Portalda veya Python SDK'sı (v2) ile Azure Machine Learning çalışma alanlarını yönetme

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

Bu makalede, Azure portalı veya Python için SDK ile Azure Machine Learning için Azure Machine Learning çalışma alanlarını oluşturur, görüntüler ve silersiniz.

gereksinimleriniz değiştikçe veya otomasyon gereksinimleriniz arttıkça çalışma alanlarını CLI, Azure PowerShell veya VS Code uzantısı aracılığıyla yönetebilirsiniz.

Önkoşullar

• Azure aboneliği. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. Azure Machine Learning'in ücretsiz veya ücretli sürümünü bugün deneyin.
• Python SDK ile:

  1. SDK v2'yi yükleyin.

  2. azure-identity yükleyin: pip install azure-identity. Not defteri hücresindeyse kullanın %pip install azure-identity.

  3. Abonelik ayrıntılarınızı sağlayın:

     ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Aboneliğin tanıtıcısını alın. Bu makaledeki tüm Python kodu şunları kullanır ml_client:

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

     • (İsteğe bağlı) Birden çok hesabınız varsa, kullanmak istediğiniz Microsoft Entra Kimliğinin kiracı kimliğini içine DefaultAzureCredentialekleyin. Azure portalında Microsoft Entra Id, External Identity altında kiracı kimliğinizi bulun.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (İsteğe bağlı) Bağımsız bir bulut üzerinde çalışıyorsanız, kimlik doğrulaması yapmak istediğiniz bulutu belirtmeniz gerekir. bunu içinde DefaultAzureCredentialyapın.

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Sınırlamalar

• Yeni bir çalışma alanı oluştururken, çalışma alanı için gereken hizmetleri otomatik olarak oluşturabilir veya mevcut hizmetleri kullanabilirsiniz. Çalışma alanından farklı bir Azure aboneliğindeki mevcut hizmetleri kullanmak istiyorsanız, Azure Machine Learning ad alanını bu hizmetleri içeren aboneliğe kaydetmeniz gerekir. Örneğin, A aboneliğinde B aboneliğinden bir depolama hesabı kullanan bir çalışma alanı oluştururken, depolama hesabını çalışma alanıyla kullanabilmeniz için önce Azure Machine Learning ad alanının B aboneliğine kaydedilmesi gerekir.

  Azure Machine Learning için kaynak sağlayıcısı Microsoft.MachineLearningServices'tir. Kayıtlı olup olmadığını ve nasıl kaydedildiğini görme hakkında bilgi için Azure kaynak sağlayıcıları ve türleri makalesine bakın.

  Önemli

  Bu yalnızca çalışma alanı oluşturma sırasında sağlanan kaynaklar için geçerlidir; Azure Depolama Hesapları, Azure Container Register, Azure Key Vault ve Uygulama Analizler.

• Çevrimiçi uç noktalarla ağ yalıtımı için, çalışma alanınızdan farklı bir kaynak grubundan çalışma alanıyla ilişkili kaynakları (Azure Container Registry (ACR), Depolama hesabı, Key Vault ve Uygulama Analizler) kullanabilirsiniz. Ancak bu kaynakların çalışma alanınızla aynı aboneliğe ve kiracıya ait olması gerekir. Bir çalışma alanının yönetilen sanal ağını kullanarak yönetilen çevrimiçi uç noktaların güvenliğini sağlamaya yönelik sınırlamalar hakkında bilgi için bkz . Yönetilen çevrimiçi uç noktalarla ağ yalıtımı.

• Çalışma alanı oluşturma, varsayılan olarak bir Azure Container Registry (ACR) de oluşturur. ACR şu anda kaynak grubu adlarında unicode karakterleri desteklemediğinden, bu karakterleri önleyen bir kaynak grubu kullanın.

• Azure Machine Learning, çalışma alanının varsayılan depolama hesabı için hiyerarşik ad alanını (Azure Data Lake Storage 2. Nesil özellik) desteklemez.

İpucu

Çalışma alanını oluşturduğunuzda bir Azure Uygulaması Analizler örneği oluşturulur. İsterseniz küme oluşturulduktan sonra Application Analizler örneğini silebilirsiniz. Silme, çalışma alanından toplanan bilgileri sınırlar ve sorunları gidermeyi zorlaştırabilir. Çalışma alanı tarafından oluşturulan Application Analizler örneğini silerseniz, çalışma alanını silip yeniden oluşturmadan yeniden oluşturamazsınız.

