Управление вычислительным экземпляром Машинное обучение Azure

ОБЛАСТЬ ПРИМЕНЕНИЯ:Расширение машинного обучения Azure CLI версии 2 (current)Python SDK azure-ai-ml версии 2 (current)

Узнайте, как управлять вычислительным экземпляром в рабочей области Машинное обучение Azure.

Используйте вычислительный экземпляр в качестве полностью настроенной и управляемой среды разработки в облаке. Для разработки и тестирования можно также использовать экземпляр в качестве целевого объекта обучения вычислений. Вычислительный экземпляр может параллельно запускать несколько заданий и иметь очередь заданий. В качестве среды разработки вычислительный экземпляр не может использоваться совместно с другими пользователями в рабочей области.

Из этой статьи вы узнаете, как запустить, остановить, перезапустить, удалить вычислительный экземпляр. Сведения о создании вычислительного экземпляра см. в статье "Создание Машинное обучение Azure вычислительного экземпляра".

Примечание.

В разделах этой статьи ниже используется CLI версии 2. Если вы по-прежнему используете CLI версии 1, см. статью "Создание Машинное обучение Azure вычислительного кластера CLI версии 1".

Необходимые компоненты

• Рабочая область Машинного обучения Azure. Дополнительные сведения см. в статье Управление рабочей областью Машинного обучения Azure.

Выберите соответствующую вкладку для остальных необходимых компонентов на основе предпочитаемого метода управления вычислительным экземпляром.

Пакет SDK для Python

• Если код не запущен в вычислительном экземпляре, установите пакет SDK для Python Машинное обучение Azure. Этот пакет SDK уже установлен для вас в вычислительном экземпляре.

• Подключитесь к рабочей области в скрипте Python:

  Запустите этот код, чтобы подключиться к рабочей области Машинное обучение Azure.

  Замените идентификатор подписки, имя группы ресурсов и имя рабочей области в следующем коде. Вот как найти эти значения:

  1. Войдите в Студию машинного обучения Azure.
  2. Откройте рабочую область, которую вы хотите использовать.
  3. Выберите имя рабочей области в правом верхнем углу панели инструментов Студия машинного обучения Azure.
  4. Скопируйте значение рабочей области, группы ресурсов и идентификатор подписки в код.
  5. Скопируйте одно значение, закройте область и вставьте, а затем вернитесь к следующей, когда вы вставите в записную книжку внутри студии.

  ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

  # 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 — это обработчик рабочей области, которая используется для управления другими ресурсами и заданиями.

Azure CLI

• Если эти команды не выполняются в вычислительном экземпляре, установите расширение Azure CLI для службы Машинное обучение версии 2. Это расширение уже установлено для вас в вычислительном экземпляре.

• Проверка подлинности и настройка рабочей области по умолчанию и группы ресурсов. Оставьте терминал открытым, чтобы выполнить остальные команды в этой статье.

  • Если вы находитесь в вычислительном экземпляре:

    az login --identity
    # next line needed only if you have multiple subscriptions:
    az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
    az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
    

  • Если вы выполняете команды локально, опустите --identity и следуйте инструкциям по проверке подлинности. Кроме того, замените и $CI_WORKSPACE замените $CI_RESOURCE_GROUP значениями.

Studio

Начните с Студия машинного обучения Azure.

Управление

Запуск, останов, перезапуск и удаление вычислительного экземпляра. Вычислительный экземпляр не всегда автоматически масштабируется, поэтому не забудьте остановить ресурс, чтобы предотвратить текущие расходы. Остановка вычислительного экземпляра обеспечивает его высвобождение. При необходимости снова запустите ее. Обратите внимание на то, что при остановке вычислительного экземпляра останавливается начисление платы за часы вычислений, однако будет продолжать начисляться плата за диск, общедоступный IP-адрес и стандартную подсистему балансировки нагрузки.

Вы можете включить автоматическое завершение работы , чтобы автоматически остановить вычислительный экземпляр после указанного времени.

Вы также можете создать расписание для вычислительного экземпляра для автоматического запуска и остановки на основе времени и дня недели.

Совет

Размер диска ОС вычислительного экземпляра составляет 120 ГБ. Если у вас не было места на диске, используйте терминал для очистки не менее 1–2 ГБ перед остановкой или перезапуском вычислительного экземпляра. Не выполняйте остановку вычислительного экземпляра путем отправки сигнала завершения работы sudo из терминала. Размер временного диска в вычислительном экземпляре зависит от размера выбранной виртуальной машины и подключается к расположению /mnt.

Пакет SDK для Python

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

В этих примерах имя вычислительного экземпляра хранится в переменной ci_basic_name.

• Получение состояния

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

• Остановить

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

• Начать

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

• Перезагрузить

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

• Удаление

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

Azure CLI

ОБЛАСТЬ ПРИМЕНЕНИЯ:расширение Машинного обучения для Azure CLI версии 2 (текущая версия)

В этих примерах имя вычислительного экземпляра — это экземпляр.

• Остановить

  az ml compute stop --name instance 
  

• Начать

  az ml compute start --name instance 
  

• Перезагрузить

  az ml compute restart --name instance 
  

• Удаление

  az ml compute delete --name instance 
  

Studio

В рабочей области в Студии Машинного обучения Azure выберите Вычисление, а затем выберите Вычислительный экземпляр вверху.

Можно выполнять следующие действия:

• Создание нового вычислительного экземпляра
• Обновление вкладки вычислительных экземпляров.
• Запуск, останов и перезапуск вычислительного экземпляра. Плата взимается за все время работы экземпляра. Чтобы сократить расходы, останавливайте вычислительный экземпляр, когда он не используется. Остановка вычислительного экземпляра обеспечивает его высвобождение. При необходимости снова запустите ее. Вы также можете запланировать время запуска и остановки вычислительного экземпляра.
• Удаление вычислительного экземпляра.
• Отфильтруйте список вычислительных экземпляров, чтобы отобразить только созданные экземпляры.

Для каждого вычислительного экземпляра в рабочей области, который вы создали сами или который был создан от вашего имени, можно выполнять следующие действия:

• Доступ к Jupyter, JupyterLab или RStudio в вычислительном экземпляре.
• Подключение к вычислительному экземпляру по протоколу SSH. Доступ по протоколу SSH по умолчанию отключен, но его можно включить во время создания вычислительного экземпляра. Доступ по протоколу SSH осуществляется с помощью открытого и закрытого ключей. На вкладке приведены сведения о подключении SSH, например IP-адрес, имя пользователя и номер порта. При развертывании виртуальной сети отключение SSH запрещает доступ SSH из общедоступного Интернета. SSH по-прежнему можно использовать в виртуальной сети с помощью частного IP-адреса узла вычислительного экземпляра и порта 22.
• Выберите имя вычисления, чтобы:
  • Просмотрите сведения об определенном вычислительном экземпляре, например IP-адрес и регион.
  • Создайте или измените расписание запуска и остановки вычислительного экземпляра. Прокрутите страницу вниз, чтобы изменить расписание.

Azure RBAC дает возможность проконтролировать, кто из пользователей в рабочей области может создавать, удалять, запускать, останавливать и перезапускать вычислительный экземпляр. Все пользователи с ролью участника или владельца рабочей области могут создавать, удалять, запускать, останавливать и перезапускать вычислительные экземпляры в рабочей области. Однако доступ к Jupyter, JupyterLab и RStudio на данном вычислительном экземпляре разрешен только создателю вычислительного экземпляра или назначенному пользователю, если он был создан от его имени. Вычислительный экземпляр предназначен для одного пользователя, имеющего корневой доступ. Этот пользователь имеет доступ к Jupyter/JupyterLab/RStudio, запущенным в экземпляре. Вычислительный экземпляр имеет единый вход пользователя и все действия используют удостоверение пользователя для Azure RBAC и присвоение заданий экспериментов. Доступ по протоколу SSH контролируется с помощью открытого и закрытого ключей.

Следующие действия можно контролировать с помощью Azure RBAC:

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

Чтобы создать вычислительный экземпляр, необходимо иметь разрешения на выполнение следующих действий:

• Microsoft.Machine Обучение Services/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Аудит и наблюдение за версией вычислительного экземпляра

После развертывания вычислительного экземпляра он не обновляется автоматически. Корпорация Microsoft ежемесячно выпускает новые образы виртуальных машин. Варианты хранения последних версий см. в процедурах управления уязвимостями.

Чтобы отслеживать текущую версию операционной системы экземпляра, можно запросить ее версию с помощью интерфейса командной строки, пакета SDK или пользовательского интерфейса Studio.

Пакет SDK для Python

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

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

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

Дополнительные сведения о классах, методах и параметрах, используемых в этом примере, см. в следующих справочных документах.

• Класс AmlCompute
• Класс ComputeInstance

Azure CLI

ОБЛАСТЬ ПРИМЕНЕНИЯ:расширение Машинного обучения для Azure CLI версии 2 (текущая версия)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

Studio

В рабочей области в Студии Машинного обучения Azure выберите Вычисление, а затем выберите Вычислительный экземпляр вверху. Чтобы просмотреть его свойства, включая текущую операционную систему, выберите имя вычислительного экземпляра.

ИТ-администраторы могут использовать Политику Azure для мониторинга экземпляров в рабочих областях на портале соответствия требованиям Политики Azure. Назначьте встроенную политику "Аудит вычислительных экземпляров Машинного обучения Azure с устаревшей ОС" в области подписки Azure или группы управления Azure.

Следующие шаги

• Доступ к терминалу вычислительного экземпляра
• Создание файлов и управление ими
• Обновление вычислительного экземпляра до последней версии образа виртуальной машины