Azure Machine Learning-werkruimten beheren in de portal of met de Python SDK (v2)

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

In dit artikel maakt, bekijkt en verwijdert u Azure Machine Learning-werkruimten voor Azure Machine Learning, met Azure Portal of de SDK voor Python.

Naarmate uw behoeften veranderen of uw automatiseringsvereisten toenemen, kunt u werkruimten beheren met de CLI, Azure PowerShell of via de Visual Studio Code-extensie.

Vereisten

• Een Azure-abonnement. Als u nog geen abonnement op Azure hebt, maak dan een gratis account aan voordat u begint. Probeer vandaag nog de gratis of betaalde versie van Azure Machine Learning.
• Met de Python SDK:

  1. Installeer de SDK v2.

  2. Installeer azure-identity: pip install azure-identity. Als u zich in een notebookcel bevindt, gebruikt u %pip install azure-identity.

  3. Geef uw abonnementsgegevens op:

     VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

     # Enter details of your subscription
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"

  4. Krijg een ingang voor het abonnement. Alle Python-code in dit artikel maakt gebruik van ml_client:

     # get a handle to the subscription
     
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

     • (Optioneel) Als u meerdere accounts hebt, voegt u de tenant-id van de Microsoft Entra-id toe die u in het DefaultAzureCredentialaccount wilt gebruiken. Zoek uw tenant-id in Azure Portal onder Microsoft Entra ID, Externe identiteiten.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Optioneel) Als u in de regio's Azure Government - VS of Azure China 21Vianet werkt, moet u de cloud opgeven waarin u zich wilt verifiëren. U kunt deze regio's opgeven in DefaultAzureCredential.

       from azure.identity import AzureAuthorityHosts
       DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT))
       

Beperkingen

• Wanneer u een nieuwe werkruimte maakt, kunt u automatisch services maken die nodig zijn voor de werkruimte of bestaande services gebruiken. Als u bestaande services van een ander Azure-abonnement wilt gebruiken dan de werkruimte, moet u de Azure Machine Learning-naamruimte registreren in het abonnement dat deze services bevat. Als u bijvoorbeeld een werkruimte maakt in abonnement A die gebruikmaakt van een opslagaccount in abonnement B, moet de Azure Machine Learning-naamruimte zijn geregistreerd in abonnement B voordat de werkruimte het opslagaccount kan gebruiken.

  De resourceprovider voor Azure Machine Learning is Microsoft.MachineLearningServices. Zie Azure-resourceproviders en -typen voor meer informatie over het registreren of registreren ervan.

  Belangrijk

  Deze informatie is alleen van toepassing op resources die worden verstrekt tijdens het maken van de werkruimte: Azure Storage-accounts, Azure Container Registry, Azure Key Vault en Application Insights.

• Voor netwerkisolatie met online-eindpunten kunt u werkruimte-gekoppelde resources (Azure Container Registry (ACR), opslagaccount, Key Vault en Application Insights gebruiken vanuit een andere resourcegroep dan uw werkruimte. Deze resources moeten echter deel uitmaken van hetzelfde abonnement en dezelfde tenant als uw werkruimte. Zie Netwerkisolatie met beheerde online-eindpunten voor informatie over de beperkingen die van toepassing zijn op het beveiligen van beheerde online-eindpunten met behulp van het beheerde virtuele netwerk van een werkruimte.

• Bij het maken van een werkruimte wordt standaard ook een Azure Container Registry (ACR) gemaakt. Omdat ACR momenteel geen unicode-tekens in resourcegroepnamen ondersteunt, gebruikt u een resourcegroep die deze tekens vermijdt.

• Azure Machine Learning biedt geen ondersteuning voor hiërarchische naamruimte (Azure Data Lake Storage Gen2-functie) voor het standaardopslagaccount van de werkruimte.

Tip

Er wordt een Azure-toepassing Insights-exemplaar gemaakt wanneer u de werkruimte maakt. U kunt het Application Insights-exemplaar verwijderen nadat het cluster is gemaakt. Als u deze verwijdert, worden de gegevens die zijn verzameld uit de werkruimte beperkt en kan het lastiger zijn om problemen op te lossen. Als u het Application Insights-exemplaar verwijdert dat door de werkruimte is gemaakt, kunt u deze alleen opnieuw maken door de werkruimte te verwijderen en opnieuw te maken.

