Vad är en Azure Machine Learning-beräkningsinstans?

En Azure Machine Learning-beräkningsinstans är en hanterad molnbaserad arbetsstation för dataforskare. Varje beräkningsinstans har bara en ägare, men du kan dela filer mellan flera beräkningsinstanser.

Beräkningsinstanser gör det enkelt att komma igång med Azure Machine Learning-utveckling och tillhandahålla hanterings- och företagsberedskapsfunktioner för IT-administratörer.

Använd en beräkningsinstans som din fullständigt konfigurerade och hanterade utvecklingsmiljö i molnet för maskininlärning. Du kan också använda beräkningsinstanser som beräkningsmål för träning och slutsatsdragning i utvecklings- och testsyfte.

För att Jupyter-funktioner för beräkningsinstanser ska fungera kontrollerar du att kommunikationen med webbsocketen inte är inaktiverad. Se till att ditt nätverk tillåter websocket-anslutningar till *.instances.azureml.net och *.instances.azureml.ms.

Varför ska jag använda en beräkningsinstans?

En beräkningsinstans är en fullständigt hanterad molnbaserad arbetsstation som är optimerad för din utvecklingsmiljö för maskininlärning. Den ger följande fördelar:

• Skydda beräkningsinstansen utan offentlig IP-adress.
• Beräkningsinstansen är också ett säkert träningsberäkningsmål som liknar beräkningskluster, men det är en enda nod.
• Du kan skapa en beräkningsinstans själv, eller så kan en administratör skapa en beräkningsinstans åt dig.
• Du kan också använda ett installationsskript för ett automatiserat sätt att anpassa och konfigurera beräkningsinstansen enligt dina behov.
• Om du vill spara på kostnaderna skapar du ett schema för att automatiskt starta och stoppa beräkningsinstansen eller aktivera inaktiv avstängning.

Verktyg och miljöer

Med Azure Machine Learning-beräkningsinstansen kan du skapa, träna och distribuera modeller i en helt integrerad notebook-upplevelse på din arbetsyta.

Du kan köra notebook-filer från din Azure Machine Learning-arbetsyta, Jupyter, JupyterLab eller Visual Studio Code. Du kan konfigurera VS Code Desktop för åtkomst till din beräkningsinstans. Eller använd VS Code för webben, direkt från webbläsaren och utan nödvändiga installationer eller beroenden.

Prova VS Code för webben för att dra nytta av den enkla integrering och omfattande utvecklingsmiljö som den tillhandahåller. VS Code för webben ger dig många av funktionerna i VS Code Desktop som du älskar, inklusive sökning och syntaxmarkering vid surfning och redigering. Mer information om hur du använder VS Code Desktop och VS Code för webben finns i Starta Visual Studio Code integrerat med Azure Machine Learning (förhandsversion) och Arbeta i VS Code via fjärranslutning till en beräkningsinstans (förhandsversion).

Du kan installera paket och lägga till kernels i beräkningsinstansen.

Följande verktyg och miljöer är redan installerade på beräkningsinstansen:

Du kan lägga till RStudio eller Posit Workbench (tidigare RStudio Workbench) när du skapar instansen.

Beräkningsinstansen har Ubuntu som basoperativsystem.

Åtkomst till filer

Standardlagringskontot för din arbetsyta i Azure-filresurs lagrar notebookar och Python-skript. Du hittar de här filerna under katalogen "Användarfiler". Den här lagringen gör det enkelt att dela notebook-filer mellan beräkningsinstanser. Lagringskontot bevarar även dina anteckningsböcker på ett säkert sätt när du stoppar eller tar bort en beräkningsinstans.

Azure Files-kontot för din arbetsyta monteras som en disk på beräkningsinstansen. Den här disken är standardkatalog för Jupyter, JupyterLab, RStudio och Posit Workbench. Den här konfigurationen innebär att notebook-filer och andra filer som du skapar i Jupyter, JupyterLab, VS Code för webben, RStudio eller Posit lagras automatiskt på filresursen och är tillgängliga att använda även i andra beräkningsinstanser.

