Umgebungen verstehen

In einer Enterprise Machine Learning-Lösung, bei der Experimente in verschiedenen Berechnungskontexten ausgeführt werden können, kann es wichtig sein, die Umgebungen zu kennen, in denen Ihr Experimentcode ausgeführt wird. Sie können Azure Machine Learning-Umgebungen verwenden, um Umgebungen zu erstellen und die Laufzeitkonfiguration für ein Experiment anzugeben.

Wenn Sie einen Azure Machine Learning-Arbeitsbereich erstellen, werden kuratierte Umgebungen automatisch erstellt und für Sie zur Verfügung gestellt. Alternativ können Sie eigene benutzerdefinierte Umgebungen erstellen und verwalten und im Arbeitsbereich registrieren. Das Erstellen und Registrieren von benutzerdefinierten Umgebungen ermöglicht es, konsistente, wiederverwendbare Laufzeitkontexte für Ihre Experimente zu definieren – unabhängig davon, wo das Experimentskript ausgeführt wird.

Was ist eine Umgebung in Azure Machine Learning?

Python-Code wird im Kontext einer virtuellen Umgebung ausgeführt, die die Zu verwendende Version der Python-Laufzeit sowie die installierten Pakete definiert, die für den Code verfügbar sind. In den meisten Python-Installationen werden Pakete mithilfe von conda oder pipin Umgebungen installiert und verwaltet.

Um die Portabilität zu verbessern, erstellen Sie in der Regel Umgebungen in Docker-Containern, die wiederum auf Computezielen gehostet werden, z. B. Auf Ihrem Entwicklungscomputer, virtuellen Computern oder Clustern in der Cloud.

Azure Machine Learning erstellt Umgebungsdefinitionen in Docker-Images und Conda-Umgebungen. Wenn Sie eine Umgebung verwenden, erstellt Azure Machine Learning die Umgebung in der Azure Container-Registrierung , die dem Arbeitsbereich zugeordnet ist.

Um alle verfügbaren Umgebungen im Azure Machine Learning-Arbeitsbereich anzuzeigen, können Sie die Umgebungen im Studio unter Verwendung der Azure CLI oder des Python SDK auflisten.

So listen Sie beispielsweise die Umgebungen mit dem Python SDK auf:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Um die Details einer bestimmten Umgebung zu überprüfen, können Sie eine Umgebung anhand des registrierten Namens abrufen:

env = ml_client.environments.get(name="my-environment", version="1")
print(env)