Configurare un ambiente di sviluppo Python per Azure Machine Learning (v1)

SI APPLICA A:SDK Azure Machine Learning v1 per Python

Informazioni su come configurare un ambiente di sviluppo Python per Azure Machine Learning.

La tabella seguente illustra ogni ambiente di sviluppo trattato in questo articolo, insieme ai vantaggi e agli svantaggi.

Questo articolo fornisce anche suggerimenti di utilizzo per gli strumenti seguenti:

• Jupyter Notebook: se si usa già Jupyter Notebook, l'SDK include alcune funzionalità aggiuntive che è necessario installare.

• Visual Studio Code: se si usa Visual Studio Code, l'estensione Azure Machine Learning include un ampio supporto del linguaggio per Python e funzionalità per rendere l'uso di Azure Machine Learning molto più comodo e produttivo.

Prerequisiti

• Area di lavoro di Azure Machine Learning. Se non è disponibile, è possibile creare un'area di lavoro di Azure Machine Learning tramite il portale di Azure, l’interfaccia della riga di comando di Azure e i modelli di Azure Resource Manager.

Solo Data Science Virtual Machine e locale: creare un file di configurazione dell'area di lavoro

Il file di configurazione dell'area di lavoro è un file JSON che indica all'SDK come comunicare con l'area di lavoro di Azure Machine Learning. Il file è denominato config.json e ha il formato seguente:

{
    "subscription_id": "<subscription-id>",
    "resource_group": "<resource-group>",
    "workspace_name": "<workspace-name>"
}

Questo file JSON deve trovarsi nella struttura di directory che contiene gli script di Python o Jupyter Notebook. Può trovarsi nella stessa directory, in una sottodirectory denominata .azureml o in una directory padre.

Per usare questo file dal codice, usare il metodo Workspace.from_config. Questo codice carica le informazioni dal file e si connette all'area di lavoro.

Creare un file di configurazione dell'area di lavoro usando uno dei metodi seguenti:

• Portale di Azure

  Scaricare il file: nel portale di Azure, selezionare Scarica config.json dalla sezione Panoramica dell'area di lavoro.

  

• Python SDK di Azure Machine Learning

  Creare uno script per connettersi all'area di lavoro di Azure Machine Learning e usare il metodo write_config per generare il file e salvarlo come .azureml/config.json. Assicurarsi di sostituire gli elementi subscription_id,resource_group e workspace_name con i propri.

  SI APPLICA A:SDK Azure Machine Learning v1 per Python

  from azureml.core import Workspace
  
  subscription_id = '<subscription-id>'
  resource_group  = '<resource-group>'
  workspace_name  = '<workspace-name>'
  
  try:
      ws = Workspace(subscription_id = subscription_id, resource_group = resource_group, workspace_name = workspace_name)
      ws.write_config()
      print('Library configuration succeeded')
  except:
      print('Workspace not found')
  

Ambiente del computer locale o della macchina virtuale remota

È possibile configurare un ambiente in un computer locale o in una macchina virtuale remota, ad esempio un'istanza di calcolo di Azure Machine Learning o Data Science Virtual Machine.

Per configurare un ambiente di sviluppo locale o una macchina virtuale remota:

1. Creare un ambiente virtuale Python (virtualenv, conda).

   Nota

   Sebbene non sia necessario, è consigliabile usare Anaconda o Miniconda per gestire gli ambienti virtuali Python e installare i pacchetti.

   Importante

   Se si usa Linux o macOS con una shell diversa da bash, ad esempio zsh, possono verificarsi errori durante l'esecuzione di alcuni comandi. Per risolvere questo problema, usare il comando bash per avviare una nuova shell bash ed eseguire i comandi nella shell.

2. Attivare l'ambiente virtuale Python appena creato.

3. Installare il Software Development Kit Python di Azure Machine Learning.

4. Per configurare l'ambiente locale per l'uso dell'area di lavoro di Azure Machine Learning, creare un file di configurazione dell'area di lavoro o usarne uno esistente.

Dopo aver configurato l'ambiente locale, è possibile iniziare a usare Azure Machine Learning. Per iniziare, vedere la guida introduttiva di Python di Azure Machine Learning.

Jupyter Notebook

Quando si esegue un server Jupyter Notebook locale, è consigliabile creare un kernel IPython per l'ambiente virtuale Python. Ciò consente di garantire il comportamento del kernel e dell’importazione del pacchetto previsto.

1. Abilitare i kernel IPython specifici dell'ambiente

   conda install notebook ipykernel
   

2. Creare un kernel per l'ambiente virtuale Python. Assicurarsi di sostituire <myenv> con il nome dell'ambiente virtuale Python.

   ipython kernel install --user --name <myenv> --display-name "Python (myenv)"
   

3. Avviare il server Jupyter Notebook

Vedere il repository di notebook di Azure Machine Learning per iniziare a usare Azure Machine Learning e i Jupyter Notebook. Vedere anche il repository basato sulla community AzureML-Examples.

