Azure Machine Learning için bir geliştirme ortamı yapılandırmaConfigure a development environment for Azure Machine Learning

Uygulama hedefi: YesBasic Edition EvetEnterprise edition                   (Enterprise Edition 'A yükseltme)APPLIES TO: yesBasic edition yesEnterprise edition                    (Upgrade to Enterprise edition)

Bu makalede, Azure Machine Learning ile çalışmak için bir geliştirme ortamının nasıl yapılandırılacağını öğreneceksiniz.In this article, you learn how to configure a development environment to work with Azure Machine Learning. Azure Machine Learning platform belirsiz.Azure Machine Learning is platform agnostic. Geliştirme ortamınız için tek sabit gereksinim Python 3 ' dir.The only hard requirement for your development environment is Python 3. Anaconda veya virtualenv gibi yalıtılmış bir ortam de önerilir.An isolated environment like Anaconda or Virtualenv is also recommended.

Aşağıdaki tabloda, bu makalede ele alınan her geliştirme ortamı, profesyonelleri ve dezavantajlarla birlikte gösterilmektedir.The following table shows each development environment covered in this article, along with pros and cons.

OrtamEnvironment UzmanlarıPros SimgelerCons
Bulut tabanlı Azure Machine Learning Not defteri VM 'siCloud-based Azure Machine Learning Notebook VM Başlamak için en kolay yol.Easiest way to get started. Tüm SDK, çalışma alanı sanal makinenizde zaten yüklüdür ve Not defteri öğreticileri önceden klonlanır ve çalıştırılmaya hazırlanmıştır.The entire SDK is already installed in your workspace VM, and notebook tutorials are pre-cloned and ready to run. Geliştirme ortamınız ve bağımlılıklarınız üzerinde denetim olmaması.Lack of control over your development environment and dependencies. Linux VM için ek maliyet (sanal makine, ücretlerden kaçınmak için kullanımda olmadığında durdurulabilir).Additional cost incurred for Linux VM (VM can be stopped when not in use to avoid charges). Fiyatlandırma ayrıntılarınabakın.See pricing details.
Yerel ortamLocal environment Geliştirme ortamınızın ve bağımlılıklarınızın tam denetimi.Full control of your development environment and dependencies. İstediğiniz herhangi bir yapı aracı, ortam veya IDE ile çalıştırın.Run with any build tool, environment, or IDE of your choice. Kullanmaya başlamak için daha uzun sürer.Takes longer to get started. Gerekli SDK paketlerinin yüklü olması ve henüz yoksa bir ortamın de yüklü olması gerekir.Necessary SDK packages must be installed, and an environment must also be installed if you don't already have one.
Azure DatabricksAzure Databricks Ölçeklenebilir Apache Spark platformunda büyük ölçekli yoğun makine öğrenimi iş akışlarını çalıştırmak için idealdir.Ideal for running large-scale intensive machine learning workflows on the scalable Apache Spark platform. Deneysel makine öğrenimi veya daha küçük ölçekli denemeleri ve iş akışları için fazla sonlandırılmalıdır.Overkill for experimental machine learning, or smaller-scale experiments and workflows. Azure Databricks için ek ücret tahakkuk ettir.Additional cost incurred for Azure Databricks. Fiyatlandırma ayrıntılarınabakın.See pricing details.
Veri Bilimi Sanal Makinesi (DSVM)The Data Science Virtual Machine (DSVM) Bulut tabanlı Not defteri VM 'sine benzer (Python ve SDK önceden yüklenmiş), ancak daha popüler veri bilimi ve Machine Learning araçları önceden yüklenmiş olarak.Similar to the cloud-based Notebook VM (Python and the SDK are pre-installed), but with additional popular data science and machine learning tools pre-installed. Kolayca ölçeklendirilmesi ve diğer özel araçlar ve iş akışlarıyla birleştirmek.Easy to scale and combine with other custom tools and workflows. Bulut tabanlı Notebook VM ile karşılaştırıldığında daha yavaş bir başlangıç deneyimi.A slower getting started experience compared to the cloud-based Notebook VM.

