Konfigurera en Python-utvecklingsmiljö för Azure Machine Learning (v1)

GÄLLER FÖR: Python SDK azureml v1

Lär dig hur du konfigurerar en Python-utvecklingsmiljö för Azure Machine Learning.

I följande tabell visas varje utvecklingsmiljö som beskrivs i den här artikeln, tillsammans med för- och nackdelar.

Den här artikeln innehåller även användningstips för följande verktyg:

• Jupyter Notebooks: Om du redan använder Jupyter Notebooks har SDK några extrafunktioner som du bör installera.

• Visual Studio Code: Om du använder Visual Studio Code innehåller Azure Machine Learning-tillägget omfattande språkstöd för Python och funktioner för att göra arbetet med Azure Machine Learning mycket enklare och mer produktivt.

Förutsättningar

• Azure Machine Learning-arbetsyta. Om du inte har någon kan du skapa en Azure Machine Learning-arbetsyta via mallarna Azure Portal, Azure CLI och Azure Resource Manager.

Endast lokal och DSVM: Skapa en konfigurationsfil för arbetsytan

Konfigurationsfilen för arbetsytan är en JSON-fil som talar om för SDK hur du kommunicerar med din Azure Machine Learning-arbetsyta. Filen heter config.json och har följande format:

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

Den här JSON-filen måste finnas i katalogstrukturen som innehåller dina Python-skript eller Jupyter Notebooks. Den kan finnas i samma katalog, en underkatalog med namnet , eller i en överordnad .azuremlkatalog.

Använd metoden om Workspace.from_config du vill använda den här filen från koden. Den här koden läser in informationen från filen och ansluter till din arbetsyta.

Skapa en konfigurationsfil för arbetsytan i någon av följande metoder:

• Azure Portal

  Ladda ned filen: I Azure Portal väljer du Ladda ned config.json i avsnittet Översikt på arbetsytan.

  

• Python-SDK för Azure Machine Learning

  Skapa ett skript för att ansluta till din Azure Machine Learning-arbetsyta och använd write_config metoden för att generera filen och spara den som .azureml/config.json. Se till att ersätta subscription_id,resource_group och workspace_name med din egen.

  GÄLLER FÖR: Python SDK azureml v1

  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')
  

Lokal dator eller fjärrmiljö för virtuell dator

Du kan konfigurera en miljö på en lokal dator eller en virtuell fjärrdator, till exempel en Azure Machine Learning-beräkningsinstans eller Datavetenskap virtuell dator.

Så här konfigurerar du en lokal utvecklingsmiljö eller en fjärransluten virtuell dator:

1. Skapa en virtuell Python-miljö (virtualenv, conda).

   Kommentar

   Även om det inte krävs rekommenderar vi att du använder Anaconda eller Miniconda för att hantera virtuella Python-miljöer och installera paket.

   Viktigt!

   Om du använder Linux eller macOS och använder ett annat gränssnitt än bash (till exempel zsh) kan du få fel när du kör vissa kommandon. Du kan undvika det här problemet genom att använda bash kommandot för att starta ett nytt bash-gränssnitt och köra kommandona där.

2. Aktivera den nya virtuella Python-miljön.

3. Installera Azure Machine Learning Python SDK.

4. Om du vill konfigurera din lokala miljö att använda din Azure Machine Learning-arbetsyta skapar du en konfigurationsfil för arbetsytan eller använder en befintlig.

Nu när du har konfigurerat din lokala miljö är du redo att börja arbeta med Azure Machine Learning. Se kom igång-guiden för Azure Machine Learning Python för att komma igång.

Jupyter Notebook

När du kör en lokal Jupyter Notebook-server rekommenderar vi att du skapar en IPython-kernel för din virtuella Python-miljö. Detta säkerställer det förväntade beteendet för kernel- och paketimport.

