Gestire un'istanza di ambiente di calcolo di Azure Machine Learning

Articolo
10/16/2024

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

Informazioni su come gestire un'istanza di ambiente di calcolo nell'area di lavoro di Azure Machine Learning.

Usare un'istanza di calcolo come ambiente di sviluppo completamente configurato e gestito nel cloud. Per lo sviluppo e il test, è anche possibile usare l'istanza come destinazione di calcolo di training. Un'istanza di ambiente di calcolo può eseguire più processi in parallelo e ha una coda di processi. Come ambiente di sviluppo, un'istanza di ambiente di calcolo non può essere condivisa con altri utenti nell'area di lavoro.

Questo articolo illustra come avviare, arrestare, riavviare ed eliminare un'istanza di ambiente di calcolo. Per informazioni su come creare un'istanza di ambiente di calcolo, vedere Creare un'istanza di ambiente di calcolo di Azure Machine Learning.

Nota

Questo articolo illustra l'interfaccia della riga di comando v2 nelle sezioni seguenti. Se si usa ancora l'interfaccia della riga di comando v1, vedere Creare un'interfaccia della riga di comando del cluster di elaborazione di Azure Machine Learning v1.

Prerequisiti

Un'area di lavoro di Azure Machine Learning. Per altre informazioni, vedere Gestire aree di lavoro di Azure Machine Learning.

Selezionare la scheda appropriata per il resto dei prerequisiti in base al metodo preferito per la gestione dell'istanza di calcolo.

Se il codice non è in esecuzione in un'istanza di calcolo, installare Azure Machine Learning Python SDK. Questo SDK è già installato in un'istanza di ambiente di calcolo.
Allegare all'area di lavoro nello script Python:

Eseguire questo codice per connettersi all'area di lavoro di Azure Machine Learning.

Sostituire l'ID sottoscrizione, il nome del gruppo di risorse e il nome dell'area di lavoro nel codice seguente. Per trovare questi valori:
1. Accedere ad Azure Machine Learning Studio.
2. Aprire l'area di lavoro che si vuole usare.
3. Selezionare il nome dell'area di lavoro in alto a destra nella barra degli strumenti di Studio di Azure Machine Learning.
4. Copiare i valori per l'area di lavoro, il gruppo di risorse e l'ID sottoscrizione nel codice.
SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)
```
# Enter details of your AML workspace
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"
```
```
# get a handle to the workspace
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)
```
ml_client è un gestore dell'area di lavoro che viene usato per gestire altre risorse e processi.

Se questi comandi non vengono eseguiti in un'istanza di ambiente di calcolo, installare l'estensione dell'interfaccia della riga di comando di Azure per il servizio Machine Learning (v2). Questa estensione è già installata in un'istanza di ambiente di calcolo.
Autenticare e impostare l'area di lavoro e il gruppo di risorse predefiniti. Lasciare aperto il terminale per eseguire il resto dei comandi in questo articolo.
- Se si è in un'istanza di ambiente di calcolo:
```
az login --identity
# next line needed only if you have multiple subscriptions:
az account set --subscription "<SUBSCRIPTION-NAME>" # replace with your subscription name
az configure --defaults group=$CI_RESOURCE_GROUP workspace=$CI_WORKSPACE
```
- Se si eseguono i comandi in locale, omettere --identity e seguire le istruzioni per l'autenticazione. Sostituire inoltre $CI_RESOURCE_GROUP e $CI_WORKSPACE con i propri valori.

Gestione

Avviare, arrestare, riavviare ed eliminare un'istanza di ambiente di calcolo. Un'istanza di ambiente di calcolo non viene sempre ridotta automaticamente, quindi assicurarsi di arrestare la risorsa per evitare addebiti continuativi. L'arresto di un'istanza di calcolo la dealloca. e quindi riavviarla quando è necessario. Durante l'arresto dell'istanza di calcolo si arresta la fatturazione per le ore di calcolo; verrà comunque addebitata la fatturazione per il disco, l'indirizzo IP pubblico e il servizio di bilanciamento del carico standard.

