快速入門：開始使用 Azure Machine Learning

適用於：Python SDK azure-ai-ml v2 (目前)

本教學介紹了 Azure 機器學習服務中一些最常用的功能。你建立、註冊並部署一個模型。本教學課程協助您熟悉 Azure Machine Learning 的核心概念及其最常見的使用方式。

您將了解如何在可擴充的計算資源上執行訓練作業，接著進行部署，最後測試該部署。

您會建立訓練指令碼來處理資料準備、模型訓練和模型註冊。訓練好模型後，你將其部署為端點，然後呼叫端點進行推論。

您採取的步驟是︰

設定 Azure Machine Learning 工作區的控制代碼
建立您的定型指令碼
建立可擴充的計算資源、計算叢集
建立並執行一個指令工作，在計算叢集上執行訓練腳本，並設定適當的工作環境
檢視訓練指令碼的輸出
將新訓練的模型部署為端點
呼叫 Azure Machine Learning 端點以進行推斷

想了解這個快速入門步驟的概述，請觀看這支影片。

先決條件

若要使用 Azure Machine Learning,，您需要工作區。如果您沒有工作區，請完成建立要開始使用所需要的資源以建立工作區，並深入了解其使用方式。

重要事項

如果您的 Azure Machine Learning 工作區是使用受控虛擬網路設定的，您可能需要新增輸出規則，以允許存取公用 Python 套件存放庫。如需詳細資訊，請參閱案例：存取公用機器學習套件。
登入工作室，並選取您的工作區 (如果其尚未開啟的話)。
在您的工作區中打開或建立一個筆記本：
- 如果您想要複製程式碼並將其貼入儲存格中，請建立新的筆記本。
- 或者，從工作室的 [範例] 區段開啟 tutorials/get-started-notebooks/quickstart.ipynb。然後選取 [複製] 以將筆記本新增至 [檔案]。若要尋找範例筆記本，請參閱從範例筆記本學習。

設定您的核心程序並在 Visual Studio Code (VS Code) 中開啟

在已開啟的筆記本上方工具列中，如果您尚未有計算執行個體，請建立一個。
如果計算執行個體已停止，請選取 [啟動計算]，並等到其執行為止。
等到計算執行個體正在執行中。然後確定位於右上方的核心程序是 Python 3.10 - SDK v2。如果沒有，請使用下拉式清單來選取此核心程序。

如果未看到此核心程序，請確認您的計算執行個體正在執行中。如果是，請選取筆記本右上方的 [重新整理] 按鈕。
如果您看到橫幅指出您需要進行驗證，請選取 [驗證]。
您可以在此執行筆記本，或在 VS Code 中予以開啟，以取得包含 Azure Machine Learning 資源強大功能的完全整合式開發環境 (IDE)。選取 [在 VS Code 中開啟]，然後選取 Web 或桌面選項。以這種方式啟動時，VS Code 會附加至您的計算執行個體、核心程序和工作區檔案系統。

重要事項

本教學課程的其餘部分，包含教學課程筆記本的程式單元。複製它們並將其貼入新的筆記本中，或者如果您已複製筆記本，請立即切換至該筆記本。

建立工作區的控制代碼

在深入研究程式碼之前，您需要一種方法來參考您的工作區。工作區是 Azure Machine Learning 的最上層資源，其提供一個集中位置來處理您在使用 Azure Machine Learning 時建立的所有成品。

建立 ml_client 作為工作區的控制代碼。用 ml_client 來管理資源和工作。

在下一個儲存格中，輸入您的訂用帳戶識別碼、資源群組名稱和工作區名稱。若要尋找這些值：

在右上方的 Azure Machine Learning 工作室工具列中，選取您的工作區名稱。
將工作區、資源群組和訂用帳戶識別碼的值複製到程式碼。
你需要複製一個值，關閉該區域，然後貼上。然後再回來取得下一個值。

螢幕擷取畫面：在工具列右上角尋找程式碼的認證。

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

# authenticate
credential = DefaultAzureCredential()

SUBSCRIPTION = "<SUBSCRIPTION_ID>"
RESOURCE_GROUP = "<RESOURCE_GROUP>"
WS_NAME = "<AML_WORKSPACE_NAME>"
# Get a handle to the workspace
ml_client = MLClient(
    credential=credential,
    subscription_id=SUBSCRIPTION,
    resource_group_name=RESOURCE_GROUP,
    workspace_name=WS_NAME,
)