Bu makalede ayrıca aşağıdaki araçlar için ek kullanım ipuçları sunulmaktadır:This article also provides additional usage tips for the following tools:

  • Jupyter Not defterleri: zaten JUPYTER Notebook kullanıyorsanız SDK 'nın yüklenmesi gereken bazı ek özellikler vardır.Jupyter Notebooks: If you're already using the Jupyter Notebook, the SDK has some extras that you should install.

  • 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.Visual Studio Code: If you use Visual Studio Code, the Azure Machine Learning extension includes extensive language support for Python as well as features to make working with the Azure Machine Learning much more convenient and productive.

ÖnkoşullarPrerequisites

Azure Machine Learning çalışma alanı.An Azure Machine Learning workspace. Çalışma alanını oluşturmak için, bkz. Azure Machine Learning çalışma alanı oluşturma.To create the workspace, see Create an Azure Machine Learning workspace. Bulut tabanlı bir not defteri sunucusu, dsvmveya Azure Databrickskullanmaya başlamak için bir çalışma alanı yeterlidir.A workspace is all you need to get started with your own cloud-based notebook server, a DSVM, or Azure Databricks.

Yerel bilgisayarınıziçin SDK ortamını yüklemek üzere Jupyter Notebook sunucu veya Visual Studio Code şunları yapmanız gerekir:To install the SDK environment for your local computer, Jupyter Notebook server or Visual Studio Code you also need:

  • Anaconda ya da miniconda Paket Yöneticisi.Either the Anaconda or Miniconda package manager.

  • Linux veya macOS 'da bash kabuğu gerekir.On Linux or macOS, you need the bash shell.

    İpucu

    Linux veya macOS 'ta çalışıyorsanız ve Bash dışında bir Shell kullanıyorsanız (örneğin, ZSH), bazı komutları çalıştırdığınızda hatalar alabilirsiniz.If you're on Linux or macOS and use a shell other than bash (for example, zsh) you might receive errors when you run some commands. Bu sorunu geçici olarak çözmek için kullanın bash yeni bir bash Kabuğu'nu başlatın ve orada komutları çalıştırmak için komutu.To work around this problem, use the bash command to start a new bash shell and run the commands there.

  • Windows üzerinde bir komut istemi veya Anaconda istemi (Anaconda ve Miniconda ile yüklenen) gerekir.On Windows, you need the command prompt or Anaconda prompt (installed by Anaconda and Miniconda).

Kendi bulut tabanlı Not defteriniz VM 'nizYour own cloud-based Notebook VM

Azure Machine Learning Not defteri VM 'si, bir Jupyter Not defteri sunucusu, JupyterLab ve tamamen hazırlanmış ML ortamı ile veri bilimcileri sağlayan, güvenli, bulut tabanlı bir Azure iş istasyonudur.The Azure Machine Learning Notebook VM is a secure, cloud-based Azure workstation that provides data scientists with a Jupyter notebook server, JupyterLab, and a fully prepared ML environment.

Not defteri VM 'si:The Notebook VM is:

Bir işlem örneği için yüklenecek veya yapılandırılacak bir şey yok.There is nothing to install or configure for a compute instance. Azure Machine Learning çalışma alanınızın içinden dilediğiniz zaman oluşturun.Create one anytime from within your Azure Machine Learning workspace. Yalnızca bir ad girin ve Azure VM türünü belirtin.Provide just a name and specify an Azure VM type. Şu öğreticiyle şimdi deneyin : Kurulum ortamı ve çalışma alanı.Try it now with this Tutorial: Setup environment and workspace.

İşlem ücretlerini durdurmak için, Not defteri VM 'yi durdurun.To stop incurring compute charges, stop the Notebook VM.

