Wat is een Azure Machine Learning-werkruimte?

De werkruimte is de resource op het hoogste Azure Machine Learning en biedt een centrale plaats om te werken met alle artefacten die u maakt wanneer u Azure Machine Learning. De werkruimte behoudt een geschiedenis van alle trainingsuitvoer, inclusief logboeken, metrische gegevens, uitvoer en een momentopname van uw scripts. U gebruikt deze informatie om te bepalen welke trainingsuitloop het beste model produceert.

Zodra u een model hebt dat u wilt, registreert u het bij de werkruimte. Vervolgens gebruikt u het geregistreerde model en scorescripts om te implementeren naar Azure Container Instances, Azure Kubernetes Service of naar een FPGA (Field-Programmable Gate Array) als een OP REST gebaseerd HTTP-eindpunt.

Taxonomie

Een taxonomie van de werkruimte wordt weergegeven in het volgende diagram:

Workspace taxonomy

In het diagram ziet u de volgende onderdelen van een werkruimte:

  • Een werkruimte kan een Azure Machine Learning bevatten,cloudbronnen die zijn geconfigureerd met de Python-omgeving die nodig is om de Azure Machine Learning.

  • Met gebruikersrollen kunt u uw werkruimte delen met andere gebruikers, teams of projecten.

  • Rekendoelen worden gebruikt om uw experimenten uit te voeren.

  • Wanneer u de werkruimte maakt, worden ook gekoppelde resources voor u gemaakt.

  • Experimenten zijn trainings uitvoeringen die u gebruikt om uw modellen te bouwen.

  • Pijplijnen zijn herbruikbare werkstromen voor het trainen en opnieuw trainen van uw model.

  • Gegevenssets helpen bij het beheer van de gegevens die u gebruikt voor het trainen van modellen en het maken van pijplijnen.

  • Zodra u een model hebt dat u wilt implementeren, maakt u een geregistreerd model.

  • Gebruik het geregistreerde model en een scorescript om een implementatie-eindpunt te maken.

Hulpprogramma's voor werkruimte-interactie

U kunt op de volgende manieren met uw werkruimte werken:

Belangrijk

Hulpprogramma's die hieronder zijn gemarkeerd (preview) zijn momenteel beschikbaar als openbare preview. De preview-versie wordt aangeboden zonder Service Level Agreement en wordt niet aanbevolen voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt. Zie Supplemental Terms of Use for Microsoft Azure Previews (Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews) voor meer informatie.

Machine learning met een werkruimte

Machine learning-taken lezen en/of schrijven artefacten naar uw werkruimte.

  • Een experiment uitvoeren om een model te trainen: schrijft resultaten van de experimentuit voeren naar de werkruimte.
  • Geautomatiseerde ML om een model te trainen: schrijft trainingsresultaten naar de werkruimte.
  • Registreer een model in de werkruimte.
  • Een model implementeren: maakt gebruik van het geregistreerde model om een implementatie te maken.
  • Herbruikbare werkstromen maken en uitvoeren.
  • Bekijk machine learning zoals experimenten, pijplijnen, modellen, implementaties.
  • Modellen bijhouden en bewaken.

Werkruimtebeheer

U kunt ook de volgende werkruimtebeheertaken uitvoeren:

Werkruimtebeheertaak Portal Studio Python-SDK Azure CLI VS-code
Een werkruimte maken
Toegang tot werkruimten beheren
Rekenbronnen maken en beheren
Een notebook-VM maken

Waarschuwing

Het verplaatsen Azure Machine Learning werkruimte naar een ander abonnement of het verplaatsen van het abonnement dat eigenaar is naar een nieuwe tenant, wordt niet ondersteund. Als u dit doet, kunnen er fouten optreden.

Een werkruimte maken

Er zijn meerdere manieren om een werkruimte te maken:

Notitie

De naam van de werkruimte is niet-gevoelig.

Subbronnen

Deze subbronnen zijn de belangrijkste resources die worden gemaakt in de AML werkruimte.