Alla beräkningsinstanser på samma arbetsyta kan komma åt filerna i filresursen. Alla ändringar i dessa filer på beräkningsinstansen förs tillförlitligt tillbaka och sparas i fildelningen.

Du kan också klona de senaste Azure Machine Learning-exemplen till din mapp under katalogen för användarfiler i filresursen för arbetsytan.

Att skriva små filer kan vara långsammare på nätverksenheter än att skriva till själva den lokala disken för beräkningsinstansen. Om du skriver många små filer kan du prova att använda en katalog direkt på beräkningsinstansen, till exempel en /tmp katalog. Observera att filer på beräkningsinstansen inte är tillgängliga från andra beräkningsinstanser.

Lagra inte träningsdata på filresursen för anteckningsböcker. Information om de olika alternativen för att lagra data finns i Åtkomst till data i ett jobb.

Du kan använda katalogen /tmp på beräkningsinstansen för temporära data. Skriv dock inte stora datafiler till OS-disken för beräkningsinstansen. OS-disken på beräkningsinstansen har kapacitet på 120 GB. Du kan också lagra temporära träningsdata på den temporära disken som är monterad på /mnt. Den tillfälliga diskstorleken baseras på den valda VM-storleken och kan lagra större mängder data om en virtuell dator med högre storlek väljs. Alla programvarupaket som du installerar sparas på operativsystemdisken för beräkningsinstansen. Observera att kundhanterad nyckelkryptering för närvarande inte stöds för OS-disken. OS-disken för beräkningsinstansen krypteras med Microsoft hanterade nycklar.

Skapa

Information om hur du skapar en grundläggande beräkningsinstans finns i Skapa resurser som du behöver för att komma igång.

Fler alternativ finns i Skapa en ny beräkningsinstans.

Som administratör kan du skapa en beräkningsinstans för andra på arbetsytan. Du måste inaktivera SSO för en sådan compute-instans.

Du kan också använda ett installationsskript för ett automatiserat sätt att anpassa och konfigurera beräkningsinstansen.

Andra sätt att skapa en beräkningsinstans:

• Direkt från den integrerade notebook-upplevelsen.
• Från Azure Resource Manager-mallen. En exempelmall finns i mallen skapa en Azure Machine Learning-beräkningsinstans.
• Med Azure Machine Learning SDK
• Från CLI-tillägget för Azure Machine Learning

Kvoten för dedikerade kärnor per region och VM-familj samt den totala regionala kvoten, som gäller för att skapa beräkningsinstanser, har slagits samman och delas med kvoten för Azure Machine Learning-träningsberäkningskluster. Om du stoppar beräkningsinstansen frigörs inte kvoten för att säkerställa att du kan starta om beräkningsinstansen. Stoppa inte beräkningsinstansen via OS-terminalen genom att göra en sudo-avstängning.

Beräkningsinstansen levereras med P10 OS-disk. Temporär disktyp beror på vilken VM-storlek som valts. För närvarande kan du inte ändra operativsystemdisktypen.

Beräkna mål

Beräkningsinstanser kan användas som ett träningsberäkningsmål som liknar Azure Machine Learning-beräkningsträningskluster. Men en beräkningsinstans har bara en enda nod, medan ett beräkningskluster kan ha fler noder.

En beräkningsinstans:

• Har en jobbkö.
• Kör jobb på ett säkert sätt i en virtuell nätverksmiljö, utan att företag behöver öppna SSH-porten. Jobbet körs i en containerbaserad miljö och paketera dina modellberoenden i en Docker-container.
• Kan köra flera små jobb parallellt. Ett jobb per vCPU kan köras parallellt medan resten av jobben placeras i kö.
• Stöder distribuerade träningsjobb med en nod för flera GPU:ar

Du kan använda beräkningsinstansen som ett lokalt mål för inferensdistribution för test-/felsökningsscenarier.

Relaterat innehåll

• Skapa resurser som du behöver för att komma igång.
• Självstudie: Träna din första ML-modell visar hur du använder en beräkningsinstans med en inbyggd notebook.