Comprendre les environnements
Dans une solution de Machine Learning d’entreprise, où les expériences peuvent être exécutées dans divers contextes de calcul, il peut être important de connaître les environnements dans lesquels votre code d’expérimentation s’exécute. Vous pouvez utiliser des environnements Azure Machine Learning pour créer des environnements et spécifier la configuration du runtime pour une expérience.
Lorsque vous créez un espace de travail Azure Machine Learning, les environnements curés sont automatiquement créés et mis à votre disposition. Vous pouvez également créer et gérer vos propres environnements personnalisés et les inscrire dans l’espace de travail. La création et l’enregistrement d’environnements personnalisés permet de définir des contextes de runtime cohérents et réutilisables pour vos expériences, quel que soit l’endroit où le script d’expérimentation est exécuté.
Qu’est-ce qu’un environnement dans Azure Machine Learning ?
Le code python s’exécute dans le contexte d’un environnement virtuel qui définit la version du runtime Python à utiliser, ainsi que les packages installés disponibles pour le code. Dans la plupart des installations Python, les packages sont installés et gérés dans des environnements à l’aide de conda ou pip.
Pour améliorer la portabilité, vous créez généralement des environnements dans des conteneurs Docker qui sont à leur tour hébergés sur des cibles de calcul, telles que votre ordinateur de développement, des machines virtuelles ou des clusters dans le cloud.
Azure Machine Learning génère des définitions d’environnement dans des images Docker et des environnements Conda. Lorsque vous utilisez un environnement, Azure Machine Learning génère l’environnement sur le registre de conteneurs Azure associé à l’espace de travail.
Conseil
Lorsque vous créez un espace de travail Azure Machine Learning, vous pouvez choisir d’utiliser un registre de conteneurs Azure existant ou de laisser l’espace de travail créer un nouveau registre pour vous si nécessaire.
Pour afficher tous les environnements disponibles dans l’espace de travail Azure Machine Learning, vous pouvez répertorier les environnements dans le studio, à l’aide d’Azure CLI ou du Kit de développement logiciel (SDK) Python.
Par exemple, pour répertorier les environnements à l’aide du Kit de développement logiciel (SDK) Python :
envs = ml_client.environments.list()
for env in envs:
print(env.name)
Pour examiner les détails d’un environnement spécifique, vous pouvez récupérer un environnement par son nom inscrit :
env = ml_client.environments.get(name="my-environment", version="1")
print(env)