Vytvoření pracovního prostoru Azure Machine Learning

Dokončeno

Pokud chcete získat přístup k pracovnímu prostoru Azure Machine Learning, musíte nejprve vytvořit službu Azure Machine Learning ve svém předplatném Azure. Pracovní prostor je centrální místo, kde můžete pracovat se všemi prostředky a prostředky dostupnými pro trénování a nasazování modelů strojového učení. Kvůli reprodukovatelnosti ukládá pracovní prostor historii všech trénovacích úloh, včetně protokolů, metrik, výstupů a snímku kódu.

Vysvětlení služby Azure Machine Learning

Pokud chcete vytvořit službu Azure Machine Learning, musíte:

1. Získejte přístup k Azure, například prostřednictvím webu Azure Portal.
2. Přihlaste se, abyste získali přístup k předplatnému Azure.
3. Vytvořte skupinu prostředků v rámci předplatného.
4. Vytvořte službu Azure Machine Learning pro vytvoření pracovního prostoru.

Když je pracovní prostor zřízený, Azure automaticky vytvoří další prostředky Azure ve stejné skupině prostředků pro podporu pracovního prostoru:

1. Účet úložiště Azure: Ukládání souborů a poznámkových bloků používaných v pracovním prostoru a ukládání metadat úloh a modelů.
2. Azure Key Vault: K bezpečné správě tajných kódů, jako jsou ověřovací klíče a přihlašovací údaje používané pracovním prostorem.
3. Application Insights: Monitorování prediktivních služeb v pracovním prostoru
4. Azure Container Registry: Vytvořeno v případě potřeby k ukládání imagí pro prostředí Azure Machine Learning.

Vytvořte pracovní prostor.

Pracovní prostor Azure Machine Learning můžete vytvořit některým z následujících způsobů:

• Pomocí uživatelského rozhraní na webu Azure Portal vytvořte službu Azure Machine Learning.
• Vytvořte šablonu Azure Resource Manageru (ARM). Naučte se používat šablonu ARM k vytvoření pracovního prostoru.
• Použijte rozhraní příkazového řádku Azure (CLI) s rozšířením Azure Machine Learning CLI. Zjistěte, jak vytvořit pracovní prostor pomocí rozhraní příkazového řádku v2.
• Použijte sadu Azure Machine Learning Python SDK.

Následující kód například používá sadu Python SDK k vytvoření pracovního prostoru s názvem mlw-example:

from azure.ai.ml.entities import Workspace

workspace_name = "mlw-example"

ws_basic = Workspace(
    name=workspace_name,
    location="eastus",
    display_name="Basic workspace-example",
    description="This example shows how to create a basic workspace",
)
ml_client.workspaces.begin_create(ws_basic)

Prozkoumání pracovního prostoru na webu Azure Portal

Vytvoření pracovního prostoru Azure Machine Learning obvykle trvá 5 až 10 minut. Po vytvoření pracovního prostoru můžete vybrat pracovní prostor a zobrazit jeho podrobnosti.

Na stránce Přehled pracovního prostoru Azure Machine Learning na webu Azure Portal můžete spustit studio Azure Machine Learning. Studio Azure Machine Learning je webový portál a poskytuje snadno použitelné rozhraní pro vytváření, správu a používání prostředků a prostředků v pracovním prostoru.

Na webu Azure Portal můžete ostatním také udělit přístup k pracovnímu prostoru Azure Machine Learning pomocí řízení přístupu.

Udělení přístupu k pracovnímu prostoru Azure Machine Learning

Jednotlivým uživatelům nebo týmům můžete udělit přístup k pracovnímu prostoru Azure Machine Learning. Přístup se uděluje v Azure pomocí řízení přístupu na základě role (RBAC), které můžete nakonfigurovat na kartě Řízení přístupu prostředku nebo skupiny prostředků.

Na kartě Řízení přístupu můžete spravovat oprávnění, abyste omezili akce, které můžou někteří uživatelé nebo týmy provádět. Můžete například vytvořit zásadu, která uživatelům ve skupině správců Azure umožňuje vytvářet cílové výpočetní objekty a úložiště dat. Zatímco uživatelé ve skupině datových vědců mohou vytvářet a spouštět úlohy pro trénování modelů a registrovat modely.

Existují tři obecné předdefinované role, které můžete použít napříč prostředky a skupinami prostředků k přiřazení oprávnění jiným uživatelům:

• Vlastník: Získá úplný přístup ke všem prostředkům a může udělit přístup ostatním pomocí řízení přístupu.
• Přispěvatel: Získá úplný přístup ke všem prostředkům, ale nemůže udělit přístup ostatním.
• Čtenář: Může zobrazit pouze prostředek, ale nesmí provádět žádné změny.

Azure Machine Learning má navíc konkrétní předdefinované role, které můžete použít:

• AzureML Datoví vědci: Může provádět všechny akce v rámci pracovního prostoru, s výjimkou vytváření nebo odstraňování výpočetních prostředků nebo úprav nastavení pracovního prostoru.
• Operátor výpočetních prostředků AzureML: Umožňuje vytvářet, měnit a spravovat přístup k výpočetním prostředkům v rámci pracovního prostoru.

A konečně, pokud předdefinované role nevyhovují vašim potřebám, můžete vytvořit vlastní roli pro přiřazení oprávnění jiným uživatelům.

Tip

Přečtěte si další informace o správě přístupu k pracovnímu prostoru Azure Machine Learning, včetně vytváření vlastních rolí.

Uspořádání pracovních prostorů

Zpočátku můžete pracovat jenom s jedním pracovním prostorem. Při práci na rozsáhlých projektech se ale můžete rozhodnout použít více pracovních prostorů.

Pracovní prostory můžete použít k seskupení prostředků strojového učení na základě projektů, prostředí nasazení (například testovacích a produkčních), týmů nebo některých dalších principů uspořádání.

Tip

Přečtěte si další informace o uspořádání pracovních prostorů Služby Azure Machine Learning pro podnikové prostředí.