O que é uma instância de computação do Azure Machine Learning?

Uma instância de computação do Azure Machine Learning é uma estação de trabalho gerenciada baseada em nuvem para cientistas de dados. Cada instância de computação tem apenas um proprietário, mas podes partilhar ficheiros entre várias instâncias de computação.

As instâncias de computação facilitam a introdução ao desenvolvimento do Azure Machine Learning e fornecem recursos de gerenciamento e prontidão empresarial para administradores de TI.

Use uma instância de computação como seu ambiente de desenvolvimento totalmente configurado e gerenciado na nuvem para aprendizado de máquina. Também pode usar instâncias de computação como alvo de cálculo para treino e inferência para fins de desenvolvimento e testes.

Para que a funcionalidade Jupyter da instância de computação funcione, verifique se a comunicação do soquete da Web não está desabilitada. Certifique-se de que a rede permite ligações de websocket a *.instances.azureml.net e *.instances.azureml.ms.

Por que usar uma instância de computação?

Uma instância de computação é uma estação de trabalho totalmente gerenciada baseada em nuvem otimizada para seu ambiente de desenvolvimento de aprendizado de máquina. Proporciona os seguintes benefícios:

• Proteja sua instância de computação sem IP público.
• A instância de computação também é um destino de computação seguro para treino, semelhante aos clusters de computação, mas tem apenas um nó.
• Você mesmo pode criar uma instância de computação ou um administrador pode criar uma instância de computação em seu nome.
• Você também pode usar um script de configuração para uma maneira automatizada de personalizar e configurar a instância de computação de acordo com suas necessidades.
• Para poupar em custos, crie um horário para iniciar e parar automaticamente a instância de computação, ou permitir o desligamento inativo.

Ferramentas e ambientes

A instância de computação do Azure Machine Learning permite criar, treinar e implantar modelos em uma experiência de bloco de anotações totalmente integrada em seu espaço de trabalho.

Você pode executar notebooks a partir da sua área de trabalho do Azure Machine Learning, do Jupyter, do JupyterLab ou do Visual Studio Code. Pode configurar o VS Code Desktop para aceder à sua instância de computação. Ou use o VS Code para a Web, diretamente do navegador e sem quaisquer instalações ou dependências necessárias.

Experimente o VS Code for the Web para tirar partido da integração fácil e do ambiente de desenvolvimento rico que proporciona. O VS Code para a Web oferece muitos dos recursos do VS Code Desktop que você adora, incluindo pesquisa e realce de sintaxe durante a navegação e edição. Para obter mais informações sobre como usar o VS Code Desktop e o VS Code para a Web, consulte Iniciar o Visual Studio Code integrado ao Azure Machine Learning (visualização) e Trabalhar no VS Code remotamente conectado a uma instância de computação (visualização).

Você pode instalar pacotes e adicionar kernels à sua instância de computação.

As seguintes ferramentas e ambientes já estão instalados na instância de computação:

Você pode adicionar RStudio ou Posit Workbench (anteriormente RStudio Workbench) ao criar a instância.

A instância de computação tem o Ubuntu como sistema operacional base.

Acesso a ficheiros

A conta de armazenamento predefinida do seu espaço de trabalho na partilha de ficheiros do Azure armazena blocos de notas e scripts Python. Pode encontrar estes ficheiros no seu diretório "User files". Esse armazenamento facilita o compartilhamento de blocos de anotações entre instâncias de computação. A conta de armazenamento também mantém seus blocos de anotações preservados com segurança quando você interrompe ou exclui uma instância de computação.

A conta de compartilhamento de arquivos do Azure do seu espaço de trabalho é montada como uma unidade na instância de computação. Esta unidade é o diretório de trabalho padrão para Jupyter, Jupyter Labs, RStudio e Posit Workbench. Esta configuração significa que os notebooks e outros ficheiros que cria no Jupyter, JupyterLab, VS Code for Web, RStudio ou Posit são automaticamente armazenados na partilha de ficheiros e disponíveis para utilização noutras instâncias de computação também.

