Gerencie recursos de computação para treinamento e implantação de modelos no estúdio

  • Artigo

Neste artigo, saiba como gerenciar os recursos de computação que você usa para treinamento e implantação de modelo no Estúdio do Azure Machine.

Pré-requisitos

O que é um destino de computação?

Com o Azure Machine Learning, você pode treinar seu modelo em uma variedade de recursos ou ambientes, coletivamente denominados destinos de computação). Um destino de computação pode ser um computador local ou um recurso de nuvem, como Computação do Azure Machine Learning, Azure HDInsight ou uma máquina virtual remota.

Use também a computação sem servidor como um destino de computação. Não há nada para você gerenciar ao usar a computação sem servidor.

Exibir destinos de computação

Para ver todos os destinos de computação do workspace, use as seguintes etapas:

  1. Link para o estúdio do Azure Machine Learning.

  2. Em Gerenciar, selecione Computação.

  3. Selecione as guias na parte superior para mostrar cada tipo de destino de computação.

    Screenshot of view list of compute targets.

Importante

Se sua instância de computação ou clusters de computação forem baseados em alguma dessas séries, recrie com outro tamanho de VM antes da data de desativação para evitar a interrupção do serviço.

Essas séries serão desativadas em 31 de agosto de 2023:

Essas séries serão desativadas em 31 de agosto de 2024:

Instância de computação e clusters

Crie instâncias de computação e clusters de computação em seu workspace usando o SDK, a CLI ou o Estúdio do Azure Machine Learning:

Além disso, você pode usar a extensão VS Code para criar instâncias de computação e clusters de computação em seu workspace.

Clusters do Kubernetes

Para obter informações sobre como configurar e anexar um cluster do Kubernetes ao seu workspace, confira Configurar um cluster do Kubernetes para o Azure Machine Learning.

Outros destinos de computação

Para usar as VMs criadas fora do workspace do Azure Machine Learning, primeiro você deve anexá-las ao seu workspace. Anexar o recurso de computação o disponibiliza para seu workspace.

  1. Link para o estúdio do Azure Machine Learning.

  2. Em Gerenciar, selecione Computação.

  3. Nas guias na parte superior, selecione Computação anexada para anexar um destino de computação para treinamento.

  4. Selecione +Novo e, em seguida, selecione o tipo de computação a ser anexado. Nem todos os tipos de computação podem ser anexados no estúdio do Azure Machine Learning.

  5. Preencha o formulário e forneça valores para as propriedades necessárias.

    Observação

    A Microsoft recomenda o uso de chaves SSH, por serem mais seguras do que as senhas. As senhas são vulneráveis a ataques de força bruta. As chaves SSH contam com as assinaturas de criptografia. Para obter informações sobre como criar chaves SSH para uso com Máquinas Virtuais do Azure, consulte os seguintes documentos:

  6. Selecionar Anexar.

Para desanexar a computação, faça o seguinte:

  1. No estúdio do Azure Machine Learning, selecione Computação, Computação anexada e a computação que você deseja remover.
  2. Use o link Desanexar para desanexar a computação.

Conexão com o acesso SSH

Depois de criar uma computação com acesso SSH habilitado, use estas etapas para acesso.

  1. Encontre a computação nos recursos do workspace:

    1. Selecione Computação à esquerda.
    2. Use as guias na parte superior para selecionar Instância de computação ou Cluster de computação e encontrar o computador.

  2. Selecione o nome da computação na lista de recursos.

  3. Encontre a cadeia de conexão:

    • Para uma instância de computação, selecione Conexão na parte superior da seção Detalhes.

      Screenshot that shows connect tool at the top of the Details page.

    • Para um cluster de computação, clique em Nós na parte superior e, em seguida, selecione a Cadeia de conexão na tabela do nó. Screenshot that shows connection string for a node in a compute cluster.

  4. Copie a cadeia de conexão.

  5. No Windows, abra o PowerShell ou um prompt de comando:

    1. Acesse o diretório ou a pasta em que a chave está armazenada

    2. Adicione o sinalizador -i à cadeia de conexão para localizar a chave privada e apontar para onde ela está armazenada:

      ssh -i <keyname.pem> azureuser@... (rest of connection string)

  6. Para usuários do Linux, siga as etapas em Criar e usar um par de chaves SSH para VMs do Linux no Azure

  7. Para uso de SCP:

    scp -i key.pem -P {port} {fileToCopyFromLocal } azureuser@yourComputeInstancePublicIP:~/{destination}

Próximas etapas