Veri bilimi sanal makinesiData Science Virtual Machine

DSVM, özelleştirilmiş bir sanal makine (VM) görüntüsüdür.The DSVM is a customized virtual machine (VM) image. Önceden yapılandırılmış olan veri bilimi işleri için tasarlanmıştır:It's designed for data science work that's pre-configured with:

  • TensorFlow, PyTorch, Scikit-öğren, XGBoost ve Azure Machine Learning SDK gibi paketlerPackages such as TensorFlow, PyTorch, Scikit-learn, XGBoost, and the Azure Machine Learning SDK
  • Spark tek başına ve detaya gitme gibi popüler veri bilimi araçlarıPopular data science tools such as Spark Standalone and Drill
  • Azure CLı, AzCopy ve Depolama Gezgini gibi Azure AraçlarıAzure tools such as the Azure CLI, AzCopy, and Storage Explorer
  • Visual Studio Code ve Pydüğme gibi tümleşik geliştirme ortamları (IDEs)Integrated development environments (IDEs) such as Visual Studio Code and PyCharm
  • Jupyter Notebook sunucusuJupyter Notebook Server

Azure Machine Learning SDK, DSVM 'nin Ubuntu veya Windows sürümünde kullanılabilir.The Azure Machine Learning SDK works on either the Ubuntu or Windows version of the DSVM. Ancak DSVM 'yi bir işlem hedefi olarak kullanmayı planlıyorsanız yalnızca Ubuntu desteklenir.But if you plan to use the DSVM as a compute target as well, only Ubuntu is supported.

DSVM 'yi bir geliştirme ortamı olarak kullanmak için:To use the DSVM as a development environment:

  1. Aşağıdaki ortamların birinde bir DSVM oluşturun:Create a DSVM in either of the following environments:

    • Azure portal:The Azure portal:

    • Azure CLı:The Azure CLI:

      Önemli

      • Azure CLı 'yı kullandığınızda, önce az login komutunu kullanarak Azure aboneliğinizde oturum açmanız gerekir.When you use the Azure CLI, you must first sign in to your Azure subscription by using the az login command.

      • Bu adımdaki komutları kullandığınızda, bir kaynak grubu adı, VM için bir ad, Kullanıcı adı ve parola sağlamanız gerekir.When you use the commands in this step, you must provide a resource group name, a name for the VM, a username, and a password.

      • Ubuntu Veri Bilimi Sanal Makinesi oluşturmak için aşağıdaki komutu kullanın:To create an Ubuntu Data Science Virtual Machine, use the following command:

        # create a Ubuntu 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
        # 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
        
      • Bir Windows Veri Bilimi Sanal Makinesi oluşturmak için aşağıdaki komutu kullanın:To create a Windows Data Science Virtual Machine, use the following command:

        # 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 DSVM 'de zaten yüklü.The Azure Machine Learning SDK is already installed on the DSVM. SDK'sını içeren Conda ortama kullanmak için aşağıdaki komutlardan birini kullanın:To use the Conda environment that contains the SDK, use one of the following commands:

    • Ubuntu DSVM için:For Ubuntu DSVM:

      conda activate py36
      
    • Windows DSVM için:For Windows DSVM:

      conda activate AzureML
      
  3. SDK'sı erişmek ve sürümü denetlemek doğrulamak için aşağıdaki Python kodu kullanın:To verify that you can access the SDK and check the version, use the following Python code:

    import azureml.core
    print(azureml.core.VERSION)
    
  4. DSVM 'yi Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için, çalışma alanı yapılandırma dosyası oluşturma bölümüne bakın.To configure the DSVM to use your Azure Machine Learning workspace, see the Create a workspace configuration file section.

Daha fazla bilgi için bkz. veri bilimi sanal makineleri.For more information, see Data Science Virtual Machines.

Yerel bilgisayarLocal computer

Yerel bir bilgisayar (Ayrıca, uzak bir sanal makine de olabilir) kullandığınızda, bir Anaconda ortamı oluşturun ve SDK 'Yı kurun.When you're using a local computer (which might also be a remote virtual machine), create an Anaconda environment and install the SDK. Bir örneği aşağıda verilmiştir:Here's an example:

  1. Henüz yoksa Anaconda (Python 3,7 sürümü) sürümünü indirip yükleyin.Download and install Anaconda (Python 3.7 version) if you don't already have it.