Zie Gegevens van Machine Learning-webservice-eindpunten bewaken en verzamelen voor meer informatie over het gebruik van het Application Insights-exemplaar.

Een werkruimte maken

U kunt rechtstreeks in Azure Machine Learning-studio een werkruimte maken met beperkte opties. U kunt ook een van deze methoden gebruiken voor meer controle over opties:

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

• Basisconfiguratie voor aan de slag zonder specificatie, gekoppelde resources en de Azure-resourcegroep worden automatisch gemaakt. Met deze code maakt u een werkruimte met de naam myworkspace, afhankelijke Azure-resources (Opslagaccount, Key Vault, Container Registry, Application Insights) en een resourcegroep met de naam myresourcegroup in eastus2.

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  
  ws_basic = ml_client.workspaces.begin_create(ws_basic).result()
  print(ws_basic)

• Gebruik bestaande Azure-resources. Als u bestaande Azure-resources wilt gebruiken, moet u ernaar verwijzen met behulp van de Azure-resource-id-indeling. Zoek de specifieke Azure-resource-id's in Azure Portal of met de SDK. In dit voorbeeld wordt ervan uitgegaan dat de resourcegroep, het opslagaccount, de sleutelkluis, application insights en het containerregister al bestaan.

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  # Change the following variables to resource ids of your existing storage account, key vault, application insights
  # and container registry. Here we reuse the ones we just created for the basic workspace
  existing_storage_account = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>"
      ws_basic.storage_account
  )
  existing_container_registry = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>"
      ws_basic.container_registry
  )
  existing_key_vault = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>"
      ws_basic.key_vault
  )
  existing_application_insights = (
      # e.g. "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>"
      ws_basic.application_insights
  )
  
  ws_with_existing_resources = Workspace(
      name=basic_ex_workspace_name,
      location="eastus",
      display_name="Bring your own dependent resources-example",
      description="This sample specifies a workspace configuration with existing dependent resources",
      storage_account=existing_storage_account,
      container_registry=existing_container_registry,
      key_vault=existing_key_vault,
      application_insights=existing_application_insights,
      tags=dict(purpose="demonstration"),
  )
  
  ws_with_existing_resources = ml_client.begin_create_or_update(
      ws_with_existing_resources
  ).result()
  
  print(ws_with_existing_resources)

• (Preview) Gebruik de bestaande hubwerkruimte. In plaats van een standaardwerkruimte te maken met eigen beveiligingsinstellingen en bijbehorende resources, kunt u de gedeelde omgeving van een hubwerkruimte opnieuw gebruiken. Uw nieuwe 'project'-werkruimte krijgt beveiligingsinstellingen en gedeelde configuraties van de hub, inclusief berekeningen en verbindingen. In dit voorbeeld wordt ervan uitgegaan dat de hubwerkruimte al bestaat.

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

Zie de naslaginformatie over de Workspace SDK voor meer informatie.

Als u problemen ondervindt bij het openen van uw abonnement, raadpleegt u Verificatie instellen voor Azure Machine Learning-resources en -werkstromen en de verificatie in Azure Machine Learning-notebook .

Portal

1. Meld u aan bij de Azure-portal met behulp van de referenties van uw Azure-abonnement.

2. Selecteer in de linkerbovenhoek van Azure Portal de optie + Een resource maken.

   

