Explore e use ambientes com curadoria

Concluído

Os ambientes com curadoria são ambientes pré-criados para as cargas de trabalho de aprendizado de máquina mais comuns, disponíveis em seu espaço de trabalho por padrão.

Os ambientes selecionados usam o prefixo AzureML- e são projetados para fornecer scripts que usam estruturas e ferramentas populares de aprendizado de máquina.

Por exemplo, há ambientes com curadoria para quando você deseja executar um script que treina um modelo de regressão, agrupamento ou classificação com o Scikit-Learn.

Para explorar um ambiente com curadoria, você pode visualizá-lo no estúdio, usando a CLI do Azure ou o SDK do Python.

O comando a seguir permite recuperar a descrição e as tags de um ambiente com curadoria com o Python SDK:

env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)

Use um ambiente com curadoria

Mais comumente, você usa ambientes quando deseja executar um script como um trabalho (comando).

Para especificar qual ambiente você deseja usar para executar o script, faça referência a um ambiente por seu nome e versão.

Por exemplo, o código a seguir mostra como configurar um trabalho de comando com o Python SDK, que usa um ambiente com curadoria, incluindo Scikit-Learn:

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",
    display_name="train-with-curated-environment",
    experiment_name="train-with-curated-environment"
)

# submit job
returned_job = ml_client.create_or_update(job)

Testar e solucionar problemas de um ambiente com curadoria

Como os ambientes com curadoria permitem um tempo de implantação mais rápido, é uma prática recomendada explorar primeiro se um dos ambientes com curadoria pré-criados pode ser usado para executar seu código.

Você pode verificar se um ambiente com curadoria inclui todos os pacotes necessários revisando seus detalhes. Em seguida, você pode testar usando o ambiente para executar o script.

Se um ambiente não incluir todos os pacotes necessários para executar seu código, seu trabalho falhará.

Quando um trabalho falha, você pode revisar os logs de erro detalhados na guia Saídas + logs do seu trabalho no estúdio do Azure Machine Learning.

Uma mensagem de erro comum que indica que seu ambiente está incompleto é ModuleNotFoundError. O módulo que não foi encontrado está listado na mensagem de erro. Ao revisar a mensagem de erro, você pode atualizar o ambiente para incluir as bibliotecas para garantir que os pacotes necessários sejam instalados no destino de computação antes de executar o código.

Quando precisar especificar outros pacotes necessários, você poderá usar um ambiente com curadoria como referência para seus próprios ambientes personalizados, modificando os Dockerfiles que dão suporte a esses ambientes curados.