Gerenciar ambientes do Azure Machine Learning com a CLI & SDK (v2)

Ao usar a CLI do Azure, você precisa de parâmetros de identificador - uma assinatura, um grupo de recursos e um nome de espaço de trabalho. Embora você possa especificar esses parâmetros para cada comando, você também pode definir padrões que são usados para todos os comandos. Use os comandos a seguir para definir valores padrão. Substitua <subscription ID>, <Azure Machine Learning workspace name>e <resource group> pelos valores para sua configuração:

az account set --subscription <subscription ID>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>

Para se conectar ao espaço de trabalho, você precisa de parâmetros de identificador - uma assinatura, um grupo de recursos e um nome do espaço de trabalho. Utilize estes detalhes no MLClient do namespace azure.ai.ml para obter acesso ao espaço de trabalho necessário do Azure Machine Learning. Para autenticar, use a autenticação padrão do Azure. Confira este exemplo para obter mais detalhes sobre como configurar credenciais e conectar-se a um espaço de trabalho.

# import required libraries
from azure.ai.ml import MLClient
from azure.ai.ml.entities import Environment, BuildContext
from azure.identity import DefaultAzureCredential

# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

# get a handle to the workspace
ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

O exemplo a seguir é um arquivo de especificação YAML para um ambiente definido a partir de uma imagem do Docker. Uma imagem do repositório oficial do PyTorch no Docker Hub é especificada através da image propriedade no arquivo YAML.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: docker-image-example
image: pytorch/pytorch:latest
description: Environment created from a Docker image.

Para criar o ambiente:

az ml environment create --file assets/environment/docker-image.yml

O exemplo a seguir cria um ambiente a partir de uma imagem do Docker. Uma imagem do repositório oficial do PyTorch no Docker Hub é especificada através da image propriedade.

env_docker_image = Environment(
    image="pytorch/pytorch:latest",
    name="docker-image-example",
    description="Environment created from a Docker image.",
)
ml_client.environments.create_or_update(env_docker_image)

O exemplo a seguir é um arquivo de especificação YAML para um ambiente definido a partir de um contexto de compilação. pt-PT: O caminho local para a pasta de contexto de compilação é especificado no campo build.path, e o caminho relativo para o Dockerfile dentro dessa pasta é especificado no campo build.dockerfile_path. Se build.dockerfile_path for omitido no arquivo YAML, o Aprendizado de Máquina do Azure procurará um Dockerfile nomeado Dockerfile na raiz do contexto de compilação.

Neste exemplo, o contexto de compilação contém um Dockerfile nomeado Dockerfile e um requirements.txt arquivo que é referenciado dentro do Dockerfile para instalar pacotes Python.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: docker-context-example
build:
  path: docker-contexts/python-and-pip

Para criar o ambiente:

az ml environment create --file assets/environment/docker-context.yml

No exemplo a seguir, o caminho local para a pasta de contexto de compilação é especificado no path parâmetro. O Azure Machine Learning procura um Dockerfile nomeado Dockerfile na raiz do contexto de compilação.

env_docker_context = Environment(
    build=BuildContext(path="docker-contexts/python-and-pip"),
    name="docker-context-example",
    description="Environment created from a Docker context.",
)
ml_client.environments.create_or_update(env_docker_context)

O exemplo a seguir é um arquivo de especificação YAML para um ambiente definido a partir de uma especificação conda. Aqui, o caminho relativo para o arquivo conda do arquivo YAML do ambiente do Azure Machine Learning é especificado por meio da conda_file propriedade. Como alternativa, você pode definir a especificação conda inline usando a conda_file propriedade, em vez de defini-la em um arquivo separado.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: docker-image-plus-conda-example
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
conda_file: conda-yamls/pydata.yml
description: Environment created from a Docker image plus Conda environment.

Para criar o ambiente:

az ml environment create --file assets/environment/docker-image-plus-conda.yaml

O caminho relativo para o arquivo conda é especificado usando o conda_file parâmetro.

env_docker_conda = Environment(
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04",
    conda_file="conda-yamls/pydata.yml",
    name="docker-image-plus-conda-example",
    description="Environment created from a Docker image plus Conda environment.",
)
ml_client.environments.create_or_update(env_docker_conda)

az ml environment list

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

az ml environment list --name docker-image-example

envs = ml_client.environments.list(name="docker-image-example")
for env in envs:
    print(env.version)

az ml environment show --name docker-image-example --version 1

env = ml_client.environments.get(name="docker-image-example", version="1")
print(env)

az ml environment update --name docker-image-example --version 1 --set description="This is an updated description."

env.description="This is an updated description."
ml_client.environments.create_or_update(environment=env)

az ml environment archive --name docker-image-example

ml_client.environments.archive(name="docker-image-example")

az ml environment archive --name docker-image-example --version 1

ml_client.environments.archive(name="docker-image-example", version="1")

Para usar um ambiente personalizado para um trabalho de treinamento, especifique o environment campo da configuração do YAML do trabalho. Você pode fazer referência a um ambiente de Aprendizado de Máquina do Azure registrado existente via environment: azureml:<environment-name>:<environment-version> ou environment: azureml:<environment-name>@latest (para fazer referência à versão mais recente de um ambiente) ou definir uma especificação de ambiente embutida. Se estiver a definir um ambiente embutido, não especifique os campos name e version, pois esses ambientes são considerados como "não registrados" e não constam no registo de ativos do ambiente.

Para usar um ambiente para um trabalho de treinamento, especifique a environmentpropriedade do comando.

Para obter exemplos de envio de trabalhos, consulte os exemplos em https://github.com/Azure/azureml-examples/tree/main/sdk/python/jobs.

Você também pode usar ambientes para as suas implementações de modelo para pontuação online e em lote. Para fazer isso, especifique o environment campo na configuração do YAML de implantação.

Para obter mais informações sobre como usar ambientes em implantações, consulte Implantar e avaliar um modelo de aprendizagem automática usando um ponto de extremidade online.

Você também pode utilizar ambientes para as implementações do seu modelo. Para obter mais informações, consulte Implantar e pontuar um modelo de aprendizado de máquina.