Erkunden und Verwenden von kuratierten Umgebungen
Kuratierte Umgebungen sind vordefinierte Umgebungen für die gängigsten Workloads des maschinellen Lernens und standardmäßig in Ihrem Arbeitsbereich verfügbar.
Kuratierte Umgebungen verwenden das Präfix AzureML und sind für Skripts konzipiert, die beliebte Frameworks und Tools für maschinelles Lernen verwenden.
Beispielsweise gibt es kuratierte Umgebungen für die Ausführung eines Skripts, das ein Regressions-, Clustering- oder Klassifizierungsmodell mit scikit-learn trainiert.
Sie können eine kuratierte Umgebung mithilfe der Azure CLI oder des Python SDK im Studio anzeigen und dort erkunden.
Mit dem folgenden Befehl können Sie die Beschreibung und Tags einer kuratierten Umgebung mit dem Python SDK abrufen:
env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)
Verwenden einer zusammengestellten Umgebung
Am häufigsten verwenden Sie Umgebungen, wenn Sie ein Skript als Auftrag (Befehl) ausführen möchten.
Um anzugeben, in welcher Umgebung Ihr Skript ausgeführt werden soll, referenzieren Sie eine Umgebung anhand ihres Namens und ihrer Version.
Der folgende Code zeigt beispielsweise, wie Sie einen Befehlsauftrag mit dem Python SDK konfigurieren, bei dem eine kuratierte Umgebung mit scikit-learn verwendet wird:
from azure.ai.ml import command
# configure job
job = command(
code="./src",
command="python train.py",
environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu@latest",
compute="aml-cluster",
display_name="train-with-curated-environment",
experiment_name="train-with-curated-environment"
)
# submit job
returned_job = ml_client.create_or_update(job)
Testen und Problembehandlung einer kuratierten Umgebung
Da kuratierte Umgebungen eine schnellere Bereitstellung ermöglichen, sollten Sie zunächst untersuchen, ob eine der vorab erstellten kuratierten Umgebungen zum Ausführen Ihres Codes verwendet werden kann.
Sie können überprüfen, ob eine kuratierte Umgebung alle erforderlichen Pakete enthält, indem Sie sich die Informationen zur Umgebung ansehen. Anschließend können Sie die Umgebung testen, indem Sie sie zum Ausführen des Skripts verwenden.
Wenn eine Umgebung nicht alle erforderlichen Pakete zum Ausführen Ihres Codes enthält, wird der Auftrag nicht erfolgreich ausgeführt.
Wenn ein Auftrag nicht erfolgreich ausgeführt wird, können Sie sich die detaillierten Fehlerprotokolle auf der Registerkarte Ausgaben + Protokolle Ihres Auftrags im Azure Machine Learning Studio ansehen.
Eine häufige Fehlermeldung, die darauf hinweist, dass Ihre Umgebung unvollständig ist, lautet ModuleNotFoundError. Das nicht gefundene Modul ist in der Fehlermeldung aufgeführt. Wenn Sie sich die Fehlermeldung ansehen, können Sie die Umgebung aktualisieren und Bibliotheken einschließen, um sicherzustellen, dass die erforderlichen Pakete auf dem Computeziel installiert sind, bevor der Code ausgeführt wird.
Wenn Sie andere erforderliche Pakete angeben müssen, können Sie eine kuratierte Umgebung als Referenz für Ihre eigenen benutzerdefinierten Umgebungen verwenden, indem Sie die Dockerfiles ändern, die diese kuratierten Umgebungen unterstützen.