Entender os ambientes

Em uma solução de machine learning empresarial, em que os experimentos podem ser executados em vários contextos de computação, pode ser importante estar ciente dos ambientes em que o código do experimento está em execução. Você pode usar ambientes do Azure Machine Learning para criar ambientes e especificar a configuração de runtime para um experimento.

Quando você cria um workspace do Azure Machine Learning, os ambientes curados são criados e disponibilizados automaticamente para você. Como alternativa, você pode criar e gerenciar seus próprios ambientes personalizados e registrá-los no workspace. Criar e registrar ambientes personalizados possibilita definir contextos de runtime consistentes e reutilizáveis para seus experimentos, independentemente de onde o script do experimento seja executado.

O que é um ambiente no Azure Machine Learning?

O código Python é executado no contexto de um ambiente virtual que define a versão do runtime do Python a ser usada, bem como os pacotes instalados disponíveis para o código. Na maioria das instalações do Python, os pacotes são instalados e gerenciados em ambientes usando conda ou pip.

Para melhorar a portabilidade, você geralmente cria ambientes em contêineres do Docker que, por sua vez, estão hospedados em destinos de computação, como seu computador de desenvolvimento, máquinas virtuais ou clusters na nuvem.

O Azure Machine Learning cria definições de ambiente em imagens do Docker e ambientes conda. Quando você usa um ambiente, o Azure Machine Learning cria o ambiente no Registro de Contêiner do Azure associado ao workspace.

Para exibir todos os ambientes disponíveis no workspace do Azure Machine Learning, você pode listar os ambientes no estúdio, usando a CLI do Azure ou o SDK do Python.

Por exemplo, para listar os ambientes usando o SDK do Python:

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

Para examinar os detalhes de um ambiente específico, você pode recuperar um ambiente pelo nome registrado:

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