È possibile abilitare l'arresto automatico per arrestare automaticamente l'istanza di ambiente di calcolo dopo un determinato periodo di tempo.

È anche possibile creare una pianificazione per l'istanza di ambiente di calcolo per l'avvio e l'arresto automatici in base a un'ora e a un giorno della settimana.

Suggerimento

L'istanza di ambiente di calcolo ha un disco del sistema operativo da 120 GB. Se si esaurisce lo spazio su disco, usare il terminale per cancellare almeno 5 GB prima di arrestare o riavviare l'istanza di calcolo. Non arrestare l'istanza di ambiente di calcolo eseguendo l'arresto sudo dal terminale. Le dimensioni del disco temporaneo nell'istanza di ambiente di calcolo dipendono dalle dimensioni della macchina virtuale scelte e il montaggio viene eseguito in /mnt.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

In questi seguenti il nome dell'istanza di ambiente di calcolo viene archiviato nella variabile ci_basic_name.

Ottenere lo stato

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Get compute
ci_basic_state = ml_client.compute.get(ci_basic_name)

Arresta

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Stop compute
ml_client.compute.begin_stop(ci_basic_name).wait()

Inizio

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Start compute
ml_client.compute.begin_start(ci_basic_name).wait()

Riavviare

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Restart compute
ml_client.compute.begin_restart(ci_basic_name).wait()

Elimina

from azure.ai.ml.entities import ComputeInstance, AmlCompute

ml_client.compute.begin_delete(ci_basic_name).wait()

SI APPLICA A: estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)

In questi esempi il nome dell'istanza di ambiente di calcolo è istanza.

Arresta
```
az ml compute stop --name instance 
```
Inizio
```
az ml compute start --name instance 
```
Riavviare
```
az ml compute restart --name instance 
```
Elimina
```
az ml compute delete --name instance 
```

Nell'area di lavoro in studio di Azure Machine Learning selezionare Calcolo, quindi selezionare Istanza di ambiente di calcolo nella parte superiore.

Puoi effettuare le seguenti azioni:

Crea nuova istanza di ambiente di calcolo
Aggiornare la scheda delle istanze di ambiente di calcolo.
Avviare, arrestare e riavviare un'istanza di ambiente di calcolo. Si paga per l'istanza ogni volta che è in esecuzione. Per ridurre i costi, arrestare l'istanza di ambiente di calcolo quando non viene usata. L'arresto di un'istanza di calcolo la dealloca. e quindi riavviarla quando è necessario. È anche possibile pianificare un orario per l'avvio e l'arresto dell'istanza di ambiente di calcolo.
Eliminare un'istanza di ambiente di calcolo.
Filtrare l'elenco delle istanze di ambiente di calcolo per visualizzare solo quelle create personalmente.

Per ogni istanza di ambiente di calcolo in un'area di lavoro creata personalmente (o creata automaticamente), è possibile:

Accedere a Jupyter, JupyterLab, RStudio nell'istanza di ambiente di calcolo.
Accedere con SSH all'istanza di calcolo. L'accesso SSH è disabilitato per impostazione predefinita, ma può essere abilitato al momento della creazione dell'istanza di calcolo. L'accesso SSH avviene tramite il meccanismo di chiave pubblica/privata. Nella scheda sono disponibili i dettagli per la connessione SSH, ad esempio indirizzo IP, nome utente e numero di porta. In una distribuzione di rete virtuale, la disabilitazione di SSH impedisce l'accesso SSH da Internet pubblico. È comunque possibile eseguire SSH dall'interno della rete virtuale usando l'indirizzo IP privato del nodo dell'istanza di calcolo e la porta 22.

