Понимание сред

  • 6 мин

В решении корпоративного машинного обучения, где эксперименты могут выполняться в различных вычислительных контекстах, важно учитывать среды, в которых выполняется код эксперимента. Вы можете использовать среды машинного обучения Azure для создания сред и указания конфигурации среды выполнения для эксперимента.

При создании рабочей области машинного обучения Azure созданные среды автоматически создаются и становятся доступными. Кроме того, можно создать собственные пользовательские среды, зарегистрировать их в рабочей области и управлять ими. Создание и регистрация пользовательских сред позволяет определить согласованные, многократно используемые контексты среды выполнения для экспериментов независимо от того, где выполняется скрипт эксперимента.

Что такое среда в Машинном обучении Azure?

Код Python выполняется в контексте виртуальной среды, определяющей версию среды выполнения Python, которая будет использоваться, а также установленные пакеты, доступные для кода. В большинстве установок Python пакеты устанавливаются и управляются в средах с помощью conda или pip.

Для повышения переносимости обычно создаются среды в контейнерах Docker, которые в свою очередь размещаются на целевых объектах вычислений, таких как компьютер разработки, виртуальные машины или кластеры в облаке.

схема сред в контейнерах в целевых объектах вычислений.

Машинное обучение Azure создает определения среды в образах Docker и средах conda. При использовании среды платформа Azure Machine Learning создает эту среду в реестре контейнеров Azure , ассоциированном с рабочей областью.

Совет

При создании рабочей области машинного обучения Azure можно выбрать, следует ли использовать существующий реестр контейнеров Azure или разрешить рабочей области создавать новый реестр при необходимости.

Чтобы просмотреть все доступные среды в рабочей области Машинного обучения Azure, можно перечислить среды в студии, используя Azure CLI или пакет SDK для Python.

Например, чтобы перечислить среды с помощью пакета SDK для Python:

envs = ml_client.environments.list()
for env in envs:
    print(env.name)

Чтобы просмотреть сведения о конкретной среде, можно получить среду по её зарегистрированному имени.

env = ml_client.environments.get(name="my-environment", version="1")
print(env)