1. Aktivera miljöspecifika IPython-kernels

   conda install notebook ipykernel
   

2. Skapa en kernel för din virtuella Python-miljö. Ersätt <myenv> med namnet på din virtuella Python-miljö.

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

3. Starta Jupyter Notebook-servern

Se lagringsplatsen för Azure Machine Learning-notebook-filer för att komma igång med Azure Machine Learning och Jupyter Notebooks. Se även den communitydrivna lagringsplatsen AzureML-Examples.

Visual Studio-koden

Så här använder du Visual Studio Code för utveckling:

1. Installera Visual Studio Code.

2. Installera Tillägget Azure Machine Learning Visual Studio Code (förhandsversion).

   Viktigt!

   Den här funktionen är för närvarande i allmänt tillgänglig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade.

   Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

När du har installerat Visual Studio Code-tillägget använder du det för att:

• Hantera dina Azure Machine Learning-resurser
• Starta Visual Studio Code via fjärranslutning till en beräkningsinstans (förhandsversion)
• Köra och felsöka experiment
• Distribuera tränade modeller (CLI v2).

Azure Machine Learning-beräkningsinstans

Azure Machine Learning-beräkningsinstansen är en säker, molnbaserad Azure-arbetsstation som ger dataforskare en Jupyter Notebook-server, JupyterLab och en fullständigt hanterad maskininlärningsmiljö.

Det finns inget att installera eller konfigurera för en beräkningsinstans.

Skapa en när som helst inifrån din Azure Machine Learning-arbetsyta. Ange bara ett namn och ange en typ av virtuell Azure-dator. Prova nu med Skapa resurser för att komma igång.

Mer information om beräkningsinstanser, inklusive hur du installerar paket, finns i Skapa och hantera en Azure Machine Learning-beräkningsinstans.

Förutom en Jupyter Notebook-server och JupyterLab kan du använda beräkningsinstanser i den integrerade notebook-funktionen i Azure Machine Learning-studio.

Du kan också använda Tillägget Azure Machine Learning Visual Studio Code för att ansluta till en fjärrberäkningsinstans med VS Code.

Data Science Virtual Machine

Den Datavetenskap virtuella datorn är en anpassad virtuell datoravbildning som du kan använda som utvecklingsmiljö. Den är utformad för data science-arbete som är förkonfigurerade verktyg och programvara som:

• Paket som TensorFlow, PyTorch, Scikit-learn, XGBoost och Azure Machine Learning SDK
• Populära datavetenskapsverktyg som Spark Standalone och Drill
• Azure-verktyg som Azure CLI, AzCopy och Storage Explorer
• Integrerade utvecklingsmiljöer (IDE:er) som Visual Studio Code och PyCharm
• Jupyter Notebook Server

En mer omfattande lista över verktygen finns i guiden Datavetenskap VM-verktyg.

Så här använder du den Datavetenskap virtuella datorn som utvecklingsmiljö:

1. Skapa en Datavetenskap virtuell dator med någon av följande metoder:

   • Använd Azure Portal för att skapa en Ubuntu eller Windows DSVM.

   • Skapa en Datavetenskap virtuell dator med arm-mallar.

   • Använda Azure CLI

     Om du vill skapa en virtuell Ubuntu-Datavetenskap virtuell dator använder du följande kommando:

     # 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
     

     Om du vill skapa en Windows DSVM använder du följande kommando:

     # 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. Aktivera conda-miljön som innehåller Azure Machine Learning SDK.

   • För Ubuntu Datavetenskap VM:

     conda activate py36
     

   • För windows Datavetenskap virtuell dator:

     conda activate AzureML
     

3. Om du vill konfigurera den Datavetenskap virtuella datorn så att den använder din Azure Machine Learning-arbetsyta skapar du en konfigurationsfil för arbetsytan eller använder en befintlig.

Precis som i lokala miljöer kan du använda Visual Studio Code och Azure Machine Learning Visual Studio Code-tillägget för att interagera med Azure Machine Learning.

Mer information finns i Datavetenskap Virtuella datorer.

Nästa steg

• Träna och distribuera en modell på Azure Machine Learning med MNIST-datauppsättningen.
• Se Azure Machine Learning SDK för Python-referens.