Explorer le Kit de développement logiciel (SDK) Python
Important
Actuellement, il existe deux versions du Kit de développement logiciel (SDK) Python : la version 1 (v1) et la version 2 (v2). Il est recommandé d’utiliser la v2 pour tous les nouveaux projets. C’est pourquoi le contenu de cette unité ne couvre que la v2. Découvrez comment choisir entre la v1 et la v2.
Les scientifiques des données peuvent utiliser Azure Machine Learning pour entraîner, suivre et gérer des modèles Machine Learning. En tant que scientifique des données, vous allez principalement travailler avec les ressources de l’espace de travail Azure Machine Learning pour vos charges de travail Machine Learning.
Comme la plupart des scientifiques des données connaissent Python, Azure Machine Learning offre un kit de développement logiciel (SDK) pour pouvoir interagir avec l’espace de travail à l’aide de Python.
Le Kit de développement logiciel (SDK) Python pour Azure Machine Learning est un outil idéal pour les scientifiques des données qui peuvent être utilisés dans n’importe quel environnement Python. Que vous travailliez normalement avec des notebooks Jupyter, Visual Studio Code, vous pouvez installer le Kit de développement logiciel (SDK) Python et vous connecter à l’espace de travail.
Installer le Kit de développement logiciel (SDK) Python
Pour installer le Kit de développement logiciel (SDK) Python dans votre environnement Python, vous avez besoin de Python 3.7 ou version ultérieure. Vous pouvez installer le package avec pip:
pip install azure-ai-ml
Remarque
Lors de l'utilisation de carnets dans Azure Machine Learning Studio, le nouveau kit de développement logiciel (SDK) Python est déjà installé quand vous utilisez Python 3.10 ou une version ultérieure. Vous pouvez utiliser le Kit de développement logiciel (SDK) Python v2 avec des versions antérieures de Python, mais vous devez d’abord l’installer.
Se connecter à l’espace de travail
Une fois le Kit de développement logiciel (SDK) Python installé, vous devez vous connecter à l’espace de travail. En vous connectant, vous authentifiez votre environnement pour interagir avec l’espace de travail afin de créer et gérer des actifs et des ressources.
Pour vous authentifier, vous avez besoin des valeurs sur trois paramètres nécessaires :
subscription_id: VOTRE ID d’abonnement.resource_group: nom de votre groupe de ressources.workspace_name: nom de votre espace de travail.
Ensuite, vous pouvez définir l’authentification à l’aide du code suivant :
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
ml_client = MLClient(
DefaultAzureCredential(), subscription_id, resource_group, workspace
)
Après avoir défini l’authentification, vous devez appeler MLClient pour que l’environnement se connecte à l’espace de travail. Vous appelez MLClient chaque fois que vous souhaitez créer ou mettre à jour un actif ou une ressource dans l’espace de travail.
Par exemple, vous vous connectez à l’espace de travail lorsque vous créez une nouvelle tâche pour entraîner un modèle.
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",
experiment_name="train-model"
)
# connect to workspace and submit job
returned_job = ml_client.create_or_update(job)
Utiliser la documentation de référence
Pour utiliser efficacement le Kit de développement logiciel (SDK) Python, vous devez utiliser la documentation de référence. Dans la documentation de référence, vous trouverez toutes les classes, méthodes et paramètres possibles disponibles dans le Kit de développement logiciel (SDK) Python.
La documentation de référence sur la classe MLClient inclut les méthodes que vous pouvez utiliser pour vous connecter et interagir avec l’espace de travail. De plus, il est également lié aux opérations possibles pour les différentes entités, comme la façon de répertorier les magasins de données existants dans votre espace de travail.
La documentation de référence inclut également une liste des classes pour toutes les entités avec lesquelles vous pouvez interagir. Par exemple, des classes distinctes existent lorsque vous souhaitez créer un magasin de données qui lie à un stockage Blob Azure ou à azure Data Lake Gen 2.
En sélectionnant une classe spécifique comme AmlCompute dans la liste des entités, vous trouverez une page plus détaillée sur l’utilisation de la classe et les paramètres qu’il accepte.