Gerenciar os workspaces do Azure Machine Learning com o SDK do Python (v1)

APLICA-SE A:Azure Machine Learning SDK v1 para Python

Neste artigo, você aprenderá a criar, exibir e excluir workspaces do Azure Machine Learning para o Azure Machine Learning usando o SDK do Python.

Conforme as suas necessidades mudarem ou os requisitos para automação aumentarem, você também poderá gerenciar os workspaces pela CLI ou pela extensão do VS Code.

Pré-requisitos

• Uma assinatura do Azure. Caso não tenha uma assinatura do Azure, crie uma conta gratuita antes de começar. Experimente hoje mesmo a versão gratuita ou paga do Azure Machine Learning.
• Se estiver usando o SDK do Python, Instale o SDK.

Limitações

• Ao criar um novo workspace, é possível criar automaticamente os serviços necessários para o workspace ou usar os serviços existentes. Se você quiser usar os serviços existentes de uma assinatura do Azure diferente do workspace, deverá registrar o namespace do Azure Machine Learning na assinatura que contém esses serviços. Por exemplo, se criar um workspace na assinatura A que utiliza uma conta de armazenamento na assinatura B, o namespace do Azure Machine Learning deve ser registrado na assinatura B antes que o workspace possa usar a conta de armazenamento.

  O provedor de recursos do Azure Machine Learning é o Microsoft. MachineLearningServices. Para obter informações sobre como ver se isso já está registrado ou em processo de registro, confira Provedores e tipos de recursos do Azure.

  Importante

  Essas informações se aplicam somente aos recursos fornecidos durante a criação do workspace: contas de Armazenamento do Microsoft Azure, Registro de Contêiner do Azure, Azure Key Vault e Application Insights.

• Por padrão, a criação de um workspace também cria um ACR (Registro de Contêiner do Azure). Use grupos de recursos com nomes que não contenham caracteres Unicode, pois o ACR não oferece suporte a esses caracteres no momento.

• O Azure Machine Learning não oferece suporte a namespace hierárquico (recurso do Azure Data Lake Storage Gen2) para a conta de armazenamento padrão do workspace.

Criar um workspace

Um workspace pode ser criado diretamente no Estúdio do Azure Machine Learning, com opções limitadas disponíveis. Ou use um dos métodos abaixo para obter mais controle das opções.

• Especificação padrão. Por padrão, os recursos dependentes e o grupo de recursos serão criados automaticamente. Esse código cria um workspace chamado myworkspace e um grupo de recursos chamado myresourcegroup em eastus2.

  APLICA-SE A:Azure Machine Learning SDK v1 para Python

  from azureml.core import Workspace
  
  ws = Workspace.create(name='myworkspace',
                 subscription_id='<azure-subscription-id>',
                 resource_group='myresourcegroup',
                 create_resource_group=True,
                 location='eastus2'
                 )
  

  Defina create_resource_group como False se você tiver um grupo de recursos do Azure já existente que você deseja para o workspace.

• Diversos locatários. Se você tiver várias contas, adicione a ID de locatário do Azure Active Directory que deseja usar. Localize sua ID de locatário do portal do Azure no Microsoft Entra ID, Identidades Externas.

  APLICA-SE A:Azure Machine Learning SDK v1 para Python

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

• Nuvem soberana. Será necessário um código extra para autenticação no Azure se você estiver trabalhando em uma nuvem soberana.

  APLICA-SE A:Azure Machine Learning SDK v1 para Python

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='eastus2',
              auth=interactive_auth
              )
  

Para obter mais informações, consulte a referência de SDK do workspace.

Se você tiver problemas ao acessar sua assinatura, confira Configurar a autenticação para recursos e fluxos de trabalho do Azure Machine Learning e o notebook Autenticação no Azure Machine Learning.

Rede

O SDK do Python do Azure Machine Learning fornece a classe PrivateConfig, que pode ser usada com Workspace.create() para criar um espaço de trabalho com um ponto de extremidade privado. Essa classe requer uma rede virtual existente.

