Información sobre los entornos
En una solución de aprendizaje automático para empresas, donde es posible que los experimentos se ejecuten en diversos contextos de proceso, puede ser importante tener en cuenta los entornos en los que se ejecuta el código del experimento. Puede usar los entornos de Azure Machine Learning para crear entornos y especificar la configuración en tiempo de ejecución de un experimento.
Cuando crea un área de trabajo de Azure Machine Learning, se crean entornos mantenidos automáticamente y se ponen a su disposición. También puede crear y administrar sus propios entornos personalizados y registrarlos en el área de trabajo. La creación y el registro de entornos personalizados permite definir contextos en tiempo de ejecución coherentes y reutilizables para los experimentos, independientemente de dónde se ejecute el script del experimento.
¿Qué es un entorno en Azure Machine Learning?
El código de Python se ejecuta en el contexto de un entorno virtual que define la versión del tiempo de ejecución de Python que se va a usar, así como los paquetes instalados disponibles para el código. En la mayoría de las instalaciones de Python, los paquetes se instalan y administran en entornos con conda o pip.
Para mejorar la portabilidad, normalmente se crean entornos en contenedores de Docker que, a su vez, se hospedan en destinos de proceso, como el equipo de desarrollo, máquinas virtuales o clústeres en la nube.
Azure Machine Learning compila definiciones de entorno en imágenes de Docker y entornos de Conda. Cuando usa un entorno, Azure Machine Learning crea el entorno en Azure Container Registry asociado al área de trabajo.
Sugerencia
Cuando crea un área de trabajo de Azure Machine Learning, puede elegir si desea usar una instancia de Azure Container Registry que ya existía o si quiere permitir que el área de trabajo cree un nuevo registro cuando sea necesario.
Para ver todos los entornos disponibles en el área de trabajo de Azure Machine Learning, puede enumerar los entornos en Estudio, mediante la CLI de Azure o con el SDK de Python.
Por ejemplo, para enumerar los entornos usando el SDK de Python:
envs = ml_client.environments.list()
for env in envs:
print(env.name)
Para revisar los detalles de un entorno específico, puede recuperar el entorno por su nombre registrado:
env = ml_client.environments.get(name="my-environment", version="1")
print(env)