附註

建立 MLClient 並不會連接到工作區。用戶端初始化是惰性的。它會等到第一次需要呼叫時才執行。這個動作會在下一個程式碼格發生。

# Verify that the handle works correctly.
# If you ge an error here, modify your SUBSCRIPTION, RESOURCE_GROUP, and WS_NAME in the previous cell.
ws = ml_client.workspaces.get(WS_NAME)
print(ws.location, ":", ws.resource_group)

建立訓練指令碼

建立訓練腳本，也就是 main.py Python 檔案。

首先，建立一個腳本的來源資料夾：

import os

train_src_dir = "./src"
os.makedirs(train_src_dir, exist_ok=True)

這個腳本會預處理資料，並將其拆分成測試資料集和訓練資料集。它利用這些資料訓練樹狀模型，並回傳輸出模型。

在管線運行期間，使用 MLFlow 記錄參數與指標。

接下來的儲存格會用 IPython 的魔法把訓練腳本寫入你剛建立的目錄。

%%writefile {train_src_dir}/main.py
import os
import argparse
import pandas as pd
import mlflow
import mlflow.sklearn
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split

def main():
    """Main function of the script."""

    # input and output arguments
    parser = argparse.ArgumentParser()
    parser.add_argument("--data", type=str, help="path to input data")
    parser.add_argument("--test_train_ratio", type=float, required=False, default=0.25)
    parser.add_argument("--n_estimators", required=False, default=100, type=int)
    parser.add_argument("--learning_rate", required=False, default=0.1, type=float)
    parser.add_argument("--registered_model_name", type=str, help="model name")
    args = parser.parse_args()
   
    # Start Logging
    mlflow.start_run()

    # enable autologging
    mlflow.sklearn.autolog()

    ###################
    #<prepare the data>
    ###################
    print(" ".join(f"{k}={v}" for k, v in vars(args).items()))

    print("input data:", args.data)
    
    credit_df = pd.read_csv(args.data, header=1, index_col=0)

    mlflow.log_metric("num_samples", credit_df.shape[0])
    mlflow.log_metric("num_features", credit_df.shape[1] - 1)

    train_df, test_df = train_test_split(
        credit_df,
        test_size=args.test_train_ratio,
    )
    ####################
    #</prepare the data>
    ####################

    ##################
    #<train the model>
    ##################
    # Extracting the label column
    y_train = train_df.pop("default payment next month")

    # convert the dataframe values to array
    X_train = train_df.values

    # Extracting the label column
    y_test = test_df.pop("default payment next month")

    # convert the dataframe values to array
    X_test = test_df.values

    print(f"Training with data of shape {X_train.shape}")

    clf = GradientBoostingClassifier(
        n_estimators=args.n_estimators, learning_rate=args.learning_rate
    )
    clf.fit(X_train, y_train)

    y_pred = clf.predict(X_test)

    print(classification_report(y_test, y_pred))
    ###################
    #</train the model>
    ###################

    ##########################
    #<save and register model>
    ##########################
    # Registering the model to the workspace
    print("Registering the model via MLFlow")

    # pin numpy
    conda_env = {
        'name': 'mlflow-env',
        'channels': ['conda-forge'],
        'dependencies': [
            'python=3.10.15',
            'pip<=21.3.1',
            {
                'pip': [
                    'mlflow==2.17.0',
                    'cloudpickle==2.2.1',
                    'pandas==1.5.3',
                    'psutil==5.8.0',
                    'scikit-learn==1.5.2',
                    'numpy==1.26.4',
                ]
            }
        ],
    }

    mlflow.sklearn.log_model(
        sk_model=clf,
        registered_model_name=args.registered_model_name,
        artifact_path=args.registered_model_name,
        conda_env=conda_env,
    )

    # Saving the model to a file
    mlflow.sklearn.save_model(
        sk_model=clf,
        path=os.path.join(args.registered_model_name, "trained_model"),
    )
    ###########################
    #</save and register model>
    ###########################
    
