Управление вычислительным экземпляром Машинное обучение Azure

• Если код не запущен в вычислительном экземпляре, установите пакет SDK для Python Машинное обучение Azure. Этот пакет SDK уже установлен для вас в вычислительном экземпляре.

• Подключитесь к рабочей области в скрипте Python:

  Запустите этот код, чтобы подключиться к рабочей области Машинное обучение Azure.

  Замените идентификатор подписки, имя группы ресурсов и имя рабочей области в следующем коде. Вот как найти эти значения:

  1. Войдите в Студию машинного обучения Azure.
  2. Откройте рабочую область, которую вы хотите использовать.
  3. Выберите имя рабочей области в правом верхнем углу панели инструментов Студия машинного обучения Azure.
  4. Скопируйте значение рабочей области, группы ресурсов и идентификатор подписки в код.

  ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

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

  # 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
  )

  ml_client — это обработчик рабочей области, которая используется для управления другими ресурсами и заданиями.

• Если эти команды не выполняются в вычислительном экземпляре, установите расширение Azure CLI для службы Машинное обучение версии 2. Это расширение уже установлено для вас в вычислительном экземпляре.

• Проверка подлинности и настройка рабочей области по умолчанию и группы ресурсов. Оставьте терминал открытым, чтобы выполнить остальные команды в этой статье.

  • Если вы находитесь в вычислительном экземпляре:

    az login --identity
    # next line needed only if you have multiple subscriptions:
    az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
    az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
    

  • Если вы выполняете команды локально, опустите --identity и следуйте инструкциям по проверке подлинности. Кроме того, замените и $CI_RESOURCE_GROUP замените $CI_WORKSPACE значениями.

Начните с Студия машинного обучения Azure.

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

В этих примерах переменная ci_basic_name сохраняет имя вычислительного экземпляра.

• Получение состояния

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Get compute
  ci_basic_state = ml_client.compute.get(ci_basic_name)

• Остановить

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Stop compute
  ml_client.compute.begin_stop(ci_basic_name).wait()

• Начать

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Start compute
  ml_client.compute.begin_start(ci_basic_name).wait()

• Перезагрузить

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  # Restart compute
  ml_client.compute.begin_restart(ci_basic_name).wait()

• Удаление

  from azure.ai.ml.entities import ComputeInstance, AmlCompute
  
  ml_client.compute.begin_delete(ci_basic_name).wait()

ОБЛАСТЬ ПРИМЕНЕНИЯ: расширение машинного обучения Azure CLI версии 2 (текущее)

В этих примерах имя вычислительного экземпляра — это экземпляр.

• Остановить

  az ml compute stop --name instance 
  

• Начать

  az ml compute start --name instance 
  

• Перезагрузить

  az ml compute restart --name instance 
  

• Удаление

  az ml compute delete --name instance 
  

В рабочей области в Студии Машинного обучения Azure выберите Вычисление, а затем выберите Вычислительный экземпляр вверху.

Можно выполнять следующие действия:

• Создание нового вычислительного экземпляра
• Обновление вкладки вычислительных экземпляров.
• Запуск, останов и перезапуск вычислительного экземпляра. Плата взимается за все время работы экземпляра. Чтобы сократить расходы, останавливайте вычислительный экземпляр, когда он не используется. Остановка вычислительного экземпляра обеспечивает его высвобождение. При необходимости снова запустите ее. Вы также можете запланировать время запуска и остановки вычислительного экземпляра.
• Удаление вычислительного экземпляра.
• Отфильтруйте список вычислительных экземпляров, чтобы отобразить только созданные экземпляры.

Для каждого вычислительного экземпляра в рабочей области, который вы создали сами или который был создан от вашего имени, можно выполнять следующие действия:

• Получите доступ к Jupyter, JupyterLab на вычислительном экземпляре, и к RStudio или Posit Workbench, если настроено как пользовательское приложение.

• Подключение к вычислительному экземпляру по протоколу SSH. Доступ по протоколу SSH по умолчанию отключен, но его можно включить во время создания вычислительного экземпляра. Доступ по протоколу SSH осуществляется с помощью открытого и закрытого ключей. На вкладке приведены сведения о подключении SSH, например IP-адрес, имя пользователя и номер порта. При развертывании виртуальной сети отключение SSH запрещает доступ SSH из общедоступного Интернета. SSH по-прежнему можно использовать в виртуальной сети с помощью частного IP-адреса узла вычислительного экземпляра и порта 22.

  Совет

  Если вычислительные экземпляры находится в управляемой виртуальной сети и общедоступный IP-адрес отключен, используйте az ml compute connect-ssh команду для подключения к вычислительному экземпляру.

• Выберите имя для вычислений:

  • Просмотрите сведения об определенном вычислительном экземпляре, например IP-адрес и регион.
  • Создайте или измените расписание запуска и остановки вычислительного экземпляра. Прокрутите страницу вниз, чтобы изменить расписание.

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python azure-ai-ml версии 2 (current)

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print(instance.os_image_metadata)

Дополнительные сведения о классах, методах и параметрах, используемых в этом примере, см. в следующих справочных документах.

• Класс AmlCompute
• Класс ComputeInstance

ОБЛАСТЬ ПРИМЕНЕНИЯ: расширение машинного обучения Azure CLI версии 2 (текущее)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

В рабочей области в Студии Машинного обучения Azure выберите Вычисление, а затем выберите Вычислительный экземпляр вверху. Чтобы просмотреть его свойства, включая текущую операционную систему, выберите имя вычислительного экземпляра.