Azure Machine Learning için Python geliştirme ortamı ayarlama (v1)

ŞUNUN IÇIN GEÇERLIDIR: Python SDK azureml v1

Azure Machine Learning için Python geliştirme ortamı yapılandırmayı öğrenin.

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

Bu makalede ayrıca aşağıdaki araçlar için kullanım ipuçları sağlanır:

• Jupyter Notebooks: Zaten Jupyter Notebooks kullanıyorsanız SDK'nın yüklemeniz gereken bazı ek özellikleri vardır.

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

Önkoşullar

• Azure Machine Learning çalışma alanı. Yoksa Azure portalı, Azure CLI ve Azure Resource Manager şablonları aracılığıyla bir Azure Machine Learning çalışma alanı oluşturabilirsiniz.

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, adlı .azuremlbir alt dizinde veya bir üst dizinde olabilir.

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

Aşağıdaki yöntemlerden birinde bir çalışma alanı yapılandırma dosyası oluşturun:

• Azure portal

  Dosyayı indirin: Azure portalında çalışma alanınızın Genel Bakış bölümünden config.json İndir'i seçin.

  

• Azure Machine Learning Python SDK'sı

  Azure Machine Learning çalışma alanınıza bağlanmak için bir betik oluşturun ve yöntemini kullanarak write_config dosyanızı oluşturun ve .azureml/config.json olarak kaydedin. veresource_groupworkspace_name yerine kendi öğesini koyarak değiştirmeyi subscription_idunutmayın.

  ŞUNUN IÇIN GEÇERLIDIR: 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')
  

Yerel bilgisayar veya uzak VM ortamı

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

Yerel bir geliştirme ortamı veya uzak VM 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 Bkz. Azure Machine Learning Python kullanmaya başlama kılavuzu.

Jupyter Notebooks

Yerel bir Jupyter Notebook sunucusu çalıştırırken, Python sanal ortamınız için bir IPython çekirdeği oluşturmanız önerilir. Bu, beklenen çekirdek ve paket içeri aktarma davranışının sağlanmasına 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

Azure Machine Learning ve Jupyter Notebooks ile çalışmaya başlamak için Bkz. Azure Machine Learning not defterleri deposu. Ayrıca bkz. Topluluk odaklı depo, AzureML Örnekleri.

Visual Studio Code

Geliştirme için Visual Studio Code kullanmak için:

1. Visual Studio Code’u yükleyin.

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

   Önemli

   Bu özellik şu anda genel önizlemededir. Bu önizleme sürümü hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için bu sürümü önermeyiz. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir.

   Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.

Visual Studio Code uzantısını yükledikten sonra şunu yapmak için kullanın:

• Azure Machine Learning kaynaklarınızı yönetme
• İşlem örneğine uzaktan bağlı Visual Studio Code'un başlatılması (önizleme)
• Denemeleri çalıştırma ve hatalarını ayıklama
• Eğitilen modelleri dağıtma (CLI v2).

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 girin ve bir Azure VM türü belirtin. Başlamak için kaynak oluştur ile şimdi deneyin.

Paketleri yükleme de dahil olmak üzere işlem örnekleri hakkında daha fazla bilgi edinmek için bkz . Azure Machine Learning işlem örneği oluşturma ve yönetme.

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.

Veri Bilimi VM'yi geliştirme ortamı olarak kullanmak için:

1. Aşağıdaki yöntemlerden birini kullanarak Veri Bilimi VM oluşturun:

   • Ubuntu veya Windows DSVM oluşturmak için Azure portalını kullanın.

   • ARM şablonlarını kullanarak Veri Bilimi VM oluşturun.

   • Azure CLI'yi 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'sını içeren conda ortamını etkinleştirin.

   • Ubuntu Veri Bilimi VM için:

     conda activate py36
     

   • Windows Veri Bilimi VM için:

     conda activate AzureML
     

3. Veri Bilimi VM'sini Azure Machine Learning çalışma alanınızı kullanacak şekilde yapılandırmak için bir çalışma alanı yapılandırma dosyası oluşturun veya var olan bir sanal makineyi kullanın.

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 Makinesi s.

Sonraki adımlar

• MNIST veri kümesiyle Azure Machine Learning'de model eğitin ve dağıtın.
• Bkz. Python için Azure Machine Learning SDK'sı başvurusu.