Erkunden und Verwenden kuratierter Umgebungen

Kuratierte Umgebungen sind vordefinierte Umgebungen für die am häufigsten verwendeten Machine Learning-Workloads, die standardmäßig in Ihrem Arbeitsbereich verfügbar sind.

Kuratierte Umgebungen verwenden das Präfix AzureML- und sind für Skripts vorgesehen, die beliebte Machine Learning Frameworks und Tools verwenden.

Beispielsweise gibt es kuratierte Umgebungen, für die Sie ein Skript ausführen möchten, das ein Regressions-, Clustering- oder Klassifizierungsmodell mit Scikit-Learn trainiert.

Um eine kuratierte Umgebung zu erkunden, können Sie sie im Studio, mit der Azure CLI oder dem Python SDK anzeigen.

Mit dem folgenden Befehl können Sie die Beschreibung und Tags einer kuratierten Umgebung mit dem Python SDK abrufen:

env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)

Verwenden einer kuratierten Umgebung

In den meisten Fällen verwenden Sie Umgebungen, wenn Sie ein Skript als (Befehl) Auftragausführen möchten.

Wenn Sie angeben möchten, welche Umgebung Zum Ausführen des Skripts verwendet werden soll, verweisen Sie anhand des Namens und der Version auf eine Umgebung.

Der folgende Code zeigt beispielsweise, wie Sie einen Befehlsauftrag mit dem Python SDK konfigurieren, das eine kuratierte Umgebung verwendet, einschließlich Scikit-Learn:

from azure.ai.ml import command

# configure job
job = command(
    code="./src",
    command="python train.py",
    environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu@latest",
    compute="aml-cluster",
    display_name="train-with-curated-environment",
    experiment_name="train-with-curated-environment"
)

# submit job
returned_job = ml_client.create_or_update(job)

Testen und Problembehandlung einer kuratierten Umgebung

Da kuratierte Umgebungen eine schnellere Bereitstellungszeit ermöglichen, empfiehlt es sich, zunächst zu untersuchen, ob eine der vordefinierten kuratierten Umgebungen verwendet werden kann, um Ihren Code auszuführen.

Sie können überprüfen, ob eine kuratierte Umgebung alle erforderlichen Pakete enthält, indem Sie deren Details überprüfen. Anschließend können Sie das Skript testen, indem Sie die Umgebung nutzen.

Wenn eine Umgebung nicht alle erforderlichen Pakete zum Ausführen des Codes enthält, schlägt ihr Auftrag fehl.

Wenn ein Auftrag fehlschlägt, können Sie die detaillierten Fehlerprotokolle in den Ausgaben + Protokolle Registerkarte Ihres Auftrags im Azure Machine Learning Studio überprüfen.

Eine häufige Fehlermeldung, die angibt, dass Ihre Umgebung unvollständig ist, ist ModuleNotFoundError. Das nicht gefundene Modul wird in der Fehlermeldung aufgeführt. Durch Überprüfen der Fehlermeldung können Sie die Umgebung so aktualisieren, dass sie die Bibliotheken einschließt, um sicherzustellen, dass die erforderlichen Pakete auf dem Computeziel installiert sind, bevor Sie den Code ausführen.

Wenn Sie andere erforderliche Pakete angeben müssen, können Sie eine kuratierte Umgebung als Referenz für Ihre eigenen benutzerdefinierten Umgebungen verwenden, indem Sie die Dockerfiles ändern, die diese kuratierten Umgebungen sichern.