Bu Uygulama Analizler örneğini kullanma hakkında daha fazla bilgi için bkz. Machine Learning web hizmeti uç noktalarındaki verileri izleme ve toplama.

Çalışma alanı oluşturma

Sınırlı seçeneklerle doğrudan Azure Machine Learning stüdyosu'de bir çalışma alanı oluşturabilirsiniz. Seçenekleri daha fazla denetlemek için aşağıdaki yöntemlerden birini de kullanabilirsiniz:

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

• Varsayılan belirtim. Varsayılan olarak, bağımlı kaynaklar ve kaynak grubu otomatik olarak oluşturulur. Bu kod, adlı myworkspacebir çalışma alanı ve içinde eastus2adlı myresourcegroup bir kaynak grubu oluşturur.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Mevcut Azure kaynaklarını kullanın. Ayrıca, Azure kaynak kimliği biçiminde mevcut Azure kaynaklarını kullanan bir çalışma alanı da oluşturabilirsiniz. Azure portalında veya SDK ile belirli Azure kaynak kimliklerini bulun. Bu örnekte kaynak grubunun, depolama hesabının, anahtar kasasının, Uygulama Analizler ve kapsayıcı kayıt defterinin zaten mevcut olduğu varsayılır.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

Daha fazla bilgi için bkz . Çalışma Alanı SDK'sı başvurusu.

Aboneliğinize erişirken sorun yaşıyorsanız bkz . Azure Machine Learning kaynakları ve iş akışları için kimlik doğrulamasını ayarlama ve Azure Machine Learning'de kimlik doğrulaması not defteri.

Portal

1. Azure aboneliğinizin kimlik bilgilerini kullanarak Azure portalında oturum açın.

2. Azure portalının sol üst köşesinde + Kaynak oluştur'u seçin.

   

3. Machine Learning'i bulmak için arama çubuğunu kullanın.

4. Machine Learning'i seçin.

5. Başlamak için Machine Learning bölmesinde Oluştur'u seçin.

6. Yeni çalışma alanınızı yapılandırmak için aşağıdaki bilgileri sağlayın:

   Alan	Açıklama
   Çalışma alanı adı	Çalışma alanınızı tanımlayan benzersiz bir ad girin. Bu örnekte docs-ws kullanılır. Adların kaynak grubu genelinde benzersiz olması gerekir. Geri çağırması kolay ve başkaları tarafından oluşturulan çalışma alanlarından farklı bir ad kullanın. Çalışma alanı adı büyük/küçük harfe duyarlı değildir.
   Abonelik	Kullanmak istediğiniz Azure aboneliğini seçin.
   Kaynak grubu	Aboneliğinizde var olan bir kaynak grubunu kullanın veya yeni bir kaynak grubu oluşturmak için bir ad girin. Kaynak grubu, Bir Azure çözümü için ilgili kaynakları barındırır. Mevcut bir kaynak grubunu kullanmak için katkıda bulunan veya sahip rolüne ihtiyacınız vardır. Erişim hakkında daha fazla bilgi için bkz . Azure Machine Learning çalışma alanına erişimi yönetme.
   Bölge	Çalışma alanınızı oluşturmak için hem kullanıcılarınıza hem de veri kaynaklarına en yakın Azure bölgesini seçin.
   Storage account	Çalışma alanı için varsayılan depolama hesabı. Varsayılan olarak yeni bir tane oluşturulur.
   Key Vault	Çalışma alanı tarafından kullanılan Azure Key Vault. Varsayılan olarak yeni bir tane oluşturulur.
   Application Insights	Çalışma alanı için application insights örneği. Varsayılan olarak yeni bir tane oluşturulur.
   Container Registry	Çalışma alanı için Azure Container Registry. Varsayılan olarak, çalışma alanı için başlangıçta yeni bir tane oluşturulmaz. Bunun yerine, eğitim veya dağıtım sırasında bir Docker görüntüsü oluşturulması, ihtiyacınız olduğunda çalışma alanı için bu Azure Container Registry'yi oluşturur.

   

7. Çalışma alanı yapılandırmasını tamamladığınızda Gözden Geçir + Oluştur'u seçin. İsteğe bağlı olarak, daha fazla çalışma alanı ayarı yapılandırmak için Ağ, Şifreleme, Kimlik ve Etiketler bölümlerini kullanın.

8. Ayarları gözden geçirin ve diğer değişiklikleri veya düzeltmeleri yapın. Ayarlardan memnun olduğunuzda Oluştur'u seçin.