  2. Bir Anaconda istemi açın ve aşağıdaki komutları kullanarak bir ortam oluşturun:Open an Anaconda prompt and create an environment with the following commands:

    Ortamı oluşturmak için aşağıdaki komutu çalıştırın.Run the following command to create the environment.

    conda create -n myenv python=3.6.5
    

    Ardından ortamı etkinleştirin.Then activate the environment.

    conda activate myenv
    

    Bu örnek, Python 3.6.5 kullanarak bir ortam oluşturur, ancak herhangi bir belirli alt sürüm seçilebilir.This example creates an environment using python 3.6.5, but any specific subversions can be chosen. SDK uyumluluğu belirli ana sürümlerle garanti edilemez (3,5 + önerilir) ve hatalar halinde çalıştırırsanız, Anaconda ortamınızda farklı bir sürüm/alt sürüm denemek önerilir.SDK compatibility may not be guaranteed with certain major versions (3.5+ is recommended), and it's recommended to try a different version/subversion in your Anaconda environment if you run into errors. Bileşenler ve paketler indirilirken ortamın oluşturulması birkaç dakika sürer.It will take several minutes to create the environment while components and packages are downloaded.

  3. Ortama özel IPython kernels özelliğini etkinleştirmek için yeni ortamınızda aşağıdaki komutları çalıştırın.Run the following commands in your new environment to enable environment-specific IPython kernels. Bu, Anaconda ortamları içinde Jupyter Not defterleri ile çalışırken beklenen çekirdek ve paket içeri aktarma davranışının sağlanması gerekir:This will ensure expected kernel and package import behavior when working with Jupyter Notebooks within Anaconda environments:

    conda install notebook ipykernel
    

    Ardından, aşağıdaki komutu çalıştırarak çekirdeği oluşturun:Then run the following command to create the kernel:

    ipython kernel install --user --name myenv --display-name "Python (myenv)"
    
  4. Paketleri yüklemek için aşağıdaki komutları kullanın:Use the following commands to install packages:

    Bu komut, temel Azure Machine Learning SDK 'sını Not defteri ve automl ek özellikler ile birlikte kurar.This command installs the base Azure Machine Learning SDK with notebook and automl extras. automl ekstra büyük bir yüklemedir ve otomatik makine öğrenimi denemeleri çalıştırmayı düşünmüyorsanız ayraçlardan kaldırılabilir.The automl extra is a large install, and can be removed from the brackets if you don't intend to run automated machine learning experiments. automl ekstra, varsayılan olarak bir bağımlılık olarak Azure Machine Learning Data Prep SDK 'sını içerir.The automl extra also includes the Azure Machine Learning Data Prep SDK by default as a dependency.

    pip install azureml-sdk[notebooks,automl]
    

    Not

    • PyYAML 'nin kaldırılamayacağı bir ileti alırsanız, bunun yerine aşağıdaki komutu kullanın:If you get a message that PyYAML can't be uninstalled, use the following command instead:

      pip install --upgrade azureml-sdk[notebooks,automl] --ignore-installed PyYAML

    • MacOS Catalina ile başlayarak, ZSH (Z kabuğu), varsayılan oturum açma kabuğu ve etkileşimli kabuktur.Starting with macOS Catalina, zsh (Z shell) is the default login shell and interactive shell. ZSH 'de, "\" (ters eğik çizgi) ile köşeli ayraçları kaçış aşağıdaki komutu kullanın:In zsh, use the following command which escapes brackets with "\" (backslash):

      pip install --upgrade azureml-sdk\[notebooks,automl\]

    SDK 'nın yüklenmesi birkaç dakika sürer.It will take several minutes to install the SDK. Yükleme seçenekleri hakkında daha fazla bilgi için bkz. Yükleme Kılavuzu.For more information on installation options, see the install guide.

