Gerenciar uma instância de computação do Azure Machine Learning

APLICA-SE A:Extensão de ML da CLI do Azure v2 (atual)SDK do Python azure-ai-ml v2 (atual)

Saiba como gerenciar uma instância de computação no seu espaço de trabalho do Azure Machine Learning.

Use uma instância de computação como seu ambiente de desenvolvimento totalmente configurado e gerenciado na nuvem. Para desenvolvimento e teste, você também pode usar a instância como um destino de computação de treinamento. Uma instância de computação pode executar vários trabalhos em paralelo e tem uma fila de trabalhos. Como um ambiente de desenvolvimento, uma instância de computação não pode ser compartilhada com outros usuários no workspace.

Neste artigo, você aprenderá a iniciar, parar, reiniciar e excluir uma instância de computação. Confira Criar uma instância de computação do Azure Machine Learning para saber como criar uma instância de computação.

Observação

Este artigo mostra a CLI v2 nas seções abaixo. Se você ainda estiver usando a CLI v1, confira Criar uma CLI v1 de cluster de computação do Azure Machine Learning.

Pré-requisitos

• Um Workspace do Azure Machine Learning. Para obter mais informações, consulte Criar um workspace do Azure Machine Learning. Na conta de armazenamento, a opção "Permitir acesso à chave da conta de armazenamento" deve ser habilitada para que a criação da instância de computação seja bem-sucedida.

• A Extensão da CLI do Azure para serviço de Machine Learning (v2), o SDK do Python do Azure Machine Learning (v2) ou a Extensão do Visual Studio Code do Azure Machine Learning.

• Ao usar o SDK de Python, configure o seu ambiente de desenvolvimento com um workspace. Depois de configurar o ambiente, conecte-o ao workspace do seu script Python:

  APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

  Execute esse código para se conectar ao workspace do Azure ML.

  Substitua a ID da Assinatura, o nome do Grupo de Recursos e o nome do Espaço de Trabalho no código abaixo. Para encontrar esses valores:

  1. Entre no Estúdio do Azure Machine Learning.
  2. Abra o espaço de trabalho que você deseja usar.
  3. Na barra de ferramentas do Estúdio do Azure Machine Learning superior direito, selecione o nome do espaço de trabalho.
  4. Copie o valor do workspace, do grupo de recursos e da ID da assinatura no código.
  5. Se você estiver usando um bloco de anotações dentro do estúdio, precisará copiar um valor, fechar a área e colar e, em seguida, retornar para o próximo.

  # Enter details of your AML workspace
  subscription_id = "<SUBSCRIPTION_ID>"
  resource_group = "<RESOURCE_GROUP>"
  workspace = "<AML_WORKSPACE_NAME>"

  # get a handle to the workspace
  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  ml_client = MLClient(
      DefaultAzureCredential(), subscription_id, resource_group, workspace
  )

  ml_client é um manipulador para o espaço de trabalho que você usará para gerenciar outros recursos e trabalhos.

Gerenciar

Iniciar, parar, reiniciar, excluir uma instância de computação. Nem sempre uma instância de computação é reduzida verticalmente de maneira automática. Portanto, certifique-se de parar o recurso para evitar cobranças contínuas. Parar uma instância de computação a desaloca. Em seguida, inicie-o novamente quando precisar. Embora interromper a instância de computação pare a cobrança por horas de computação, você ainda será cobrado por disco, IP público e Standard Load Balancer.

Você pode habilitar o desligamento automático para parar a instância de computação automaticamente após um tempo especificado.

Você também pode criar um agendamento para a instância de computação iniciar e parar automaticamente com base em um horário e dia da semana.

Dica

A instância de computação tem um disco de SO de 120 GB. Se você ficar sem espaço em disco, use o terminal para limpar pelo menos 1-2 GB antes de parar ou reiniciar a instância de computação. Não pare a instância de computação emitindo um desligamento sudo a partir do terminal. O tamanho do disco temporário na instância de computação depende do tamanho da VM escolhido e é montado em /mnt.

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

Nos exemplos abaixo, o nome da instância de computação é armazenado na variável ci_basic_name.

• Obter status

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Get compute
  ci_basic_state = ml_client.compute.get(ci_basic_name)

• Stop

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Stop compute
  ml_client.compute.begin_stop(ci_basic_name).wait()

• Iniciar

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Start compute
  ml_client.compute.begin_start(ci_basic_name).wait()

• Reiniciar

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Restart compute
  ml_client.compute.begin_restart(ci_basic_name).wait()

• Excluir

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  ml_client.compute.begin_delete(ci_basic_name).wait()

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azurev2 (atual)

Nos exemplos abaixo, o nome da instância de computação é instância, no workspace my-workspace, no grupo de recursos my-resource-group.