3. Gebruik de zoekbalk om Machine Learning te vinden.

4. Selecteer Machine Learning.

5. Selecteer Maken in het deelvenster Machine Learning om te beginnen.

6. Geef de volgende gegevens op om uw nieuwe werkruimte te configureren:

   Veld	Beschrijving
   Werkruimtenaam	Voer een unieke naam in die uw werkruimte aanduidt. In dit voorbeeld wordt docs-ws gebruikt. Namen moeten uniek zijn binnen de resourcegroep. Gebruik een naam die gemakkelijk te onthouden is en die verschilt van werkruimten die door anderen zijn gemaakt. De naam van de werkruimte is niet hoofdlettergevoelig.
   Abonnement	Selecteer het Azure-abonnement dat u wilt gebruiken.
   Resourcegroep	Gebruik een bestaande resourcegroep in uw abonnement. Als u een nieuwe resourcegroep wilt maken, voert u een naam in. Een resourcegroep bevat gerelateerde resources voor een Azure-oplossing. U hebt de rol inzender of eigenaar nodig om een bestaande resourcegroep te kunnen gebruiken. Zie Toegang tot een Azure Machine Learning-werkruimte beheren voor meer informatie over toegang.
   Regio	Selecteer de Azure-regio die zich het dichtst bij uw gebruikers en de gegevensbronnen bevindt.
   Opslagaccount	Het standaardopslagaccount voor de werkruimte. Er wordt standaard een nieuwe gemaakt.
   Key Vault	De Azure Key Vault die door de werkruimte wordt gebruikt. Er wordt standaard een nieuwe gemaakt.
   Analyses van toepassingen	Het Application Insights-exemplaar voor de werkruimte. Er wordt standaard een nieuwe gemaakt.
   Container Registry	Het Azure Container Registry voor de werkruimte. Standaard wordt er geen nieuwe gemaakt voor de werkruimte. In plaats daarvan maakt het maken van een Docker-installatiekopie tijdens de training of implementatie ook dat Azure Container Registry voor de werkruimte zodra u deze nodig hebt.

   

7. Wanneer u klaar bent met de configuratie van de werkruimte, selecteert u Beoordelen en maken. Gebruik eventueel de secties Netwerken, Versleuteling, Identiteit en Tags om meer werkruimte-instellingen te configureren.

8. Controleer de instellingen en breng eventuele andere wijzigingen of correcties aan. Wanneer u tevreden bent met de instellingen, selecteert u Maken.

   Waarschuwing

   Het kan enkele minuten duren om uw werkruimte in de cloud te maken.

   Wanneer het proces is voltooid, wordt er een bericht weergegeven dat de implementatie is voltooid.

9. Selecteer Ga naar resource om de nieuwe werkruimte te bekijken.

10. Als u de werkruimte wilt gaan gebruiken, selecteert u de koppeling naar de web-URL van Studio in de rechterbovenhoek. U kunt ook de werkruimte selecteren op de startpagina van Azure Machine Learning-studio.

Studio

1. Geef een naam op voor de Azure Machine Learning-werkruimteresource.

2. Geef een beschrijvende naam op voor het weergeven van uw werkruimte in Studio.

3. (Preview) Selecteer desgewenst een hubwerkruimte om uw werkruimte te hosten in een gedeelde omgeving voor uw team, met vooraf geconfigureerde beveiliging, toegang tot bedrijfsresources en gedeelde rekenkracht.

   

Netwerken

Belangrijk

Zie Netwerkisolatie en privacy voor meer informatie over het gebruik van een privé-eindpunt en virtueel netwerk met uw werkruimte.

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private).result()

Voor deze klasse is een bestaand virtueel netwerk vereist.

Portal

1. De standaardnetwerkconfiguratie maakt gebruik van een openbaar eindpunt, dat toegankelijk is op het openbare internet. U kunt echter Privé selecteren met Uitgaand internet of Privé met Goedgekeurd uitgaand verkeer om de toegang tot uw werkruimte te beperken tot een virtueel Azure-netwerk dat u hebt gemaakt. Schuif vervolgens omlaag om de instellingen te configureren.

   

2. Selecteer Onder Toegang binnenkomende werkruimte toevoegen om het formulier Privé-eindpunt maken te openen.

3. Stel in het formulier Privé-eindpunt maken de locatie, naam en het virtuele netwerk in voor gebruik. Als u het eindpunt wilt gebruiken met een Privé-DNS Zone, selecteert u Integreren met een privé-DNS-zone en selecteert u de zone met behulp van het veld Privé-DNS Zone. Selecteer OK om het eindpunt te maken.

   

4. Als u Privé met uitgaand internet hebt geselecteerd, gebruikt u de sectie Uitgaande toegang voor werkruimte om het netwerk en de uitgaande regels te configureren.

5. Als u Privé hebt geselecteerd met Goedgekeurd uitgaand verkeer, gebruikt u de sectie Uitgaande toegang voor werkruimte om meer regels toe te voegen aan de vereiste set.

6. Wanneer u klaar bent met de netwerkconfiguratie, kunt u Controleren en maken selecteren of naar de optionele versleutelingsconfiguratie gaan.

