Sdílet prostřednictvím

Nasazení pracovního prostoru Machine Learning Studio (Classic) pomocí Azure Resource Manageru

  • Článek

PLATÍ PRO: Platí pro. Machine Learning Studio (Classic) Nevztahuje se na.Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Použití šablony nasazení Azure Resource Manageru šetří čas tím, že vám poskytne škálovatelný způsob nasazení propojených komponent pomocí mechanismu ověřování a opakování. Pokud chcete například nastavit pracovní prostory Machine Learning Studia (Classic), musíte nejprve nakonfigurovat účet úložiště Azure a pak pracovní prostor nasadit. Představte si, že to uděláte ručně pro stovky pracovních prostorů. Jednodušší alternativou je použití šablony Azure Resource Manageru k nasazení pracovního prostoru studia (classic) a všech jeho závislostí. Tento článek vás provede podrobným postupem. Skvělý přehled Azure Resource Manageru najdete v přehledu Azure Resource Manageru.

Poznámka:

Při práci s Azure doporučujeme používat modul Azure Az PowerShellu. Začněte tím, že si projdete téma Instalace Azure PowerShellu. Informace o tom, jak migrovat na modul Az PowerShell, najdete v tématu Migrace Azure PowerShellu z AzureRM na Az.

Podrobný postup: Vytvoření pracovního prostoru Machine Learning

Vytvoříme skupinu prostředků Azure a pak pomocí šablony Resource Manageru nasadíme nový účet úložiště Azure a nový pracovní prostor Machine Learning Studia (Classic). Po dokončení nasazení vytiskneme důležité informace o vytvořených pracovních prostorech (primární klíč, ID pracovního prostoru a adresu URL pracovního prostoru).

Vytvoření šablony Azure Resource Manageru

Pracovní prostor Machine Learning vyžaduje, aby účet úložiště Azure ukládl datovou sadu propojenou s ní. Následující šablona používá název skupiny prostředků k vygenerování názvu účtu úložiště a názvu pracovního prostoru. Při vytváření pracovního prostoru také používá název účtu úložiště jako vlastnost.

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

Uložte tuto šablonu jako soubor mlworkspace.json do složky c:\temp.

Nasazení skupiny prostředků na základě šablony

  • Otevření Powershellu
  • Instalace modulů pro Azure Resource Manager a správu služeb Azure
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

Tento postup stáhne a nainstaluje moduly potřebné k dokončení zbývajících kroků. Stačí to udělat jenom jednou v prostředí, ve kterém spouštíte příkazy PowerShellu.

  • Ověřování v Azure
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

Tento krok se musí opakovat pro každou relaci. Po ověření by se měly zobrazit informace o vašem předplatném.

Azure Account

Teď, když máme přístup k Azure, můžeme vytvořit skupinu prostředků.

  • Vytvoření skupiny zdrojů
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

Ověřte, že je skupina prostředků správně zřízená. ProvisioningState by měl být "Úspěch". Název skupiny prostředků používá šablona k vygenerování názvu účtu úložiště. Název účtu úložiště musí mít délku 3 až 24 znaků a musí obsahovat jenom číslice a malá písmena.

Skupina prostředků

  • Pomocí nasazení skupiny prostředků nasaďte nový pracovní prostor Machine Learning.
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

Po dokončení nasazení je snadné získat přístup k vlastnostem pracovního prostoru, který jste nasadili. Můžete například získat přístup k tokenu primárního klíče.

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

Dalším způsobem, jak načíst tokeny existujícího pracovního prostoru, je použít příkaz Invoke-AzResourceAction. Můžete například zobrazit seznam primárních a sekundárních tokenů všech pracovních prostorů.

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

Po zřízení pracovního prostoru můžete pomocí modulu PowerShellu pro Machine Learning Studio (classic) automatizovat také mnoho úloh Machine Learning Studia (classic).

Další kroky