Explorer et utiliser des environnements curés
Les environnements curés sont des environnements prédéfinis pour les charges de travail de Machine Learning les plus courantes, disponibles dans votre espace de travail par défaut.
Les environnements curés utilisent le préfixe AzureML- et sont conçus pour fournir des scripts qui utilisent des infrastructures et des outils de Machine Learning populaires.
Par exemple, il existe des environnements curés pour exécuter un script qui effectue l’apprentissage d’un modèle de régression, de clustering ou de classification avec Scikit-Learn.
Pour explorer un environnement curé, vous pouvez l’afficher dans le studio, à l’aide d’Azure CLI ou du Kit de développement logiciel (SDK) Python.
La commande suivante vous permet de récupérer la description et les étiquettes d’un environnement curé avec le Kit de développement logiciel (SDK) Python :
env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)
Utiliser un environnement organisé
Le plus souvent, vous utilisez des environnements lorsque vous souhaitez exécuter un script en tant que travail (commande).
Pour spécifier l’environnement que vous souhaitez utiliser pour exécuter votre script, vous référencez un environnement par nom et par version.
Par exemple, le code suivant montre comment configurer un travail de commande avec le KIT de développement logiciel (SDK) Python, qui utilise un environnement curé, y compris 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)
Tester et résoudre les problèmes d’un environnement curé
Comme les environnements curés permettent d’accélérer le temps de déploiement, il est recommandé d’explorer d’abord si l’un des environnements curés précréés peut être utilisé pour exécuter votre code.
Vous pouvez vérifier qu’un environnement curé inclut tous les packages nécessaires en examinant ses détails. Ensuite, vous pouvez tester en utilisant l’environnement pour exécuter le script.
Si un environnement n’inclut pas tous les packages nécessaires pour exécuter votre code, votre travail échoue.
En cas d’échec d’un travail, vous pouvez consulter les journaux d’erreurs détaillés sous l’onglet Sorties + journaux de votre travail dans le Azure Machine Learning studio.
Un message d’erreur courant indiquant que votre environnement est incomplet est ModuleNotFoundError. Le module introuvable est répertorié dans le message d’erreur. En examinant le message d’erreur, vous pouvez mettre à jour l’environnement pour inclure les bibliothèques afin de vous assurer que les packages nécessaires sont installés sur la cible de calcul avant d’exécuter le code.
Lorsque vous devez spécifier d’autres packages nécessaires, vous pouvez utiliser un environnement curé comme référence pour vos propres environnements personnalisés en modifiant les Dockerfiles qui sauvegardent ces environnements curés.