  5. Machine Learning deneme için diğer paketleri yükler.Install other packages for your machine learning experimentation.

    Aşağıdaki komutlardan birini kullanın ve <yeni paket > yüklemek istediğiniz paketle değiştirin.Use either of the following commands and replace <new package> with the package you want to install. Paketlerin conda install aracılığıyla yüklenmesi için paketin geçerli kanalların bir parçası olması gerekir (yeni kanallar Anaconda buluta eklenebilir).Installing packages via conda install requires that the package is part of the current channels (new channels can be added in Anaconda Cloud).

    conda install <new package>
    

    Alternatif olarak, paketleri piparacılığıyla da yükleyebilirsiniz.Alternatively, you can install packages via pip.

    pip install <new package>
    

Jupyter Not DefterleriJupyter Notebooks

Jupyter not defterleri parçası olan Jupyter proje.Jupyter Notebooks are part of the Jupyter Project. Bunlar, Canlı kod anlatım metin ve grafikleri ile karışık belgeleri oluşturmak burada etkileşimli bir kodlama deneyimi sunar.They provide an interactive coding experience where you create documents that mix live code with narrative text and graphics. Jupi Not defterleri, kod bölümlerinin çıktısını belgeye kaydedebilmeniz için sonuçlarınızı başkalarıyla paylaşmanın harika bir yoludur.Jupyter Notebooks are also a great way to share your results with others, because you can save the output of your code sections in the document. Jupyter not defterleri çeşitli platformlarda yükleyebilirsiniz.You can install Jupyter Notebooks on a variety of platforms.

Yerel bilgisayar bölümündeki yordam, Jupyıter not defterlerini bir Anaconda ortamında çalıştırmak için gerekli bileşenleri yüklüyor.The procedure in the Local computer section installs necessary components for running Jupyter Notebooks in an Anaconda environment.

Jupyter Notebook ortamınızda bu bileşenleri etkinleştirmek için:To enable these components in your Jupyter Notebook environment:

  1. Bir Anaconda istemi açın ve ortamınızı etkinleştirin.Open an Anaconda prompt and activate your environment.

    conda activate myenv
    
  2. Örnek bir not defteri kümesi için GitHub deposunu kopyalayın.Clone the GitHub repository for a set of sample notebooks.

    git clone https://github.com/Azure/MachineLearningNotebooks.git
    
  3. Aşağıdaki komutla Jupyter Notebook sunucusunu başlatın:Launch the Jupyter Notebook server with the following command:

    jupyter notebook
    
  4. Jupyter Notebook SDK 'Yı kullanıp kullanbildiğini doğrulamak için Yeni bir not defteri oluşturun, çekirdekte Python 3 ' ü seçin ve ardından bir not defteri hücresinde aşağıdaki komutu çalıştırın:To verify that Jupyter Notebook can use the SDK, create a New notebook, select Python 3 as your kernel, and then run the following command in a notebook cell:

    import azureml.core
    azureml.core.VERSION
    
  5. Modüller içeri aktarma ve bir ModuleNotFoundErroralma sorunlarıyla karşılaşırsanız, bir not defteri hücresinde aşağıdaki kodu çalıştırarak Jupyter çekirdeğin ortamınız için doğru yola bağlı olduğundan emin olun.If you encounter issues importing modules and receive a ModuleNotFoundError, ensure your Jupyter kernel is connected to the correct path for your environment by running the following code in a Notebook cell.

    import sys
    sys.path
    
  6. Jupyter Notebook Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için, çalışma alanı yapılandırma dosyası oluşturma bölümüne gidin.To configure the Jupyter Notebook to use your Azure Machine Learning workspace, go to the Create a workspace configuration file section.