  • VM's: rekenkracht bieden voor AML werkruimte en vormen een integraal onderdeel van de implementatie en training van modellen.
  • Load Balancer: er wordt een load balancer gemaakt voor elk reken exemplaar en rekencluster om verkeer te beheren, zelfs wanneer het reken-exemplaar/cluster wordt gestopt.
  • Virtual Network: deze helpen Azure-resources te communiceren met elkaar, internet en andere on-premises netwerken.
  • Bandbreedte: kapselt alle uitgaande gegevensoverdrachten tussen regio's in.

Gekoppelde resources

Wanneer u een nieuwe werkruimte maakt, worden er automatisch verschillende Azure-resources gemaakt die door de werkruimte worden gebruikt:

  • Azure Storage account:wordt gebruikt als het standaardgegevensstore voor de werkruimte. Jupyter-notebooks die worden gebruikt met uw Azure Machine Learning compute-exemplaren worden hier ook opgeslagen.

    Belangrijk

    Het opslagaccount is standaard een v1-account voor algemeen gebruik. U kunt deze upgraden naar algemeen gebruik v2 nadat de werkruimte is gemaakt. Schakel hiërarchische naamruimte in het opslagaccount niet in na een upgrade naar algemeen gebruik v2.

    Als u een bestaand Azure Storage account wilt gebruiken, mag het niet van het type BlobStorage of een Premium-account (Premium_LRS en Premium_GRS). Het kan ook geen hiërarchische naamruimte hebben (gebruikt met Azure Data Lake Storage Gen2). Premium-opslag en hiërarchische naamruimten worden niet ondersteund met het standaardopslagaccount van de werkruimte. U kunt Premium Storage of hiërarchische naamruimte gebruiken met niet-standaard opslagaccounts.

  • Azure Container Registry:Registreert Docker-containers die worden gebruikt voor de volgende onderdelen:

    Om de kosten te minimaliseren, wordt ACR lui geladen totdat er afbeeldingen nodig zijn.

    Notitie

    Als voor uw abonnementsinstelling tags moeten worden toegevoegd aan resources daar onder, mislukt Azure Container Registry (ACR) die is gemaakt door Azure Machine Learning, omdat tags niet kunnen worden ingesteld op ACR.

  • Azure-toepassing Insights:slaat bewakings- en diagnostische gegevens op. Zie Monitor and collect data from Machine Learning web service endpoints (Gegevens bewaken en verzamelen Machine Learning webservice-eindpunten) voor meer informatie.

    Notitie

    U kunt de application Insights verwijderen nadat het cluster is gemaakt, indien u wilt. Het verwijderen van de werkruimte beperkt de informatie die uit de werkruimte wordt verzameld, en kan het moeilijker maken om problemen op te lossen. Als u het Application Insights-exemplaarverwijdert dat door de werkruimte is gemaakt, kunt u deze niet opnieuw maken zonder de werkruimte te verwijderen en opnieuw te maken.

  • Azure Key Vault:slaat geheimen op die worden gebruikt door rekendoelen en andere gevoelige informatie die nodig is voor de werkruimte.

Notitie

U kunt in plaats daarvan bestaande Azure-resource-exemplaren gebruiken wanneer u de werkruimte maakt met de Python SDK of de Azure Machine Learning CLI met behulp van een ARM-sjabloon.

Wat is er gebeurd met de Enterprise-editie

Vanaf september 2020 zijn alle mogelijkheden die beschikbaar waren in werkruimten van de Enterprise-editie ook beschikbaar in werkruimten van de Basic-editie. Nieuwe Enterprise-werkruimten kunnen niet meer worden gemaakt. Alle SDK-, CLI- of Azure Resource Manager die gebruikmaken van de parameter blijven werken, maar er wordt een sku Basic-werkruimte ingericht.

Vanaf 21 december worden alle Enterprise Edition automatisch ingesteld op Basic Edition, die dezelfde mogelijkheden heeft. Er treedt geen downtime op tijdens dit proces. Op 1 januari 2021 wordt Enterprise Edition formeel ingetrokken.

In beide edities zijn klanten verantwoordelijk voor de kosten van verbruikte Azure-resources en hoeven ze geen extra kosten te betalen voor Azure Machine Learning. Raadpleeg de pagina Azure Machine Learning prijzen voor meer informatie.

Volgende stappen

Zie Organiseren en instellen voor meer informatie over het plannen van een werkruimte voor de vereisten van Azure Machine Learning.

Als u aan de slag wilt Azure Machine Learning, gaat u naar: