Verwalten von Azure Machine Learning-Arbeitsbereichen im Portal oder mit dem Python SDK (v2)

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

In diesem Artikel erfahren Sie, wie Sie Azure Machine Learning-Arbeitsbereiche für Azure Machine Learning über das Azure-Portal oder mit dem SDK für Python erstellen, anzeigen und löschen.

Wenn sich Ihr Bedarf ändert oder die Anforderungen an die Automatisierung zunehmen, können Sie Arbeitsbereiche über die Befehlszeilenschnittstelle, Azure PowerShell oder die Visual Studio Code-Erweiterung verwalten.

Voraussetzungen

• Ein Azure-Abonnement. Wenn Sie nicht über ein Azure-Abonnement verfügen, können Sie ein kostenloses Konto erstellen, bevor Sie beginnen. Probieren Sie noch heute die kostenlose oder kostenpflichtige Version von Azure Machine Learning aus.
• Mit dem Python-SDK:

  1. Installieren Sie das SDK v2.

  2. Installieren Sie azure-identity: pip install azure-identity. Verwenden Sie in einer Notebookzelle %pip install azure-identity.

  3. Geben Sie Ihre Abonnementdetails an:

     GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

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

  4. Rufen Sie ein Handle für das Abonnement ab. Der gesamte Python-Code in diesem Artikel verwendet 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)

     • (Optional) Wenn Sie über mehrere Konten verfügen, fügen Sie die Mandanten-ID der Microsoft Entra ID-Instanz, die Sie verwenden möchten, in DefaultAzureCredential hinzu. Ihre Mandanten-ID finden Sie im Azure-Portal unter Microsoft Entra ID, Externe Identitäten.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Optional:) Wenn Sie in den Regionen Azure Government – USA oder Azure China 21Vianet arbeiten, müssen Sie die Cloud angeben, in der Sie die Authentifizierung durchführen möchten. Sie können diese Regionen in DefaultAzureCredential angeben.

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

Begrenzungen

• Wenn Sie einen neuen Arbeitsbereich erstellen, können Sie die vom Arbeitsbereich benötigten Dienste automatisch erstellen oder vorhandene Dienste verwenden. Wenn Sie vorhandene Dienste aus einem anderen Azure-Abonnement als dem des Arbeitsbereichs verwenden möchten, müssen Sie den Azure Machine Learning-Namespace in dem Abonnement mit diesen Dienst registrieren. Wenn Sie z. B. einen Arbeitsbereich in Abonnement A erstellen, der ein Speicherkonto aus Abonnement B verwendet, muss der Azure Machine Learning-Namespace in Abonnement B registriert werden, damit der Arbeitsbereich das Speicherkonto verwenden kann.

  Der Ressourcenanbieter für Machine Learning ist Microsoft.MachineLearningServices. Informationen dazu, ob er registriert ist oder registriert wird, finden Sie unter Azure-Ressourcenanbieter und -typen.

  Wichtig

  Diese Informationen betreffen nur Ressourcen, die beim Erstellen des Arbeitsbereichs bereitgestellt werden, also Azure Storage-Konten, Azure Container Registry, Azure Key Vault und Application Insights.

• Für die Netzwerkisolation mit Onlineendpunkten können Sie arbeitsbereichsbezogene Ressourcen (Azure Container Registry (ACR), Speicherkonto, Key Vault und Application Insights) aus einer Ressourcengruppe verwenden, die sich von der Ihres Arbeitsbereichs unterscheidet. Diese Ressourcen müssen jedoch demselben Abonnement und Mandanten wie Ihr Arbeitsbereich angehören. Informationen zu den Einschränkungen, die für das Schützen verwalteter Onlineendpunkte mithilfe des verwalteten virtuellen Netzwerks eines Arbeitsbereichs gelten, finden Sie unter Netzwerkisolation mit verwalteten Onlineendpunkten.

• Die Arbeitsbereichserstellung erstellt standardmäßig auch eine Azure Container Registry-Instanz (ACR). Da ACR derzeit keine Unicode-Zeichen in Ressourcengruppennamen unterstützt, verwenden Sie eine Ressourcengruppe, die diese Zeichen vermeidet.

• Azure Machine Learning unterstützt keinen hierarchischen Namespace (Azure Data Lake Storage Gen2-Feature) für das Standardspeicherkonto des Arbeitsbereichs.

Tipp

Eine Azure Application Insights-Instanz wird erstellt, wenn Sie den Arbeitsbereich erstellen. Wenn Sie möchten, können Sie die Application Insights-Instanz nach der Clustererstellung löschen. Durch das Löschen werden die aus dem Arbeitsbereich gesammelten Informationen eingeschränkt, und die Problembehandlung ist möglicherweise schwieriger. Wenn Sie die vom Arbeitsbereich erstellte Application Insights-Instanz löschen, können Sie sie nur neu erstellen, indem Sie den Arbeitsbereich löschen und neu erstellen.

Weitere Informationen zur Verwendung der Application Insights-Instanz finden Sie unter Überwachen und Erfassen von Daten von ML-Webdienst-Endpunkten.

Erstellen eines Arbeitsbereichs

Sie können einen Arbeitsbereich direkt in Azure Machine Learning Studio erstellen, wobei nur begrenzte Optionen zur Verfügung stehen. Sie können auch eine dieser Methoden verwenden, um mehr Kontrolle über Optionen zu erhalten:

Python SDK

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

• Grundlegende Konfiguration für die ersten Schritte ohne Spezifikation: Die zugeordneten Ressourcen und die Azure-Ressourcengruppe werden automatisch erstellt. Mit diesem Code werden der Arbeitsbereich myworkspace, abhängige Azure-Ressourcen (Speicherkonto, Key Vault, Container Registry, Application Insights) und eine Ressourcengruppe namens myresourcegroup in eastus2 erstellt.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Verwenden vorhandener Azure-Ressourcen Um vorhandene Azure-Ressourcen zu nutzen, verweisen Sie im Format von Azure-Ressourcen-IDs darauf. Die bestimmten Azure-Ressourcen-IDs finden Sie im Azure-Portal oder mit dem SDK. In diesem Beispiel wird davon ausgegangen, dass die Ressourcengruppe, das Speicherkonto, Key Vault, Application Insights und Container Registry bereits vorhanden sind.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

• (Vorschau:) Verwenden eines vorhandenen Hubarbeitsbereichs Anstatt einen Standardarbeitsbereich mit eigenen Sicherheitseinstellungen und zugeordneten Ressourcen zu erstellen, können Sie die freigegebene Umgebung eines Hubarbeitsbereichs wiederverwenden. Ihr neuer „Projektarbeitsbereich“ erhält vom Hub Sicherheitseinstellungen und freigegebene Konfigurationen, einschließlich Computeressourcen und Verbindungen. In diesem Beispiel wird davon ausgegangen, dass der Hubarbeitsbereich bereits vorhanden ist.

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

Weitere Informationen finden Sie unter SDK-Referenz für den Arbeitsbereich.

Wenn Sie Probleme beim Zugriff auf Ihr Abonnement haben, finden Sie weitere Informationen unter Einrichten der Authentifizierung für Azure Machine Learning-Ressourcen und -Workflows sowie im Notebook Authentifizierung in Azure Machine Learning.

Portal

1. Melden Sie sich mit den Anmeldeinformationen für Ihr Azure-Abonnement beim Azure-Portal an.

2. Wählen Sie im Azure-Portal oben links die Option + Ressource erstellen aus.

   

