエンスおよび機械学習ツールがプレインストールされています。Similar to the cloud-based compute instance (Python and the SDK are pre-installed), but with additional popular data science and machine learning tools pre-installed. 簡単にスケーリングし、他のカスタム ツールやワークフローと組み合わせることができます。Easy to scale and combine with other custom tools and workflows. クラウドベースのコンピューティング インスタンスと比較して、作業の開始に時間がかかります。A slower getting started experience compared to the cloud-based compute instance.

この記事では、次のツールに関する追加の使用ヒントについても説明します。This article also provides additional usage tips for the following tools:

  • Jupyter Notebook:Jupyter Notebook を既に使用している場合、SDK にはインストールする必要のある追加機能がいくつかあります。Jupyter Notebooks: If you're already using the Jupyter Notebook, the SDK has some extras that you should install.

  • Visual Studio Code:Visual Studio Code を使用する場合、Azure Machine Learning 拡張機能には、Python の幅広い言語サポートに加えて、Azure Machine Learning を使いやすく、生産性を高めるための機能が含まれています。Visual Studio Code: If you use Visual Studio Code, the Azure Machine Learning extension includes extensive language support for Python as well as features to make working with the Azure Machine Learning much more convenient and productive.

前提条件Prerequisites

Azure Machine Learning ワークスペース。An Azure Machine Learning workspace. ワークスペースを作成するには、Azure Machine Learning ワークスペースの作成に関するページを参照してください。To create the workspace, see Create an Azure Machine Learning workspace. 独自のクラウドベースのノートブック サーバーDSVM、または Azure Databricks を使い始めるために必要なものは、ワークスペースだけです。A workspace is all you need to get started with your own cloud-based notebook server, a DSVM, or Azure Databricks.

ローカル コンピューターJupyter Notebook サーバー、または Visual Studio Code 用の SDK 環境をインストールするには、以下も必要です。To install the SDK environment for your local computer, Jupyter Notebook server or Visual Studio Code you also need:

  • Anaconda または Miniconda パッケージ マネージャーのいずれか。Either the Anaconda or Miniconda package manager.

  • Linux または macOS 上では、Bash シェルが必要です。On Linux or macOS, you need the bash shell.

    ヒント

    Linux または macOS 上で Bash 以外のシェル (例: zsh) を使用している場合、一部のコマンドを実行するとエラーが発生する可能性があります。If you're on Linux or macOS and use a shell other than bash (for example, zsh) you might receive errors when you run some commands. この問題を回避するには、bash コマンドを使用して新しい Bash シェルを開始し、そこでコマンドを実行します。To work around this problem, use the bash command to start a new bash shell and run the commands there.

  • Windows の場合、コマンド プロンプトまたは Anaconda プロンプト (Anaconda および Miniconda によってインストール済み) が必要です。On Windows, you need the command prompt or Anaconda prompt (installed by Anaconda and Miniconda).

独自のクラウドベースのコンピューティング インスタンスYour own cloud-based compute instance

Azure Machine Learning のコンピューティング インスタンス (プレビュー) は、セキュリティで保護された、クラウドベースの Azure ワークステーションであり、データ サイエンティスト向けに Jupyter Notebook サーバー、JupyterLab、完全に準備された ML 環境を提供します。The Azure Machine Learning compute instance (preview) is a secure, cloud-based Azure workstation that provides data scientists with a Jupyter notebook server, JupyterLab, and a fully prepared ML environment.

コンピューティング インスタンスでインストールまたは構成するものはありません。There is nothing to install or configure for a compute instance. Azure Machine Learning ワークスペース内から、いつでも作成できます。Create one anytime from within your Azure Machine Learning workspace. 名前を指定し、Azure VM の種類を指定するだけです。Provide just a name and specify an Azure VM type. 今すぐお試しいただくには、「チュートリアル:環境とワークスペースを設定する」を完了することです。Try it now with this Tutorial: Setup environment and workspace.

コンピューティング インスタンスの詳細を参照してください。Learn more about compute instances.

コンピューティング料金の発生を停止するには、コンピューティング インスタンスを停止します。To stop incurring compute charges, stop the compute instance.