Suggerimento

Se le istanze di calcolo si trovano in una rete virtuale gestita e l'indirizzo IP pubblico è disabilitato, usare il comando az ml compute connect-ssh per connettersi all'istanza di calcolo.
Selezionare il nome dell'ambiente di calcolo per:
- Visualizzare informazioni dettagliate su un'istanza di ambiente di calcolo specifica, ad esempio l'indirizzo IP e l'area.
- Creare o modificare la pianificazione per l'avvio e l'arresto dell'istanza di ambiente di calcolo. Scorrere verso il basso fino alla fine della pagina per modificare la pianificazione.

Il Controllo degli accessi in base al ruolo di Azure consente di controllare quali utenti nell'area di lavoro possono creare, eliminare, avviare, arrestare e riavviare un'istanza di ambiente di calcolo. Tutti gli utenti con il ruolo collaboratore e proprietario dell'area di lavoro possono creare, eliminare, avviare, arrestare e riavviare le istanze di calcolo nell'area di lavoro. Tuttavia, solo l'autore di un'istanza di ambiente di calcolo specifica o l'utente assegnato, se è stata creata automaticamente, è autorizzato ad accedere a Jupyter, JupyterLab e RStudio in tale istanza di ambiente di calcolo. Un'istanza di ambiente di calcolo è dedicata a un singolo utente che ha accesso alla radice. L'utente ha accesso a Jupyter/JupyterLab/RStudio in esecuzione nell'istanza. L'istanza di ambiente di calcolo ha l'accesso in modalità utente singolo e tutte le azioni usano l'identità dell'utente per il Controllo degli accessi in base al ruolo di Azure e l'attribuzione dei processi dell'esperimento. L'accesso SSH viene controllato tramite il meccanismo di chiave pubblica/privata.

Queste azioni possono essere verificate dal Controllo degli accessi in base al ruolo di Azure:

Microsoft.MachineLearningServices/workspaces/computes/read
Microsoft.MachineLearningServices/workspaces/computes/write
Microsoft.MachineLearningServices/workspaces/computes/delete
Microsoft.MachineLearningServices/workspaces/computes/start/action
Microsoft.MachineLearningServices/workspaces/computes/stop/action
Microsoft.MachineLearningServices/workspaces/computes/restart/action
Microsoft.MachineLearningServices/workspaces/computes/updateSchedules/action

Per creare un'istanza di ambiente di calcolo, sono necessarie autorizzazioni per le azioni seguenti:

Microsoft.MachineLearningServices/workspaces/computes/write
Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Controllare e osservare la versione dell'istanza di ambiente di calcolo

Una volta distribuita un'istanza di calcolo, non viene aggiornata automaticamente. Microsoft rilascia nuove immagini di macchine virtuali mensilmente. Per informazioni sulle opzioni per mantenere aggiornato la versione più recente, vedere gestione delle vulnerabilità.

Per tenere traccia della versione corrente del sistema operativo di un'istanza, è possibile eseguire una query sulla versione usando l'interfaccia della riga di comando, l'SDK o l'interfaccia utente di Studio.

SI APPLICA A: Python SDK azure-ai-ml v2 (corrente)

from azure.ai.ml.entities import ComputeInstance, AmlCompute

# Display operating system version
instance = ml_client.compute.get("myci")
print instance.os_image_metadata

Per altre informazioni su classi, metodi e parametri usati in questo esempio, vedere i documenti di riferimento seguenti:

SI APPLICA A: estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)

az ml compute show --name "myci"

# query outdated compute instances:
az ml compute list --query "[?os_image_metadata.is_latest_os_image_version == ``false``].name"

Gli amministratori IT possono usare Criteri di Azure per monitorare l'inventario delle istanze in aree di lavoro in Criteri di Azure portale di conformità. Assegnare i criteri predefiniti di Controllo di Istanze ambiente di calcolo di Azure Machine Learning con un sistema operativo obsoleto in una sottoscrizione di Azure o nell'ambito del gruppo di gestione di Azure.

Condividi tramite

Gestire un'istanza di ambiente di calcolo di Azure Machine Learning

Prerequisiti

Gestione

Controllare e osservare la versione dell'istanza di ambiente di calcolo

Passaggi successivi

Commenti e suggerimenti

Risorse aggiuntive