   Uyarı

   Çalışma alanınızı bulutta oluşturmak birkaç dakika sürebilir.

   İşlem tamamlandığında bir dağıtım başarılı iletisi görüntülenir.

9. Yeni çalışma alanını görüntülemek için Kaynağa git'i seçin.

10. Çalışma alanını kullanmaya başlamak için sağ üstteki Studio web URL'si bağlantısını seçin. Çalışma alanını Azure Machine Learning stüdyosu giriş sayfasından da seçebilirsiniz.

Ağ

Önemli

Çalışma alanınızla özel uç nokta ve sanal ağ kullanımı hakkında daha fazla bilgi için bkz . Ağ yalıtımı ve gizlilik.

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Bu sınıf mevcut bir sanal ağ gerektirir.

Portal

1. Varsayılan ağ yapılandırması, genel İnternet üzerinden erişilebilen bir Genel uç nokta kullanır. Ancak, çalışma alanınıza erişimi oluşturduğunuz bir Azure Sanal Ağ sınırlamak için İnternet Gidenli Özel veya Onaylı Giden ile Özel'i seçebilirsiniz. Ardından aşağı kaydırarak ayarları yapılandırın.

   

2. Çalışma Alanı Gelen erişimi'nin altında Ekle'yi seçerek Özel uç nokta oluştur formunu açın.

3. Özel uç nokta oluştur formunda kullanılacak konumu, adı ve sanal ağı ayarlayın. Uç noktayı bir Özel DNS Bölgesi ile kullanmak için Özel DNS bölgesiyle tümleştir'i seçin ve Özel DNS Bölgesi alanını kullanarak bölgeyi seçin. Uç noktayı oluşturmak için Tamam'ı seçin.

   

4. İnternet Giden ile Özel'i seçtiyseniz, ağ ve giden kurallarını yapılandırmak için Çalışma Alanı Giden erişimi bölümünü kullanın.

5. Onaylı Giden ile Özel'i seçtiyseniz, gerekli kümeye daha fazla kural eklemek için Çalışma Alanı Giden erişimi bölümünü kullanın.

6. Ağ yapılandırmasını tamamladığınızda Gözden Geçir + Oluştur'u seçebilir veya isteğe bağlı Şifreleme yapılandırmasına ilerleyebilirsiniz.

Şifreleme

Varsayılan olarak, bir Azure Cosmos DB örneği çalışma alanı meta verilerini depolar. Microsoft bu Cosmos DB örneğini korur. Microsoft tarafından yönetilen anahtarlar bu verileri şifreler.

Kendi veri şifreleme anahtarınızı kullanma

Veri şifreleme için kendi anahtarınızı sağlayabilirsiniz. Bu, Azure aboneliğinizde meta verileri depolayan Azure Cosmos DB örneğini oluşturur. Daha fazla bilgi için bkz . Müşteri tarafından yönetilen anahtarlar.

Kendi anahtarınızı sağlamak için şu adımları kullanın:

Önemli

Bu adımları izlemeden önce şu eylemleri gerçekleştirmeniz gerekir:

Müşteri tarafından yönetilen anahtarları yapılandırma altındaki adımları izleyin:

• Azure Cosmos DB sağlayıcısını kaydetme
• Azure Key Vault oluşturma ve yapılandırma
• Anahtar oluşturma

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portal

1. Müşteri tarafından yönetilen anahtarlar'ı ve ardından Anahtarı seçmek için tıklayın'ı seçin.

   

2. Azure Key Vault'tan anahtar seçin formunda mevcut bir Azure Key Vault'ı, içerdiği anahtarı ve anahtar sürümünü seçin. Bu anahtar, Azure Cosmos DB'de depolanan verileri şifreler. Son olarak, bu anahtarı kullanmak için Seç düğmesini kullanın.

   

Kimlik

Portalda, yönetilen kimliği, depolama hesabı erişimini ve veri etkisini yapılandırmak için Kimlik sayfasını kullanın. Python SDK'sı için aşağıdaki bölümlerde yer alan bağlantılara bakın.

Yönetilen kimlik

Çalışma alanına sistem tarafından atanan kimlik veya kullanıcı tarafından atanan kimlik verilebilir. Bu kimlik, aboneliğinizdeki kaynaklara erişmek için kullanılır. Daha fazla bilgi için bkz . Azure Machine Learning ile diğer hizmetler arasında kimlik doğrulamasını ayarlama.

