Explore e use ambientes cuidadosamente selecionados

Ambientes cuidadosamente selecionados são ambientes pré-criados para as tarefas de aprendizagem de máquina mais comuns, disponíveis no seu espaço de trabalho por padrão.

Os ambientes curados usam o prefixo AzureML- e são projetados para fornecer scripts que usam estruturas e ferramentas populares de aprendizado de máquina.

Por exemplo, há ambientes com curadoria para quando você deseja executar um script que treina um modelo de regressão, agrupamento ou classificação com o Scikit-Learn.

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

O comando a seguir permite recuperar a descrição e as tags de um ambiente com curadoria com o Python SDK:

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

Use um ambiente selecionado

Mais comumente, você usa ambientes quando deseja executar um script como um comando () de trabalho.

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

Por exemplo, o código a seguir mostra como configurar um trabalho de comando com o Python SDK, que usa um ambiente com curadoria, 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 bem gerido

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

Você pode verificar se um ambiente gerido inclui todos os pacotes necessários ao rever os 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, pode rever os logs de erros detalhados no separador Saídas + logs do seu trabalho no Azure Machine Learning Studio.

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 poderá usar um ambiente com curadoria como referência para seus próprios ambientes personalizados, modificando os Dockerfiles que dão suporte a esses ambientes curados.