Eksplorowanie zestawu SDK języka Python
Ważne
Obecnie istnieją dwie wersje zestawu PYTHON SDK: wersja 1 (wersja 1) i wersja 2 (wersja 2). W przypadku nowych projektów należy użyć wersji 2, a zatem zawartość w tej lekcji obejmuje tylko 2. Dowiedz się więcej o podejmowaniu decyzji między wersjami 1 i v2.
Analitycy danych mogą używać usługi Azure Machine Edukacja do trenowania, śledzenia i zarządzania modelami uczenia maszynowego. Jako analityk danych będziesz głównie pracować z elementami zawartości w obszarze roboczym usługi Azure Machine Edukacja dla obciążeń uczenia maszynowego.
Ponieważ większość analityków danych zna język Python, usługa Azure Machine Edukacja oferuje zestaw SDK (software development kit), dzięki czemu można wchodzić w interakcje z obszarem roboczym przy użyciu języka Python.
Zestaw SDK języka Python dla usługi Azure Machine Edukacja to idealne narzędzie dla analityków danych, które mogą być używane w dowolnym środowisku języka Python. Niezależnie od tego, czy zwykle pracujesz z notesami Jupyter, visual Studio Code, możesz zainstalować zestaw SDK języka Python i połączyć się z obszarem roboczym.
Instalowanie zestawu SDK języka Python
Aby zainstalować zestaw PYTHON SDK w środowisku języka Python, potrzebujesz języka Python w wersji 3.7 lub nowszej. Pakiet można zainstalować za pomocą polecenia pip:
pip install azure-ai-ml
Uwaga
Podczas pracy z notesami w programie Azure Machine Edukacja Studio nowy zestaw SDK języka Python jest już zainstalowany podczas korzystania z języka Python 3.10 lub nowszego. Zestaw PYTHON SDK w wersji 2 można używać z wcześniejszymi wersjami języka Python, ale najpierw musisz go zainstalować.
Połączenie do obszaru roboczego
Po zainstalowaniu zestawu SDK języka Python należy nawiązać połączenie z obszarem roboczym. Łącząc się, uwierzytelniasz środowisko w celu interakcji z obszarem roboczym w celu tworzenia zasobów i zasobów oraz zarządzania nimi.
Do uwierzytelniania potrzebne są wartości do trzech niezbędnych parametrów:
subscription_id: Identyfikator subskrypcji.resource_group: nazwa grupy zasobów.workspace_name: nazwa obszaru roboczego.
Następnie możesz zdefiniować uwierzytelnianie przy użyciu następującego kodu:
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
ml_client = MLClient(
DefaultAzureCredential(), subscription_id, resource_group, workspace
)
Po zdefiniowaniu uwierzytelniania należy wywołać MLClient środowisko, aby nawiązać połączenie z obszarem roboczym. Wywołasz metodę MLClient w dowolnym momencie, w którym chcesz utworzyć lub zaktualizować zasób lub zasób w obszarze roboczym.
Na przykład połączysz się z obszarem roboczym podczas tworzenia nowego zadania w celu wytrenowania modelu:
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",
experiment_name="train-model"
)
# connect to workspace and submit job
returned_job = ml_client.create_or_update(job)
Korzystanie z dokumentacji referencyjnej
Aby wydajnie pracować z zestawem PYTHON SDK, należy użyć dokumentacji referencyjnej. W dokumentacji referencyjnej znajdziesz wszystkie możliwe klasy, metody i parametry dostępne w zestawie SDK języka Python.
Dokumentacja referencyjna klasy MLClient zawiera metody, których można użyć do nawiązywania połączenia z obszarem roboczym i interakcji z nim. Ponadto linki do możliwych operacji dla różnych jednostek, takich jak sposób wyświetlania listy istniejących magazynów danych w obszarze roboczym.
Dokumentacja referencyjna zawiera również listę klas dla wszystkich jednostek , z którymi można korzystać. Na przykład istnieją oddzielne klasy, gdy chcesz utworzyć magazyn danych, który łączy się z usługą Azure Blob Storage lub z usługą Azure Data Lake Gen 2.
Wybierając określoną klasę, na AmlCompute przykład z listy jednostek, możesz znaleźć bardziej szczegółową stronę dotyczącą używania klasy i akceptowanych parametrów.