Wat is een Azure Machine Learning-rekeninstantie?

Een Azure Machine Learning-rekenproces is een beheerd cloudwerkstation voor gegevenswetenschappers. Elk rekenproces heeft slechts één eigenaar, maar u kunt bestanden delen tussen meerdere rekeninstanties.

Rekeninstanties maken het eenvoudig om aan de slag te gaan met Azure Machine Learning-ontwikkeling en bieden beheer- en bedrijfsgereedheidsmogelijkheden voor IT-beheerders.

Gebruik een rekenproces als uw volledig geconfigureerde en beheerde ontwikkelomgeving in de cloud voor machine learning. U kunt compute-instances ook gebruiken als computedoel voor training en inferentie voor ontwikkelings- en testdoeleinden.

Zorg ervoor dat WebSocket-communicatie niet is uitgeschakeld, zodat de Jupyter-functionaliteit van het compute-exemplaar werkt. Zorg ervoor dat uw netwerk websocket-verbindingen toestaat naar *.instances.azureml.net en *.instances.azureml.ms.

Waarom een rekeninstantie gebruiken?

Een rekeninstantie is een volledig beheerd werkstation in de cloud dat is geoptimaliseerd voor uw ontwikkelomgeving voor machine learning. Het biedt de volgende voordelen:

• Beveilig uw rekenproces zonder openbaar IP-adres.
• Het compute-exemplaar is ook een beveiligd trainingsdoel voor berekeningen, vergelijkbaar met compute-clusters, maar bestaat uit één knooppunt.
• U kunt zelf een rekenproces maken of een beheerder kan namens u een rekenproces maken.
• U kunt ook een installatiescript gebruiken voor een geautomatiseerde manier om het rekenproces aan te passen en te configureren op basis van uw behoeften.
• Als u kosten wilt besparen, maakt u een planning om het rekenproces automatisch te starten en te stoppen of schakelt u inactiviteit in.

Hulpmiddelen en omgevingen

Met azure Machine Learning-rekenproces kunt u modellen ontwerpen, trainen en implementeren in een volledig geïntegreerde notebookervaring in uw werkruimte.

U kunt notebooks uitvoeren vanuit uw Azure Machine Learning-werkruimte, Jupyter, JupyterLab of Visual Studio Code. U kunt VS Code Desktop configureren voor toegang tot uw rekenproces. Of gebruik VS Code voor het web, rechtstreeks vanuit de browser en zonder vereiste installaties of afhankelijkheden.

Probeer VS Code voor het web om te profiteren van de eenvoudige integratie en uitgebreide ontwikkelomgeving die het biedt. VS Code voor het web biedt u veel van de functies van VS Code Desktop die u leuk vindt, inclusief zoek- en syntaxismarkeringen tijdens het bladeren en bewerken. Zie Visual Studio Code integreren met Azure Machine Learning (preview) en werken in VS Code op afstand verbonden met een rekenproces (preview) voor meer informatie over het gebruik van VS Code Desktop en VS Code voor het web.

U kunt pakketten installeren en kernels toevoegen aan uw rekenproces.

De volgende hulpprogramma's en omgevingen zijn al geïnstalleerd op het rekenproces:

U kunt RStudio of Posit Workbench (voorheen RStudio Workbench) toevoegen wanneer u de instantie maakt.

Het rekenproces heeft Ubuntu als basis besturingssysteem.

Toegang tot bestanden

In het standaardopslagaccount van uw werkruimte in Azure bestandsshare worden notitieblokken en Python scripts opgeslagen. U vindt deze bestanden onder de map 'Gebruikersbestanden'. Met deze opslag kunt u eenvoudig notebooks delen tussen rekeninstanties. Met het opslagaccount blijven uw notebooks ook veilig bewaard wanneer u een rekenproces stopt of verwijdert.

Het Azure-bestandsshareaccount van uw werkruimte wordt gekoppeld als een station op het rekenproces. Dit station is de standaard werkmap voor Jupyter, Jupyter Labs, RStudio en Posit Workbench. Deze installatie betekent dat de notebooks en andere bestanden die u maakt in Jupyter, JupyterLab, VS Code for Web, RStudio of Posit automatisch worden opgeslagen op de bestandsshare en ook beschikbaar zijn voor gebruik in andere rekenprocessen.

Alle rekeninstanties in dezelfde werkruimte hebben toegang tot de bestanden in de bestandsshare. Wijzigingen in deze bestanden op het rekenproces worden op betrouwbare wijze teruggezet naar de bestandsshare.

U kunt ook de meest recente Azure Machine Learning-voorbeelden klonen naar uw map in de map met gebruikersbestanden in de bestandsshare van de werkruimte.

Het schrijven van kleine bestanden kan langzamer zijn op netwerkstations dan schrijven naar de lokale schijf van het rekenproces zelf. Als u veel kleine bestanden schrijft, probeer dan een map rechtstreeks op de compute-instantie te gebruiken, zoals de map /tmp. Houd er rekening mee dat bestanden op het rekenproces niet toegankelijk zijn vanuit andere rekeninstanties.

Sla geen trainingsgegevens op de bestandsshare van notebooks op. Zie Access-gegevens in een taak voor informatie over de verschillende opties voor het opslaan van gegevens.

U kunt de map /tmp op het rekenproces gebruiken voor uw tijdelijke gegevens. Schrijf echter geen grote bestanden met gegevens op de besturingssysteemschijf van het rekenproces. De besturingssysteemschijf op het rekenproces heeft capaciteit van 120 GB. U kunt ook tijdelijke trainingsgegevens opslaan op de tijdelijke schijf die is gekoppeld op /mnt. De tijdelijke schijfgrootte is gebaseerd op de gekozen VM-grootte en kan grotere hoeveelheden gegevens opslaan als een vm met een hogere grootte is gekozen. Alle softwarepakketten die u installeert, worden opgeslagen op de besturingssysteemschijf van het rekenproces. Houd er rekening mee dat door de klant beheerde sleutelversleuteling momenteel niet wordt ondersteund voor de besturingssysteemschijf. De besturingssysteemschijf voor het rekenproces wordt versleuteld met Microsoft beheerde sleutels.

Aanmaken

Zie Resources maken die u nodig hebt om aan de slag te gaan om een eenvoudige compute-instantie te maken.

Zie Een nieuw rekenproces maken voor meer opties.

Als beheerder kunt u een rekenproces maken voor anderen in de werkruimte. U moet SSO uitschakelen voor een dergelijke rekeninstantie.

U kunt ook een installatiescript gebruiken voor een geautomatiseerde manier om het rekenproces aan te passen en te configureren.

Andere manieren om een compute-instantie te maken:

• Rechtstreeks vanuit de geïntegreerde notebooks-ervaring.
• Vanuit een Azure Resource Manager-sjabloon. Zie voor een voorbeeldsjabloon de sjabloon 'Een Azure Machine Learning-rekeninstantie maken'.
• Met Azure Machine Learning SDK
• Vanuit de CLI-extensie voor Azure Machine Learning

Het quotum voor toegewezen kernen per regio en per VM-familie en het totale regionale quotum, dat van toepassing is op het maken van compute-exemplaren, zijn samengevoegd en worden gedeeld met het quotum voor trainingscomputeclusters van Azure Machine Learning. Als u het rekenproces stopt, wordt er geen quotum uitgebracht om ervoor te zorgen dat u het rekenproces opnieuw kunt starten. Stop het rekenproces niet via de besturingssysteemterminal door een sudo-afsluiting uit te voeren.

De rekeninstance wordt geleverd met een P10 OS-schijf. Tijdelijk schijftype is afhankelijk van de gekozen VM-grootte. Op dit moment kunt u het type besturingssysteemschijf niet wijzigen.

Doel voor berekening

Rekeninstanties kunnen worden gebruikt als een trainingsrekendoel dat vergelijkbaar is met Azure Machine Learning-rekentrainingsclusters. Maar een rekenproces heeft slechts één knooppunt, terwijl een rekencluster meer knooppunten kan hebben.

Een rekenproces:

• Heeft een taakwachtrij.
• Voert taken veilig uit in een virtuele netwerkomgeving, zonder dat ondernemingen SSH-poort hoeven te openen. De taak wordt uitgevoerd in een containeromgeving en verpakt uw modelafhankelijkheden in een Docker-container.
• Kan meerdere kleine taken parallel uitvoeren. Eén taak per vCPU kan parallel worden uitgevoerd terwijl de rest van de taken in de wachtrij worden geplaatst.
• Ondersteunt gedistribueerde trainingstaken met één knooppunt met meerdere GPU's

U kunt een rekenexemplaar gebruiken als een lokaal implementatiedoel voor inferentie voor test- en foutopsporingsscenario's.

Gerelateerde inhoud

• Maak de resources die u nodig hebt om aan de slag te gaan.
• Zelfstudie: Uw eerste ML-model trainen laat zien hoe u een compute-exemplaar met een geïntegreerd notebook gebruikt.