    # Stop Logging
    mlflow.end_run()

if __name__ == "__main__":
    main()

當模型被訓練時，腳本會將模型檔案儲存並註冊到工作區。你可以用註冊模型來推論端點。

您可能需要選取 [重新整理]，才能在 [檔案] 中看到新的資料夾和指令碼。

螢幕擷取畫面顯示重新整理圖示。

設定命令

你現在有一個腳本可以執行所需的任務，還有一個計算叢集來執行這個腳本。使用一個通用指令，能執行命令列操作。此命令列動作可直接呼叫系統命令或執行指令碼。

建立輸入變數以指定輸入資料、分割比率、學習率及註冊型號名稱。命令指令碼：

使用定義訓練腳本所需軟體與執行時函式庫的環境。 Azure Machine Learning 提供許多策劃好或現成的環境，適用於常見的訓練和推斷案例。您在這裡使用其中一個環境。在教學課程：在 Azure Machine Learning 中訓練模型，您會了解如何建立自訂環境。
設定命令列動作本身 - python main.py在本案例中。輸入與輸出可透過 ${{ ... }} 指令符號存取。
從網路檔案存取資料。
因為你沒指定運算資源，腳本會在一個自動建立的無伺服器運算叢集上執行。

from azure.ai.ml import command
from azure.ai.ml import Input

registered_model_name = "credit_defaults_model"

job = command(
    inputs=dict(
        data=Input(
            type="uri_file",
            path="https://azuremlexamples.blob.core.windows.net/datasets/credit_card/default_of_credit_card_clients.csv",
        ),
        test_train_ratio=0.2,
        learning_rate=0.25,
        registered_model_name=registered_model_name,
    ),
    code="./src/",  # location of source code
    command="python main.py --data ${{inputs.data}} --test_train_ratio ${{inputs.test_train_ratio}} --learning_rate ${{inputs.learning_rate}} --registered_model_name ${{inputs.registered_model_name}}",
    environment="azureml://registries/azureml/environments/sklearn-1.5/labels/latest",
    display_name="credit_default_prediction",
)

提交工作

提交作業以在 Azure Machine Learning 中執行。這次，請在 create_or_update 上使用 ml_client。

ml_client.create_or_update(job)

檢視作業輸出並等候作業完成

在 Azure Machine Learning 工作室中查看作業，方法是選取前一個程式單元輸出的連結。

此作業的輸出在 Azure Machine Learning 工作室中看起來會像這樣。瀏覽分頁，查看各種細節，如指標、產出等。完成後，這項工作會將模型註冊到你的工作區，這是訓練後的結果。

顯示作業概觀頁面的螢幕擷取畫面。

重要事項

請等到作業狀態完成後，再返回此筆記本繼續作業。這項工作只需兩到三分鐘完成。如果運算叢集縮小到零節點且自訂環境仍在建置中，可能需要更久（最多 10 分鐘）。

將模型部署為線上端點

請使用 online endpoint 將您的機器學習模型部署為 Azure 雲中的網路服務。

要部署機器學習服務，請使用你註冊的模型。

建立新的線上端點

現在你註冊了模型，建立你的線上端點。端點名稱在整個 Azure 區域中必須是唯一的。在這個教學中，請使用 UUID 來創建一個唯一的名稱。

import uuid

# Creating a unique name for the endpoint
online_endpoint_name = "credit-endpoint-" + str(uuid.uuid4())[:8]

建立端點。

# Expect the endpoint creation to take a few minutes
from azure.ai.ml.entities import (
    ManagedOnlineEndpoint,
    ManagedOnlineDeployment,
    Model,
    Environment,
)

# create an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is an online endpoint",
    auth_mode="key",
    tags={
        "training_dataset": "credit_defaults",
        "model_type": "sklearn.GradientBoostingClassifier",
    },
)

endpoint = ml_client.online_endpoints.begin_create_or_update(endpoint).result()

print(f"Endpoint {endpoint.name} provisioning state: {endpoint.provisioning_state}")

附註

建立端點預計要幾分鐘的時間。

建立端點後，請依以下程式碼取得：

endpoint = ml_client.online_endpoints.get(name=online_endpoint_name)

print(
    f'Endpoint "{endpoint.name}" with provisioning state "{endpoint.provisioning_state}" is retrieved'
)

