Azure Machine Learning için Python geliştirme ortamı ayarlama

Azure Machine Learning için Python geliştirme ortamını yapılandırmayı öğrenin.

Aşağıdaki tabloda, bu makalede ele alınan her geliştirme ortamı ve artıları ve dezavantajları gösterilmektedir.

Ortam Avantajlar Dezavantajlar
Yerel ortam Geliştirme ortamınızın ve bağımlılıklarınızın tam denetimi. İstediğiniz derleme aracı, ortam veya IDE ile komutunu çalıştırın. Başlamak daha uzun sürer. Gerekli SDK paketleri yüklenmelidir ve ortamınız yoksa da yüklenmelidir.
Veri Bilimi Sanal Makinesi (DSVM) Bulut tabanlı işlem örneğine benzer (Python önceden yüklenmiştir) ancak ek popüler veri bilimi ve makine öğrenmesi araçları önceden yüklenmiştir. Ölçeklendirmesi ve diğer özel araçlar ve iş akışlarıyla birleştirilmesi kolaydır. Bulut tabanlı işlem örneğine kıyasla daha yavaş bir başlangıç deneyimi.
Azure Machine Learning işlem örneği Başlamanın en kolay yolu. SDK çalışma alanı VM'nizde zaten yüklüdür ve not defteri öğreticileri önceden kopyalanır ve çalışmaya hazırdır. Geliştirme ortamınız ve bağımlılıklarınız üzerinde denetim eksikliği. Linux VM için tahakkuk eden ek maliyet (ücretlerden kaçınmak için vm kullanılmadığında durdurulabilir). Fiyatlandırma ayrıntılarına bakın.

Bu makalede ayrıca aşağıdaki araçlar için ek kullanım ipuçları sağlanır:

  • Jupyter Notebooks: Zaten Jupyter Notebooks kullanıyorsanız, SDK'da yüklemeniz gereken bazı ekstralar vardır.

  • Visual Studio Code: Visual Studio Code kullanıyorsanız, Azure Machine Learning uzantısı Python için dil desteği ve Azure Machine Learning ile çalışmayı çok daha kullanışlı ve üretken hale getirmek için özellikler içerir.

Önkoşullar

Yalnızca yerel ve DSVM: Çalışma alanı yapılandırma dosyası oluşturma

Çalışma alanı yapılandırma dosyası, SDK'ya Azure Machine Learning çalışma alanınızla nasıl iletişim kuracaklarını bildiren bir JSON dosyasıdır. Dosya config.json olarak adlandırılır ve aşağıdaki biçime sahiptir:

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

Bu JSON dosyası Python betiklerinizi veya Jupyter Not Defterlerinizi içeren dizin yapısında olmalıdır. Aynı dizinde, .azureml* adlı bir alt dizinde veya bir üst dizinde olabilir.

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

Aşağıdaki yöntemlerden birinde bir çalışma alanı yapılandırma dosyası oluşturun:

  • Azure Machine Learning Studio

    Dosyayı indirin:

    1. Azure Machine Learning stüdyosu oturum açma
    2. Sağ üst Azure Machine Learning stüdyosu araç çubuğunda çalışma alanı adınızı seçin.
    3. Yapılandırma dosyasını indir bağlantısını seçin.

    Yapılandırma dosyanızı nasıl indirebileceğinizi gösteren ekran görüntüsü.

  • Azure Machine Learning Python SDK'sı

    Azure Machine Learning çalışma alanınıza bağlanmak için bir betik oluşturun. veresource_groupworkspace_name yerine kendi ögenizi yaptığınızdan subscription_idemin olun.

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

        #import required libraries
        from azure.ai.ml import MLClient
        from azure.identity import DefaultAzureCredential
    
        #Enter details of your Azure Machine Learning workspace
        subscription_id = '<SUBSCRIPTION_ID>'
        resource_group = '<RESOURCE_GROUP>'
        workspace = '<AZUREML_WORKSPACE_NAME>'
    
        #connect to the workspace
        ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
    

Yerel bilgisayar veya uzak VM ortamı

Azure Machine Learning işlem örneği veya Veri Bilimi VM gibi yerel bir bilgisayarda veya uzak sanal makinede bir ortam ayarlayabilirsiniz.

Yerel geliştirme ortamını veya uzak VM'yi yapılandırmak için:

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

    Not

    Gerekli olmasa da Python sanal ortamlarını yönetmek ve paketleri yüklemek için Anaconda veya Miniconda kullanmanız önerilir.

