Découvrir l’interface CLI

Effectué

Important

Le contenu de cette leçon couvre uniquement la version 2 de l’interface CLI. Découvrez comment choisir entre la version 1 et 2.

Une autre approche basée sur le code permettant d’interagir avec l’espace de travail Azure Machine Learning consiste à utiliser l’interface de ligne de commande (CLI). En tant que scientifique des données, vous pouvez ne pas utiliser l’interface CLI de la même façon que Python. L’interface Azure CLI est utilisée couramment par les administrateurs et les ingénieurs pour automatiser des tâches dans Azure.

L’utilisation de l’interface Azure CLI avec Azure Machine Learning présente de nombreux avantages. L’interface Azure CLI vous permet d’effectuer les opérations suivantes :

  • Automatiser la création et la configuration des composants et des ressources pour les rendre reproductibles.
  • Garantir la cohérence des composants et des ressources qui doivent être répliqués dans plusieurs environnements (par exemple dans les environnements développement, test et production).
  • Incorporer la configuration des ressources Machine Learning dans les workflows DevOps (Developer Operations), comme les pipelines d’intégration continue et de déploiement continu (CI/CD).

Pour interagir avec l’espace de travail Azure Machine Learning à l’aide de l’interface Azure CLI, vous devez installer l’interface Azure CLI et l’extension Azure Machine Learning.

Installer l’interface de ligne de commande Microsoft Azure

Vous pouvez installer l’interface Azure CLI sur un ordinateur Linux, Mac ou Windows. Avec Azure CLI, vous exécutez des commandes ou des scripts pour gérer des ressources Azure. Vous pouvez également utiliser Azure CLI à partir d’un navigateur via Azure Cloud Shell. Quelle que soit la plateforme que vous choisissez, vous pouvez exécuter les mêmes tâches. Toutefois, l’installation d’Azure CLI, des commandes et des scripts diffère selon la plateforme.

Important

Pour installer Azure CLI sur votre ordinateur, vous pouvez utiliser un gestionnaire de package. Voici les instructions pour installer Azure CLI, en fonction de la plateforme que vous choisissez. Vous n’avez pas besoin d’installer Azure CLI si vous utilisez le service Azure Cloud Shell. Pour en savoir plus sur l’utilisation du service Azure Cloud Shell, consultez cette vue d’ensemble.

Installer l’extension Azure Machine Learning

Après avoir installé l’interface Azure CLI ou configuré Azure Cloud Shell, vous devez installer l’extension Azure Machine Learning pour gérer les ressources Azure Machine Learning à l’aide de l’interface Azure CLI.

Vous pouvez installer l’extension Azure Machine Learning ml à l’aide de la commande suivante :

az extension add -n ml -y

Vous pouvez ensuite exécuter la commande d’aide -h pour vérifier que l’extension est installée, et obtenir la liste des commandes disponibles avec celle-ci. La liste donne une vue d’ensemble des tâches que vous pouvez exécuter avec l’extension Azure CLI pour Azure Machine Learning :

az ml -h

Utiliser Azure CLI

Pour utiliser l’interface Azure CLI pour interagir avec l’espace de travail Azure Machine Learning, vous allez utiliser des commandes. Chaque commande est précédée du préfixe az ml. Vous trouverez la liste des commandes dans la documentation de référence de l’interface CLI.

Pour créer une cible de calcul par exemple, vous pouvez utiliser la commande suivante :

az ml compute create --name aml-cluster --size STANDARD_DS3_v2 --min-instances 0 --max-instances 5 --type AmlCompute --resource-group my-resource-group --workspace-name my-workspace

Pour découvrir l’ensemble des paramètres pouvant être utilisés avec une commande, vous pouvez passer en revue la documentation de référence de la commande spécifique.

Quand vous définissez les paramètres d’un composant ou d’une ressource que vous souhaitez créer, vous pouvez également utiliser des fichiers YAML pour définir la configuration. Quand toutes les valeurs de paramètres sont stockées dans un fichier YAML, il devient plus facile d’organiser et d’automatiser les tâches.

Par exemple, vous pouvez également créer la même cible de calcul en définissant d’abord la configuration dans un fichier YAML :

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: aml-cluster
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 5

Tous les paramètres qu’il est possible d’inclure dans le fichier YAML figurent dans la documentation de référence pour la ressource ou la ressource spécifique que vous souhaitez créer, comme un cluster de calcul.

Une fois le fichier YAML enregistré en tant que compute.yml, vous pouvez créer la cible de calcul avec la commande suivante :

az ml compute create --file compute.yml --resource-group my-resource-group --workspace-name my-workspace

Vous trouverez une vue d’ensemble de tous les schémas YAML dans la documentation de référence.