Data Science Virtual MachineData Science Virtual Machine

DSVM は、カスタマイズされた仮想マシン (VM) イメージです。The DSVM is a customized virtual machine (VM) image. これは、以下の項目が事前に構成されているデータ サイエンスの作業向けに設計されています。It's designed for data science work that's pre-configured with:

  • TensorFlow、PyTorch、Scikit-learn、XGBoost、Azure Machine Learning SDK などのパッケージPackages such as TensorFlow, PyTorch, Scikit-learn, XGBoost, and the Azure Machine Learning SDK
  • Spark スタンドアロンや Drill などの一般的なデータ サイエンス ツールPopular data science tools such as Spark Standalone and Drill
  • Azure CLI、AzCopy、Storage Explorer などの Azure ツールAzure tools such as the Azure CLI, AzCopy, and Storage Explorer
  • Visual Studio Code や PyCharm などの統合開発環境 (IDE)Integrated development environments (IDEs) such as Visual Studio Code and PyCharm
  • Jupyter Notebook ServerJupyter Notebook Server

Azure Machine Learning SDK は、DSVM の Ubuntu バージョンまたは Windows バージョンで動作します。The Azure Machine Learning SDK works on either the Ubuntu or Windows version of the DSVM. ただし、DSVM をコンピューティング先としても使用することを計画している場合は、Ubuntu のみがサポートされます。But if you plan to use the DSVM as a compute target as well, only Ubuntu is supported.

DSVM を開発環境として使用するにはTo use the DSVM as a development environment:

  1. 次のいずれかの環境で、DSVM を作成します。Create a DSVM in either of the following environments:

    • Microsoft Azure portal:The Azure portal:

    • Azure CLI:The Azure CLI:

      重要

      • Azure CLI を使用するときは、最初に az login コマンドを使用して Azure サブスクリプションにサインインする必要があります。When you use the Azure CLI, you must first sign in to your Azure subscription by using the az login command.

      • この手順でコマンドを使用するときは、リソース グループ名、VM の名前、ユーザー名、パスワードを指定する必要があります。When you use the commands in this step, you must provide a resource group name, a name for the VM, a username, and a password.

      • Ubuntu Data Science Virtual Machine を作成するには、次のいずれかのコマンドを使用します。To create an Ubuntu Data Science Virtual Machine, use the following command:

        # create a Ubuntu DSVM in your resource group
        # note you need to be at least a contributor to the resource group in order to execute this command successfully
        # If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
        az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password
        
      • Windows Data Science Virtual Machine を作成するには、次のいずれかのコマンドを使用します。To create a Windows Data Science Virtual Machine, use the following command:

        # create a Windows Server 2016 DSVM in your resource group
        # note you need to be at least a contributor to the resource group in order to execute this command successfully
        az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
        
  2. Azure Machine Learning SDK は DSVM に既にインストールされています。The Azure Machine Learning SDK is already installed on the DSVM. SDK を含む Conda 環境を使用するには、次のいずれかのコマンドを使用します。To use the Conda environment that contains the SDK, use one of the following commands:

    • Ubuntu DSVM の場合:For Ubuntu DSVM:

      conda activate py36
      
    • Windows DSVM の場合:For Windows DSVM:

      conda activate AzureML
      
  3. SDK にアクセスして、バージョンをチェックできることを確認するには、次の Python コードを使用します。To verify that you can access the SDK and check the version, use the following Python code:

    import azureml.core
    print(azureml.core.VERSION)
    
  4. Azure Machine Learning ワークスペースを使用するよう DSVM を構成するには、「ワークスペース構成ファイルを作成する」セクションを参照してください。To configure the DSVM to use your Azure Machine Learning workspace, see the Create a workspace configuration file section.

詳細については、「Data Science Virtual Machines」を参照してください。For more information, see Data Science Virtual Machines.

ローカル コンピューターLocal computer

ローカル コンピューター (リモート仮想マシンの場合もある) を使用している場合は、Anaconda 環境を作成し、SDK をインストールします。When you're using a local computer (which might also be a remote virtual machine), create an Anaconda environment and install the SDK. 次に例を示します。Here's an example:

  1. まだお持ちでない場合は、Anaconda (Python 3.7 バージョン) をダウンロードしてインストールしてください。Download and install Anaconda (Python 3.7 version) if you don't already have it.