• Stop

  az ml compute stop --name instance --resource-group my-resource-group --workspace-name my-workspace
  

• Iniciar

  az ml compute start --name instance --resource-group my-resource-group --workspace-name my-workspace
  

• Reiniciar

  az ml compute restart --name instance --resource-group my-resource-group --workspace-name my-workspace
  

• Excluir

  az ml compute delete --name instance --resource-group my-resource-group --workspace-name my-workspace
  

Estúdio

No workspace no Estúdio do Azure Machine Learning, selecione Computação e, em seguida, selecione instância de computação na parte superior.

A captura de tela que mostra a guia de computação no estúdio para gerenciar uma instância de computação.](./media/concept-compute-instance/manage-compute-instance.png)

Você pode executar as seguintes ações:

• Criar uma nova instância de computação
• Atualizar a guia instâncias de computação.
• Inicie, pare e reinicie uma instância de computação. Você pagará pela instância sempre que ela estiver em execução. Pare a instância de computação quando não a estiver usando para reduzir custos. Parar uma instância de computação a desaloca. Em seguida, inicie-o novamente quando precisar. Você também pode agendar um horário para a instância de computação iniciar e parar.
• Excluir uma instância de computação.
• Filtre a lista de instâncias de computação para mostrar apenas as que você criou.

Para cada instância de computação em um workspace que você criou (ou que foi criada para você), você pode:

• Acessar o Jupyter, JupyterLab, RStudio na instância de computação.
• Efetuar SSH na instância de computação. O acesso SSH é desabilitado por padrão, mas pode ser habilitado no momento da criação da instância de computação. O acesso SSH é por meio do mecanismo de chave pública/privada. A guia fornecerá detalhes para a conexão SSH, como endereço IP, nome de usuário e número da porta. Em uma implantação de rede virtual, desabilitar o SSH impede o acesso do SSH à Internet pública, mas você ainda pode usar o SSH de dentro da rede virtual usando o endereço IP privado do nó da instância de computação e a porta 22.
• Selecione o nome da computação para:
  • Exibir detalhes sobre uma instância de computação específica, como endereço IP e região.
  • Criar ou modificar o agendamento para iniciar e parar a instância de computação. Rolar para baixo até o fim da página para editar o agendamento.

O Azure RBAC permite controlar quais usuários no workspace podem criar, excluir, iniciar, parar, reiniciar uma instância de computação. Todos os usuários na função colaborador e proprietário do workspace podem criar, excluir, iniciar, parar e reiniciar instâncias de computação no workspace. No entanto, somente o criador de uma instância de computação específica ou o usuário atribuído se ele foi criado em seu nome, tem permissão para acessar Jupyter, JupyterLab e RStudio nessa instância de computação. Uma instância de computação é dedicada a um único usuário que tem acesso raiz. Esse usuário tem acesso ao Jupyter/JupyterLab/RStudio em execução na instância. A instância de computação terá a entrada de usuário único e todas as ações usarão a identidade desse usuário para o RBAC do Azure e a atribuição de trabalhos de experimento. O acesso SSH é controlado por meio do mecanismo de chave pública/privada.

Essas ações podem ser controladas pelo Azure RBAC:

• Microsoft.MachineLearningServices/workspaces/computes/read
• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/computes/delete
• Microsoft.MachineLearningServices/workspaces/computes/start/action
• Microsoft.MachineLearningServices/workspaces/computes/stop/action
• Microsoft.MachineLearningServices/workspaces/computes/restart/action
• Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

Para criar uma instância de computação, você precisará de permissões para as seguintes ações:

• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Auditoria e observação da versão da instância de computação

Depois que uma instância de computação é implantada, ela não é atualizada automaticamente. A Microsoft lança novas imagens de VM mensalmente. Para conhecer as opções de manutenção recentes com a versão mais recente, confira Gerenciamento de vulnerabilidades.

Para acompanhar se a versão do sistema operacional de uma instância é atual, você pode consultar a versão usando CLI, SDK ou interface do usuário do Studio.

Interface do Usuário do Estúdio

No workspace no Estúdio do Azure Machine Learning, selecione Computação e, em seguida, selecione instância de computação na parte superior. Selecione o nome de computação de uma instância de computação para ver suas propriedades, incluindo o sistema operacional atual.

SDK do Python

APLICA-SE A: SDK do Python azure-ai-ml v2 (atual)

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print instance.os_image_metadata

Para obter mais informações sobre as classes, os métodos e os parâmetros usados neste exemplo, confira os seguintes documentos de referência:

• AmlCompute classe
• ComputeInstance classe

CLI do Azure

APLICA-SE A:Extensão de ML da CLI do Azurev2 (atual)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --resource-group <azure_ml_rg> --workspace-name <your_azure_ml_workspace> --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

Os administradores de TI podem usar Azure Policy para monitorar o inventário de instâncias entre workspaces no portal de conformidade do Azure Policy. Atribua a política interna Auditar Instâncias de Computação do Azure Machine Learning com um sistema operacional desatualizado em uma assinatura do Azure ou no escopo do grupo de gerenciamento do Azure.

Próximas etapas

• Acessar o terminal da instância de computação
• Criar e gerenciar arquivos
• Atualizar a instância de computação para a imagem de VM mais recente