Visual Studio Code

Per usare Visual Studio Code per lo sviluppo:

1. Installare Visual Studio Code.

2. Installare l'estensione Visual Studio Code di Azure Machine Learning (anteprima).

   Importante

   Questa funzionalità attualmente è in anteprima pubblica. Questa versione di anteprima viene fornita senza contratto di servizio, pertanto l'uso se ne sconsiglia l'uso per carichi di lavoro in produzione. Alcune funzionalità potrebbero non essere supportate o potrebbero presentare funzionalità limitate.

   Per altre informazioni, vedere Condizioni per l'utilizzo supplementari delle anteprime di Microsoft Azure.

Dopo aver installato l'estensione Visual Studio Code, usarla per:

• Gestire le risorse di Azure Machine Learning
• Avviare Visual Studio Code in modalità remota connessa a un'istanza di ambiente di calcolo (anteprima)
• Eseguire esperimenti ed eseguirne il debug
• Distribuire modelli sottoposti a training (CLI v2).

Istanza di ambiente di calcolo di Azure Machine Learning

L'istanza di ambiente di calcolo di Azure Machine Learning è una workstation di Azure sicura basata sul cloud che fornisce ai data scientist un server Jupyter Notebook, JupyterLab e un ambiente di apprendimento automatico completamente gestito.

Non è necessaria alcuna installazione o configurazione per un'istanza di ambiente di calcolo.

Crearne una in qualsiasi momento dall'interno dell'area di lavoro di Azure Machine Learning. Specificare solo un nome e un tipo di macchina virtuale di Azure. Provare ora con Creare risorse per iniziare.

Per altre informazioni sulle istanze di ambiente di calcolo, tra cui come installare i pacchetti, vedere Creare e gestire un'istanza di ambiente di calcolo di Azure Machine Learning.

Oltre a un server Jupyter Notebook e JupyterLab, è possibile usare le istanze di ambiente di calcolo nella funzionalità notebook integrata all'interno di studio di Azure Machine Learning.

È anche possibile usare l'estensione Visual Studio Code di Azure Machine Learning per connettersi a un'istanza di ambiente di calcolo remota usando VS Code.

Data Science Virtual Machine

La Data Science Virtual Machine è un'immagine di macchina virtuale personalizzata che è possibile usare come ambiente di sviluppo. È progettata per il lavoro di data science che ha strumenti e software preconfigurati come:

• Pacchetti come TensorFlow, PyTorch, Scikit-learn, XGBoost e l'SDK di Azure Machine Learning
• Strumenti di data science comuni come Spark Standalone e Drill
• Strumenti di Azure come l'interfaccia della riga di comando di Azure, AzCopy e Storage Explorer
• Ambienti di sviluppo integrato (IDE) come Visual Studio Code e PyCharm
• Server Jupyter Notebook

Per un elenco più completo degli strumenti, vedere la Guida agli strumenti della Data Science Virtual Machine.

Per usare la Data Science Virtual Machine come ambiente di sviluppo:

1. Creare una Data Science VM seguendo uno dei metodi seguenti:

   • Usare il portale di Azure per creare una DSVM Ubuntu o Windows.

   • Creare una Data Science Virtual Machine usando modelli ARM.

   • Usare l'interfaccia della riga di comando di Azure

     Per creare una Data Science VM Ubuntu, usare il comando seguente:

     # create a Ubuntu Data Science VM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     # If you need to create a new resource group use: "az group create --name YOUR-RESOURCE-GROUP-NAME --location YOUR-REGION (For example: westus2)"
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --generate-ssh-keys --authentication-type password
     

     Per creare una Data Science VM Windows usare il comando seguente:

     # create a Windows Server 2016 DSVM in your resource group
     # note you need to be at least a contributor to the resource group in order to execute this command successfully
     az vm create --resource-group YOUR-RESOURCE-GROUP-NAME --name YOUR-VM-NAME --image microsoft-dsvm:dsvm-windows:server-2016:latest --admin-username YOUR-USERNAME --admin-password YOUR-PASSWORD --authentication-type password
     

2. Attivare l'ambiente conda contenente il Software Development Kit di Azure Machine Learning.

   • Per la Data Science VM Ubuntu:

     conda activate py36
     

   • Per la Data Science VM Windows:

     conda activate AzureML
     

3. Per configurare la Data Science VM per l'uso dell'area di lavoro di Azure Machine Learning, creare un file di configurazione dell'area di lavoro o usarne uno esistente.

Analogamente agli ambienti locali, è possibile usare Visual Studio Code e l'estensione Visual Studio Code di Azure Machine Learning per interagire con Azure Machine Learning.

Per altre informazioni, vedere Data Science Virtual Machine.

Passaggi successivi

• Eseguire il training e distribuire un modello in Azure Machine Learning con il set di dati MNIST.
• Vedere la documentazione di riferimento dell'SDK di Azure Machine Learning per Python.