Studio

1. Als u een werkruimte wilt maken met een uitgeschakelde internetverbinding via Studio, moet u een hubwerkruimte opgeven waarvoor openbare netwerktoegang is uitgeschakeld. Werkruimten die zijn gemaakt zonder een hub in AI Studio, hebben openbare internettoegang ingeschakeld. Een privéhub heeft een vergrendelingspictogram.

   

2. Als u tijdens het maken geen hubwerkruimte selecteert, gebruikt de standaardnetwerkconfiguratie een openbaar eindpunt dat toegankelijk is op het openbare internet.

Versleuteling

In een Azure Cosmos DB-exemplaar worden standaard de metagegevens van de werkruimte opgeslagen. Microsoft onderhoudt dit Cosmos DB-exemplaar. Door Microsoft beheerde sleutels versleutelen deze gegevens.

Uw eigen gegevensversleutelingssleutel gebruiken

U kunt uw eigen sleutel opgeven voor gegevensversleuteling. Als u uw eigen sleutel opslaat, wordt het Azure Cosmos DB-exemplaar gemaakt waarin metagegevens in uw Azure-abonnement worden opgeslagen. Zie Door de klant beheerde sleutels voor meer informatie.

Gebruik deze stappen om uw eigen sleutel op te geven:

Belangrijk

Voordat u deze stappen uitvoert, moet u eerst deze acties uitvoeren:

Volg de stappen in Door de klant beheerde sleutels configureren voor:

• De Azure Cosmos DB-provider registreren
• Een Azure Key Vault maken en configureren
• Een sleutel genereren

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

Portal

1. Selecteer door de klant beheerde sleutels en selecteer vervolgens Klikken om de sleutel te selecteren.

   

2. Selecteer in het formulier Sleutel selecteren in Azure Key Vault een bestaande Azure Key Vault, een sleutel die deze bevat en de sleutelversie. Met deze sleutel worden de gegevens versleuteld die zijn opgeslagen in Azure Cosmos DB. Gebruik ten slotte de knop Selecteren om deze sleutel te gebruiken.

   

Studio

1. Als u een werkruimte wilt maken met door de klant beheerde sleutelversleuteling via Studio, moet u een hubwerkruimte opgeven waarvoor door de klant beheerde sleutelversleuteling is ingeschakeld. Als u de configuratie van de hubwerkruimte wilt controleren, bekijkt u deze in Azure Portal.

2. Als u tijdens het maken geen hubwerkruimte selecteert, gebruikt uw werkruimte standaard door Microsoft beheerde sleutels.

Identiteit

Gebruik in de portal de pagina Identiteit om beheerde identiteit, toegang tot opslagaccounts en invloed op gegevens te configureren. Zie de koppelingen in de volgende secties voor de Python SDK.

Beheerde identiteit

Een werkruimte kan een door het systeem toegewezen identiteit of een door de gebruiker toegewezen identiteit krijgen. Deze identiteit wordt gebruikt voor toegang tot resources in uw abonnement. Zie Verificatie instellen tussen Azure Machine Learning en andere services voor meer informatie.

Toegang tot opslagaccount

Kies tussen op referenties gebaseerde toegang of op identiteit gebaseerde toegang wanneer u verbinding maakt met het standaardopslagaccount. Voor verificatie op basis van identiteit moet de rol Inzender voor opslagblobgegevens worden verleend aan de beheerde identiteit van de werkruimte in het opslagaccount.

Gegevensimpact

Als u de gegevens wilt beperken die Door Microsoft in uw werkruimte worden verzameld, selecteert u een werkruimte met hoge bedrijfsimpact in de portal of stelt hbi_workspace=true u deze in Python in. Zie Versleuteling-at-rest voor meer informatie over deze instelling.

Belangrijk

Het selecteren van grote bedrijfsimpact kan alleen optreden wanneer u een werkruimte maakt. U kunt deze instelling niet wijzigen nadat de werkruimte is gemaakt.

Tags

Tags zijn naam/waarde-paren waarmee u resources kunt categoriseren en een geconsolideerde facturering kunt weergeven. Hiervoor past u dezelfde tag toe op meerdere resources en resourcegroepen.

Wijs tags voor de werkruimte toe door de naam/waardeparen in te voeren. Raadpleeg Tags gebruiken om uw Azure-resources te organiseren voor meer informatie.