Todas as instâncias de computação no mesmo espaço de trabalho podem aceder aos ficheiros na partilha de ficheiros. Todas as alterações efetuadas nestes ficheiros na instância de computação são persistidas de forma fiável na partilha de ficheiros.

Você também pode clonar os exemplos mais recentes do Azure Machine Learning para sua pasta no diretório de arquivos do usuário no compartilhamento de arquivos do espaço de trabalho.

A gravação de pequenos arquivos pode ser mais lenta em unidades de rede do que a gravação no próprio disco local da instância de computação. Se você estiver escrevendo muitos arquivos pequenos, tente usar um diretório diretamente na instância de computação, como um /tmp diretório. Note que os ficheiros na instância de computação não são acessíveis a partir de outras instâncias de computação.

Não armazene dados de preparação na partilha de ficheiros dos blocos de notas. Para obter informações sobre as várias opções para armazenar dados, consulte Acessar dados em um trabalho.

Pode utilizar o diretório /tmp na instância de computação para os dados temporários. No entanto, não escreva ficheiros grandes de dados no disco do SO da instância de computação. O disco do sistema operativo na instância de computação tem capacidade de 120 GB. Também pode armazenar dados de treino temporários no disco temporário montado em /mnt. O tamanho temporário do disco baseia-se no tamanho da VM escolhido e pode armazenar maiores quantidades de dados se for escolhida uma VM de tamanho superior. Quaisquer pacotes de software que instales são guardados no disco do sistema operativo da instância de computação. Note que a encriptação de chaves gerida pelo cliente não é atualmente suportada para o disco do sistema operativo. O disco do sistema operativo para a instância de computação é encriptado com chaves geridas pela Microsoft.

Criar

Para criar uma instância básica de computação, veja Criar recursos que precisa para começar.

Para obter mais opções, consulte Criar uma nova instância de computação.

Como administrador, você pode criar uma instância de computação para outras pessoas no espaço de trabalho. Deve desativar o SSO para uma instância de computação deste tipo.

Você também pode usar um script de configuração para uma maneira automatizada de personalizar e configurar a instância de computação.

Outras maneiras de criar uma instância de computação:

• Diretamente da experiência de notebooks integrados.
• Do modelo do Azure Resource Manager. Para obter um modelo de exemplo, consulte Criar um modelo de instância de computação do Azure Machine Learning.
• Com o SDK do Azure Machine Learning
• Da extensão da CLI para o Azure Machine Learning

A quota de núcleos dedicados por região e por família de VM, bem como a quota regional total, aplicável à criação de instâncias de cálculo, é unificada e partilhada com a quota do cluster de cálculo para treino do Azure Machine Learning. Parar a instância de computação não libera a cota para garantir que você possa reiniciar a instância de computação. Não pare a instância de processamento no terminal do sistema operativo utilizando o comando sudo shutdown.

A instância de computação vem com um disco de SO P10. O tipo de disco temporário depende do tamanho da VM escolhido. Atualmente, não pode alterar o tipo de disco do sistema operativo.

Destino de processamento

As instâncias de computação podem ser usadas como um destino de computação para treino, semelhante aos clusters de computação para treino do Azure Machine Learning. Mas uma instância de computação tem apenas um único nó, enquanto um cluster de computação pode ter mais nós.

Uma instância de computação:

• Tem uma fila de trabalhos.
• Executa trabalhos com segurança em um ambiente de rede virtual, sem exigir que as empresas abram a porta SSH. O trabalho é executado em um ambiente conteinerizado e empacota suas dependências de modelo em um contêiner do Docker.
• Pode executar vários pequenos trabalhos em paralelo. Um trabalho por vCPU pode ser executado em paralelo, enquanto o restante dos trabalhos está na fila.
• Suporta tarefas de treino distribuído multi-GPU num único nó

Você pode usar a instância de computação como um destino de implantação de inferência local para cenários de teste/depuração.

Conteúdos relacionados

• Crie os recursos de que precisa para começar.
• Tutorial: Treinar seu primeiro modelo de ML mostra como usar uma instância de computação com um bloco de anotações integrado.