Hesap erişimini Depolama

Varsayılan depolama hesabına bağlanırken Kimlik bilgileri tabanlı erişim veya Kimlik tabanlı erişim arasında seçim yapın. Kimlik tabanlı kimlik doğrulaması için depolama hesabındaki çalışma alanı yönetilen kimliğine Depolama Blob Veri Katkıda Bulunanı rolü verilmelidir.

Veri etkisi

Microsoft'un çalışma alanınızda topladığı verileri sınırlamak için portalda yüksek iş etkisi çalışma alanı'nı seçin veya Python'da ayarlayınhbi_workspace=true . Bu ayar hakkında daha fazla bilgi için bkz . Bekleyen şifreleme.

Önemli

yüksek iş etkisi seçildiğinde yalnızca çalışma alanı oluşturulurken gerçekleşebilir. Çalışma alanı oluşturulduktan sonra bu ayarı değiştiremezsiniz.

Etiketler

Etiketler, birden fazla kaynağa ve kaynak grubuna aynı etiketi uygulayarak kaynakları kategorilere ayırmanızı, birleşik faturaları görüntülemenizi sağlayan ad/değer çiftleridir.

Ad/değer çiftlerini girerek çalışma alanı için etiketler atayın. Daha fazla bilgi için bkz . Azure kaynaklarınızı düzenlemek için etiketleri kullanma.

Ayrıca etiketleri kullanarak [çalışma alanı ilkelerini zorunlu kılma)(#enforce-ilkeleri).

Yapılandırma dosyasını indirme

Kodunuzu bir işlem örneğinde çalıştırırsanız bu adımı atlayın. İşlem örneği sizin için bu dosyanın bir kopyasını oluşturur ve depolar.

Yerel ortamınızda bu çalışma alanına başvuran kodu kullanmak için dosyasını indirin:

1. Azure Studio'da çalışma alanınızı seçme

2. Sağ üst kısımda çalışma alanı adını ve ardından İndir config.json'ı seçin

   

Dosyayı Python betiklerinizi veya Jupyter Not Defterlerinizi barındıran dizin yapısına yerleştirin. Aynı dizin, .azureml adlı bir alt dizin veya bir üst dizin bu dosyayı barındırabilir. Bir işlem örneği oluşturduğunuzda, bu dosya sizin için VM'de doğru dizine eklenir.

İlkeleri zorunlu kılma

Bir çalışma alanının şu özelliklerini açabilir/kapatabilirsiniz:

• Çalışma alanında geri bildirim fırsatları. Fırsatlar arasında ara sıra ürün içi anketler ve çalışma alanının başlığındaki gülümseyen geri bildirim aracı yer alır.
• Çalışma alanında önizleme özelliklerini deneme olanağı.

Bu özellikler varsayılan olarak açıktır. Bunları kapatmak için:

• Çalışma alanını oluştururken Etiketler bölümünden özellikleri kapatın:

  1. "ADMIN_HIDE_SURVEY: TRUE" çiftini ekleyerek geri bildirimi kapatın
  2. "AZML_DISABLE_PREVIEW_FEATURE" çiftini ekleyerek önizlemeleri kapatın: "TRUE"

• Mevcut bir çalışma alanı için Etiketler bölümünden özellikleri kapatın:

  1. Azure portalında çalışma alanı kaynağına gitme
  2. Sol gezinti panelinden Etiketler'i açma
  3. "ADMIN_HIDE_SURVEY: TRUE" çiftini ekleyerek geri bildirimi kapatın
  4. "AZML_DISABLE_PREVIEW_FEATURE: TRUE" çiftini ekleyerek önizlemeleri kapatın
  5. Uygula’yı seçin.

Önizlemeleri abonelik düzeyinde kapatarak abonelikteki tüm çalışma alanları için kapalı olmasını sağlayabilirsiniz. Bu durumda, abonelikteki kullanıcılar da bir çalışma alanı seçmeden önce önizleme aracına erişemez. Bu ayar, kuruluşlarında önizleme özelliklerinin kullanılmadığından emin olmak isteyen yöneticiler için kullanışlıdır.

Önizleme ayarı, söz konusu çalışma alanının abonelik düzeyinde kapalıysa tek tek çalışma alanlarında yoksayılır.

Abonelik düzeyinde önizleme özelliklerini devre dışı bırakmak için:

1. Azure portalında abonelik kaynağına gitme
2. Sol gezinti panelinden Etiketler'i açma
3. "AZML_DISABLE_PREVIEW_FEATURE" çiftini ekleyerek abonelikteki tüm çalışma alanlarının önizlemelerini kapatın: "DOĞRU"
4. Uygula’yı seçin.

