Azure Machine Learning için Python geliştirme ortamı ayarlama

Python geliştirme ortamını uygulama için yapılandırmayı Azure Machine Learning.

Aşağıdaki tabloda, bu makalede ele alan geliştirme ortamlarını artılar ve dezavantajlarla birlikte gösterir.

Bu makalede ayrıca aşağıdaki araçlar için ek kullanım ipuçları sunulmaktadır:

• Jupyter Not defterleri: zaten Jupyter not defterlerini kullanıyorsanız SDK 'nın yüklenmesi gereken bazı ek özellikleri vardır.

• Visual Studio Code: Visual Studio Code kullanıyorsanız, Azure Machine Learning uzantısı Python için kapsamlı dil desteği ve Azure Machine Learning daha kolay ve üretken bir şekilde çalışmayı sağlayacak özellikler içerir.

Önkoşullar

• Azure Machine Learning çalışma alanı. Bir tane yoksa, Azure Portal, Azure CLIve Azure Resource Manager şablonlarıaracılığıyla bir Azure Machine Learning çalışma alanı oluşturabilirsiniz.

Yalnızca yerel ve DSVM: çalışma alanı yapılandırma dosyası oluşturma

Çalışma alanı yapılandırma dosyası, SDK 'nın Azure Machine Learning çalışma alanıyla nasıl iletişim kuracağını söyleyen bir JSON dosyasıdır. Dosya config.js olarak adlandırılır ve aşağıdaki biçime sahiptir:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Bu JSON dosyası, Python betikleri veya Jupyıter not defterlerini içeren dizin yapısında olmalıdır. Aynı dizinde, . azureml adlı bir alt dizin veya bir üst dizin içinde olabilir.

Bu dosyayı kodunuzda kullanmak için Workspace.from_config yöntemini kullanın. Bu kod, dosyadaki bilgileri yükler ve çalışma alanınıza bağlanır.

Aşağıdaki yöntemlerden birinde bir çalışma alanı yapılandırma dosyası oluşturun:

• Azure portalı

  Dosyayı indirin: Azure Portal, çalışma alanınızın genel bakış bölümünde config.jsindir ' i seçin.

  

• Python SDK Azure Machine Learning

  Azure Machine Learning çalışma alanınıza bağlanmak için bir betik oluşturun ve write_config dosyanızı oluşturmak ve . azureml/config.js olarak kaydetmek için yöntemini kullanın. subscription_id,, Ve ' yi resource_group workspace_name kendi ile değiştirdiğinizden emin olun.

  from azureml.core import Workspace
  
  subscription_id = '<subscription-id>'
  resource_group  = '<resource-group>'
  workspace_name  = '<workspace-name>'
  
  try:
      ws = Workspace(subscription_id = subscription_id, resource_group = resource_group, workspace_name = workspace_name)
      ws.write_config()
      print('Library configuration succeeded')
  except:
      print('Workspace not found')
  

Yerel bilgisayar veya uzak VM ortamı

Yerel bir bilgisayarda veya uzak sanal makinede bir ortam (örneğin, Azure Machine Learning işlem örneği veya sanal makine) Veri Bilimi VM'si.

Yerel geliştirme ortamını veya uzak VM'yi yapılandırmak için:

1. Python sanal ortamı (virtualenv, conda) oluşturun.

   Not

   Gerekli değildir ancak Python sanal ortamlarını yönetmek ve paketleri yüklemek için Anaconda veya Miniconda kullanılması önerilir.

   Önemli

   Linux veya macOS kullanıyorsanız ve bash (örneğin, zsh) dışında bir kabuk kullanıyorsanız, bazı komutları çalıştırarak hatalar alırsınız. Bu sorunu çözmek için komutunu kullanarak bash yeni bir Bash kabuğu başlatarak komutları orada çalıştırın.

2. Yeni oluşturduğunuz Python sanal ortamını etkinleştirin.

3. Azure Machine Learning Python SDK'sı yükleyin.

4. Yerel ortamınızı kendi çalışma alanınızı Azure Machine Learning için bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir dosyayı kullanın.

Artık yerel ortamınızı ayara sahip olduğunuza göre, Azure Machine Learning. Başlarken Azure Machine Learning Python ile çalışmaya başlama kılavuzuna bakın.

Jupyter Not Defterleri

Yerel bir Jupyter Notebook sunucusu çalıştırarak Python sanal ortamınız için bir IPython çekirdeği oluşturmanız önerilir. Bu, beklenen çekirdek ve paket içeri aktarma davranışının sağlanmasına yardımcı olur.

