你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在门户中或者使用 Python SDK 来管理 Azure 机器学习工作区

在本文中，你将使用 Azure 门户或 SDK for Python 为 Azure 机器学习创建、查看和删除 Azure 机器学习工作区

随着需求的变化或自动化要求的增加，还可使用 CLI 或通过 VS Code 扩展来管理工作区。

必备条件

• Azure 订阅。 如果没有 Azure 订阅，请在开始操作前先创建一个免费帐户。 立即试用免费版或付费版 Azure 机器学习。
• 如果使用 Python SDK，请安装 SDK。

限制

• 创建新的工作区时，可以自动创建工作区所需的服务或使用现有的服务。 如果要使用来自不同于工作区所在的 Azure 订阅的现有服务，则必须在包含这些服务的订阅中注册 Azure 机器学习命名空间。 例如，在订阅 A 中创建一个使用订阅 B 中的存储帐户的工作区时，必须在订阅 B 中注册 Azure 机器学习命名空间，然后才能将此存储帐户用于该工作区。

  Azure 机器学习的资源提供程序是 Microsoft.MachineLearningServices。 有关如何查看它是否已注册以及如何注册的信息，请参阅 Azure 资源提供程序和类型一文。

  重要

  这仅适用于工作区创建期间提供的资源：Azure 存储帐户、Azure 容器注册表、Azure Key Vault 和 Application Insights。

• 默认情况下，创建工作区时还会创建 Azure 容器注册表 (ACR)。 由于 ACR 当前不支持在资源组名称中使用 unicode 字符，因此请使用不包含这些字符的资源组。

• 对于工作区的默认存储帐户，Azure 机器学习不支持分层命名空间（Azure Data Lake Storage Gen2 功能）。

提示

创建工作区时，将创建一个 Azure Application Insights 实例。 如果需要，可以在创建群集后删除 Application Insights 实例。 删除它会限制从工作区收集的信息，并且可能会使问题解决起来更加困难。 如果删除工作区创建的 Application Insights 实例，则无法在不删除和重新创建工作区的情况下重新创建实例。

有关使用此 Application Insights 实例的详细信息，请参阅从机器学习 Web 服务终结点监视和收集数据。

创建工作区

Python

适用于：Python SDK azureml v1

• 默认规范。 默认情况下，系统会自动创建从属资源和资源组。 以下代码创建一个名为 myworkspace 的工作区，并在 eastus2 中创建一个名为 myresourcegroup 的资源组。

  from azureml.core import Workspace
  
  ws = Workspace.create(name='myworkspace',
                 subscription_id='<azure-subscription-id>',
                 resource_group='myresourcegroup',
                 create_resource_group=True,
                 location='eastus2'
                 )
  

  如果需要将一个现有的 Azure 资源组用于该工作区，请将 create_resource_group 设置为 False。

• 多个租户。如果你有多个帐户，请添加要使用的 Azure Active Directory 的租户 ID。 在 Azure 门户的“Azure Active Directory 外部标识”下找到你的租户 ID。

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

• 主权云 。 如果你在主权云中操作，则需要使用额外的代码向 Azure 进行身份验证。

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

• 使用现有的 Azure 资源。 你还可以创建一个工作区，该工作区使用带有 Azure 资源 ID 格式的现有 Azure 资源。 请在 Azure 门户中或通过 SDK 查找特定的 Azure 资源 ID。 此示例假设资源组、存储帐户、密钥保管库、App Insights 和容器注册表已存在。

  import os
  from azureml.core import Workspace
  from azureml.core.authentication import ServicePrincipalAuthentication
  
  service_principal_password = os.environ.get("AZUREML_PASSWORD")
  
  service_principal_auth = ServicePrincipalAuthentication(
      tenant_id="<tenant-id>",
      username="<application-id>",
      password=service_principal_password)
  
                        auth=service_principal_auth,
                             subscription_id='<azure-subscription-id>',
                             resource_group='myresourcegroup',
                             create_resource_group=False,
                             location='eastus2',
                             friendly_name='My workspace',
                             storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
                             key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
                             app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
                             container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
                             exist_ok=False)
  

有关详细信息，请查看工作区 SDK 参考。

如果在访问订阅时遇到问题，请参阅为 Azure 机器学习资源和工作流设置身份验证以及 Azure 机器学习中的身份验证笔记本。

门户

1. 使用 Azure 订阅的凭据登录到 Azure 门户。

2. 在 Azure 门户的左上角，选择“+ 创建资源”。

   

