Instalación y configuración de la CLI (versión 2)

SE APLICA A: Extensión de ML de la CLI de Azure v2 (actual)

La extensión ml para la CLI de Azure es la interfaz mejorada de Azure Machine Learning. Permite entrenar e implementar modelos desde la línea de comandos, e incluye características que aceleran el escalado vertical y horizontal de la ciencia de datos al tiempo que se hace un seguimiento del ciclo de vida del modelo.

Requisitos previos

• Para usar la CLI, debe tener una suscripción de Azure. Si no tiene una suscripción de Azure, cree una cuenta gratuita antes de empezar. Pruebe hoy mismo la versión gratuita o de pago de Azure Machine Learning.
• Para usar los comandos de la CLI de este documento desde su entorno local, necesita la CLI de Azure.

Instalación

La nueva extensión para Machine Learning requiere la versión >=2.38.0 de la CLI de Azure. Asegúrese de que se cumple este requisito:

az version

Si no es así, actualice la CLI de Azure.

Compruebe las extensiones de la CLI de Azure que están instaladas:

az extension list

Quite cualquier instalación existente de la extensión ml y también la extensión azure-cli-ml de la CLI v1:

az extension remove -n azure-cli-ml
az extension remove -n ml

Ahora, instale la extensión ml:

az extension add -n ml

Ejecute el comando de ayuda para comprobar la instalación y comprobar los subcomandos disponibles:

az ml -h

Puede actualizar la extensión a la versión más reciente:

az extension update -n ml

Instalación en Linux

Si usa Debian o Ubuntu, la manera más rápida de instalar la versión necesaria de la CLI y la extensión Machine Learning es la siguiente:

curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash 
az extension add -n ml -y

Para obtener información sobre cómo realizar la instalación en otras distribuciones de Linux, visite Instalación de la CLI de Azure para Linux.

Configurar

Inicie sesión:

az login

Si tiene acceso a varias suscripciones de Azure, puede establecer la suscripción de Azure.

az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"

Opcionalmente, configure variables comunes en el shell para su uso en comandos posteriores:

GROUP="azureml-examples"

LOCATION="eastus"

WORKSPACE="main"

Advertencia

Esto usa la sintaxis de Bash para establecer variables. Ajuste según sea necesario para el shell. También puede reemplazar los valores de los comandos en los ejemplos siguientes en línea en lugar de usar variables.

Si aún no existe, cree el grupo de recursos de Azure:

az group create -n $GROUP -l $LOCATION

Y cree un área de trabajo de Machine Learning:

az ml workspace create -n $WORKSPACE -g $GROUP -l $LOCATION

Los subcomandos de Machine Learning requieren los parámetros --workspace/-w y --resource-group/-g. Para evitar escribirlos repetidamente, configure los valores predeterminados:

az configure --defaults group=$GROUP workspace=$WORKSPACE location=$LOCATION

Sugerencia

La mayoría de los ejemplos de código suponen que ha establecido un área de trabajo y un grupo de recursos predeterminados. Puede invalidar estos valores en la línea de comandos.

Puede mostrar los valores predeterminados actuales mediante --list-defaults/-l:

az configure -l -o table

Sugerencia

La combinación con --output/-o permite formatos de salida más legibles.

Comunicaciones seguras

La extensión de la CLI ml (a veces denominada "CLI v2") para Azure Machine Learning envía datos operativos (parámetros y metadatos de YAML) a través de la red pública de Internet. Todos los comandos de extensión de la CLI ml se comunican con Azure Resource Manager. Esta comunicación se protege mediante HTTPS/TLS 1.2.

Los datos en un almacén de datos que está protegido en una red virtual no se envían a través de la red pública de Internet. Por ejemplo, si los datos de entrenamiento están en la cuenta de almacenamiento predeterminada para el área de trabajo, y la cuenta de almacenamiento está en una red virtual.

Nota:

Con la extensión anterior (azure-cli-ml, a veces denominada "CLI v1"), solo algunos de los comandos se comunican con Azure Resource Manager. En concreto, los comandos que crean, actualizan, eliminan, enumeran o muestran recursos de Azure. Las operaciones como el envío de un trabajo de entrenamiento se comunican directamente con el área de trabajo de Azure Machine Learning. Si el área de trabajo está protegida con un punto de conexión privado, es suficiente para proteger los comandos proporcionados por la extensión azure-cli-ml.

Área de trabajo pública

Si su área de trabajo de Azure Machine Learning es pública (es decir, no está detrás de una red virtual), no se requiere ninguna configuración adicional. Las comunicaciones se protegen mediante HTTPS/TLS 1.2.

Área de trabajo privada

Si su área de trabajo de Azure Machine Learning usa un punto de conexión privado y una red virtual, elija una de las siguientes configuraciones para usar:

• Si está de acuerdo con la comunicación de la versión 2 de la CLI a través de la red pública de Internet, use el parámetro --public-network-access siguiente para que el comando az ml workspace update habilite el acceso a la red pública. Por ejemplo, el siguiente comando actualiza un área de trabajo para habilitar el acceso a la red pública:

  az ml workspace update --name myworkspace --public-network-access enabled
  

• Si no está de acuerdo con la comunicación de la CLI 2.0 a través de la red pública de Internet, puede usar un Azure Private Link para aumentar la seguridad de la comunicación. Use los vínculos siguientes para proteger las comunicaciones con Azure Resource Manager mediante Azure Private Link.

  1. Asegure el área de trabajo de Azure Machine Learning dentro de una red virtual usando un punto de conexión privado.
  2. Creación de una instancia de Private Link para administrar recursos de Azure.
  3. Creación de un punto de conexión privado para la instancia de Private Link creada en el paso anterior.

  Importante

  Para configurar el vínculo privado para Azure Resource Manager, hay que ser el propietario de la suscripción en la suscripción de Azure, y un propietario o colaborador del grupo de administración raíz. Para más información, consulte Creación de un vínculo privado para administrar recursos de Azure.

Pasos siguientes

• Entrenamiento de modelos mediante la CLI (v2)
• Configuración de la extensión Azure Machine Learning para Visual Studio Code
• Entrenamiento e implementación de un modelo de TensorFlow de clasificación de imágenes con la extensión Azure Machine Learning para Visual Studio Code (versión preliminar)
• Exploración de Azure Machine Learning con ejemplos