Çalışma alanına Bağlan

SDK ile makine öğrenmesi görevlerini çalıştırırken, çalışma alanınıza bağlantıyı belirten bir MLClient nesnesine ihtiyacınız vardır. Parametrelerden veya yapılandırma dosyasıyla bir nesne oluşturabilirsiniz MLClient .

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

• Yapılandırma dosyasıyla: Bu kod, çalışma alanınızı bulmak için yapılandırma dosyasının içeriğini okur. Henüz kimlik doğrulaması yapmadıysanız oturum açma istemi açılır.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Parametrelerden: Bu yaklaşımı kullanıyorsanız bir config.json dosyasının kullanılabilir olması gerekmez.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Aboneliğinize erişirken sorun yaşıyorsanız bkz . Azure Machine Learning kaynakları ve iş akışları için kimlik doğrulamasını ayarlama ve Azure Machine Learning'de kimlik doğrulaması not defteri.

Çalışma alanı bulma

Kullanılabilir tüm çalışma alanlarının listesine bakın. Ayrıca Studio'da bir çalışma alanı da arayabilirsiniz. Bkz. Azure Machine Learning varlıklarını arama (önizleme).

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Belirli çalışma alanı ayrıntılarını almak için:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portal

1. Azure Portal’ında oturum açın.

2. Üstteki arama alanına Machine Learning yazın.

3. Machine Learning'i seçin.

   

4. Bulunan çalışma alanlarının listesine bakın. Aboneliğe, kaynak gruplarına ve konumlara göre filtreleyebilirsiniz.

5. Özelliklerini görüntülemek için bir çalışma alanı seçin.

Çalışma alanını silme

Artık çalışma alanına ihtiyacınız kalmadığında, çalışma alanını silin.

Uyarı

Çalışma alanı için geçici silme etkinleştirildiyse, silme işleminden sonra kurtarılabilir. Geçici silme etkin değilse veya çalışma alanını kalıcı olarak silme seçeneğini belirtirseniz, kurtarılamaz. Daha fazla bilgi için bkz . Silinen çalışma alanını kurtarma.

İpucu

Azure Machine Learning için varsayılan davranış, çalışma alanını geçici olarak silmektir. Bu, çalışma alanının hemen silinmediği, bunun yerine silinmek üzere işaretleneceği anlamına gelir. Daha fazla bilgi için bkz . Geçici silme.

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Varsayılan eylem kaynakları otomatik olarak silmez

• kapsayıcı kayıt defteri
• depolama hesabı
• Key Vault
• application insights

çalışma alanıyla ilişkilendirildi. Bu kaynakları da silmek için True olarak ayarlayın delete_dependent_resources .

Portal

Azure portalında, silmek istediğiniz çalışma alanının üst kısmındaki Sil'i seçin.

Kaynakları temizleme

Önemli

Oluşturduğunuz kaynaklar, diğer Azure Machine Learning öğreticileri ve nasıl yapılır makaleleri için önkoşul olarak kullanılabilir.

Oluşturduğunuz kaynaklardan hiçbirini kullanmayı planlamıyorsanız, ücret ödememek için bunları silin:

1. Azure portalının en sol tarafındaki Kaynak gruplarını seçin.

2. Listeden, oluşturduğunuz kaynak grubunu seçin.

3. Kaynak grubunu sil'i seçin.

   

4. Kaynak grubu adını girin. Ardından Sil'i seçin.

Sorun giderme

• Azure Machine Learning stüdyosu desteklenen tarayıcılar: İşletim sisteminizle uyumlu en güncel tarayıcıyı kullanmanızı öneririz. Bu tarayıcılar desteklenir:

  • Microsoft Edge (Yeni Microsoft Edge, en son sürüm. Not: Microsoft Edge'in eski sürümü desteklenmez)
  • Safari (en son sürüm, yalnızca Mac)
  • Chrome (en son sürüm)
  • Firefox (en son sürüm)

• Azure portalı:

  • SDK'dan veya Azure portalından bir paylaşım bağlantısından doğrudan çalışma alanınıza giderseniz, uzantıda abonelik bilgilerinin bulunduğu standart Genel Bakış sayfasını görüntüleyemezsiniz. Ayrıca, bu senaryoda başka bir çalışma alanına geçemezsiniz. Başka bir çalışma alanını görüntülemek için doğrudan Azure Machine Learning stüdyosu gidin ve çalışma alanı adını arayın.
  • Tüm varlıklar (Veri, Denemeler, İşlemler vb.) yalnızca Azure Machine Learning stüdyosu kullanılabilir. Azure portalı bunları sunmaz.
  • Azure portalından bir çalışma alanı için şablonu dışarı aktarma girişimi şu metne benzer bir hata döndürebilir: Could not get resource of the type <type>. Resources of this type will not be exported. Geçici çözüm olarak, şablonunuzun temeli olarak adresinde https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices sağlanan şablonlardan birini kullanın.