Visual Studio koduVisual Studio Code

Visual Studio Code, Visual Studio marketi'nde bulunan uzantılar aracılığıyla kapsamlı bir programlama dili ve araç kümesini destekleyen çok popüler bir platformlar arası kod düzenleyicisidir.Visual Studio Code is a very popular cross platform code editor that supports an extensive set of programming languages and tools through extensions available in the Visual Studio marketplace. Azure Machine Learning uzantısı , Python ortamlarının her türlü (sanal, Anaconda vb.) kodlama için Python uzantısını yüklüyor.The Azure Machine Learning extension installs the Python extension for coding in all types of Python environments (virtual, Anaconda, etc.). Buna ek olarak, Azure Machine Learning kaynaklarla çalışmak ve Visual Studio Code çıkmadan Azure Machine Learning denemeleri çalıştırmak için size kolay özellikler sağlar.In addition, it provides convenience features for working with Azure Machine Learning resources and running Azure Machine Learning experiments all without leaving Visual Studio Code.

Geliştirme için Visual Studio Code kullanmak için:To use Visual Studio Code for development:

  1. Visual Studio Code için Azure Machine Learning uzantısını yükleyip bkz. Azure Machine Learning.Install the Azure Machine Learning extension for Visual Studio Code, see Azure Machine Learning.

    Daha fazla bilgi için bkz. Visual Studio Code için Azure Machine Learning kullanma.For more information, see Use Azure Machine Learning for Visual Studio Code.

  2. Visual Studio Code herhangi bir Python geliştirme türü için nasıl kullanacağınızı öğrenin. bkz. VSCode 'Da Python ile çalışmaya başlama.Learn how to use Visual Studio Code for any type of Python development, see Get started with Python in VSCode.

    • SDK 'yı içeren SDK Python ortamını seçmek için VS Code açın ve ardından CTRL + SHIFT + P (Linux ve Windows) veya komut + SHIFT + P (Mac) öğesini seçin.To select the SDK Python environment containing the SDK, open VS Code, and then select Ctrl+Shift+P (Linux and Windows) or Command+Shift+P (Mac).

      • Komut paleti açılır.The Command Palette opens.
    • Python girin: yorumlayıcı' yı seçin ve ardından uygun ortamı seçinEnter Python: Select Interpreter, and then select the appropriate environment

  3. SDK 'yı kullanacağınızı doğrulamak için, aşağıdaki kodu içeren yeni bir Python dosyası (. köpek) oluşturun:To validate that you can use the SDK, create a new Python file (.py) that contains the following code:

    #%%
    import azureml.core
    azureml.core.VERSION
    

    "Hücreyi Çalıştır" CodeLens ' e tıklayarak bu kodu çalıştırın veya yalnızca SHIFT-enter tuşlarına basın.Run this code by clicking the "Run cell" CodeLens or simply press shift-enter.

Azure DatabricksAzure Databricks

Azure Databricks, Azure bulutu 'nda Apache Spark tabanlı bir ortamdır.Azure Databricks is an Apache Spark-based environment in the Azure cloud. CPU veya GPU tabanlı işlem kümesi ile birlikte çalışan bir not defteri tabanlı ortam sağlar.It provides a collaborative Notebook-based environment with CPU or GPU-based compute cluster.

Azure Databricks Azure Machine Learning ile nasıl kullanılır:How Azure Databricks works with Azure Machine Learning:

  • Spark MLlib kullanarak bir modeli eğitebilirsiniz ve modeli Azure Databricks içinden ACG/AKS 'e dağıtabilirsiniz.You can train a model using Spark MLlib and deploy the model to ACI/AKS from within Azure Databricks.
  • Ayrıca, Azure Databricks ile özel bir Azure ML SDK 'sında otomatik makine öğrenimi özellikleri de kullanabilirsiniz.You can also use automated machine learning capabilities in a special Azure ML SDK with Azure Databricks.
  • Azure Databricks, bir Azure Machine Learningişlem hattından işlem hedefi olarak kullanabilirsiniz.You can use Azure Databricks as a compute target from an Azure Machine Learning pipeline.

