Exploration du kit de développement logiciel (SDK) Python
Important
Il existe actuellement deux versions du kit de développement logiciel (SDK) Python : la version 1 (v1) et la version 2 (v2). Il est recommandé d’utiliser la v2 pour tous les nouveaux projets. C’est pourquoi le contenu de cette unité ne couvre que la v2. Découvrez comment choisir entre la v1 et la v2.
Les scientifiques des données peuvent utiliser Azure Machine Learning pour effectuer l’apprentissage des modèles Machine Learning, les suivre et les gérer. En tant que scientifique des données, vous travaillerez principalement avec les ressources de l’espace de travail Azure Machine Learning pour vos charges de travail Machine Learning.
Comme la plupart des scientifiques des données connaissent Python, Azure Machine Learning propose un kit de développement logiciel (SDK) permettant d’interagir avec l’espace de travail à l’aide de Python.
Le kit SDK Python pour Azure Machine Learning constitue un outil idéal pour les scientifiques des données. Il peut être utilisé dans n’importe quel environnement Python. Que vous travailliez habituellement avec des notebooks Jupyter ou avec Visual Studio Code, vous pouvez installer le kit SDK Python et vous connecter à l’espace de travail.
Installer le Kit de développement logiciel (SDK) Python
La version 3.7 (ou une version ultérieure) de Python est nécessaire pour installer le kit SDK Python dans un environnement Python. Vous pouvez installer le package avec pip :
pip install azure-ai-ml
Notes
Lorsque vous utilisez des notebooks dans Azure Machine Learning studio, le nouveau kit SDK Python est déjà installé si vous disposez de la version 3.10 (ou d’une version ultérieure) de Python. Vous pouvez vous servir du kit SDK Python v2 avec des versions antérieures de Python, mais il est alors nécessaire de l’installer au préalable.
Se connecter à l’espace de travail
Une fois le kit SDK Python installé, vous devez vous connecter à l’espace de travail. En vous connectant, vous authentifiez votre environnement de sorte qu’il interagisse avec l’espace de travail pour créer et gérer des ressources et composants.
Les valeurs de trois paramètres sont nécessaires pour s’authentifier :
subscription_id: votre ID d’abonnement.resource_group: le nom de votre groupe de ressources.workspace_name: le nom de votre espace de travail.
Ensuite, vous pouvez définir l’authentification à l’aide du code suivant :
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
ml_client = MLClient(
DefaultAzureCredential(), subscription_id, resource_group, workspace
)
Après avoir défini l’authentification, vous devez appeler MLClient pour que l’environnement se connecte à l’espace de travail. Vous appelez MLClient chaque fois que vous souhaitez créer ou mettre à jour une ressource ou un composant dans l’espace de travail.
Par exemple, vous vous connectez à l’espace de travail lorsque vous créez un travail pour effectuer l’apprentissage d’un modèle :
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",
experiment_name="train-model"
)
# connect to workspace and submit job
returned_job = ml_client.create_or_update(job)
Utilisation de la documentation de référence
Pour utiliser efficacement le kit SDK Python, vous devez utiliser la documentation de référence. Dans la documentation de référence, vous trouverez toutes les classes, toutes les méthodes et tous les paramètres disponibles dans le kit SDK Python.
La documentation de référence sur la classe MLClient couvre les méthodes permettant de se connecter et d’interagir avec l’espace de travail. Elle établit également des liens vers les opérations possibles pour les différentes entités, par exemple comment obtenir la liste des magasins de données existants dans l’espace de travail.
La documentation de référence inclut également une liste des classes pour toutes les entités avec lesquelles vous pouvez interagir. Il existe par exemple des classes distinctes pour créer un magasin de données lié au Stockage Blob Azure ou à Azure Data Lake Gen2.
En sélectionnant une classe spécifique comme AmlCompute dans la liste des entités, vous accédez à une page plus détaillée sur l’utilisation de la classe et les paramètres qu’elle accepte.