Çalışma alanı tanılamaları

Azure Machine Learning stüdyosu veya Python SDK'sından çalışma alanınızda tanılama çalıştırabilirsiniz. Tanılama çalıştırıldıktan sonra algılanan sorunların listesi döndürülür. Bu liste olası çözümlerin bağlantılarını içerir. Daha fazla bilgi için bkz . Çalışma alanı tanılamasını kullanma.

Kaynak sağlayıcısı hataları

Azure Machine Learning çalışma alanı veya çalışma alanı tarafından kullanılan bir kaynak oluştururken aşağıdaki iletilere benzer bir hata alabilirsiniz:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

Çoğu kaynak sağlayıcısı otomatik olarak kaydedilir, ancak tümü kaydedilmez. Bu iletiyi alırsanız, bahsedilen sağlayıcıyı kaydetmeniz gerekir.

Aşağıdaki tabloda Azure Machine Learning tarafından gereken kaynak sağlayıcılarının listesi yer alır:

Kaynak sağlayıcısı	Neden gereklidir?
Microsoft.MachineLearningServices	Azure Machine Learning çalışma alanını oluşturma.
Microsoft. Depolama	Azure Depolama Hesabı, çalışma alanı için varsayılan depolama alanı olarak kullanılır.
Microsoft.ContainerRegistry	Azure Container Registry, çalışma alanı tarafından Docker görüntüleri oluşturmak için kullanılır.
Microsoft.KeyVault	Azure Key Vault, çalışma alanı tarafından gizli dizileri depolamak için kullanılır.
Microsoft.Notebooks	Azure Machine Learning işlem örneğindeki tümleşik not defterleri.
Microsoft.ContainerService	Eğitilmiş modelleri Azure Kubernetes Services'e dağıtmayı planlıyorsanız.

Azure Machine Learning ile müşteri tarafından yönetilen bir anahtar kullanmayı planlıyorsanız aşağıdaki hizmet sağlayıcılarının kaydedilmesi gerekir:

Kaynak sağlayıcısı	Neden gereklidir?
Microsoft.DocumentDB	Çalışma alanı için meta verileri günlüğe kaydeden Azure CosmosDB örneği.
Microsoft.Search	Azure Search, çalışma alanı için dizin oluşturma özellikleri sağlar.

Azure Machine Learning ile yönetilen bir sanal ağ kullanmayı planlıyorsanız Microsoft.Network kaynak sağlayıcısının kayıtlı olması gerekir. Bu kaynak sağlayıcısı, yönetilen sanal ağ için özel uç noktalar oluştururken çalışma alanı tarafından kullanılır.

Kaynak sağlayıcılarını kaydetme hakkında bilgi için bkz . Kaynak sağlayıcısı kaydı hatalarını çözme.

Azure Container Registry'yi silme

Azure Machine Learning çalışma alanı, bazı işlemler için Azure Container Registry'yi (ACR) kullanır. İlk ihtiyaç duyduğunda otomatik olarak bir ACR örneği oluşturur.

Uyarı

Bir çalışma alanı için Azure Container Registry oluşturulduktan sonra silmeyin. Bunu yaptığınızda Azure Machine Learning çalışma alanınız bozulacaktır.

Örnekler

Bu makaledeki örnekler workspace.ipynb'den gelir.

Sonraki adımlar

Çalışma alanınız olduktan sonra modeli eğitmeyi ve dağıtmayı öğrenin.

Kuruluşunuzun gereksinimlerine yönelik bir çalışma alanı planlama hakkında daha fazla bilgi edinmek için Bkz . Azure Machine Learning'i düzenleme ve ayarlama.

• Çalışma alanını başka bir Azure aboneliğine taşımanız gerekiyorsa Çalışma alanını taşıma adresini ziyaret edin.

Azure Machine Learning'inizi en son güvenlik güncelleştirmeleriyle güncel tutma hakkında bilgi için Güvenlik açığı yönetimi bölümünü ziyaret edin.