Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Une instance de calcul Azure Machine Learning est une station de travail cloud managée pour les scientifiques des données. Chaque instance de calcul n’a qu’un seul propriétaire, mais vous pouvez partager des fichiers entre plusieurs instances de calcul.
Les instances de calcul facilitent le démarrage du développement avec Azure Machine Learning. Elles fournissent aux administrateurs informatiques des fonctionnalités de gestion et de préparation de l’entreprise.
Utilisez une instance de calcul comme environnement de développement complètement configuré et managé dans le cloud pour l’apprentissage automatique. Vous pouvez également utiliser des instances de calcul comme cible de calcul pour l’entraînement et l’inférence à des fins de développement et de test.
Pour que la fonctionnalité d’instance de calcul Jupyter fonctionne, vérifiez que la communication avec le socket web n’est pas désactivée. Vérifiez que votre réseau autorise les connexions WebSocket à *.instances.azureml.net et *.instances.azureml.ms.
Important
Les éléments marqués (version préliminaire) dans cet article sont actuellement en version préliminaire publique. La préversion est fournie sans contrat de niveau de service et n’est pas recommandée pour les charges de travail en production. Certaines fonctionnalités peuvent être limitées ou non prises en charge. Pour plus d’informations, consultez Conditions d’Utilisation Supplémentaires relatives aux Évaluations Microsoft Azure.
Pourquoi créer une instance de calcul ?
Une instance de calcul est une station de travail cloud complètement managée qui est optimisée pour votre environnement de développement Machine Learning. Elle vous permet de bénéficier des avantages suivants :
| Principaux avantages | Descriptif |
|---|---|
| Productivité | Vous pouvez créer et déployer des modèles à l’aide des blocs-notes intégrés et des outils suivants dans Azure Machine Learning Studio : - Jupyter - JupyterLab - VS Code (préversion) L’instance de calcul est entièrement intégrée avec l’espace de travail et le studio Azure Machine Learning. Vous pouvez partager des blocs-notes et des données avec d’autres scientifiques des données dans l’espace de travail. |
| Managée et sécurisée | Réduisez votre empreinte de sécurité et ajoutez la conformité aux exigences de sécurité de l’entreprise. Les instances de calcul fournissent des stratégies de gestion robustes et des configurations de mise en réseau sécurisées telles que : - Provisionnement automatique par les modèles Resource Manager ou le SDK Azure Machine Learning - Contrôle d’accès en fonction du rôle Azure (Azure RBAC) - Prise en charge des réseaux virtuels - Stratégie Azure pour désactiver l’accès SSH - Stratégie Azure pour imposer la création dans un réseau virtuel - Arrêt automatique/démarrage automatique selon une planification - TLS 1.2 activé |
| Préconfiguré pour l’apprentissage automatique | Gagnez du temps sur les tâches de configuration avec des packages ML préconfigurés et à jour, des frameworks d'apprentissage en profondeur et des pilotes GPU. |
| Entièrement personnalisable | Les scénarios avancés deviennent un jeu d’enfant grâce à la prise en charge étendue des types de machines virtuelles Azure, y compris les GPU et la personnalisation de bas niveau persistante, comme l’installation de packages et de pilotes. Vous pouvez également utiliser des scripts d’installation pour automatiser la personnalisation |
- Vous pouvez sécuriser votre instance de calcul avec Aucune IP publique.
- L’instance de calcul est également une cible de calcul de formation sécurisée similaire aux clusters de calcul, mais il s’agit d’un nœud unique.
- Vous pouvez créer une instance de calcul vous-même ou un administrateur peut créer une instance de calcul en votre nom .
- Vous pouvez également utiliser un script de configuration pour une méthode automatisée de personnalisation et de configuration de l’instance de calcul en fonction de vos besoins.
- Pour économiser sur les coûts, créez une planification pour démarrer et arrêter automatiquement l’instance de calcul ou activez l’arrêt inactif.
Outils et environnements
L’instance de calcul Azure Machine Learning vous permet de créer, d’effectuer l’apprentissage et de déployer des modèles dans une expérience de notebook entièrement intégrée dans votre espace de travail.
Vous pouvez exécuter des notebooks à partir de votre espace de travail Azure Machine Learning,Jupyter, JupyterLab ou Visual Studio Code . Vous pouvez configurer VS Code Desktop pour accéder à votre instance de calcul. En alternative, utilisez VS Code pour le web, directement à partir du navigateur et sans installations ou dépendances requises.
