CLI erkunden

Ein weiterer codebasierter Ansatz für die Interaktion mit dem Azure Machine Learning-Arbeitsbereich ist die Befehlszeilenschnittstelle (CLI). Als Data Scientist arbeiten Sie möglicherweise nicht mit der CLI so viel wie mit Python. Die Azure CLI wird häufig von Administratoren und Technikern verwendet, um Aufgaben in Azure zu automatisieren.

Es gibt viele Vorteile für die Verwendung der Azure CLI mit Azure Machine Learning. Die Azure CLI ermöglicht Folgendes:

• Automatisieren der Erstellung und Konfiguration von Objekten und Ressourcen, um sie wiederholbar zu machen.
• Gewährleisten von Konsistenz für Objekte und Ressourcen, die in mehreren Umgebungen repliziert werden müssen (z. B. in Entwicklung-, Test- und Produktionsumgebungen).
• Sie können die Konfiguration von Machine Learning-Objekten in Workflows für Entwicklervorgänge (DevOps) einfügen, z. B. CI/CD-Pipelines (Continuous Integration und Continuous Deployment).

Um mit dem Azure Machine Learning-Arbeitsbereich mit der Azure CLI zu interagieren, müssen Sie die Azure CLI und die Azure Machine Learning-Erweiterung installieren.

Installieren der Azure CLI

Sie können die Azure CLI auf einem Linux-, Mac- oder Windows-Computer installieren. Mit der Azure CLI führen Sie Befehle oder Skripts zum Verwalten von Azure-Ressourcen aus. Sie können die Azure CLI auch über einen Browser über die Azure Cloud Shell verwenden. Unabhängig davon, welche Plattform Sie auswählen, können Sie dieselben Aufgaben ausführen. Die Installation der Azure CLI, der Befehle und Skripts unterscheidet sich jedoch auf verschiedenen Plattformen.

Installieren der Azure Machine Learning-Erweiterung

Nachdem Sie die Azure CLI installiert oder die Azure Cloud Shell eingerichtet haben, müssen Sie die Azure Machine Learning-Erweiterung installieren, um Azure Machine Learning-Ressourcen mithilfe der Azure CLI zu verwalten.

Sie können die Azure Machine Learning-Erweiterung ml mit dem folgenden Befehl installieren:

az extension add -n ml -y

Anschließend können Sie den Hilfebefehl -h ausführen, um zu überprüfen, ob die Erweiterung installiert ist, und um eine Liste der Befehle zu erhalten, die mit dieser Erweiterung verfügbar sind. Die Liste enthält einen Überblick über die Aufgaben, die Sie mit der Azure CLI-Erweiterung für Azure Machine Learning ausführen können:

az ml -h

Arbeiten mit der Azure CLI

Um die Azure CLI für die Interaktion mit dem Azure Machine Learning-Arbeitsbereich zu verwenden, verwenden Sie Befehle. Jedem Befehl wird az mlvorangestellt. Sie finden die Liste der Befehle in der Referenzdokumentation der CLI.

Um beispielsweise ein Rechenziel zu erstellen, können Sie den folgenden Befehl verwenden:

az ml compute create --name aml-cluster --size STANDARD_DS3_v2 --min-instances 0 --max-instances 5 --type AmlCompute --resource-group my-resource-group --workspace-name my-workspace

Um alle möglichen Parameter zu untersuchen, die Sie mit einem Befehl verwenden können, können Sie die Referenzdokumentation für den jeweiligen Befehlüberprüfen.

Wenn Sie die Parameter für ein Asset oder eine Ressource definieren, die Sie erstellen möchten, könnten Sie bevorzugen, YAML-Dateien zur Definition der Konfiguration zu verwenden. Wenn Sie alle Parameterwerte in einer YAML-Datei speichern, wird es einfacher, Aufgaben zu organisieren und zu automatisieren.

Sie können beispielsweise auch dasselbe Computeziel erstellen, indem Sie zuerst die Konfiguration in einer YAML-Datei definieren:

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: aml-cluster
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 5

Alle möglichen Parameter, die Sie in die YAML-Datei aufnehmen können, finden Sie in der Referenzdokumentation für das spezifische Asset oder die Ressource, die Sie erstellen möchten, wie ein Berechnungscluster.

Wenn Sie die YAML-Datei als compute.ymlgespeichert haben, können Sie das Computeziel mit dem folgenden Befehl erstellen:

az ml compute create --file compute.yml --resource-group my-resource-group --workspace-name my-workspace

Sie finden eine Übersicht über alle YAML-Schemas in der Referenzdokumentation.