將模型部署至該端點

建立端點後，使用輸入腳本部署模型。每個端點可以有多個部署。你可以指定規則來引導流量到這些部署。在這個例子中，你建立一個單一部署，處理 100% 的進站流量。為部署選擇顏色名稱，例如藍色、綠色或紅色。這個選擇是任意的。

要找到你註冊模型的最新版本，請在 Azure Machine Learning Studio 的模型頁面查詢。或者，使用以下程式碼取得最新的版本號。

# Let's pick the latest version of the model
latest_model_version = max(
    [int(m.version) for m in ml_client.models.list(name=registered_model_name)]
)
print(f'Latest model is version "{latest_model_version}" ')

部署模型的最新版本。

# picking the model to deploy. Here we use the latest version of our registered model
model = ml_client.models.get(name=registered_model_name, version=latest_model_version)

# Expect this deployment to take approximately 6 to 8 minutes.
# create an online deployment.
# if you run into an out of quota error, change the instance_type to a comparable VM that is available.
# Learn more on https://azure.microsoft.com/pricing/details/machine-learning/.
blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=online_endpoint_name,
    model=model,
    instance_type="Standard_DS3_v2",
    instance_count=1,
)

blue_deployment = ml_client.begin_create_or_update(blue_deployment).result()

附註

完成此部署約需要 6 到 8 分鐘的時間。

部署結束後，你就準備好測試它了。

使用範例查詢進行測試

在你將模型部署到端點後，再用模型來執行推論。

建立一個符合分數腳本中 run 方法所預期設計的範例請求檔案。

deploy_dir = "./deploy"
os.makedirs(deploy_dir, exist_ok=True)

%%writefile {deploy_dir}/sample-request.json
{
  "input_data": {
    "columns": [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22],
    "index": [0, 1],
    "data": [
            [20000,2,2,1,24,2,2,-1,-1,-2,-2,3913,3102,689,0,0,0,0,689,0,0,0,0],
            [10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 10, 9, 8]
        ]
  }
}

# test the blue deployment with some sample data
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    request_file="./deploy/sample-request.json",
    deployment_name="blue",
)

清除資源

如果你不需要端點，刪除它以停止使用該資源。在刪除端點之前，請確保沒有其他部署正在使用該端點。

附註

完成刪除約需 20 分鐘的時間。

ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

停止計算執行個體

如果你現在不需要，請停止運算實例：

在 Studio 的左窗格中，選取 [計算]。
在頂端索引標籤中，選取 [計算執行個體]。
選取清單中的計算執行個體。
在頂端工具列中，選取 [停止]。

刪除所有資源

重要事項

您所建立的資源可用來作為其他 Azure Machine Learning 教學課程和操作說明文章的先決條件。

如果不打算使用所建立的任何資源，請予以刪除以免產生任何費用：

在 Azure 入口網站的搜尋方塊中，輸入資源群組，然後從結果中選取它。
從清單中，選取您所建立的資源群組。
在 [概觀] 頁面上，選取 [刪除資源群組]。
輸入資源群組名稱。然後選取 [刪除]。

後續步驟

現在您已對模型的訓練與部署流程有初步概念，接下來可以透過這些教學課程進一步了解整個過程：

教學課程	描述
在 Azure Machine Learning 中上傳、存取和探索資料	將大型資料儲存在雲端，並可從筆記本與指令碼中擷取
雲端工作站上的模型開發	開始原型設計和開發機器學習模型
在 Azure Machine Learning 中訓練模型	深入探討訓練模型的詳細資料
將模型部署為線上端點	深入了解部署模型的詳細資料
建立生產機器學習管線	將完整的機器學習工作分割成多步驟工作流程。

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-12-23

共用方式為

快速入門：開始使用 Azure Machine Learning

先決條件

設定您的核心程序並在 Visual Studio Code (VS Code) 中開啟

建立工作區的控制代碼

建立訓練指令碼

設定命令

提交工作

檢視作業輸出並等候作業完成

將模型部署為線上端點

建立新的線上端點

將模型部署至該端點

使用範例查詢進行測試

清除資源

停止計算執行個體

刪除所有資源

後續步驟

意見反應

其他資源