3. Suchen Sie mithilfe der Suchleiste Machine Learning.

4. Wählen Sie Machine Learning aus.

5. Wählen Sie im Bereich Machine Learning die Option Erstellen aus, um zu beginnen.

6. Geben Sie die folgenden Informationen an, um den neuen Arbeitsbereich zu konfigurieren:

   Feld	BESCHREIBUNG
   Arbeitsbereichname	Geben Sie einen eindeutigen Namen ein, der Ihren Arbeitsbereich identifiziert. In diesem Beispiel wird docs-ws verwendet. Namen müssen in der Ressourcengruppe eindeutig sein. Verwenden Sie einen Namen, der leicht zu merken ist und sich von den von anderen Benutzer*innen erstellten Arbeitsbereichen unterscheidet. Für den Namen des Arbeitsbereichs wird die Groß-/Kleinschreibung nicht beachtet.
   Subscription	Wählen Sie das gewünschte Azure-Abonnement aus.
   Resource group	Verwenden einer vorhandenen Ressourcengruppe in Ihrem Abonnement Geben Sie einen Namen ein, um eine neue Ressourcengruppe zu erstellen. Eine Ressourcengruppe enthält verwandte Ressourcen für eine Azure-Lösung. Die Rolle Mitwirkender oder Besitzer ist für die Verwendung einer vorhandenen Ressourcengruppe erforderlich. Weitere Informationen zum Zugriff finden Sie unter Verwalten des Zugriffs auf einen Azure Machine Learning-Arbeitsbereich.
   Region	Wählen Sie die Azure-Region aus, die Ihren Benutzerinnen und Benutzern sowie Ihren Datenressourcen am nächsten liegt.
   Speicherkonto	Das Standardspeicherkonto für den Arbeitsbereich. Standardmäßig wird ein neues erstellt.
   Key Vault	Die Azure Key Vault-Instanz, die vom Arbeitsbereich verwendet wird. Standardmäßig wird eine neue erstellt.
   Application Insights	Die Application Insights-Instanz für den Arbeitsbereich. Standardmäßig wird eine neue erstellt.
   Container Registry	Die Azure Container Registry-Instanz für den Arbeitsbereich. Standardmäßig wird keine neue anfänglich für den Arbeitsbereich erstellt. Stattdessen wird beim Erstellen eines Docker-Images während des Trainings oder der Bereitstellung zusätzlich die Azure Container Registry für den Arbeitsbereich erstellt, sobald Sie es benötigen.

   

7. Wählen Sie Überprüfen und Erstellen aus, nachdem die Konfiguration des Arbeitsbereichs abgeschlossen ist. Verwenden Sie optional die Abschnitte Netzwerk, Verschlüsselung, Identität und Tags, um weitere Arbeitsbereichseinstellungen zu konfigurieren.

8. Überprüfen Sie die Einstellungen, und nehmen Sie weitere Änderungen oder Korrekturen vor. Wenn Sie mit den Einstellungen zufrieden sind, wählen Sie Erstellen aus.

   Warnung

   Die Erstellung des Arbeitsbereichs in der Cloud kann einige Minuten dauern.

   Wenn der Vorgang abgeschlossen ist, wird eine Erfolgsmeldung zur Bereitstellung angezeigt.

9. Um den neuen Arbeitsbereich anzuzeigen, wählen Sie Zu Ressource wechseln aus.

10. Um mit der Verwendung des Arbeitsbereichs zu beginnen, wählen Sie oben rechts den Link Studio-Web-URL aus. Sie können den Arbeitsbereich auch auf der Willkommensseite von Azure Machine Learning Studio auswählen.

Studio

1. Geben Sie einen Namen für die Azure Machine Learning-Arbeitsbereichsressource an.

2. Geben Sie einen Anzeigenamen für Ihren Arbeitsbereich in Studio an.

3. (Vorschau:) Wählen Sie optional einen Hubarbeitsbereich aus, um Ihren Arbeitsbereich in einer freigegebenen Umgebung für Ihr Team zu hosten und vorkonfigurierte Sicherheitseinstellungen, Zugriff auf Unternehmensressourcen und gemeinsam genutzte Computeressourcen zu erhalten.

   

Netzwerk

Wichtig

Weitere Informationen zur Verwendung eines privaten Endpunkts und eines virtuellen Netzwerks mit Ihrem Arbeitsbereich finden Sie unter Netzwerkisolation und Datenschutz.

Python SDK

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Diese Klasse erfordert ein vorhandenes virtuelles Netzwerk.

Portal

1. Die standardmäßige Netzwerkkonfiguration verwendet einen öffentlichen Endpunkt, der über das öffentliche Internet zugänglich ist. Sie können jedoch Privat mit ausgehendem Internetdatenverkehr oder Privat mit genehmigten ausgehenden Datenverkehr auswählen, wenn Sie den Zugriff auf Ihren Arbeitsbereich auf ein von Ihnen erstelltes virtuelles Azure-Netzwerk beschränken möchten. Scrollen Sie dann nach unten, um die Einstellungen zu konfigurieren.

   

2. Wählen Sie unter Eingehender Zugriff des Arbeitsbereichs die Option Hinzufügen aus, um das Formular Privaten Endpunkt erstellen zu öffnen.

3. Legen Sie im Formular Privaten Endpunkt erstellen den Speicherort, den Namen und das zu verwendende virtuelle Netzwerk fest. Um den Endpunkt mit einer privaten DNS-Zone zu verwenden, wählen Sie zunächst In private DNS-Zone integrieren und dann die gewünschte Zone mithilfe des Felds Private DNS-Zone aus. Klicken Sie auf OK, um den Endpunkt zu erstellen.

   

4. Wenn Sie Privat mit ausgehendem Internetdatenverkehr ausgewählt haben, verwenden Sie den Abschnitt Ausgehender Zugang des Arbeitsbereichs, um das Netzwerk und Ausgangsregeln zu konfigurieren.

5. Wenn Sie Privat mit genehmigtem ausgehendem Datenverkehr ausgewählt haben, verwenden Sie den Abschnitt Ausgehender Zugriff des Arbeitsbereichs, um dem erforderlichen Satz weitere Regeln hinzuzufügen.

6. Wenn Sie die Netzwerkkonfiguration abgeschlossen haben, können Sie die Option Überprüfen und Erstellen auswählen oder mit der optionalen Konfiguration der Verschlüsselung fortfahren.

Studio

1. Um in Studio einen Arbeitsbereich mit deaktivierter Internetverbindung zu erstellen, sollten Sie einen Hubarbeitsbereich angeben, bei dem der Zugriff auf öffentliche Netzwerke deaktiviert ist. Bei Arbeitsbereichen, die ohne einen Hub in KI Studio erstellt werden, ist der öffentliche Internetzugriff aktiviert. Bei einem privaten Hub wird ein Schlosssymbol angezeigt.

   

2. Wenn Sie zum Zeitpunkt der Erstellung keinen Hubarbeitsbereich auswählen, wird die Standardnetzwerkkonfiguration verwendet, die einen öffentlichen Endpunkt nutzt, auf den über das öffentliche Internet zugegriffen werden kann.

Verschlüsselung

Standardmäßig werden Metadaten für den Arbeitsbereich in einer Azure Cosmos DB-Instanz gespeichert. Microsoft verwaltet diese Cosmos DB-Instanz. Diese Daten werden mit von Microsoft verwalteten Schlüsseln verschlüsselt.

Verwenden eines eigenen Datenverschlüsselungsschlüssels

Sie können einen eigenen Schlüssel für die Datenverschlüsselung bereitstellen. Wenn Sie einen eigenen Schlüssel angeben, wird eine Azure Cosmos DB-Instanz erstellt, in der die Metadaten zu Ihrem Azure-Abonnement gespeichert werden. Weitere Informationen finden Sie unter Kundenseitig verwaltete Schlüssel.

Führen Sie diese Schritte aus, um Ihren eigenen Schlüssel bereitzustellen:

Wichtig

Bevor Sie diese Schritte ausführen, müssen Sie zunächst die folgenden Aktionen ausführen:

Befolgen Sie die Schritte in Konfigurieren von kundenseitig verwalteten Schlüsseln, um:

• Registrieren des Azure Cosmos DB-Anbieters
• Erstellen und Konfigurieren einer Azure Key Vault-Instanz
• Generieren eines Schlüssels

Python SDK

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portal

1. Klicken Sie auf Kundenseitig verwalteter Schlüssel und dann auf Klicken Sie hier, um einen Schlüssel auszuwählen.

   

2. Wählen Sie im Formular Schlüssel aus Azure Key Vault auswählen eine vorhandene Azure Key Vault-Instanz, einen darin enthaltenen Schlüssel sowie die Schlüsselversion aus. Dieser Schlüssel verschlüsselt die in Azure Cosmos DB gespeicherten Daten. Klicken Sie abschließend auf die Schaltfläche Auswählen, um diesen Schlüssel zu verwenden.

   

Studio

1. Um in Studio einen Arbeitsbereich mit Verschlüsselung über kundenseitig verwaltete Schlüssel zu erstellen, sollten Sie einen Hubarbeitsbereich angeben, in dem kundenseitig verwaltete Schlüssel aktiviert sind. Um die Konfiguration eines Hubarbeitsbereichs zu überprüfen, zeigen Sie diesen im Azure-Portal an.

2. Wenn Sie zum Zeitpunkt der Erstellung keinen Hubarbeitsbereich auswählen, verwendet Ihr Arbeitsbereich standardmäßig von Microsoft verwaltete Schlüssel.

Identität

Verwenden Sie im Portal die Seite Identität, um verwaltete Identitäten, Speicherkontozugriff und Datenauswirkungen zu konfigurieren. Informationen zum Python SDK finden Sie unter den Links in den folgenden Abschnitten.

Verwaltete Identität

Einem Arbeitsbereich kann entweder eine systemseitig zugewiesene Identität oder eine benutzerseitig zugewiesene Identität zugewiesen werden. Diese Identität wird für den Zugriff auf Ressourcen in Ihrem Abonnement verwendet. Weitere Informationen finden Sie unter Einrichten der Authentifizierung zwischen Azure Machine Learning und anderen Diensten.

Zugriff auf das Speicherkonto

Wählen Sie zwischen Zugriff basierend auf Anmeldeinformationen und Identitätsbasierter Zugriff beim Herstellen einer Verbindung mit dem Standardspeicherkonto. Für die identitätsbasierte Authentifizierung muss der verwalteten Identität des Arbeitsbereichs die Rolle „Mitwirkende*r an Storage-Blobdaten“ für das Speicherkonto gewährt werden.

Datenauswirkung

Wählen Sie Arbeitsbereich mit hohen geschäftlichen Auswirkungen im Portal aus oder legen Sie hbi_workspace=true in Python fest, um die von Microsoft in Ihrem Arbeitsbereich gesammelten Daten zu beschränken. Weitere Informationen zu dieser Einstellung finden Sie unter Verschlüsselung ruhender Daten.

Wichtig

Die Auswahl von „starken geschäftlichen Auswirkungen“ kann nur beim Erstellen eines Arbeitsbereichs erfolgen. Diese Einstellung kann nach dem Erstellen des Arbeitsbereichs nicht mehr geändert werden.

Tags

Tags sind Name/Wert-Paare, die Ihnen das Kategorisieren von Ressourcen und die Anzeige einer konsolidierten Abrechnung ermöglichen, indem Sie dasselbe Tag auf mehrere Ressourcen und Ressourcengruppen anwenden.

Weisen Sie Tags für den Arbeitsbereich zu, indem Sie die Namen/Wert-Paare eingeben. Weitere Informationen finden Sie unter Verwenden von Tags zum Organisieren von Azure-Ressourcen.

Verwenden Sie Tags auch zum Erzwingen von Arbeitsbereichsrichtlinien (#enforce-policies).

Herunterladen einer Konfigurationsdatei

Wenn Sie Ihren Code in einer Compute-Instanz ausführen, überspringen Sie diesen Schritt. Die Compute-Instanz erstellt und speichert eine Kopie dieser Datei für Sie.

Um Code in Ihrer lokalen Umgebung zu verwenden, der auf diesen Arbeitsbereich verweist, laden Sie die Datei herunter:

1. Wählen Sie Ihren Arbeitsbereich in Azure Studio aus.

2. Wählen Sie oben rechts den Arbeitsbereichsnamen und dann "config.json" herunterladen aus.

   

Legen Sie die Datei in der Verzeichnisstruktur ab, die Ihre Python-Skripts oder Jupyter-Notebooks enthält. Dasselbe Verzeichnis, ein Unterverzeichnis mit dem Namen .azureml, oder ein übergeordnetes Verzeichnis kann diese Datei enthalten. Bei der Erstellung einer Compute-Instanz wird diese Datei automatisch dem richtigen Verzeichnis auf dem virtuellen Computer hinzugefügt.

Erzwingen von Richtlinien

Sie können diese Features eines Arbeitsbereichs aktivieren/deaktivieren:

• Feedbackmöglichkeiten im Arbeitsbereich. Zu den Verkaufschancen gehören gelegentliche In-Product-Umfragen und das Smile-Frown-Feedback-Tool im Banner des Arbeitsbereichs.
• Möglichkeit zum Testen von Vorschaufeatures im Arbeitsbereich.

Diese Features sind standardmäßig aktiviert. So deaktivieren Sie sie:

• Deaktivieren Sie beim Erstellen des Arbeitsbereichs das Feature im Abschnitt Tags:

  1. Deaktivieren Sie das Feedback, indem Sie das Paar „ADMIN_HIDE_SURVEY: TRUE“ hinzufügen.
  2. Deaktivieren Sie die Vorschau, indem Sie das Paar „AZML_DISABLE_PREVIEW_FEATURE: TRUE“ hinzufügen.

• Deaktivieren Sie bei einem vorhandenen Arbeitsbereich das Feature im Abschnitt Tags:

  1. Navigieren Sie im Azure-Portal zur Arbeitsbereichsressource
  2. Öffnen Sie Tags im linken Navigationsbereich
  3. Deaktivieren Sie das Feedback, indem Sie das Paar „ADMIN_HIDE_SURVEY: TRUE“ hinzufügen.
  4. Deaktivieren Sie die Vorschau, indem Sie das Paar „AZML_DISABLE_PREVIEW_FEATURE: TRUE“ hinzufügen.
  5. Wählen Sie Übernehmen.

Sie können Vorschauen auf Abonnementebene deaktivieren und sicherstellen, dass sie für alle Arbeitsbereiche im Abonnement deaktiviert sind. In diesem Fall können Benutzerinnen und Benutzer im Abonnement ebenfalls nicht auf das Vorschautool zugreifen, bevor sie einen Arbeitsbereich ausgewählt haben. Diese Einstellung ist für Administratorinnen und Administratoren hilfreich, die sicherstellen möchten, dass Previewfunktionen in ihrer Organisation nicht verwendet werden.

Wenn die Vorschaueinstellung auf Abonnementebene deaktiviert ist, wird eine Änderung dieser Einstellung in einzelnen Arbeitsbereiche ignoriert.

So deaktivieren Sie Previewfunktionen auf Abonnementebene:

1. Navigieren Sie im Azure-Portal zur Abonnementressource
2. Öffnen Sie Tags im linken Navigationsbereich
3. Deaktivieren Sie die Vorschau für alle Arbeitsbereiche im Abonnement, indem Sie das Paar „AZML_DISABLE_PREVIEW_FEATURE: TRUE“ hinzufügen.
4. Wählen Sie Übernehmen.

Stellen Sie eine Verbindung mit einem Arbeitsbereich her.

Beim Ausführen von Aufgaben für maschinelles Lernen mithilfe des SDK benötigen Sie ein MLClient-Objekt, das die Verbindung mit Ihrem Arbeitsbereich angibt. Sie können ein MLClient-Objekt anhand von Parametern oder mit einer Konfigurationsdatei erstellen.

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

• Mit einer Konfigurationsdatei: Dieser Code liest den Inhalt der Konfigurationsdatei, um Ihren Arbeitsbereich zu finden. Es wird eine Eingabeaufforderung zum Anmelden geöffnet, falls Sie nicht bereits authentifiziert sind.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Anhand von Parametern: Wenn Sie diesen Ansatz verwenden, muss keine Datei vom Typ „config.json“ verfügbar sein.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Wenn Sie Probleme beim Zugriff auf Ihr Abonnement haben, finden Sie weitere Informationen unter Einrichten der Authentifizierung für Azure Machine Learning-Ressourcen und -Workflows sowie im Notebook Authentifizierung in Azure Machine Learning.

Suchen nach einem Arbeitsbereich

Zeigen Sie eine Liste mit allen Arbeitsbereichen an, die für Sie verfügbar sind. Sie können auch innerhalb von Studio nach einem Arbeitsbereich suchen. Weitere Informationen finden Sie unter Suche nach Azure Machine Learning-Ressourcen (Vorschau).

Python SDK

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

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

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

So erhalten Sie Details zu einem bestimmten Arbeitsbereich:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portal

1. Melden Sie sich beim Azure-Portal an.

2. Geben Sie im oberen Suchfeld Machine Learning ein.

3. Wählen Sie Machine Learning aus.

   

4. Durchsuchen Sie die Liste der Arbeitsbereiche. Sie können basierend auf Abonnement, Ressourcengruppen und Standorten filtern.

5. Um Eigenschaften anzuzeigen, wählen Sie einen Arbeitsbereich aus.

Studio

1. Wählen Sie in Azure Machine Learning Studio auf der linken Navigationsleiste die Option Alle Arbeitsbereiche aus. Es wird eine Liste der zuletzt verwendeten Arbeitsbereiche angezeigt.
2. Um alle Arbeitsbereiche anzuzeigen, auf die Sie Zugriff haben, wählen Sie auf der linken Navigationsleiste Arbeitsbereiche aus.

Löschen eines Arbeitsbereichs

Wenn Sie einen Arbeitsbereich nicht mehr benötigen, löschen Sie ihn.

Warnung

Wenn vorläufiges Löschen für den Arbeitsbereich aktiviert ist, kann er nach dem Löschen wiederhergestellt werden. Wenn vorläufiges Löschen nicht aktiviert ist oder Sie die Option zum endgültigen Löschen des Arbeitsbereichs auswählen, kann er nicht wiederhergestellt werden. Weitere Informationen finden Sie unter Wiederherstellen eines gelöschten Arbeitsbereichs.

Tipp

Das Standardverhalten für Azure Machine Learning besteht darin, den Arbeitsbereich vorläufig zu löschen. Das bedeutet, dass der Arbeitsbereich nicht sofort gelöscht, sondern Zur Löschung gekennzeichnet wird. Weitere Informationen finden Sie unter Vorläufiges Löschen.

Python SDK

GILT FÜR: Python SDK azure-ai-ml v2 (aktuell)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Mit der Standardaktion werden die dem Arbeitsbereich zugeordneten Ressourcen nicht automatisch gelöscht. Legen Sie delete_dependent_resources auf „True“ fest, um auch diese Ressourcen zu löschen.

• Container Registry
• Speicherkonto
• Key Vault
• Application Insights

Portal

Wählen Sie im Azure-Portal am oberen Rand des zu löschenden Arbeitsbereichs die Option Löschen aus.

Studio

Sie können einen Arbeitsbereich nicht in Studio löschen. Verwenden Sie stattdessen das Azure-Portal oder das Python SDK.

Bereinigen von Ressourcen

Wichtig

Die von Ihnen erstellten Ressourcen können ggf. auch in anderen Azure Machine Learning-Tutorials und -Anleitungen verwendet werden.

Wenn Sie die erstellten Ressourcen nicht mehr benötigen, löschen Sie diese, damit Ihnen keine Kosten entstehen:

1. Geben Sie im Azure-Portal den Suchbegriff Ressourcengruppen in das Suchfeld ein, und wählen Sie in den Ergebnissen die entsprechende Option aus.

2. Wählen Sie in der Liste die Ressourcengruppe aus, die Sie erstellt haben.

3. Wählen Sie auf der Seite Übersicht die Option Ressourcengruppe löschen aus.

   

4. Geben Sie den Ressourcengruppennamen ein. Wählen Sie anschließend die Option Löschen.

Problembehandlung

• Unterstützte Browser in Azure Machine Learning Studio: Es wird empfohlen, den neuesten Browser zu verwenden, der mit Ihrem Betriebssystem kompatibel ist. Diese Browser werden unterstützt:

  • Microsoft Edge (Die neueste Version von Microsoft Edge. Hinweis: Keine ältere Microsoft Edge-Version wird unterstützt)
  • Safari (neueste Version, nur auf Mac)
  • Chrome (neueste Version)
  • Firefox (neueste Version)

• Azure-Portal:

  • Wenn Sie direkt über einen Freigabelink aus dem SDK oder dem Azure-Portal zu Ihrem Arbeitsbereich gelangen, können Sie die standardmäßige Übersichtsseite mit Abonnementinformationen in der Erweiterung nicht anzeigen. Darüber hinaus können Sie in diesem Szenario nicht zu einem anderen Arbeitsbereich wechseln. Um einen anderen Arbeitsbereich anzuzeigen, wechseln Sie direkt zu Azure Machine Learning-Studio und suchen nach dem Namen des Arbeitsbereichs.
  • Alle Assets (Daten, Experimente, Computes usw.) sind nur in Azure Machine Learning Studio verfügbar. Sie sind nicht über das Azure-Portal verfügbar.
  • Wenn Sie versuchen, eine Vorlage für einen Arbeitsbereich aus dem Azure-Portal zu exportieren, wird möglicherweise ein Fehler zurückgegeben, der diesem Text ähnelt: Could not get resource of the type <type>. Resources of this type will not be exported. Verwenden Sie als Problemumgehung eine der unter https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices bereitgestellten Vorlagen als Grundlage für Ihre Vorlage.