Gebruik ook tags om [werkruimtebeleid af te dwingen)(#enforce-beleid).

Een configuratiebestand downloaden

Als u uw code uitvoert op een rekenproces, slaat u deze stap over. Het rekenproces maakt en slaat een kopie van dit bestand voor u op.

Als u code wilt gebruiken in uw lokale omgeving die naar deze werkruimte verwijst, downloadt u het bestand:

1. Selecteer uw werkruimte in Azure Studio

2. Selecteer in de rechterbovenhoek de naam van de werkruimte en selecteer vervolgens Config.json downloaden

   

Plaats het bestand in de mapstructuur met uw Python-scripts of Jupyter Notebooks. Dezelfde map, een submap met de naam .azureml of een bovenliggende map kan dit bestand bevatten. Wanneer u een rekenproces maakt, wordt dit bestand voor u toegevoegd aan de juiste map op de VIRTUELE machine.

Beleid afdwingen

U kunt deze functies van een werkruimte in-/uitschakelen:

• Feedbackmogelijkheden in de werkruimte. Mogelijkheden zijn onder andere incidentele enquêtes in product en het feedbackhulpmiddel glimlach-frown in de banner van de werkruimte.
• Mogelijkheid om preview-functies in de werkruimte uit te proberen.

Deze functies zijn standaard ingeschakeld. U kunt ze als volgt uitschakelen:

• Wanneer u de werkruimte maakt, schakelt u functies uit de sectie Tags uit:

  1. Schakel feedback uit door het paar 'ADMIN_HIDE_SURVEY: TRUE' toe te voegen
  2. Voorbeeldweergaven uitschakelen door het paar 'AZML_DISABLE_PREVIEW_FEATURE' toe te voegen: 'TRUE'

• Schakel voor een bestaande werkruimte functies uit de sectie Tags uit:

  1. Ga naar de werkruimteresource in Azure Portal
  2. Tags openen vanuit het linkernavigatievenster
  3. Schakel feedback uit door het paar 'ADMIN_HIDE_SURVEY: TRUE' toe te voegen
  4. Schakel voorbeelden uit door het paar 'AZML_DISABLE_PREVIEW_FEATURE: TRUE' toe te voegen
  5. Selecteer Toepassen.

U kunt previews uitschakelen op abonnementsniveau, zodat deze is uitgeschakeld voor alle werkruimten in het abonnement. In dit geval hebben gebruikers in het abonnement ook geen toegang tot het preview-hulpprogramma voordat ze een werkruimte selecteren. Deze instelling is handig voor beheerders die ervoor willen zorgen dat preview-functies niet worden gebruikt in hun organisatie.

Als de preview-instelling is uitgeschakeld op abonnementsniveau, wordt deze instelling voor afzonderlijke werkruimten genegeerd.

Preview-functies uitschakelen op abonnementsniveau:

1. Ga naar de abonnementsresource in Azure Portal
2. Tags openen vanuit het linkernavigatievenster
3. Schakel previews uit voor alle werkruimten in het abonnement door het paar 'AZML_DISABLE_PREVIEW_FEATURE' toe te voegen: 'TRUE'
4. Selecteer Toepassen.

Verbinding maken met een werkruimte

Wanneer u machine learning-taken uitvoert met de SDK, hebt u een MLClient-object nodig waarmee de verbinding met uw werkruimte wordt opgegeven. U kunt een MLClient object maken op basis van parameters of met een configuratiebestand.

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

• Met een configuratiebestand: Met deze code wordt de inhoud van het configuratiebestand gelezen om uw werkruimte te vinden. Er wordt een prompt geopend om u aan te melden als u zich nog niet hebt geverifieerd.

  from azure.ai.ml import MLClient
  
  # read the config from the current directory
  ws_from_config = MLClient.from_config(credential=DefaultAzureCredential())
  

• Uit parameters: er is geen config.json bestand beschikbaar als u deze methode gebruikt.

  from azure.ai.ml import MLClient
  from azure.ai.ml.entities import Workspace
  from azure.identity import DefaultAzureCredential
  
  ws = MLClient(
      DefaultAzureCredential(),
      subscription_id="<SUBSCRIPTION_ID>",
      resource_group_name="<RESOURCE_GROUP>",
      workspace_name="<AML_WORKSPACE_NAME>",
  )
  print(ws)

Als u problemen ondervindt bij het openen van uw abonnement, raadpleegt u Verificatie instellen voor Azure Machine Learning-resources en -werkstromen en de verificatie in Azure Machine Learning-notebook .