3. 使用搜索栏查找“机器学习”。

4. 选择“机器学习”。

5. 在“机器学习”窗格中，选择“创建”以开始。

6. 提供以下信息来配置新工作区：

   字段	说明
   工作区名称	输入用于标识工作区的唯一名称。 本示例使用 docs-ws。 名称在整个资源组中必须唯一。 使用易于记忆且区别于其他人所创建工作区的名称。 工作区名称不区分大小写。
   订阅	选择要使用的 Azure 订阅。
   资源组	使用订阅中的现有资源组，或者输入一个名称以创建新的资源组。 资源组保存 Azure 解决方案的相关资源。 本示例使用 docs-aml。 需要“参与者”或“所有者”角色才能使用现有资源组。 有关访问权限的详细信息，请参阅管理对 Azure 机器学习工作区的访问权限。
   区域	选择离你的用户和数据资源最近的 Azure 区域来创建工作区。
   存储帐户	工作区的默认存储帐户。 默认情况下，会创建一个新的存储帐户。
   密钥保管库	工作区使用的 Azure Key Vault。 默认情况下，会创建一个新的存储帐户。
   Application Insights	工作区的 Application Insights 实例。 默认情况下，会创建一个新的存储帐户。
   容器注册表	工作区的 Azure 容器注册表。 默认情况下，一开始不会为工作区创建新的 Azure 容器注册表， 而是在训练或部署过程中当你创建 Docker 映像时根据需要创建。

   

7. 完成工作区配置后，选择“查看 + 创建”。 （可选）使用网络和高级部分为工作区配置更多设置。

8. 查看设置，并进行任何其他更改或改正。 如果对设置感到满意，请选择“创建”。

   警告

   在云中创建工作区可能需要几分钟时间。

   完成创建后，会显示部署成功消息。

9. 若要查看新工作区，请选择“转到资源”。

网络

重要

有关将专用终结点和虚拟网络与工作区结合使用的详细信息，请参阅网络隔离和隐私。

Python

Azure 机器学习 Python SDK 提供 PrivateEndpointConfig 类，此类可与 Workspace.create() 配合使用来创建具有专用终结点的工作区。 此类需要现有虚拟网络。

门户

1. 默认的网络配置是使用可在公共 Internet 上访问的公共终结点。 若要将工作区的访问权限限制于你创建的 Azure 虚拟网络，可以改为选择“专用终结点”作为“连接方法”，然后使用“+ 添加”来配置终结点。

   

2. 在“创建专用终结点”表单上，设置要使用的位置、名称和虚拟网络。 如果要将此终结点与某个专用 DNS 区域配合使用，请选择“与专用 DNS 区域集成”，然后使用“专用 DNS 区域”字段选择该区域。 选择“确定”以创建终结点。

   

3. 完成网络配置后，可以选择“查看 + 创建”，或转到可选的“高级”配置。

漏洞扫描

Microsoft Defender for Cloud 跨混合云工作负载提供统一的安全管理和高级威胁防护。 应允许 Microsoft Defender for Cloud 扫描资源并遵循其建议。 有关详细信息，请参阅通过 Defender for Cloud 扫描 Azure 容器注册表映像和 Azure Kubernetes 服务与 Defender for Cloud 的集成。

高级

默认情况下，工作区的元数据存储在 Microsoft 维护的 Azure Cosmos DB 实例中。 该数据是使用 Microsoft 管理的密钥加密的。

若要限制 Microsoft 在你的工作区中收集的数据，请在门户中选择“高业务影响工作区”，或在 Python 中设置 。 有关此设置的详细信息，请参阅静态加密。

重要

只能在创建工作区时选择高业务影响。 在创建工作区后，不能更改此设置。

使用自己的密钥

你可以提供自己的密钥来加密数据。 这样做会创建在 Azure 订阅中存储元数据的 Azure Cosmos DB 实例。 有关详细信息，请参阅[客户管理的密钥](concept-customer-managed keys.md)。

通过以下步骤提供你自己的密钥：

重要

在执行这些步骤之前，必须先执行以下操作：

按照配置客户管理的密钥中的步骤完成以下操作：

• 注册 Azure Cosmos DB 提供程序
• 创建和配置 Azure Key Vault
• 生成密钥

Python

使用 cmk_keyvault 和 resource_cmk_uri 指定客户管理的密钥。

from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
               subscription_id='<azure-subscription-id>',
               resource_group='myresourcegroup',
               create_resource_group=True,
               location='eastus2'
               cmk_keyvault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/<keyvault-name>', 
               resource_cmk_uri='<key-identifier>'
               )

门户

1. 选择“客户管理的密钥”，然后选择“单击以选择密钥”。

   

2. 在“从 Azure Key Vault 选择密钥”表单中选择现有的 Azure Key Vault、一个它所包含的密钥以及密钥版本。 此密钥用于加密 Azure Cosmos DB 中存储的数据。 最后使用“选择”按钮来使用此密钥。

