Entender os ambientes
Em uma solução de aprendizado de máquina empresarial, em que os experimentos podem ser executados em vários contextos de computação, é importante estar ciente dos ambientes em que o código de teste está em execução. Você pode usar os ambientes Azure Machine Learning para criar ambientes e especificar a configuração de tempo de execução para um experimento.
Quando você cria um workspace do Azure Machine Learning, os ambientes com curadoria são criados automaticamente e disponibilizados para você. Como alternativa, você pode criar e gerenciar seus ambientes personalizados e registrá-los no workspace. Criar e registrar ambientes personalizados torna possível definir contextos de runtime consistentes e reutilizáveis para seus experimentos, independentemente de onde o script do experimento é executado.
O que é um ambiente no Azure Machine Learning?
O código Python é executado no contexto de um ambiente virtual que define a versão do runtime do Python a ser usada, bem como os pacotes instalados disponíveis para o código. Na maioria das instalações do Python, os pacotes são instalados e gerenciados em ambientes usando conda ou pip.
Para melhorar a portabilidade, você geralmente cria ambientes em contêineres do Docker que, por sua vez, são hospedados em destinos de computação, como o computador de desenvolvimento, máquinas virtuais ou clusters na nuvem.
O Azure Machine Learning cria definições de ambiente em imagens do Docker e ambientes Conda. Quando você usa um ambiente, o Azure Machine Learning cria o ambiente no Registro de Contêiner do Azure associado ao workspace.
Dica
Ao criar um workspace do Azure Machine Learning, você pode escolher se deseja usar um Registro de Contêiner do Azure existente ou se deseja permitir que o workspace crie um novo registro para você quando necessário.
Para exibir todos os ambientes disponíveis no workspace do Azure Machine Learning, você pode listar os ambientes no estúdio, usando a CLI do Azure ou o SDK do Python.
Por exemplo, para listar os ambientes usando o SDK do Python:
envs = ml_client.environments.list()
for env in envs:
print(env.name)
Para verifiicar os detalhes de um ambiente específico, você pode recuperar um ambiente pelo nome registrado:
env = ml_client.environments.get(name="my-environment", version="1")
print(env)