    Önemli

    Linux veya macOS kullanıyorsanız ve bash (örneğin, zsh) dışında bir kabuk kullanıyorsanız, bazı komutları çalıştırdığınızda hata alabilirsiniz. Bu sorunu geçici olarak çözmek için komutunu kullanarak bash yeni bir bash kabuğu başlatın ve komutları orada çalıştırın.

  2. Yeni oluşturduğunuz Python sanal ortamınızı etkinleştirin.

  3. Azure Machine Learning Python SDK'sını yükleyin.

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

Yerel ortamınızı ayarladığınıza göre Artık Azure Machine Learning ile çalışmaya başlayabilirsiniz. Başlamak için Öğretici: Bir gün içinde Azure Machine Learning'e bakın.

Jupyter Notebooks

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

  1. Ortama özgü IPython çekirdeklerini etkinleştirme

    conda install notebook ipykernel
    
  2. Python sanal ortamınız için bir çekirdek oluşturun. değerini Python sanal ortamınızın adıyla değiştirdiğinden <myenv> emin olun.

    ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
    
  3. Jupyter Notebook sunucusunu başlatma

İpucu

Örneğin not defterleri için bkz. AzureML Örnekleri deposu. SDK örnekleri /sdk/python altında bulunur. Örneğin, Yapılandırma not defteri örneği.

Visual Studio Code

geliştirme için Visual Studio Code kullanmak için:

  1. Visual Studio Code yükleyin.
  2. Azure Machine Learning Visual Studio Code uzantısını (önizleme) yükleyin.

Visual Studio Code uzantısını yükledikten sonra şunu yapmak için kullanın:

Azure Machine Learning işlem örneği

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

İşlem örneği için yüklenecek veya yapılandırılan bir şey yoktur.

Azure Machine Learning çalışma alanınızdan istediğiniz zaman bir tane oluşturun. Yalnızca bir ad sağlayın ve bir Azure VM türü belirtin. Başlamak için kaynak oluştur ile şimdi deneyin.

Paketlerin nasıl yükleneceği de dahil olmak üzere işlem örnekleri hakkında daha fazla bilgi edinmek için bkz. Azure Machine Learning işlem örneği oluşturma.

İpucu

Kullanılmayan bir işlem örneğinde ücret yansıtılmasını önlemek için boşta kapatmayı etkinleştirin.

Jupyter Notebook sunucusuna ve JupyterLab'e ek olarak, Azure Machine Learning stüdyosu içindeki tümleşik not defteri özelliğinde işlem örneklerini kullanabilirsiniz.

Vs Code kullanarak uzak işlem örneğine bağlanmak için Azure Machine Learning Visual Studio Code uzantısını da kullanabilirsiniz.

Veri Bilimi Sanal Makinesi

Veri Bilimi VM, geliştirme ortamı olarak kullanabileceğiniz özelleştirilmiş bir sanal makine (VM) görüntüsüdür. Şu gibi önceden yapılandırılmış araçlar ve yazılımlar olan veri bilimi çalışmaları için tasarlanmıştır:

  • TensorFlow, PyTorch, Scikit-learn, XGBoost ve Azure Machine Learning SDK'sı gibi paketler
  • Spark Tek Başına 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'ler)
  • Jupyter Notebook Sunucusu

Araçların daha kapsamlı bir listesi için Veri Bilimi VM araçları kılavuzuna bakın.

Önemli

Veri Bilimi VM'sini eğitim veya çıkarım işleriniz için işlem hedefi olarak kullanmayı planlıyorsanız yalnızca Ubuntu desteklenir.

Veri Bilimi VM'sini geliştirme ortamı olarak kullanmak için:

  1. Aşağıdaki yöntemlerden birini kullanarak bir Veri Bilimi VM oluşturun:

    • Ubuntu veya Windows DSVM oluşturmak için Azure portal kullanın.

    • ARM şablonlarını kullanarak bir Veri Bilimi VM oluşturun.

    • Azure CLI kullanma

      Ubuntu Veri Bilimi VM 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 için conda ortamı oluşturma:

    conda create -n py310 python=310
    
  3. Ortam oluşturulduktan sonra etkinleştirin ve SDK'yı yükleyin

    conda activate py310
    pip install azure-ai-ml azure-identity
    
  4. Veri Bilimi VM'sini Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir vm'yi kullanın.

    İpucu

    Yerel ortamlara benzer şekilde, Azure Machine Learning ile etkileşime geçmek için Visual Studio Code ve Azure Machine Learning Visual Studio Code uzantısını kullanabilirsiniz.

    Daha fazla bilgi için bkz. Veri Bilimi Sanal Makineler.

Sonraki adımlar