Databricks kümenizi ayarlamaSet up your Databricks cluster

Databricks kümesioluşturun.Create a Databricks cluster. Bazı ayarlar yalnızca Databricks 'te otomatik makine öğrenimi için SDK 'Yı yüklerseniz geçerlidir.Some settings apply only if you install the SDK for automated machine learning on Databricks. Kümenin oluşturulması birkaç dakika sürer.It will take few minutes to create the cluster.

Şu ayarları kullanın:Use these settings:

AyarSetting Uygulandığı öğe:Applies to DeğerValue
Küme adıCluster name Heralways yourclusternameyourclustername
Databricks Çalışma ZamanıDatabricks Runtime Heralways ML olmayan çalışma zamanı 6,0 (Scala 2,11, Spark 2.4.3)Non-ML Runtime 6.0 (scala 2.11, spark 2.4.3)
Python sürümüPython version Heralways 33
ÇalışanlarınızWorkers Heralways 2 veya üzeri2 or higher
Çalışan düğümü VM türleriWorker node VM types
(en fazla eşzamanlı yineleme sayısını belirler)(determines max # of concurrent iterations)
Otomatik MLAutomated ML
yalnızcaonly
Bellek için iyileştirilmiş VM tercih edilenMemory optimized VM preferred
Otomatik Ölçeklendirmeyi EtkinleştirmeEnable Autoscaling Otomatik MLAutomated ML
yalnızcaonly
UncheckUncheck

Devam etmeden önce küme çalışmaya kadar bekleyin.Wait until the cluster is running before proceeding further.

Databricks kitaplığına doğru SDK 'Yı yüklerInstall the correct SDK into a Databricks library

Küme çalışmaya başladıktan sonra uygun Azure Machine Learning SDK paketini kümenize eklemek için bir kitaplık oluşturun .Once the cluster is running, create a library to attach the appropriate Azure Machine Learning SDK package to your cluster.

  1. Kitaplığı depolamak istediğiniz geçerli çalışma alanı klasörüne sağ tıklayın.Right-click the current Workspace folder where you want to store the library. > kitaplığı Oluştur ' u seçin.Select Create > Library.

  2. Yalnızca bir seçenek belirleyin (diğer SDK yüklemesi desteklenmez)Choose only one option (no other SDK installation are supported)

    SDK paketi ek özelliklerSDK package extras KaynakSource Pypı adı      PyPi Name      
    Databricks içinFor Databricks Python Yumurg veya Pypı yüklemeUpload Python Egg or PyPI azureml-SDK [databricks]azureml-sdk[databricks]
    Databricks için-ileFor Databricks -with-
    Otomatik ML özellikleriautomated ML capabilities
    Python Yumurg veya Pypı yüklemeUpload Python Egg or PyPI azureml-SDK [Oto ml]azureml-sdk[automl]

    Uyarı

    Başka SDK ek özellikleri yüklenemez.No other SDK extras can be installed. Yukarıdaki seçeneklerden yalnızca birini seçin [databricks] veya [Oto ml].Choose only one of the preceding options [databricks] or [automl].

    • Tüm kümelere otomatik olarak ekle' yi seçmeyin.Do not select Attach automatically to all clusters.
    • Küme adınızın yanındaki Ekle ' yi seçin.Select Attach next to your cluster name.
  3. Durum iliştirilenekadar, bu işlem birkaç dakika sürebilir.Monitor for errors until status changes to Attached, which may take several minutes. Bu adım başarısız olursa:If this step fails:

    Kümenizi şu şekilde yeniden başlatmayı deneyin:Try restarting your cluster by:

    1. Sol bölmede kümeler' ı seçin.In the left pane, select Clusters.
    2. Tabloda, küme adınızı seçin.In the table, select your cluster name.
    3. Kitaplıklar sekmesinde Yeniden Başlat' ı seçin.On the Libraries tab, select Restart.