1. Ortama özgü IPython çekirdeklerini etkinleştirme

   conda install notebook ipykernel
   

2. Python sanal ortamınız için bir çekirdek oluşturun. yerine Python sanal <myenv> ortamınızı yazın.

   ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
   

3. Jupyter Notebook başlatma

Azure Machine Learning ve Jupyter Notebook'ları ile çalışmaya Azure Machine Learning not defterleri deposuna bakın.

Visual Studio Code

Geliştirme için Visual Studio Code kullanmak için:

1. Visual Studio Code'i yükler.
2. Azure Machine Learning Visual Studio Code uzantısını (Önizleme) yükler.

Visual Studio Code uzantısı yüklendikten sonra, şunları yapmak için kullanın:

• Azure Machine Learning kaynaklarınızı yönetin
• Azure Machine Learning işlem örneğine bağlanma
• Çalıştır ve hata ayıkla denemeleri
• Eğitilen modeller dağıtın.

Azure Machine Learning işlem örneği

Azure Machine Learning işlem örneği , veri bilimcilerinin bir Jupyter Notebook sunucusu, jupi ve tam olarak yönetilen bir makine öğrenimi ortamı sağlayan, güvenli, bulut tabanlı bir Azure iş istasyonudur.

Bir işlem örneği için yüklenecek veya yapılandırılacak bir şey yok.

Azure Machine Learning çalışma alanınızın içinden dilediğiniz zaman oluşturun. Yalnızca bir ad girin ve Azure VM türünü belirtin. Şu öğreticiyle şimdi deneyin : Kurulum ortamı ve çalışma alanı.

Paketlerin nasıl yükleneceğine ilişkin işlem örnekleri hakkında daha fazla bilgi edinmek için, bkz. Azure Machine Learning işlem örneği oluşturma ve yönetme.

Jupyter Notebook Server ve JupyterLab ' a ek olarak, Azure Machine Learning Studio 'nun içindeki tümleşik Not defteri özelliğindekiişlem örneklerini kullanabilirsiniz.

Ayrıca, vs Code kullanarak uzak bir işlem örneğine bağlanmakiçin Azure Machine Learning Visual Studio Code uzantısını da kullanabilirsiniz.

Veri Bilimi Sanal Makinesi

Veri Bilimi VM'si, geliştirme ortamı olarak kullanabileceğiniz özelleştirilmiş bir sanal makine (VM) görüntüsüdür. Şu şekilde önceden yapılandırılmış araçlar ve yazılımlar için veri bilimi çalışması için tasarlanmıştır:

• TensorFlow, PyTorch, Scikit-learn, XGBoost ve Azure Machine Learning SDK gibi paketler
• Spark Standalone ve Drill gibi popüler veri bilimi araçları
• Azure CLI, AzCopy ve Depolama Gezgini gibi Azure araçları
• Visual Studio Code ve PyCharm gibi tümleşik geliştirme ortamları (IDE)
• Jupyter Notebook Sunucusu

Araçların daha kapsamlı bir listesi için bkz. Veri Bilimi VM'si kılavuzu.

Ortamı geliştirme Veri Bilimi VM'si olarak kullanmak için:

1. Aşağıdaki Veri Bilimi VM'si kullanarak bir uygulama oluşturun:

   • Ubuntu veya Windows DSVM oluşturmak için Azure portal'yi kullanın.

   • ARM şablonlarını Veri Bilimi VM'si bir uygulama oluşturun.

   • Azure CLI kullanma

     Ubuntu Veri Bilimi VM'si oluşturmak için aşağıdaki komutu kullanın:

     # create a Ubuntu Data Science VM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     # If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password
     

     Windows DSVM oluşturmak için aşağıdaki komutu kullanın:

     # create a Windows Server 2016 DSVM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
     

2. Azure Machine Learning SDK'sı içeren conda ortamını etkinleştirin.

   • Ubuntu Veri Bilimi VM'si:

     conda activate py36
     

   • Windows Veri Bilimi VM'si:

     conda activate AzureML
     

3. Bu yapılandırmayı Veri Bilimi VM'si çalışma alanınızı Azure Machine Learning bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir dosyayı kullanın.

Yerel ortamlara benzer şekilde, Visual Studio Code ve Azure Machine Learning Visual Studio Code uzantısını kullanarak Azure Machine Learning.

Daha fazla bilgi için bkz. Veri Bilimi Sanal Makineleri.

Sonraki adımlar

• Model eğitip Azure Machine Learning modeli MNIST veri kümesi.
• Python başvurusu için Azure Machine Learning SDK 'sınabakın.