Vad är en Azure Machine Learning-arbetsyta?

Arbetsytan är den översta resursen för Azure Machine Learning, vilket ger en central plats att arbeta med alla artefakter som du skapar när du använder Azure Machine Learning. Arbetsytan innehåller en historik över alla träningskörningar, inklusive loggar, mått, utdata och en ögonblicksbild av dina skript. Du använder den här informationen för att avgöra vilken träningskörning som skapar den bästa modellen.

När du har en modell som du gillar registrerar du den med arbetsytan. Sedan använder du den registrerade modellen och bedömningsskripten för att distribuera till Azure Container Instances, Azure Kubernetes Service eller till en fält programmerbar grindmatris (FPGA) som en REST-baserad HTTP-slutpunkt.

Taxonomi

En taxonomi för arbetsytan visas i följande diagram:

Workspace taxonomy

Diagrammet visar följande komponenter i en arbetsyta:

  • En arbetsyta kan innehålla Azure Machine Learning beräkningsinstanser, molnresurser som konfigurerats med Den Python-miljö som krävs för att köra Azure Machine Learning.

  • Med användarroller kan du dela din arbetsyta med andra användare, team eller projekt.

  • Beräkningsmål används för att köra experiment.

  • När du skapar arbetsytan skapas även associerade resurser åt dig.

  • Experiment är träningskörningar som du använder för att skapa dina modeller.

  • Pipelines är återanvändbara arbetsflöden för träning och omträning av din modell.

  • Datauppsättningar hjälper dig att hantera de data som du använder för modellträning och pipelineskapande.

  • När du har en modell som du vill distribuera skapar du en registrerad modell.

  • Använd den registrerade modellen och ett bedömningsskript för att skapa en distributionsslutpunkt.

Verktyg för interaktion med arbetsytor

Du kan interagera med din arbetsyta på följande sätt:

Viktigt

Verktyg som är markerade (förhandsversion) nedan är för närvarande i offentlig förhandsversion. Förhandsversionen tillhandahålls utan serviceavtal och rekommenderas inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade. Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

Maskininlärning med en arbetsyta

Maskininlärningsuppgifter läser och/eller skriver artefakter till din arbetsyta.

  • Kör ett experiment för att träna en modell – skriver experimentkörningsresultat till arbetsytan.
  • Använd automatiserade ML att träna en modell – skriver träningsresultat till arbetsytan.
  • Registrera en modell på arbetsytan.
  • Distribuera en modell – använder den registrerade modellen för att skapa en distribution.
  • Skapa och kör återanvändbara arbetsflöden.
  • Visa maskininlärningsartefakter som experiment, pipelines, modeller och distributioner.
  • Spåra och övervaka modeller.

Arbetsytehantering

Du kan också utföra följande arbetsytehanteringsuppgifter:

Uppgift för arbetsytehantering Portalen Studio Python SDK Azure CLI VS Code
Skapa en arbetsyta
Hantera arbetsyteåtkomst
Skapa och hantera beräkningsresurser
Skapa en virtuell notebook-dator

Varning

Att flytta Azure Machine Learning till en annan prenumeration eller flytta den äga prenumerationen till en ny klientorganisation stöds inte. Detta kan orsaka fel.

Skapa en arbetsyta

Det finns flera sätt att skapa en arbetsyta:

Anteckning

Arbetsytans namn är inte okänsligt.

Underresurser

Dessa underresurser är de viktigaste resurserna som görs i AML arbetsyta.

  • Virtuella datorer: ger databehandlingskraft för AML arbetsyta och är en viktig del i distribution och träning av modeller.
  • Load Balancer: en lastbalanserare för nätverk skapas för varje beräkningsinstans och beräkningskluster för att hantera trafik även när beräkningsinstansen/klustret stoppas.
  • Virtual Network: Dessa hjälper Azure-resurser att kommunicera med varandra, Internet och andra lokala nätverk.
  • Bandbredd: kapslar in alla utgående dataöverföringar mellan regioner.

Associerade resurser

När du skapar en ny arbetsyta skapas automatiskt flera Azure-resurser som används av arbetsytan:

  • Azure Storage:Används som standarddatalager för arbetsytan. Jupyter-notebook-filer som används Azure Machine Learning dina beräkningsinstanser lagras även här.

    Viktigt

    Som standard är lagringskontot ett v1-konto för generell användning. Du kan uppgradera detta till generell användning v2 när arbetsytan har skapats. Aktivera inte hierarkisk namnrymd på lagringskontot efter uppgraderingen till generell användning v2.

    Om du vill använda ett Azure Storage-konto kan det inte vara av typen BlobStorage eller ett Premium-konto (Premium_LRS och Premium_GRS). Den kan inte heller ha ett hierarkiskt namnområde (används med Azure Data Lake Storage Gen2). Varken Premium Storage eller hierarkiska namnrymder stöds med arbetsytans standardlagringskonto. Du kan använda premiumlagring eller hierarkisk namnrymd med lagringskonton som inte är standard.

  • Azure Container Registry:Registrerar Docker-containrar som används för följande komponenter:

    För att minimera kostnaderna är ACR inläst tills avbildningar behövs.

    Anteckning

    Om din prenumerationsinställning kräver att du lägger till taggar till resurser under den misslyckas Azure Container Registry (ACR) som skapats av Azure Machine Learning eftersom vi inte kan ange taggar till ACR.

  • Azure Application Insights:Lagrar information om övervakning och diagnostik. Mer information finns i Övervaka och samla in data från Machine Learning webbtjänstslutpunkter.

    Anteckning

    Du kan ta bort Application Insights-instansen när klustret har skapats om du vill. Om du tar bort den begränsas den information som samlas in från arbetsytan, vilket kan göra det svårare att felsöka problem. Om du tar bort Application Insights-instansensom skapats av arbetsytan kan du inte återskapa den utan att ta bort och återskapa arbetsytan.

  • Azure Key Vault:Lagrar hemligheter som används av beräkningsmål och annan känslig information som krävs av arbetsytan.

Anteckning

Du kan i stället använda befintliga Azure-resursinstanser när du skapar arbetsytan med Python SDK eller Azure Machine Learning CLI med hjälp av en ARM-mall.

Vad hände med Enterprise Edition?

Från och med september 2020 är alla funktioner som var tillgängliga i Enterprise Edition-arbetsytor nu också tillgängliga i Basic Edition-arbetsytor. Det går inte längre att skapa nya Enterprise-arbetsytor. SDK, CLI eller Azure Resource Manager som använder parametern fortsätter att sku fungera, men en Basic-arbetsyta etableras.

Från och med 21 december Enterprise Edition alla arbetsytor automatiskt till Basic Edition, som har samma funktioner. Inga driftstopp inträffar under den här processen. Den 1 januari 2021 kommer Enterprise Edition att dras tillbaka formellt.

I båda versionerna ansvarar kunderna för kostnaderna för förbrukade Azure-resurser och behöver inte betala några ytterligare avgifter för Azure Machine Learning. Mer information finns Azure Machine Learning sidan med prisinformation.

Nästa steg

Mer information om hur du planerar en arbetsyta för organisationens krav finns i Organisera och konfigurera Azure Machine Learning.

Kom igång med Azure Machine Learning i: