Tworzenie centrum przy użyciu zestawu SDK Azure Machine Learning i interfejsu wiersza polecenia (wersja klasyczna)

1. Instalowanie pakietów. (Jeśli w komórce notesu, użyj %pip install zamiast tego).

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

2. Podaj szczegóły subskrypcji:

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

3. Uzyskaj dojście do subskrypcji. Cały kod Python w tym artykule używa 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. (Opcjonalnie) Jeśli masz wiele kont, dodaj ID dzierżawcy Microsoft Entra ID, którego chcesz użyć w DefaultAzureCredential. Znajdź identyfikator dzierżawy w portalu Azure w sekcji Microsoft Entra ID, Tożsamości zewnętrzne.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Opcjonalnie) Jeśli pracujesz w Azure Government — USA lub Azure (Chiny) — 21Vianet określ region, w którym chcesz się uwierzytelnić. Możesz określić region za pomocą polecenia DefaultAzureCredential. Poniższy przykład uwierzytelnia się w regionie Azure Government — Stany Zjednoczone:

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

6. Sprawdź połączenie.

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

Jeśli wystąpi błąd uwierzytelniania, upewnij się, że poświadczenia Azure są skonfigurowane (uruchom az login lub skonfiguruj poświadczenia za pomocą zestawu AZURE Identity SDK). Jeśli wystąpi błąd uprawnień, sprawdź, czy masz rolę Współautor w subskrypcji lub grupie zasobów.

Odwołania: MLClient, DefaultAzureCredential

1. Jeśli nie masz zainstalowanego rozszerzenia Azure CLI i uczenia maszynowego, wykonaj kroki opisane w artykule Instaluj i skonfiguruj rozszerzenie uczenia maszynowego.

2. Aby uwierzytelnić się w subskrypcji Azure z Azure CLI, użyj następującego polecenia:

   az login
   

   Aby uzyskać więcej informacji na temat uwierzytelniania, zobacz Metody uwierzytelniania.

3. Zweryfikuj swoje uwierzytelnianie, wyświetlając listę istniejących hubów.

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

   Jeśli polecenie powiedzie się i wyświetli wszystkie istniejące koncentratory, uwierzytelnianie jest skonfigurowane poprawnie.

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}")

Ten kod tworzy nowe centrum o określonej nazwie, lokalizacji i nazwie wyświetlanej. Azure automatycznie aprowizuje skojarzone zasoby Azure Storage i Azure Key Vault.

Odwołania: Hub, MLClient.workspaces.begin_create

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

Zastąp <your-resource-group> nazwą grupy zasobów Azure i <your-hub-name> unikatową nazwą centrum. Azure automatycznie tworzy skojarzone zasoby magazynu i skarbca kluczy.

Referencje: az ml workspace create

1. Dołącz swój hub do połączenia ml_client.

   • Wprowadź szczegóły subskrypcji. W polu <AML_WORKSPACE_NAME>wprowadź nazwę centrum:

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

   • Pobierz dojście do centrum:

     # 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. Użyj ml_client polecenia , aby utworzyć połączenie z narzędziami Foundry. Punkty końcowe można znaleźć w portalu Azure w obszarze Resource management > Keys and endpoints. W przypadku zasobu Foundry użyj punktu końcowego AI Services. W przypadku Wyszukiwanie AI platformy Azure użyj adresu URL punktu końcowego.

   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}")
   

   Odwołania: AzureAIServicesConnection, MLClient.connections

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

Możesz użyć klucza API lub uwierzytelniania za pomocą Azure Entra ID (AAD). Utwórz plik konfiguracji YAML o nazwie connection.yml:

Przykład klucza interfejsu 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>

Przykład usługi AAD (bez poświadczeń):

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>

Aby uzyskać szczegółowe informacje o schemacie, zobacz schemat YAML usług Azure AI Services.

Odwołania: 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}")

Aby znaleźć identyfikatory zasobów dla istniejących zasobów, odwiedź stronę Azure portal przejdź do strony Overview i wybierz widok JSON. Identyfikator zasobu zostanie wyświetlony w polu id . Alternatywnie użyj 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"

Odwołania: 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>

Zastąp symboli zastępczych w nawiasach trójkątnych własnymi wartościami. Aby znaleźć identyfikatory zasobów, użyj:

# 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"

Dokumentacja: 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}")

Ten skrypt aktualizuje istniejące centrum przy użyciu określonych zasobów usługi Application Insights i usługi Container Registry. Parametr update_dependent_resources=True potwierdza aktualizację.

Dokumentacja: Hub, MLClient.workspaces.begin_update()

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

To polecenie aktualizuje centrum o nazwie "myexamplehub" przy użyciu określonego zasobu usługi Application Insights. Flaga -u udziela zgody na aktualizowanie zasobów zależnych.

Dokumentacja: az ml workspace update