   

下载配置文件

如果要创建计算实例，请跳过此步骤。 该计算实例已为你创建此文件的副本。

Python

如果你计划在本地环境使用引用此工作区 (ws) 的代码，请编写配置文件：

ws.write_config()

门户

如果计划使用引用此工作区的本地环境中的代码，请从工作区的“概述”部分中选择“下载 config.json”。

使用 Python 脚本或 Jupyter Notebook 将此文件放入到目录结构中。 它可以位于同一目录（名为 .azureml 的子目录）中，也可以位于父目录中。 创建计算实例时，此文件会添加到 VM 上的正确目录中。

连接到工作区

适用于：Python SDK azureml v1

在 Python 代码中，创建一个用于连接到工作区的工作区对象。 此代码将读取配置文件的内容以查找工作区。 如果你尚未进行身份验证，系统会提示你登录。

from azureml.core import Workspace

ws = Workspace.from_config()

• 多个租户。如果你有多个帐户，请添加要使用的 Azure Active Directory 的租户 ID。 在 Azure 门户的“Azure Active Directory 外部标识”下找到你的租户 ID。

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.from_config(auth=interactive_auth)
  

• 主权云 。 如果你在主权云中操作，则需要使用额外的代码向 Azure 进行身份验证。

  适用于：Python SDK azureml v1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.from_config(auth=interactive_auth)
  

如果在访问订阅时遇到问题，请参阅为 Azure 机器学习资源和工作流设置身份验证以及 Azure 机器学习中的身份验证笔记本。

查找工作区

查看你可以使用的所有工作区的列表。

Python

适用于：Python SDK azureml v1

在 Azure 门户的“订阅”页中查找你的订阅。 复制 ID 并在下面的代码中使用它，以便查看可用于该订阅的所有工作区。

from azureml.core import Workspace

Workspace.list('<subscription-id>')

Workspace.list(..) 方法不返回完整的工作区对象。 它仅包含订阅中现有工作区的基本信息。 若要获取特定工作区的完整对象，请使用 Workspace.get(..)。

门户

1. 登录到 Azure 门户。

2. 在顶部搜索字段中，键入“机器学习”。

3. 选择“机器学习”。

   

4. 浏览筛选出的工作区列表。 筛选依据可包括订阅、资源组和位置。

5. 选择工作区即可显示其属性。

在工作区中搜索资产（预览版）

使用公共预览版搜索功能，可以通过统一的全局视图跨组织中的所有工作区、资源组和订阅搜索机器学习资产，例如作业、模型、组件、环境和数据。

1. 从 Azure 机器学习工作室开始。
2. 如果工作区处于打开状态，请选择页面顶部痕迹导航栏中的 Microsoft 菜单项或 Microsoft 链接。

自由文本搜索

在工作室 Microsoft 页顶部的全局搜索栏中键入搜索文本，然后按 Enter，以触发“包含”式搜索。 “包含”式搜索会跨给定资产的所有元数据字段进行扫描，并按相关性对结果排序。

可以使用资产快速链接导航到所创建的作业、模型、组件、环境和数据集的搜索结果。

此外，可以通过搜索栏下拉列表中的“更改”链接更改适用订阅和工作区的范围。

结构化搜索

选择任意数量的筛选器来创建更具体的搜索查询。 支持以下筛选器：

• 作业:
• 模型：
• 组件：
• 标记：
• SubmittedBy:
• 环境：
• 数据集：

如果资产筛选器（作业、模型、组件、环境、数据集）存在，则结果会以那些选项卡为范围。 其他筛选器会应用于所有资产，除非某个资产筛选器也存在于该查询中。 同样，自由文本搜索可以与筛选器一起提供，但其范围会限定为资产筛选器（如果存在）选择的选项卡。

提示

• 筛选器会搜索文本的完全匹配项。 使用自由文本查询来进行包含式搜索。
• 包含空格或其他特殊字符的值需要加上引号。
• 如果提供了重复的筛选器，则只识别搜索结果中的第一个。
• 支持任何语言的输入文本，但筛选器字符串必须与提供的选项（例如 submittedBy:）。
• 标记筛选器可以接受由逗号分隔的多个键值对（例如 tags:"key1:value1, key2:value2"）。

查看搜索结果

可以在单个“作业”、“模型”、“组件”、“环境”和“数据”选项卡中查看搜索结果。 选择一个资产，以在相关工作区的上下文中打开其“详细信息”页。 不显示无权查看的工作区的结果。

