Explorar e usar ambientes curados

Ambientes curados são ambientes predefinidos para as cargas de trabalho de aprendizado de máquina mais comuns, disponíveis em seu espaço de trabalho por padrão.

Ambientes curados usam o prefixo AzureML- e são projetados para dar suporte a scripts que usam estruturas e ferramentas populares de aprendizado de máquina.

Existem ambientes curados para quando você deseja executar um script que treina um modelo de regressão, clustering ou classificação com o Scikit-Learn.

Para explorar um ambiente curado, você pode exibi-lo no estúdio, usando a CLI do Azure ou o SDK do Python.

O comando a seguir permite que você recupere a descrição e as tags de um ambiente curado no SDK do Python.

env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)

Usar um ambiente selecionado

Mais frequentemente, você usa ambientes quando deseja executar um script como um (comando) tarefa.

Para especificar qual ambiente você deseja usar para executar seu script, faça referência a um ambiente pelo nome e pela versão.

Por exemplo, o código a seguir mostra como configurar um trabalho de comando com o SDK do Python, que usa um ambiente coletado, incluindo Scikit-Learn:

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",
    display_name="train-with-curated-environment",
    experiment_name="train-with-curated-environment"
)

# submit job
returned_job = ml_client.create_or_update(job)

Testar e solucionar problemas de um ambiente curado

Como os ambientes curados permitem um tempo de implantação mais rápido, é uma prática recomendada explorar primeiro se um dos ambientes pré-criados e curados pode ser usado para executar seu código.

Você pode verificar se um ambiente selecionado inclui todos os pacotes necessários examinando seus detalhes. Em seguida, você pode testar usando o ambiente para executar o script.

Se um ambiente não incluir todos os pacotes necessários para executar seu código, seu trabalho falhará.

Quando um trabalho falha, você pode examinar os logs de erros detalhados na guia Saídas + logs do trabalho no estúdio do Azure Machine Learning.

Uma mensagem de erro comum que indica que seu ambiente está incompleto é ModuleNotFoundError. O módulo que não foi encontrado está listado na mensagem de erro. Ao revisar a mensagem de erro, você pode atualizar o ambiente para incluir as bibliotecas para garantir que os pacotes necessários sejam instalados no destino de computação antes de executar o código.

Quando precisar especificar outros pacotes necessários, você pode usar um ambiente curado como referência para os seus próprios ambientes customizados, modificando os Dockerfiles que são a base desses ambientes curados.