Essayez VS Code sur le web pour profiter de son intégration facile et de l’environnement de développement riche qu’il offre. VS Code pour le web vous offre une grande partie de vos fonctionnalités VS Code Desktop favorites, notamment la recherche et la mise en surbrillance de la syntaxe lors de la navigation et de la modification. Pour plus d’informations sur l’utilisation de VS Code Desktop et VS Code pour le web, consultez Lancer Visual Studio Code intégré à Azure Machine Learning (préversion) et Travailler dans VS Code connecté à distance à une instance de calcul (préversion).
Vous pouvez installer des packages et ajouter des noyaux à votre instance de calcul.
Les outils et environnements suivants sont déjà installés sur l’instance de calcul :
| Outils et environnements généraux | Détails |
|---|---|
| Pilotes | CUDAcuDNNNVIDIABlob FUSE |
| Bibliothèque Intel MPI | |
| Azure CLI (Interface de ligne de commande Azure) | |
| Exemples Azure Machine Learning | |
| Docker | |
| Nginx | |
| NCCL 2.0 | |
| Protobuf |
| R : outils et environnements | Détails |
|---|---|
| Noyau R |
Vous pouvez ajouter RStudio ou Posit Workbench (anciennement RStudio Workbench) lorsque vous créez l’instance.
| Outils et environnements PYTHON | Détails |
|---|---|
| Anaconda Python | |
| Jupyter et extensions | |
| Jupyterlab et extensions | |
|
Kit de développement logiciel (SDK) Azure Machine Learning pour Python depuis PyPI |
Inclut azure-ai-ml et de nombreux packages Azure supplémentaires courants. Pour afficher la liste complète, ouvrez une fenêtre de terminal sur votre instance de calcul et exécutez conda list -n azureml_py310_sdkv2 ^azure |
| Autres packages PyPI | jupytexttensorboardnbconvertnotebookPillow |
| Paquets Conda | cythonnumpyipykernelscikit-learnmatplotlibtqdmjoblibnodejs |
| Packages d’apprentissage profond | PyTorchTensorFlowKerasHorovodMLFlowpandas-mlscrapbook |
| Packages ONNX | keras2onnxonnxonnxconverter-commonskl2onnxonnxmltools |
| Exemples Python pour Azure Machine Learning |
L’instance de calcul dispose d’Ubuntu comme système d’exploitation de base.
Accès aux fichiers
Le compte de stockage par défaut de votre espace de travail dans Azure partage de fichiers stocke les blocs-notes et les scripts Python. Vous trouverez ces fichiers sous votre répertoire « Fichiers utilisateur ». Grâce à ce stockage, il est facile de partager des notebooks entre des instances de calcul. Le compte de stockage conserve également vos notebooks en toute sécurité lorsque vous arrêtez ou supprimez une instance de calcul.
Le compte de partage de fichiers Azure de votre espace de travail est monté en tant que lecteur sur l’instance de calcul. Ce lecteur est le répertoire de travail par défaut pour Jupyter, Jupyter Labs, RStudio et Posit Workbench. Cette configuration signifie que les notebooks et autres fichiers que vous créez dans Jupyter, JupyterLab, VS Code pour Web, RStudio ou Posit sont automatiquement stockés sur le partage de fichiers et disponibles pour être utilisés dans d’autres instances de calcul.
Toutes les instances de calcul du même espace de travail peuvent accéder aux fichiers dans le partage de fichiers. Toutes les modifications apportées à ces fichiers sur l’instance de calcul sont conservées de manière fiable dans le partage de fichiers.
Vous pouvez également cloner les exemples les plus récents d’Azure Machine Learning dans votre dossier dans le répertoire des fichiers utilisateur du partage de fichiers de l’espace de travail.
L’écriture de petits fichiers peut être plus lente sur des lecteurs réseau que sur le disque local de l’instance de calcul. Si vous écrivez de nombreux petits fichiers, essayez d’utiliser un répertoire directement sur l’instance de calcul, par exemple un répertoire /tmp. Notez que les fichiers sur l’instance de calcul ne sont pas accessibles à partir d’autres instances de calcul.
Ne stockez pas de données d'entraînement sur le partage de fichiers des notebooks. Pour plus d'informations sur les différentes options de stockage des données, voir Accéder aux données dans un travail.
Vous pouvez utiliser le répertoire /tmp sur l’instance de calcul pour vos données temporaires. Toutefois, n’écrivez pas de fichiers de données volumineux sur le disque du système d’exploitation de l’instance de calcul. Le disque du système d’exploitation sur l’instance de calcul a une capacité de 120 Go. Vous pouvez également stocker des données d’apprentissage temporaires sur le disque temporaire monté sur /mnt. La taille du disque temporaire est basée sur la taille de machine virtuelle choisie et peut stocker de grandes quantités de données si une machine virtuelle de taille supérieure est choisie. Tous les packages logiciels que vous installez sont enregistrés sur le disque du système d’exploitation de l’instance de calcul. Notez que le chiffrement de clé gérée par le client n’est actuellement pas pris en charge pour le disque du système d’exploitation. Le disque du système d’exploitation de l’instance de calcul est chiffré avec des clés gérées par Microsoft.