  2. Anaconda Prompt を開き、次のコマンドを使用して環境を作成します。Open an Anaconda prompt and create an environment with the following commands:

    次のコマンドを実行して環境を作成します。Run the following command to create the environment.

    conda create -n myenv python=3.6.5
    

    次に、その環境をアクティブにします。Then activate the environment.

    conda activate myenv
    

    この例では Python 3.6.5 を使用して環境を作成していますが、任意の特定のサブバージョンも選択できます。This example creates an environment using python 3.6.5, but any specific subversions can be chosen. 特定のメジャー バージョンでは、SDK との互換性が保証されません (3.5+ を推奨)。エラーが発生する場合は、現在の Anaconda 環境で異なるバージョンまたはサブバージョンを試してみることをお勧めします。SDK compatibility may not be guaranteed with certain major versions (3.5+ is recommended), and it's recommended to try a different version/subversion in your Anaconda environment if you run into errors. コンポーネントとパッケージがダウンロードされて環境が作成されるまでに数分かかります。It will take several minutes to create the environment while components and packages are downloaded.

  3. 新しく作成した環境で次のコマンドを実行し、環境固有の IPython カーネルを有効にします。Run the following commands in your new environment to enable environment-specific IPython kernels. このようにしておくと、Anaconda 環境内で Jupyter Notebook を操作する際の、必要なカーネルとパッケージのインポート動作を確実にすることができます。This will ensure expected kernel and package import behavior when working with Jupyter Notebooks within Anaconda environments:

    conda install notebook ipykernel
    

    それから、次のコマンドを実行してカーネルを作成します。Then run the following command to create the kernel:

    ipython kernel install --user --name myenv --display-name "Python (myenv)"
    
  4. 次のコマンドを使用して、パッケージをインストールします。Use the following commands to install packages:

    このコマンドで、ベース Azure Machine Learning SDK が、notebook extra および automl extra と一緒にインストールされます。This command installs the base Azure Machine Learning SDK with notebook and automl extras. automl extra は大規模なインストールになるので、自動化された機械学習の実験を実行する予定がない場合はブラケットから削除できます。The automl extra is a large install, and can be removed from the brackets if you don't intend to run automated machine learning experiments. automl extra には、既定で Azure Machine Learning Data Prep SDK も依存関係として含まれます。The automl extra also includes the Azure Machine Learning Data Prep SDK by default as a dependency.

    pip install azureml-sdk[notebooks,automl]
    

    注意

    • PyYAML をアンインストールできないというメッセージが表示された場合は、代わりに次のコマンドを使用してください。If you get a message that PyYAML can't be uninstalled, use the following command instead:

      pip install --upgrade azureml-sdk[notebooks,automl] --ignore-installed PyYAML

    • macOS Catalina 以降では、zsh (Z シェル) が既定のログイン シェルおよび対話型シェルです。Starting with macOS Catalina, zsh (Z shell) is the default login shell and interactive shell. zsh で次のコマンドを使用します。ここでは角かっこを "\" (バックスラッシュ) でエスケープしています。In zsh, use the following command which escapes brackets with "\" (backslash):

      pip install --upgrade azureml-sdk\[notebooks,automl\]

    SDK をインストールするには数分かかります。It will take several minutes to install the SDK. インストール オプションの詳細については、インストール ガイドを参照してください。For more information on installation options, see the install guide.

  5. 機械学習の実験に必要な他のパッケージをインストールします。Install other packages for your machine learning experimentation.

    次のコマンドのどちらかを使用します。その際、 <new package> の部分を、インストールするパッケージに置き換えてください。Use either of the following commands and replace <new package> with the package you want to install. conda install からパッケージをインストールするには、そのパッケージが現在のチャネルの一部である必要があります (Anaconda クラウドに新しいチャネルを追加できます)。Installing packages via conda install requires that the package is part of the current channels (new channels can be added in Anaconda Cloud).

    conda install <new package>
    

    または、pip からパッケージをインストールすることもできます。Alternatively, you can install packages via pip.

    pip install <new package>
    

Jupyter NotebooksJupyter Notebooks

Jupyter Notebook は、Jupyter プロジェクトの一部です。Jupyter Notebooks are part of the Jupyter Project. これらは、ライブ コードと説明のテキストとグラフィックスが混在するドキュメントを作成する対話型のコーディング エクスペリエンスを提供します。They provide an interactive coding experience where you create documents that mix live code with narrative text and graphics. また、Jupyter Notebook は、ドキュメントにコード セクションの出力を保存できるので、結果を他のユーザーと共有する優れた方法です。Jupyter Notebooks are also a great way to share your results with others, because you can save the output of your code sections in the document. Jupyter Notebook は、さまざまなプラットフォームにインストールできます。You can install Jupyter Notebooks on a variety of platforms.