    Ayrıca şunları göz önünde bulundurun:Also consider:

    • Azure Databricks kullanırken, oto ml yapılandırmasında aşağıdaki parametreleri ekleyin:In AutoML config, when using Azure Databricks add the following parameters:
      1. max_concurrent_iterations kümenizdeki çalışan düğüm sayısına bağlıdır.max_concurrent_iterations is based on number of worker nodes in your cluster.
      2. spark_context=sc, varsayılan Spark bağlamını temel alır.spark_context=sc is based on the default spark context.
    • Ya da eski bir SDK sürümünüz varsa, kümenin yüklü olan kitaplıkların seçimini kaldırın ve çöp kutusuna geçiş yapın.Or, if you have an old SDK version, deselect it from cluster’s installed libs and move to trash. Yeni SDK sürümünü yükleyip kümeyi yeniden başlatın.Install the new SDK version and restart the cluster. Yeniden başlatmadan sonra bir sorun varsa, kümenizi ayırın ve yeniden bağlayın.If there is an issue after the restart, detach and reattach your cluster.

Yüklemesi başarılı olduysa, içeri aktarılan kitaplık aşağıdakilerden biri gibi görünmelidir:If install was successful, the imported library should look like one of these:

Databricks için Azure Machine Learning SDK otomatik makine öğrenimi olmadan Databricks sdk 'sıSDK for Databricks without automated machine learning Azure Machine Learning SDK for Databricks

Databricks 'de yüklü otomatik makine öğrenimi ile otomatik makine öğrenimi SDK Ile databricks için SDKSDK for Databricks WITH automated machine learning SDK with automated machine learning installed on Databricks

Keşfetmeye başlayınStart exploring

Deneyin:Try it out:

Çalışma alanı yapılandırma dosyası oluşturmaCreate a workspace configuration file

Çalışma alanı yapılandırma dosyası, SDK 'nın Azure Machine Learning çalışma alanıyla nasıl iletişim kuracağını söyleyen bir JSON dosyasıdır.The workspace configuration file is a JSON file that tells the SDK how to communicate with your Azure Machine Learning workspace. Dosya config. JSONolarak adlandırılır ve aşağıdaki biçimdedir:The file is named config.json, and it has the following format:

{
    "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.This JSON file must be in the directory structure that contains your Python scripts or Jupyter Notebooks. Aynı dizinde, . azuremladlı bir alt dizin veya bir üst dizin içinde olabilir.It can be in the same directory, a subdirectory named .azureml, or in a parent directory.

Bu dosyadan kodunuzu kullanmak için ws=Workspace.from_config().To use this file from your code, use ws=Workspace.from_config(). Bu kod, bilgileri bir dosyadan yükler ve çalışma alanınıza bağlanır.This code loads the information from the file and connects to your workspace.

Yapılandırma dosyasını üç şekilde oluşturabilirsiniz:You can create the configuration file in three ways:

  • Ws. write_config : bir config. JSON dosyası yazmak için kullanın.Use ws.write_config: to write a config.json file. Dosya, çalışma alanınızın yapılandırma bilgilerini içerir.The file contains the configuration information for your workspace. Config. json dosyasını diğer geliştirme ortamlarına indirebilir veya kopyalayabilirsiniz.You can download or copy the config.json to other development environments.

  • Dosyayı indirin: Azure Portal, çalışma alanınızın genel bakış bölümünde config. json dosyasını indir ' i seçin.Download the file: In the Azure portal, select Download config.json from the Overview section of your workspace.

    Azure portalı

  • Dosyayı program aracılığıyla oluşturun: Aşağıdaki kod parçacığında, abonelik kimliği, kaynak grubu ve çalışma alanı adı sağlayarak bir çalışma alanına bağlanırsınız.Create the file programmatically: In the following code snippet, you connect to a workspace by providing the subscription ID, resource group, and workspace name. Daha sonra çalışma alanı yapılandırmasını dosyaya kaydeder:It then saves the workspace configuration to the file:

    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')
    

    Bu kod, yapılandırma dosyasını . azureml/config. JSON dosyasına yazar.This code writes the configuration file to the .azureml/config.json file.

Sonraki adımlarNext steps