Arbeitsbereichsdiagnose

Sie können die Diagnose für Ihren Arbeitsbereich über Azure Machine Learning Studio oder das Python SDK ausführen. Nach der Diagnose wird eine Liste aller erkannten Probleme zurückgegeben. Diese Liste enthält Links zu möglichen Lösungen. Weitere Informationen finden Sie unter Verwenden der Arbeitsbereichsdiagnose.

Fehler der Ressourcenanbieter

Wenn Sie einen Azure Machine Learning-Arbeitsbereich oder eine vom Arbeitsbereich verwendete Ressource erstellen, erhalten Sie möglicherweise eine Fehlermeldung ähnlich der folgenden:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

Die meisten Ressourcenanbieter werden automatisch registriert, aber nicht alle. Wenn Sie diese Meldung erhalten, müssen Sie den erwähnten Anbieter registrieren.

Die folgende Tabelle enthält eine Liste der Ressourcenanbieter, die für Azure Machine Learning erforderlich sind:

Ressourcenanbieter	Zweck
Microsoft.MachineLearningServices	Erstellen des Azure Machine Learning-Arbeitsbereichs
Microsoft.Storage	Das Azure Storage-Konto wird als Standarddatenspeicher für den Arbeitsbereich verwendet.
Microsoft.ContainerRegistry	Azure Container Registry wird vom Arbeitsbereich zum Erstellen von Docker-Images verwendet.
Microsoft.KeyVault	Azure Key Vault wird vom Arbeitsbereich zum Speichern von Geheimnissen verwendet.
Microsoft.Notebooks	Integrierte Notebooks in einer Azure Machine Learning-Compute-Instanz
Microsoft.ContainerService	Wenn Sie die Bereitstellung trainierter Modelle in Azure Kubernetes Services planen

Wenn Sie einen kundenseitig verwalteten Schlüssel mit Azure Machine Learning verwenden möchten, müssen die folgenden Dienstanbieter registriert werden:

Ressourcenanbieter	Zweck
Microsoft.DocumentDB	Azure CosmosDB-Instanz, die Metadaten für den Arbeitsbereich protokolliert
Microsoft.Search	Azure Search bietet Indizierungsfunktionen für den Arbeitsbereich.

Wenn Sie ein verwaltetes virtuelles Netzwerk mit Azure Machine Learning verwenden möchten, muss der Microsoft.Network Ressourcenanbieter registriert werden. Dieser Ressourcenanbieter wird vom Arbeitsbereich beim Erstellen privater Endpunkte für das verwaltete virtuelle Netzwerk verwendet.

Weitere Informationen zum Registrieren eines Ressourcenanbieters finden Sie unter Beheben von Fehlern bei der Ressourcenanbieterregistrierung.

Löschen der Azure Container Registry

Der Azure Machine Learning-Arbeitsbereich verwendet für einige Operationen die Azure Container Registry (ACR). Es wird automatisch eine ACR-Instanz erstellt, wenn erstmals eine erforderlich ist.

Warnung

Nachdem eine Azure Container Registry-Instanz für einen Arbeitsbereich erstellt wurde, dürfen Sie diese nicht mehr löschen. Dadurch wird Ihr Azure Machine Learning-Arbeitsbereich beschädigt.

Beispiele

Beispiele in diesem Artikel stammen aus workspace.ipynb.

Nächste Schritte

Sobald Sie über einen Arbeitsbereich verfügen, erfahren Sie, wie ein Modell trainiert und bereitgestellt wird.

Weitere Informationen zum Planen eines Arbeitsbereichs für die Anforderungen Ihrer Organisation finden Sie unter Organisieren und Einrichten von Azure Machine Learning.

• Wenn Sie einen Arbeitsbereich in ein anderes Azure-Abonnement verschieben müssen, finden Sie entsprechende Informationen unter Verschieben eines Arbeitsbereichs.

Informationen dazu, wie Sie Azure Machine Learning mit den aktuellen Sicherheitsupdates auf dem neuesten Stand halten, finden Sie unter Verwaltung von Sicherheitsrisiken.