ローカル コンピューター」のセクションにある手順を実行すると、Anaconda 環境で Jupyter Notebook を実行するのに必要なコンポーネントがインストールされます。The procedure in the Local computer section installs necessary components for running Jupyter Notebooks in an Anaconda environment.

Jupyter Notebook 環境内でこれらのコンポーネントを有効にするにはTo enable these components in your Jupyter Notebook environment:

  1. Anaconda プロンプトを開いて、環境をアクティブにします。Open an Anaconda prompt and activate your environment.

    conda activate myenv
    
  2. サンプル ノートブックのセットに対して GitHub リポジトリを複製します。Clone the GitHub repository for a set of sample notebooks.

    git clone https://github.com/Azure/MachineLearningNotebooks.git
    
  3. 次のコマンドを使用して、Jupyter Notebook サーバーを起動します。Launch the Jupyter Notebook server with the following command:

    jupyter notebook
    
  4. Jupyter Notebook で SDK を使用できることを確認するには、新しいノートブックを作成し、カーネルとして Python 3 を選択して、ノートブックのセルで次のコマンドを実行します。To verify that Jupyter Notebook can use the SDK, create a New notebook, select Python 3 as your kernel, and then run the following command in a notebook cell:

    import azureml.core
    azureml.core.VERSION
    
  5. モジュールのインポートで問題が発生して ModuleNotFoundError を受信する場合は、ノートブックのセルで次のコードを実行して、Jupyter カーネルが環境に適したパスに接続されていることを確認します。If you encounter issues importing modules and receive a ModuleNotFoundError, ensure your Jupyter kernel is connected to the correct path for your environment by running the following code in a Notebook cell.

    import sys
    sys.path
    
  6. Azure Machine Learning ワークスペースを使用するよう Jupyter Notebook を構成するには、「ワークスペース構成ファイルを作成する」セクションを参照してください。To configure the Jupyter Notebook to use your Azure Machine Learning workspace, go to the Create a workspace configuration file section.

Visual Studio CodeVisual Studio Code

Visual Studio Code は、Visual Studio マーケットプレースで利用可能な拡張機能を通じて、幅広いプログラミング言語とツールのセットをサポートする、非常に一般的なクロス プラットフォームのコード エディターです。Visual Studio Code is a very popular cross platform code editor that supports an extensive set of programming languages and tools through extensions available in the Visual Studio marketplace. Azure Machine Learning 拡張機能では、すべての種類の Python 環境 (仮想、Anaconda など) でコーディングを行うために、Python 拡張機能がインストールされます。The Azure Machine Learning extension installs the Python extension for coding in all types of Python environments (virtual, Anaconda, etc.). さらに、これにより、Visual Studio Code を離れることなく、Azure Machine Learning リソースを操作し、Azure Machine Learning 実験をすべて実行するための便利な機能が提供されます。In addition, it provides convenience features for working with Azure Machine Learning resources and running Azure Machine Learning experiments all without leaving Visual Studio Code.

開発に Visual Studio Code を使用するにはTo use Visual Studio Code for development:

  1. Visual Studio Code 用の Azure Machine Learning 拡張機能をインストールするには、「Azure Machine Learning」を参照してください。Install the Azure Machine Learning extension for Visual Studio Code, see Azure Machine Learning.

    詳細については、Visual Studio Code 用の Azure Machine Learning の使用に関するページを参照してください。For more information, see Use Azure Machine Learning for Visual Studio Code.

  2. あらゆる種類の Python 開発に Visual Studio Code を使用する方法については、「VSCode での Python の使用」を参照してください。Learn how to use Visual Studio Code for any type of Python development, see Get started with Python in VSCode.

    • SDK を含む SDK Python 環境を選択するには、VS Code を開いてから、Ctrl+Shift+P キー (Linux と Windows) または Command+Shift+P キー (Mac) を選択します。To select the SDK Python environment containing the SDK, open VS Code, and then select Ctrl+Shift+P (Linux and Windows) or Command+Shift+P (Mac).

      • コマンド パレット が開きます。The Command Palette opens.
    • Python:Select Interpreter」と入力した後、適切な環境を選択します。Enter Python: Select Interpreter, and then select the appropriate environment

  3. SDK を使用できることを確認するには、次のコードを含む新しい Python ファイル (.py) を作成します。To validate that you can use the SDK, create a new Python file (.py) that contains the following code:

    #%%
    import azureml.core
    azureml.core.VERSION
    

    このコードを実行するには、[セルの実行] CodeLens をクリックするか、単に Shift+Enter キーを押します。Run this code by clicking the "Run cell" CodeLens or simply press shift-enter.

