Información sobre los entornos

En una solución de aprendizaje automático empresarial, donde los experimentos se pueden ejecutar en varios contextos de proceso, puede ser importante tener en cuenta los entornos en los que se ejecuta el código del experimento. Puede usar entornos de Azure Machine Learning para crear entornos y especificar la configuración en tiempo de ejecución de un experimento.

Al crear un área de trabajo de Azure Machine Learning, los entornos curados se crean automáticamente y se ponen a su disposición. Como alternativa, puede crear y administrar sus propios entornos personalizados y registrarlos en el área de trabajo. La creación y el registro de entornos personalizados permite definir contextos en tiempo de ejecución coherentes y reutilizables para los experimentos, independientemente de dónde se ejecute el script del experimento.

¿Qué es un entorno en Azure Machine Learning?

El código de Python se ejecuta en el contexto de un entorno virtual que define la versión del entorno de ejecución de Python que se va a usar, así como los paquetes instalados disponibles para el código. En la mayoría de las instalaciones de Python, los paquetes se instalan y administran en entornos mediante conda o pip.

Para mejorar la portabilidad, normalmente se crean entornos en contenedores de Docker que se hospedan a su vez en destinos de proceso, como el equipo de desarrollo, las máquinas virtuales o los clústeres en la nube.

Azure Machine Learning compila definiciones de entorno en imágenes de Docker y entornos de Conda. Cuando se usa un entorno, Azure Machine Learning compila el entorno en Azure Container Registry asociado al área de trabajo.

Para ver todos los entornos disponibles en el área de trabajo de Azure Machine Learning, puede enumerar los entornos en el estudio, usando la CLI de Azure o el SDK de Python.

Por ejemplo, para enumerar los entornos mediante el SDK de Python:

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

Para revisar los detalles de un entorno específico, puede recuperar un entorno por su nombre registrado:

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