Explora y usa entornos seleccionados
Entornos seleccionados son entornos precompilados para las cargas de trabajo de aprendizaje automático más comunes, disponibles en tu área de trabajo de forma predeterminada.
Los entornos mantenidos usan el prefijo AzureML- y están diseñados para admitir scripts que utilizan marcos y utilidades populares de aprendizaje automático.
Por ejemplo, hay entornos mantenidos para cuando desea ejecutar un script que entrena un modelo de regresión, agrupación en clústeres o clasificación con Scikit-Learn.
Para explorar un entorno curado, puede verlo en el estudio, mediante la CLI de Azure o el SDK de Python.
El siguiente comando permite recuperar la descripción y las etiquetas de un entorno mantenido con el SDK de Python:
env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)
Usa un entorno curado
Normalmente, usas entornos cuando quieres ejecutar un script como (comando) tarea.
Para especificar qué entorno desea usar para ejecutar el script, haga referencia a un entorno por su nombre y versión.
Por ejemplo, el código siguiente muestra cómo configurar un trabajo de comando con el SDK de Python, que usa un entorno mantenido, incluido Scikit-Learn:
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)
Probar y resolver problemas de un entorno curado
Como los entornos mantenidos permiten un tiempo de implementación más rápido, es un procedimiento recomendado explorar primero si uno de los entornos mantenidos creados previamente se puede usar para ejecutar el código.
Puede comprobar que un entorno mantenido incluye todos los paquetes necesarios revisando sus detalles. A continuación, puede probar el entorno ejecutando el script.
Si un entorno no incluye todos los paquetes necesarios para ejecutar el código, se produce un error en el trabajo.
Cuando se produce un error en un trabajo, puede revisar los registros de errores detallados en la pestaña Salidas + registros de su trabajo en Azure Machine Learning Studio.
Un mensaje de error común que indica que el entorno está incompleto, es ModuleNotFoundError. El módulo que no se encuentra aparece en el mensaje de error. Al revisar el mensaje de error, puede actualizar el entorno para incluir las bibliotecas para asegurarse de que los paquetes necesarios están instalados en el destino de proceso antes de ejecutar el código.
Cuando necesite especificar otros paquetes necesarios, puede usar un entorno mantenido como referencia para sus propios entornos personalizados modificando los Dockerfiles que respaldan estos entornos mantenidos.