Azure DatabricksAzure Databricks

Azure Databricks は、Azure クラウド内の Apache Spark ベースの環境です。Azure Databricks is an Apache Spark-based environment in the Azure cloud. これは、CPU または GPU ベースのコンピューティング クラスターを備え、コラボレーションに適した Notebook ベースの環境を提供します。It provides a collaborative Notebook-based environment with CPU or GPU-based compute cluster.

Azure Databricks が Azure Machine Learning と連携する仕組み:How Azure Databricks works with Azure Machine Learning:

  • Spark MLlib を使用してモデルをトレーニングし、そのモデルを Azure Databricks 内から ACI/AKS にデプロイできます。You can train a model using Spark MLlib and deploy the model to ACI/AKS from within Azure Databricks.
  • また、Azure Databricks を使用して、特別な Azure ML SDK で自動化された機械学習機能を使用することもできます。You can also use automated machine learning capabilities in a special Azure ML SDK with Azure Databricks.
  • Azure Databricks は、Azure Machine Learning パイプラインからのコンピューティング先として使用できます。You can use Azure Databricks as a compute target from an Azure Machine Learning pipeline.

Databricks クラスターを設定するSet up your Databricks cluster

Databricks クラスターを作成します。Create a Databricks cluster. 一部の設定は、Databricks に自動化された機械学習用の SDK をインストールする場合にのみ適用されます。Some settings apply only if you install the SDK for automated machine learning on Databricks. クラスターの作成には数分かかります。It will take few minutes to create the cluster.

次の設定を使用します。Use these settings:

設定Setting 適用対象Applies to Value
クラスター名Cluster name 常時always yourclusternameyourclustername
Databricks ランタイムDatabricks Runtime 常時always ML 以外のランタイム 6.5 (scala 2.11、spark 2.4.3)Non-ML Runtime 6.5 (scala 2.11, spark 2.4.3)
Python バージョンPython version 常時always 33
ワーカーWorkers 常時always 2 以上2 or higher
ワーカー ノードの VM の種類Worker node VM types
(同時実行反復処理の最大数を決定)(determines max # of concurrent iterations)
自動化された MLAutomated ML
のみonly
メモリ最適化 VM 優先Memory optimized VM preferred
自動スケールの有効化Enable Autoscaling 自動化された MLAutomated ML
のみonly
オフUncheck

クラスターが実行中になるまで待機してから、次に進んでください。Wait until the cluster is running before proceeding further.

Databricks ライブラリに適切な SDK をインストールするInstall the correct SDK into a Databricks library

クラスターが実行されたら、ライブラリを作成して、適切な Azure Machine Learning SDK パッケージをクラスターにアタッチします。Once the cluster is running, create a library to attach the appropriate Azure Machine Learning SDK package to your cluster.

  1. ライブラリを保存する現在のワークスペース フォルダーを右クリックします。Right-click the current Workspace folder where you want to store the library. [作成] > [ライブラリ] の順に選択します。Select Create > Library.

  2. オプションを 1 つだけ選択します (他の SDK インストールはサポート対象外)。Choose only one option (no other SDK installation are supported)

    SDK パッケージ extrasSDK package extras sourceSource PyPi 名      PyPi Name      
    Databricks 用For Databricks Python Egg または PyPI のアップロードUpload Python Egg or PyPI azureml-sdk[databricks]azureml-sdk[databricks]
    Databricks 用 (For Databricks -with-
    自動化された ML 機能付)automated ML capabilities
    Python Egg または PyPI のアップロードUpload Python Egg or PyPI azureml-sdk[automl]azureml-sdk[automl]

    警告

    他の SDK extras はインストールできません。No other SDK extras can be installed. 前述の [databricks] または [automl] オプションのどちらか一方のみを選択します。Choose only one of the preceding options [databricks] or [automl].

    • [すべてのクラスターに自動的にアタッチする] は選択しないでください。Do not select Attach automatically to all clusters.
    • クラスター名の横にある [アタッチ] を選択します。Select Attach next to your cluster name.
  3. 状態が [アタッチ済み] に変わるまで、エラーを監視します。これには数分かかる場合があります。Monitor for errors until status changes to Attached, which may take several minutes. このステップが失敗した場合は、次の操作を行います。If this step fails:

    次のようにして、クラスターを再起動してみます。Try restarting your cluster by:

    1. 左側のウィンドウで、 [クラスター] を選択します。In the left pane, select Clusters.
    2. テーブルでクラスター名を選択します。In the table, select your cluster name.
    3. [ライブラリ] タブで [再起動] を選択します。On the Libraries tab, select Restart.