Créer
Pour créer une instance de calcul de base, consultez Créer des ressources dont vous avez besoin pour commencer.
Pour plus d’options, consultez Créer une instance de calcul.
En tant qu’administrateur, vous pouvez créer une instance de calcul pour d’autres utilisateurs de l’espace de travail. Vous devez désactiver l’authentification unique pour une telle instance de calcul.
Vous pouvez également utiliser un script de configuration pour personnaliser, puis configurer automatiquement l’instance de calcul.
Autres façons de créer une instance de calcul :
- Directement depuis l’expérience intégrée des notebooks.
- À partir d’un modèle Azure Resource Manager. Pour un exemple de modèle, consultez Créer un modèle d’instance de calcul Azure Machine Learning.
- Avec le Kit de développement logiciel (SDK) Azure Machine Learning
- À partir de l’extension CLI pour Azure Machine Learning
Le quota de cœurs dédiés par région par famille de machine virtuelle et le quota régional total, qui s’appliquent à la création d’une instance de calcul, sont unifiés et partagés avec le quota de clusters de calcul d’entraînement Azure Machine Learning. L’arrêt de l’instance de calcul ne libère pas le quota pour vous assurer que vous pouvez redémarrer l’instance de calcul. N’arrêtez pas l’instance de calcul via le terminal du système d’exploitation en procédant à un arrêt sudo.
L’instance de calcul est fournie avec le disque du système d’exploitation P10. Le type de disque temporaire dépend de la taille de machine virtuelle choisie. Actuellement, vous ne pouvez pas modifier le type de disque du système d’exploitation.
Cible de calcul
Des instances de calcul peuvent être utilisées comme une cible de calcul d’apprentissage, similaire aux clusters de calcul d’apprentissage d’Azure Machine Learning. Mais une instance de calcul n’a qu’un seul nœud, tandis qu’un cluster de calcul peut en avoir plusieurs.
Important
Pour utiliser une instance de calcul comme cible de calcul pour envoyer des travaux d’apprentissage, l’accès racine sur l’instance de calcul doit être activé. Cette opération doit être effectuée lors de la création de l’instance de calcul. Si l’accès racine n’est pas activé, vous ne pourrez pas utiliser l’instance de calcul comme cible de calcul pour les travaux d’entraînement.
Une instance de calcul :
- a une file d’attente de travaux ;
- exécute des travaux en toute sécurité dans un environnement de réseau virtuel, sans qu’il soit nécessaire d’ouvrir un port SSH. Le travail s’exécute dans un environnement conteneurisé et empaquette les dépendances de votre modèle dans un conteneur Docker.
- Peut exécuter plusieurs petits travaux en parallèle. Un travail par processeur virtuel peut s’exécuter en parallèle, tandis que les autres travaux sont mis en file d’attente.
- Prend en charge les travaux de formation distribués sur un seul nœud équipé de plusieurs GPU
Vous pouvez utiliser une instance de calcul en tant que cible de déploiement d’inférence locale dans des scénarios de test ou de débogage.
Conseil
L’instance de calcul a un disque de système d’exploitation de 120 Go. Si vous ne disposez pas de suffisamment d’espace disque et qu’il en découle un état inutilisable, effacez au moins 5 Go d’espace sur le disque du système d’exploitation (monté sur /) via le terminal d’instance de calcul en supprimant des fichiers/dossiers, puis en effectuant un sudo reboot. Le disque temporaire sera libéré après le redémarrage ; vous n’avez pas besoin de vider manuellement l’espace sur le disque temporaire. Pour accéder au terminal, accédez à la page des listes de calcul ou à la page des détails de l’instance de calcul, puis cliquez sur le lien Terminal . Vous pouvez vérifier l’espace disque disponible en exécutant df -h sur le terminal. Libérez au moins 5 Go d’espace avant d’effectuer sudo reboot. N’arrêtez pas ou ne redémarrez pas l’instance de calcul via Studio tant qu’un espace disque de 5 Go n’a pas été libéré. Les arrêts automatiques, y compris le démarrage ou l’arrêt planifiés ainsi que les arrêts inactifs, ne fonctionnent pas si le disque CI est plein.
Contenu connexe
- Créez les ressources dont vous avez besoin pour commencer.
- Tutoriel : Entraîner votre premier modèle ML montre comment utiliser une instance de calcul avec un notebook intégré.