Avançado

Por padrão, os metadados do workspace são armazenados em uma instância do Azure Cosmos DB mantida pela Microsoft. Os dados são criptografados com chaves gerenciadas pela Microsoft.

Para limitar os dados que a Microsoft coleta em seu workspace, selecione Workspace de alto impacto nos negócios no portal, ou defina hbi_workspace=true em Python. Para obter mais informações sobre essa configuração, confira Criptografia em repouso.

Usar sua própria chave de criptografia de dados

Você pode fornecer sua própria chave para a criptografia de dados. Essa ação cria a instância do Azure Cosmos DB que armazena metadados na sua assinatura do Azure. Para obter mais informações, confira Chaves gerenciadas pelo cliente para o Azure Machine Learning.

Siga as seguinte etapas para fornecer sua própria chave:

Utilize cmk_keyvault e resource_cmk_uri para especificar a chave gerenciada pelo cliente.

from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
               subscription_id='<azure-subscription-id>',
               resource_group='myresourcegroup',
               create_resource_group=True,
               location='eastus2'
               cmk_keyvault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/<keyvault-name>', 
               resource_cmk_uri='<key-identifier>'
               )

Baixar um arquivo de configuração

Se estiver usando uma instância de computação no seu workspace para executar o código, ignore esta etapa. A instância de computação criará e armazenará uma cópia desse arquivo para você.

Se você planeja usar código em seu ambiente local referencia esse workspace (ws), grave o arquivo de configuração:

APLICA-SE A:Azure Machine Learning SDK v1 para Python

ws.write_config()

Coloque o arquivo na estrutura de diretórios com seus scripts de Python ou Jupyter Notebooks. Ele pode estar no mesmo diretório, um subdiretório denominado .azureml ou em um diretório pai. Quando você cria uma instância de computação, esse arquivo é adicionado ao diretório correto na VM para você.

Conectar-se a um workspace

No seu código Python, você cria um objeto de workspace para se conectar ao seu workspace. Esse código lê o conteúdo do arquivo de configuração para localizar seu workspace. Você receberá uma solicitação para se conectar se ainda não estiver autenticado.

APLICA-SE A:Azure Machine Learning SDK v1 para Python

from azureml.core import Workspace

ws = Workspace.from_config()

• Diversos locatários. Se você tiver várias contas, adicione a ID de locatário do Azure Active Directory que deseja usar. Localize sua ID de locatário do portal do Azure no Microsoft Entra ID, Identidades Externas.

  APLICA-SE A:Azure Machine Learning SDK v1 para Python

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.from_config(auth=interactive_auth)
  

• Nuvem soberana. Será necessário um código extra para autenticação no Azure se você estiver trabalhando em uma nuvem soberana.

  APLICA-SE A:Azure Machine Learning SDK v1 para Python

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") # for example, cloud="AzureUSGovernment"
  ws = Workspace.from_config(auth=interactive_auth)
  

Se você tiver problemas ao acessar sua assinatura, confira Configurar a autenticação para recursos e fluxos de trabalho do Azure Machine Learning e o notebook Autenticação no Azure Machine Learning.

Encontrar um workspace

Veja uma lista de todos os workspaces que você pode usar.

Localize sua assinatura na página Assinaturas no portal do Azure. Copie a ID e use-a no código abaixo para ver todos os workspaces disponíveis para essa assinatura.

APLICA-SE A:Azure Machine Learning SDK v1 para Python

from azureml.core import Workspace

Workspace.list('<subscription-id>')

O método Workspace.list(..) não retorna o objeto de workspace completo. Ele inclui apenas informações básicas sobre os workspaces existentes na assinatura. Para obter um objeto completo para um workspace específico, use Workspace.get(..).

Excluir um workspace

Quando você não precisar mais de um workspace, exclua-o.

Excluir o workspacews:

APLICA-SE A:Azure Machine Learning SDK v1 para Python

ws.delete(delete_dependent_resources=False, no_wait=False)

Por padrão, os recursos associados ao workspace não são excluídos, ou seja, o registro de contêiner, a conta de armazenamento, o cofre de chaves e o Application Insights. Defina delete_dependent_resources como True para excluir esses recursos também.