    次の点も考慮します。Also consider:

    • AutoML 構成では、Azure Databricks を使用するときに次のパラメーターを追加してください。In AutoML config, when using Azure Databricks add the following parameters:
      1. max_concurrent_iterations は、ご利用のクラスター内のワーカー ノードの数に基づきます。max_concurrent_iterations is based on number of worker nodes in your cluster.
      2. spark_context=sc は、既定の Spark コンテキストに基づきます。spark_context=sc is based on the default spark context.
    • または、古いバージョンの SDK がある場合は、クラスターのインストール済みライブラリでその SDK の選択を解除し、ごみ箱に移動します。Or, if you have an old SDK version, deselect it from cluster's installed libs and move to trash. 新しいバージョンの SDK をインストールし、クラスターを再起動します。Install the new SDK version and restart the cluster. 再起動後に問題がある場合は、クラスターをデタッチし、再アタッチします。If there is an issue after the restart, detach and reattach your cluster.

インストールが成功した場合、インポートされたライブラリは次のどちらかのような外観になります。If install was successful, the imported library should look like one of these:

自動化された機械学習機能を 持たない Databricks 用 SDK Databricks 用 Azure Machine Learning SDKSDK for Databricks without automated machine learning Azure Machine Learning SDK for Databricks

自動化された機械学習機能を持つ Databricks 用 SDK 自動化された機械学習機能が Databricks にインストールされた SDKSDK for Databricks WITH automated machine learning SDK with automated machine learning installed on Databricks

実際に使ってみるStart exploring

実際に試してみましょう。Try it out:

ワークスペース構成ファイルを作成するCreate a workspace configuration file

ワークスペース構成ファイルは、Azure Machine Learning ワークスペースと通信する方法を SDK に示す JSON ファイルです。The workspace configuration file is a JSON file that tells the SDK how to communicate with your Azure Machine Learning workspace. ファイルの名前は config.json で、形式は次のとおりです。The file is named config.json, and it has the following format:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

この JSON ファイルは、Python スクリプトまたは Jupyter Notebook を含むディレクトリ構造内にある必要があります。This JSON file must be in the directory structure that contains your Python scripts or Jupyter Notebooks. それは、同じディレクトリ内、 .azureml という名前のサブディレクトリ内、または親ディレクトリ内に置くことができます。It can be in the same directory, a subdirectory named .azureml, or in a parent directory.

コードからこのファイルを使用するには、ws=Workspace.from_config() を使用します。To use this file from your code, use ws=Workspace.from_config(). このコードは、ファイルから情報を読み込み、ワークスペースに接続します。This code loads the information from the file and connects to your workspace.

構成ファイルは 3 つの方法で作成できます。You can create the configuration file in three ways:

  • ws.write_config を使用する: config.json ファイルを描き込みます。Use ws.write_config: to write a config.json file. このファイルには、ワークスペースの構成情報が含まれています。The file contains the configuration information for your workspace. config.json を他の開発環境にダウンロードまたはコピーできます。You can download or copy the config.json to other development environments.

  • ファイルをダウンロードする:Azure portal で、お使いのワークスペースの [概要] セクションから [config.json をダウンロード] を選択します。Download the file: In the Azure portal, select Download config.json from the Overview section of your workspace.

    Azure portal

  • ファイルをプログラムで作成する:次のコード スニペットでは、サブスクリプション ID、リソース グループ、ワークスペース名を指定して、ワークスペースに接続します。Create the file programmatically: In the following code snippet, you connect to a workspace by providing the subscription ID, resource group, and workspace name. その後、ワークスペースの構成をファイルに保存します。It then saves the workspace configuration to the file:

    from azureml.core import Workspace
    
    subscription_id = '<subscription-id>'
    resource_group  = '<resource-group>'
    workspace_name  = '<workspace-name>'
    
    try:
        ws = Workspace(subscription_id = subscription_id, resource_group = resource_group, workspace_name = workspace_name)
        ws.write_config()
        print('Library configuration succeeded')
    except:
        print('Workspace not found')
    

    このコードでは、構成ファイルが .azureml/config.json ファイルに書き込まれます。This code writes the configuration file to the .azureml/config.json file.

次のステップNext steps