Создание концентратора с помощью пакета SDK Azure Machine Learning и CLI (классической версии)

1. Установка пакетов. (Если в ячейке записной книжки, используйте %pip install вместо этого.)

   pip install azure-ai-ml
   pip install azure-identity
   

2. Укажите сведения о подписке:

   # Enter details of your subscription
   subscription_id = "<SUBSCRIPTION_ID>"
   resource_group = "<RESOURCE_GROUP>"

3. Получите идентификатор подписки. Весь код Python в этой статье использует ml_client:

   # get a handle to the subscription
   
   from azure.ai.ml import MLClient
   from azure.identity import DefaultAzureCredential
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

4. (Необязательно) Если у вас несколько учетных записей, добавьте идентификатор клиента Microsoft Entra ID, который вы хотите использовать в DefaultAzureCredential. Найдите идентификатор клиента из Azure portal в разделе Microsoft Entra ID, внешние удостоверения.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Необязательно) Если вы работаете в Azure Government - US или Azure China 21Vianet, укажите регион, в который требуется пройти проверку подлинности. Можно указать регион с помощью DefaultAzureCredential. В следующем примере выполняется проверка подлинности в облачном регионе Azure Government для США.

   from azure.identity import AzureAuthorityHosts
   DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
   

6. Проверьте подключение.

   for hub in ml_client.workspaces.list():
       print(f"  - {hub.name}")
   

Если вы получили ошибку проверки подлинности, убедитесь, что учетные данные Azure настроены (выполните az login или настройте учетные данные с помощью пакета SDK для удостоверений Azure). Если вы получили ошибку разрешения, убедитесь в наличии у вас роли 'Участник' в подписке или группе ресурсов.

Ссылки: MLClient, DefaultAzureCredential

1. Если у вас не установлены Azure CLI и расширение машинного обучения, выполните действия, описанные в статье Установка и настройка расширения машинного обучения.

2. Чтобы выполнить проверку подлинности в подписке Azure из Azure CLI, выполните следующую команду:

   az login
   

   Дополнительные сведения о проверке подлинности см. в разделе Authentication methods.

3. Проверьте проверку подлинности, перечислив существующие центры:

   az ml workspace list --resource-group <your-resource-group-name>
   

   Если команда завершается успешно и отображает существующие центры, проверка подлинности настроена правильно.

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# Construct a basic hub
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name
)

# Create the hub and wait for completion
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub: {created_hub.name}")

Этот код создает новый концентратор с указанным именем, расположением и отображаемым именем. Azure автоматически подготавливает ресурсы, связанные с Azure Storage и Azure Key Vault.

Ссылки: HubMLClient.workspaces.begin_create

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name>

Замените <your-resource-group> именем группы ресурсов Azure и <your-hub-name> уникальным именем для центра. Azure автоматически создает связанные ресурсы хранения и ключевого хранилища.

Ссылки: az ml workspace create

1. Включите ваш концентратор в подключение ml_client.

   • Введите сведения о подписке. Введите <AML_WORKSPACE_NAME>имя концентратора:

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

   • Получите дескриптор к концентратору:

     # get a handle to the workspace
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(
         DefaultAzureCredential(), subscription_id, resource_group, workspace
     )

2. Используйте ml_client для подключения к инструментам Foundry. Конечные точки можно найти в Azure portal в разделе Управление ресурсами> Ключи и конечные точки. Для ресурса Foundry используйте endpoint ИИ-сервисов. Для Azure AI Search используйте URL-адрес конечной точки.

   from azure.ai.ml.entities import AzureAIServicesConnection
   
   # Construct a connection to Azure AI Services
   my_connection_name = "my-ai-services-connection"  # Any name you want
   aiservices_resource_name = "<your-resource-name>"  # From Azure portal
   my_endpoint = "<your-endpoint>"  # From Azure portal
   my_api_keys = None  # Leave blank to use Azure Entra ID (AAD) authentication
   my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"
   
   my_connection = AzureAIServicesConnection(
       name=my_connection_name,
       endpoint=my_endpoint,
       api_key=my_api_keys,
       ai_services_resource_id=my_ai_services_resource_id
   )
   
   # Create the connection
   ml_client.connections.create_or_update(my_connection)
   print(f"Created connection: {my_connection.name}")
   

   Ссылки: AzureAIServicesConnection, MLClient.connections

az ml connection create --file connection.yml --resource-group <your-resource-group> --workspace-name <your-hub-name>

Вы можете использовать ключ API или аутентификацию Azure Entra ID (AAD). Создайте файл конфигурации YAML с именем connection.yml:

Пример ключа API:

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
api_key: <your-api-key>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Пример AAD (без учетных данных):

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Подробные сведения о схеме см. в YAML-схеме подключения для Служб AI Azure.

Ссылки: az ml connection create

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.Storage/storageAccounts/<storage-account-name>"
my_key_vault_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.KeyVault/vaults/<key-vault-name>"

# Construct a hub with existing dependency resources
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name,
    resource_group=my_resource_group,
    storage_account_id=my_storage_account_id,
    key_vault_id=my_key_vault_id
)

# Create the hub
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub with existing resources: {created_hub.name}")

Чтобы найти идентификаторы ресурсов для существующих ресурсов, перейдите на страницу Azure portal, перейдите на страницу Overview и выберите представление JSON. Идентификатор ресурса отображается в поле id. Кроме того, используйте Azure CLI:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Ссылки: Hub

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name> --location <location> --storage-account <storage-account-resource-id> --key-vault <key-vault-resource-id>

Замените заполнители угловой скобки собственными значениями. Чтобы найти идентификаторы ресурсов, используйте:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Ссылки: az ml workspace create

from azure.ai.ml.entities import Hub

my_app_insights = "{APPLICATION_INSIGHTS_ARM_ID}"
my_container_registry = "{CONTAINER_REGISTRY_ARM_ID}"

# construct a hub with Application Insights and Container Registry
my_hub = Hub(name="myexamplehub", 
             location="East US", 
             application_insights=my_app_insights,
             container_registry=my_container_registry)

# update_dependent_resources is used to give consent to update the workspace dependent resources.
updated_hub = ml_client.workspaces.begin_update(workspace=my_hub, update_dependent_resources=True).result()
print(f"Hub updated: {updated_hub.name}")

Этот скрипт обновляет существующий концентратор с указанными ресурсами Application Insights и реестра контейнеров. Параметр update_dependent_resources=True подтверждает обновление.

Справочник: Hub, MLClient.workspaces.begin_update()

az ml workspace update -n "myexamplehub" -g "{MY_RESOURCE_GROUP}" -a "APPLICATION_INSIGHTS_ARM_ID" -u

Эта команда обновляет хаб с именем "myexamplehub", используя указанный ресурс Application Insights. Флаг -u предоставляет согласие на обновление зависимых ресурсов.

Справочник: обновление рабочей области az ml