Limpar os recursos

Se você não pretende usar nenhum dos recursos criados, exclua-os para não gerar custos:

1. No portal do Azure, na caixa de pesquisa, insira Grupos de recursos e selecione-o nos resultados.

2. Selecione o grupo de recursos que você criou por meio da lista.

3. Na página Visão geral, selecione Excluir grupo de recursos.

   

4. Insira o nome do grupo de recursos. Em seguida, selecione Excluir.

Solução de problemas

• Navegadores com suporte no Estúdio do Azure Machine Learning : É recomendável que você use o navegador mais atualizado compatível com o sistema operacional. Há suporte para os seguintes navegadores:

  • Microsoft Edge (o novo Microsoft Edge, a versão mais recente. Não Microsoft Edge herdado)
  • Safari (última versão, apenas Mac)
  • Chrome (última versão)
  • Firefox (última versão)

• Portal do Azure:

  • Se você for diretamente para seu workspace a partir de um link de compartilhamento do SDK ou do portal do Azure, não será possível exibir a página de Visão geral padrão com as informações de assinatura na extensão. Nesse cenário, você também não pode alternar para outro workspace. Para exibir outro workspace, vá diretamente para o Estúdio do Azure Machine Learning e pesquise pelo nome do workspace.
  • Todos os ativos (dados, experimentos, computação e assim por diante) estão disponíveis apenas no Estúdio do Azure Machine Learning. Eles não estão disponíveis no portal do Azure.
  • A tentativa de exportar um modelo para um espaço de trabalho do portal do Azure pode retornar um erro semelhante ao seguinte texto: Could not get resource of the type <type>. Resources of this type will not be exported. Como solução alternativa, use um dos modelos fornecidos em https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices como base para o modelo.

Diagnóstico do Workspace

Você pode executar o diagnóstico no seu workspace do estúdio do Azure Machine Learning ou do SDK do Python. Depois que o diagnóstico for executado, uma lista dos problemas detectados será retornada. Essa lista inclui links para as possíveis soluções. Para saber mais, confira Como usar o diagnóstico de workspace.

Erros do provedor de recursos

Ao criar um workspace do Azure Machine Learning ou um recurso usado pelo workspace, você pode receber um erro semelhante a um destes:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

A maioria dos provedores de recursos é registrada automaticamente, mas não todos eles. Se você vir essa mensagem, precisará registrar um provedor.

A tabela a seguir contém uma lista de provedores de recursos exigidos pelo Azure Machine Learning:

Se você quiser usar uma chave gerenciada pelo cliente com o Azure Machine Learning, deverá registrar os seguintes provedores de serviços:

Se você quiser usar uma rede virtual gerenciada com o Azure Machine Learning, deverá registrar o provedor de recursos Microsoft.Network . Este provedor de recursos é usado pelo workspace quando pontos de extremidade privados para a rede virtual gerenciada são criados.

Para obter informações sobre o registro de provedores de recursos, confira Resolver erros de registro de provedor de recursos.

Como excluir o Registro de Contêiner do Azure

O workspace do Azure Machine Learning usa o ACR (Registro de Contêiner do Azure) para algumas operações. Ele criará automaticamente uma instância do ACR quando precisar de uma pela primeira vez.

Próximas etapas

Quando você já tiver um workspace, saiba como Treinar e implantar um modelo.

Para saber mais sobre como planejar um espaço de trabalho para os requisitos da sua organização, confira Organizar e configurar o Azure Machine Learning.

• Caso precise mover um workspace para outra assinatura do Azure, confira Como mover um workspace.

• Para encontrar um workspace, consulte Pesquisar ativos do Azure Machine Learning (versão prévia).

Para obter informações sobre como manter o Azure Machine Learning atualizado com as últimas atualizações de segurança, confira Gerenciamento de vulnerabilidades.