如果你已经在以前的更新中使用过此功能，则可能会发生搜索结果错误。 在“目录 + 订阅 + 工作区”选项卡中，重新选择你的首选工作区。

重要

对于其他语言中的多字词条（例如中文字符），搜索结果可能会不正常。

创建工作区

不再需要工作区时，请删除它。

警告

一旦删除 Azure 机器学习工作区，将无法恢复。

如果你意外删除了工作区，仍可以检索你的笔记本。 有关详细信息，请参阅业务连续性和灾难恢复的故障转移。

Python

适用于：Python SDK azureml v1

删除工作区 ws：

ws.delete(delete_dependent_resources=False, no_wait=False)

默认操作不是删除与工作区关联的资源，即容器注册表、存储帐户、密钥保管库和应用程序见解。 如果将 delete_dependent_resources 设置为 True，则也会删除这些资源。

门户

在 Azure 门户中，选择要删除的工作区顶部的“删除”。

清理资源

重要

已创建的资源可用作其他 Azure 机器学习教程和操作方法文章的先决条件。

如果你不打算使用已创建的任何资源，请删除它们，以免产生任何费用：

1. 在 Azure 门户中，选择最左侧的“资源组” 。

2. 从列表中选择你创建的资源组。

3. 选择“删除资源组”。

   

4. 输入资源组名称。 然后选择“删除”。

故障排除

• Azure 机器学习工作室支持的浏览器：建议使用与操作系统兼容的最新浏览器。 支持以下浏览器：

  • Microsoft Edge（新的 Microsoft Edge（最新版）。不是 Microsoft Edge 旧版）
  • Safari（最新版本，仅限 Mac）
  • Chrome（最新版本）
  • Firefox（最新版本）

• Azure 门户：

  • 如果通过 SDK 的共享链接或 Azure 门户直接访问工作区，则无法查看扩展中包含订阅信息的标准“概述”页面。 此情况下，也无法切换到其他工作区。 若要查看其他工作区，请直接转到 Azure 机器学习工作室并搜索工作区名称。
  • 所有资产（数据集、试验、计算等）仅适用于 Azure 机器学习工作室， 它们不可在 Azure 门户中使用。
  • 尝试从 Azure 门户导出工作区模板可能会返回类似于以下文本的错误：Could not get resource of the type <type>. Resources of this type will not be exported. 作为一种解决方法，请使用 https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices 中提供的模板之一作为模板的基础。

工作区诊断

在 Azure 机器学习工作室或 Python SDK 中，可以在工作区上运行诊断。 运行诊断后，将返回检测到的任何问题的列表。 此列表包含指向可能的解决方案的链接。 有关详细信息，请参阅如何使用工作区诊断。

资源提供程序错误

创建 Azure 机器学习工作区或工作区使用的资源时，可能会收到类似于以下消息的错误：

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

大多数资源提供程序会自动注册，但并非全部。 如果收到此消息，则需要注册所提到的提供程序。

下表包含 Azure 机器学习所需的资源提供程序的列表：

资源提供程序	为什么需要它
Microsoft.MachineLearningServices	创建 Azure 机器学习工作区。
Microsoft.Storage	Azure 存储帐户用作该工作区的默认存储。
Microsoft.ContainerRegistry	Azure 容器注册表被工作区用来生成 Docker 映像。
Microsoft.KeyVault	该工作区使用 Azure Key Vault 来存储机密。
Microsoft.Notebooks/NotebookProxies	Azure 机器学习计算实例上集成的笔记本。
Microsoft.ContainerService	如果计划将训练后的模型部署到 Azure Kubernetes 服务。

如果计划将客户管理的密钥与 Azure 机器学习一起使用，则必须注册以下服务提供程序：

资源提供程序	为什么需要它
Microsoft.DocumentDB/databaseAccounts	用于记录工作区元数据的 Azure CosmosDB 实例。
Microsoft.Search/searchServices	Azure 搜索为工作区提供索引编制功能。

有关注册资源提供程序的信息，请参阅解决资源提供程序注册错误。

删除 Azure 容器注册表

Azure 机器学习工作区使用 Azure 容器注册表 (ACR) 执行某些操作。 首次需要 ACR 实例时，它会自动创建一个。

警告

为工作区创建 Azure 容器注册表后，请不要将其删除。 删除该注册表将损坏 Azure 机器学习工作区。

示例

创建工作区的示例：

• 使用 Azure 门户创建工作区和计算实例

后续步骤

有了工作区后，请了解如何训练和部署模型。

若要详细了解如何根据组织要求规划工作区，请参阅组织和设置 Azure 机器学习。

若要检查工作区是否存在问题，请参阅如何使用工作区诊断。

如果需要将工作区移动到另一个 Azure 订阅，请参阅如何移动工作区。