Een werkruimte zoeken

Bekijk een lijst met alle werkruimten die u beschikbaar hebt. U kunt ook zoeken naar een werkruimte in Studio. Zie Zoeken naar Azure Machine Learning-assets (preview).

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

# Enter details of your subscription
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

Ga als volgende te werk om specifieke werkruimtedetails te verkrijgen:

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

Portal

1. Meld u aan bij het Azure-portaal.

2. Typ Machine Learning in het bovenste zoekveld.

3. Selecteer Machine Learning.

   

4. Bekijk de lijst met werkruimten. U kunt filteren op basis van abonnementen, resourcegroepen en locaties.

5. Als u eigenschappen wilt weergeven, selecteert u een werkruimte.

Studio

1. Selecteer in Azure Machine Learning-studio alle werkruimten in het navigatievenster aan de linkerkant. Er wordt een lijst met onlangs gebruikte werkruimten weergegeven.
2. Als u alle werkruimten wilt weergeven waartoe u toegang hebt, selecteert u Werkruimten in de navigatie aan de linkerkant.

Een werkruimte verwijderen

Wanneer u een werkruimte niet meer nodig hebt, verwijdert u deze.

Waarschuwing

Als voorlopig verwijderen is ingeschakeld voor de werkruimte, kan deze na verwijdering worden hersteld. Als voorlopig verwijderen niet is ingeschakeld of u de optie selecteert om de werkruimte permanent te verwijderen, kan deze niet worden hersteld. Zie Een verwijderde werkruimte herstellen voor meer informatie.

Tip

Het standaardgedrag voor Azure Machine Learning is om de werkruimte voorlopig te verwijderen . Dit betekent dat de werkruimte niet onmiddellijk wordt verwijderd, maar in plaats daarvan is gemarkeerd voor verwijdering. Zie Voorlopig verwijderen voor meer informatie.

Python SDK

VAN TOEPASSING OP: Python SDK azure-ai-ml v2 (actueel)

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

Met de standaardactie worden resources die aan de werkruimte zijn gekoppeld, niet automatisch verwijderd. Stel in op delete_dependent_resources Waar om deze resources ook te verwijderen.

• containerregister
• opslagaccount
• sleutelkluis
• Application Insights

Portal

Selecteer In Azure Portal de optie Verwijderen boven aan de werkruimte die u wilt verwijderen.

Studio

U kunt een werkruimte niet verwijderen uit Studio. Gebruik in plaats daarvan Azure Portal of de Python SDK.

Resources opschonen

Belangrijk

De resources die u hebt gemaakt, kunnen worden gebruikt als de vereisten voor andere Azure Machine Learning-zelfstudies en artikelen met procedures.

Als u niet van plan bent om een van de resources te gebruiken die u hebt gemaakt, verwijdert u deze zodat er geen kosten in rekening worden gebracht:

1. Voer in azure Portal in het zoekvak resourcegroepen in en selecteer deze in de resultaten.

2. Selecteer de resourcegroep die u hebt gemaakt uit de lijst.

3. Selecteer op de pagina Overzicht de optie Resourcegroep verwijderen.

   

4. Voer de naam van de resourcegroup in. Selecteer daarna Verwijderen.

Probleemoplossing

• Ondersteunde browsers in Azure Machine Learning-studio: U wordt aangeraden de meest recente browser te gebruiken die compatibel is met uw besturingssysteem. Deze browsers worden ondersteund:

  • Microsoft Edge (de nieuwe Versie van Microsoft Edge, nieuwste versie. Opmerking: Verouderde versie van Microsoft Edge wordt niet ondersteund)
  • Safari (nieuwste versie, alleen Mac)
  • Chrome (nieuwste versie)
  • Firefox (nieuwste versie)

• Azure Portal:

  • Als u rechtstreeks naar uw werkruimte gaat via een sharekoppeling vanuit de SDK of Azure Portal, kunt u de standaardoverzichtspagina met abonnementsgegevens in de extensie niet weergeven. Bovendien kunt u in dit scenario niet overschakelen naar een andere werkruimte. Als u een andere werkruimte wilt weergeven, gaat u rechtstreeks naar Azure Machine Learning-studio en zoekt u de naam van de werkruimte.
  • Alle assets (gegevens, experimenten, berekeningen, enzovoort) zijn alleen beschikbaar in Azure Machine Learning-studio. Azure Portal biedt ze niet* aan.
  • Als u probeert een sjabloon voor een werkruimte te exporteren vanuit Azure Portal, wordt mogelijk een fout geretourneerd die vergelijkbaar is met deze tekst: Could not get resource of the type <type>. Resources of this type will not be exported. Als tijdelijke oplossing gebruikt u een van de sjablonen die zijn https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices opgegeven als basis voor uw sjabloon.

Werkruimtediagnose

U kunt diagnostische gegevens uitvoeren in uw werkruimte vanuit Azure Machine Learning-studio of de Python SDK. Nadat diagnostische gegevens zijn uitgevoerd, wordt een lijst met gedetecteerde problemen geretourneerd. Deze lijst bevat koppelingen naar mogelijke oplossingen. Zie Diagnostische gegevens over werkruimten gebruiken voor meer informatie.

Fouten met resourceprovider

Wanneer u een Azure Machine Learning-werkruimte maakt of een resource die door de werkruimte wordt gebruikt, ontvangt u mogelijk een foutbericht die op een van de volgende berichten lijkt:

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

De meeste resourceproviders worden automatisch geregistreerd, maar niet allemaal. Als u dit bericht ontvangt, moet u de vermelde provider registreren.

De volgende tabel bevat een lijst met de resourceproviders die vereist zijn voor Azure Machine Learning:

Resourceprovider	Waarom dit nodig is
Microsoft.MachineLearningServices	De Azure Machine Learning-werkruimte maken.
Microsoft.Storage	Azure Storage-account wordt gebruikt als de standaardopslag voor de werkruimte.
Microsoft.ContainerRegistry	Azure Container Registry wordt door de werkruimte gebruikt om Docker-installatiekopieën te bouwen.
Microsoft.KeyVault	Azure Key Vault wordt door de werkruimte gebruikt om geheimen op te slaan.
Microsoft.Notebooks	Geïntegreerde notebooks in een Azure Machine Learning-rekenproces.
Microsoft.ContainerService	Als u van plan bent getrainde modellen te implementeren in Azure Kubernetes Services.

Als u van plan bent om een door de klant beheerde sleutel te gebruiken met Azure Machine Learning, moeten de volgende serviceproviders zijn geregistreerd:

Resourceprovider	Waarom dit nodig is
Microsoft.DocumentDB	Azure CosmosDB-exemplaar dat metagegevens voor de werkruimte registreert.
Microsoft.Search	Azure Search biedt indexeringsmogelijkheden voor de werkruimte.

Als u van plan bent om een beheerd virtueel netwerk te gebruiken met Azure Machine Learning, moet de resourceprovider Microsoft.Network worden geregistreerd. Deze resourceprovider wordt door de werkruimte gebruikt bij het maken van privé-eindpunten voor het beheerde virtuele netwerk.

Zie Fouten oplossen voor de registratie van de resourceprovider voor informatie over het registreren van resourceproviders.

Azure Container Registry verwijderen

De Azure Machine Learning-werkruimte maakt gebruik van de Azure Container Registry (ACR) voor sommige bewerkingen. Er wordt automatisch een ACR-exemplaar gemaakt wanneer deze er eerst een nodig heeft.

Waarschuwing

Zodra een Azure Container Registry voor een werkruimte is gemaakt, verwijdert u deze niet. Hierdoor wordt uw Azure Machine Learning-werkruimte verbroken.

Voorbeelden

Voorbeelden in dit artikel zijn afkomstig van workspace.ipynb.

Volgende stappen

Zodra u een werkruimte hebt, leert u hoe u een model traint en implementeert.

Ga naar Azure Machine Learning organiseren en instellen voor meer informatie over het plannen van een werkruimte voor de vereisten van uw organisatie.

• Als u een werkruimte naar een ander Azure-abonnement wilt verplaatsen, gaat u naar Een werkruimte verplaatsen.

Ga naar Beheer van beveiligingsproblemen voor informatie over het up-to-date houden van Azure Machine Learning met de nieuwste beveiligingsupdates.