次の方法で共有

Azure Machine Learning で GitHub Actions を使用する

  • [アーティクル]

適用対象:Azure CLI ml extension v2 (現行)Python SDK azure-ai-ml v2 (現行)

Azure Machine Learning でモデルをトレーニングするために GitHub Actions を使ってみましょう。

この記事では、機械学習モデルを構築して Azure Machine Learning にデプロイする GitHub Actions ワークフローを作成する方法について説明します。 NYC タクシー データセットで scikit-learn 線形回帰モデルをトレーニングします。

GitHub Actions では、お使いのリポジトリの /.github/workflows/ パスにあるワークフロー YAML (.yml) ファイルが使用されます。 この定義には、ワークフローを構成するさまざまな手順とパラメーターが含まれます。

前提条件

この記事の手順に従う前に、次の前提条件が満たされていることをご確認ください。

  • GitHub アカウント。 お持ちでない場合は、無料でサインアップしてください。

ステップ 1: コードを取得する

GitHub で次のリポジトリをフォークします。

https://github.com/azure/azureml-examples

フォークしたリポジトリをローカルで複製します。

git clone https://github.com/YOUR-USERNAME/azureml-examples

手順 2: Azure による認証

まず、Azure で認証する方法を定義する必要があります。 推奨されるより安全なオプションは、Microsoft Entra アプリケーションまたはユーザー割り当てマネージド ID を使用して OpenID Connect でサインインすることです。 必要に応じて、サービス プリンシパルとシークレットでのサインインも使用できます。 この方法は安全性が低く、推奨されません。

デプロイ資格情報を生成する

OIDC で Azure ログイン アクションを使用するには、Microsoft Entra アプリケーションまたはユーザー割り当てマネージド ID でフェデレーション ID 資格情報を構成する必要があります。

オプション 1: Microsoft Entra アプリケーション

オプション 2: ユーザー割り当てマネージド ID

シークレットを作成する

ログイン アクションには、アプリケーションのクライアント ID、ディレクトリ (テナント) ID、サブスクリプション ID を指定する必要があります。 これらの値は、ワークフロー内で直接指定するか、GitHub シークレットに格納してワークフローで参照できます。 GitHub シークレットとして値を保存する方がより安全なオプションです。

  1. GitHub で、お使いのリポジトリに移動します。

  2. [Security] (セキュリティ) > [Secrets and variables] (シークレットと変数) > [Actions] (アクション) を選びます。

    シークレットを追加しているスクリーンショット

  3. [New repository secret](新しいリポジトリ シークレット) を選択します。

    Note

    パブリック リポジトリのワークフロー セキュリティを強化するには、リポジトリ シークレットの代わりに環境シークレットを使用します。 環境が承認を必要とするなら、ジョブは必須のレビュー担当者の一人が承認するまで環境のシークレットにアクセスできません。

  4. AZURE_CLIENT_ID、AZURE_TENANT_ID、AZURE_SUBSCRIPTION_ID のシークレットを作成します。 Microsoft Entra アプリケーションまたは GitHub シークレットのユーザー割り当てマネージド ID から次の値をコピーします。

    GitHub シークレット Microsoft Entra アプリケーションまたはユーザー割り当てマネージド ID
    AZURE_CLIENT_ID クライアント ID
    AZURE_SUBSCRIPTION_ID サブスクリプション ID
    AZURE_TENANT_ID ディレクトリ (テナント) ID

    Note

    セキュリティ上の理由から、値をワークフローに直接渡すのではなく、GitHub シークレットを使用することをお勧めします。

手順 3: setup.sh を更新して Azure Machine Learning ワークスペースに接続する

使用するワークスペースに合わせて CLI セットアップ ファイル変数を更新する必要があります。

  1. フォークしたリポジトリで、azureml-examples/cli/ に移動します。

  2. setup.sh を編集してファイル内のこれらの変数を更新します。

    変数 説明
    GROUP リソース グループの名前
    LOCATION ご自分のワークスペースの場所 (例: eastus2)
    ワークスペース Azure Machine Learning ワークスペースの名前

手順 4: コンピューティング クラスター名で pipeline.yml を更新する

pipeline.yml ファイルを使用して、Azure Machine Learning パイプラインをデプロイします。 このパイプラインは機械学習パイプラインであり、DevOps パイプラインではありません。 コンピューター クラスター名に cpu-cluster 以外の名前を使用している場合にのみ、この更新を行う必要があります。

  1. フォークしたリポジトリで、azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml に移動します。
  2. compute: azureml:cpu-cluster が表示されるたびに、cpu-cluster の値をご自分のコンピューティング クラスター名で更新します。 たとえば、クラスター名がmy-cluster の場合、新しい値は azureml:my-cluster になります。 5 つの更新プログラムがあります。

手順 5: GitHub Actions ワークフローを実行する

このワークフローは、Azure で認証し、Azure Machine Learning CLI を設定し、CLI を使用して Azure Machine Learning でモデルをトレーニングします。

ワークフロー ファイルは、トリガー セクションとジョブで構成されます。

  • トリガーは、on セクションでワークフローを開始します。 ワークフローは、既定で cron スケジュールで実行され、一致するブランチとパスから pull request が行われたときに実行されます。 ワークフローをトリガーするイベントについて確認してください。
  • ワークフローのジョブ セクションで、コードをチェックアウトし、OpenID Connect を使用して Azure ログイン アクションで Azure にログインします。
  • ジョブ セクションには、Machine Learning CLI (v2) をインストールして設定するセットアップ アクションも含まれています。 CLI がインストールされると、実行ジョブ アクションによって Azure Machine Learning pipeline.yml ファイルが実行され、NYC タクシー データを使用してモデルがトレーニングされます。

ワークフローを有効にする

  1. フォークしたリポジトリで .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml を開き、ワークフローが次のようになっていることを確認します。

    name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
      - sdk-preview
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v2
    - name: azure login
      uses: azure/login@v2
      with:
          client-id: ${{ secrets.AZURE_CLIENT_ID }}
          tenant-id: ${{ secrets.AZURE_TENANT_ID }}
          subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

  2. [実行の表示] を選びます。

  3. [自分のワークフローを理解し、先に進んで有効にする] を選んでワークフローを有効にします。

  4. cli-jobs-pipelines-nyc-taxi-pipeline ワークフローを選び、[ワークフローを有効にする] を選びます。

    GitHub Actions ワークフローを有効にするスクリーンショット。

  5. [ワークフローの実行] を選び、今すぐ [ワークフローの実行] オプションを選びます。

    GitHub Actions ワークフローを実行するスクリーンショット。

手順 6: ワークフローの実行を確認する

  1. 完了したワークフロー実行を開き、ビルド ジョブが正常に実行されたことを確認します。 ジョブの横に緑色のチェックマークが表示されます。

  2. Azure Machine Learning スタジオを開き、nyc-taxi-pipeline-example に移動します。 ジョブの各部分 (準備、変換、トレーニング、予測、スコア) が完了し、緑色のチェックマークが表示されていることを確認します。

    正常に実行された Machine Learning Studio のスクリーンショット。

リソースをクリーンアップする

リソース グループとリポジトリが不要になったら、リソース グループと GitHub リポジトリを削除して、デプロイしたリソースをクリーンアップします。

次の手順

Python SDK を使用して運用 ML パイプラインを作成する