Explorer l’interface CLI

Une autre approche basée sur le code permettant d’interagir avec l’espace de travail Azure Machine Learning est l’interface de ligne de commande (CLI). En tant que scientifique des données, vous ne pouvez pas utiliser l’interface CLI autant que vous le faites avec Python. Azure CLI est couramment utilisé par les administrateurs et les ingénieurs pour automatiser les tâches dans Azure.

Il existe de nombreux avantages à utiliser Azure CLI avec Azure Machine Learning. Azure CLI vous permet de :

• Automatisez la création et la configuration des ressources et des ressources pour le rendre reproductible.
• Vérifiez la cohérence des ressources et des ressources qui doivent être répliquées dans plusieurs environnements (par exemple, développement, test et production).
• Incorporez la configuration des ressources Machine Learning dans des flux de travail d’opérations de développement (DevOps), tels que des pipelines d’intégration continue et de déploiement continu (CI/CD).

Pour interagir avec l’espace de travail Azure Machine Learning à l’aide d’Azure CLI, vous devez installer Azure CLI et l’extension Azure Machine Learning.

Installer l’interface de ligne de commande Microsoft Azure

Vous pouvez installer Azure CLI sur un ordinateur Linux, Mac ou Windows. Avec Azure CLI, vous exécutez des commandes ou des scripts pour gérer des ressources Azure. Vous pouvez également utiliser Azure CLI à partir d’un navigateur via Azure Cloud Shell. Quelle que soit la plateforme que vous choisissez, vous pouvez exécuter les mêmes tâches. Toutefois, l’installation d’Azure CLI, des commandes et des scripts diffère selon la plateforme.

Installer l’extension Azure Machine Learning

Une fois que vous avez installé Azure CLI ou configuré Azure Cloud Shell, vous devez installer l’extension Azure Machine Learning pour gérer les ressources Azure Machine Learning à l’aide d’Azure CLI.

Vous pouvez installer l’extension Azure Machine Learning ml à l’aide de la commande suivante :

az extension add -n ml -y

Vous pouvez ensuite exécuter la commande d’aide -h pour vérifier que l’extension est installée, et obtenir la liste des commandes disponibles avec celle-ci. La liste donne une vue d’ensemble des tâches que vous pouvez exécuter avec l’extension Azure CLI pour Azure Machine Learning :

az ml -h

Utiliser Azure CLI

Pour utiliser Azure CLI pour interagir avec l’espace de travail Azure Machine Learning, vous allez utiliser des commandes. Chaque commande est précédée az mlde . Vous trouverez la liste des commandes dans la documentation de référence de l’interface CLI.

Par exemple, pour créer une cible de calcul, vous pouvez utiliser la commande suivante :

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

Pour explorer tous les paramètres possibles que vous pouvez utiliser avec une commande, vous pouvez consulter la documentation de référence de la commande spécifique.

Lorsque vous définissez les paramètres d’une ressource ou d’une ressource que vous souhaitez créer, vous préférez peut-être utiliser des fichiers YAML pour définir la configuration à la place. Lorsque vous stockez toutes les valeurs de paramètre dans un fichier YAML, il devient plus facile d’organiser et d’automatiser les tâches.

Par exemple, vous pouvez également créer la même cible de calcul en définissant d’abord la configuration dans un fichier YAML :

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

Tous les paramètres possibles que vous pouvez inclure dans le fichier YAML se trouvent dans la documentation de référence de la ressource ou de la ressource spécifique que vous souhaitez créer comme un cluster de calcul.

Lorsque vous avez enregistré le fichier YAML en tant que compute.yml, vous pouvez créer la cible de calcul avec la commande suivante :

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

Vous trouverez une vue d’ensemble de tous les schémas YAML dans la documentation de référence.