Hantera Azure Machine Learning-arbetsytor i portalen eller med Python SDK (v2)

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

I den här artikeln skapar, visar och tar du bort Azure Machine Learning-arbetsytor för Azure Machine Learning med Azure Portal eller SDK för Python.

När dina behov ändras eller automatiseringskraven ökar kan du hantera arbetsytor med CLI, Azure PowerShell eller via Visual Studio Code-tillägget.

Förutsättningar

• En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning idag.
• Med Python SDK:

  1. Installera SDK v2.

  2. Installera azure-identity: pip install azure-identity. Om du är i en notebook-cell använder du %pip install azure-identity.

  3. Ange din prenumerationsinformation:

     GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

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

  4. Hämta ett handtag till prenumerationen. All Python-kod i den här artikeln använder 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)

     • (Valfritt) Om du har flera konton lägger du till klient-ID:t för det Microsoft Entra-ID som du vill använda i DefaultAzureCredential. Hitta ditt klientorganisations-ID från Azure Portal under Microsoft Entra-ID, externa identiteter.

       DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
       

     • (Valfritt) Om du arbetar i regionerna Azure Government – USA eller Azure China 21Vianet måste du ange det moln som du vill autentisera till. Du kan ange dessa regioner i DefaultAzureCredential.

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

Begränsningar

• När du skapar en ny arbetsyta kan du antingen automatiskt skapa tjänster som behövs av arbetsytan eller använda befintliga tjänster. Om du vill använda befintliga tjänster från en annan Azure-prenumeration än arbetsytan måste du registrera Azure Machine Learning-namnområdet i prenumerationen som innehåller dessa tjänster. Om du till exempel skapar en arbetsyta i prenumeration A som använder ett lagringskonto i prenumeration B måste Azure Machine Learning-namnområdet registreras i prenumeration B innan arbetsytan kan använda lagringskontot.

  Resursprovidern för Azure Machine Learning är Microsoft.MachineLearningServices. Information om hur du ser om den är registrerad eller registrerar den finns i Azure-resursprovidrar och typer.

  Viktigt!

  Den här informationen gäller endast för resurser som tillhandahålls när arbetsytan skapas: Azure Storage-konton, Azure Container Registry, Azure Key Vault och Application Insights.

• För nätverksisolering med onlineslutpunkter kan du använda arbetsyterelaterade resurser (Azure Container Registry (ACR), Lagringskonto, Key Vault och Application Insights) från en resursgrupp som skiljer sig från din arbetsyta. Dessa resurser måste dock tillhöra samma prenumeration och klientorganisation som din arbetsyta. Information om de begränsningar som gäller för att skydda hanterade onlineslutpunkter finns i Nätverksisolering med hanterade onlineslutpunkter med hjälp av en arbetsytas hanterade virtuella nätverk.

• Skapande av arbetsyta skapar också ett Azure Container Registry (ACR) som standard. Eftersom ACR för närvarande inte stöder unicode-tecken i resursgruppsnamn använder du en resursgrupp som undviker dessa tecken.

• Azure Machine Learning stöder inte hierarkisk namnrymd (Azure Data Lake Storage Gen2-funktion) för arbetsytans standardlagringskonto.

Dricks

En Azure Application Insights-instans skapas när du skapar arbetsytan. Du kan ta bort Application Insights-instansen när klustret har skapats om du vill. Om du tar bort den begränsas den information som samlas in från arbetsytan och kan göra det svårare att felsöka problem. Om du tar bort Application Insights-instansen som skapats av arbetsytan är det enda sättet att återskapa den att ta bort och återskapa arbetsytan.

Mer information om hur du använder Application Insights-instansen finns i Övervaka och samla in data från Machine Learning-webbtjänstslutpunkter.

Skapa en arbetsyta

Du kan skapa en arbetsyta direkt i Azure Machine Learning-studio, med begränsade tillgängliga alternativ. Du kan också använda någon av dessa metoder för mer kontroll över alternativ:

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

• Grundläggande konfiguration för att komma igång Utan specifikation skapas associerade resurser och Azure-resursgruppen automatiskt. Den här koden skapar en arbetsyta med namnet myworkspace, beroende Azure-resurser (Lagringskonto, Key Vault, Container Registry, Application Insights) och en resursgrupp med namnet myresourcegroup i 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)

• Använd befintliga Azure-resurser. Om du vill ta med befintliga Azure-resurser refererar du till dem med hjälp av Azure-resurs-ID-formatet. Hitta de specifika Azure-resurs-ID:na i Azure Portal eller med SDK:t. Det här exemplet förutsätter att resursgruppen, lagringskontot, Key Vault, Application Insights och Container Registry redan finns.

  # 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)

• (Förhandsversion) Använd befintlig hubbarbetsyta. I stället för att skapa en standardarbetsyta med egna säkerhetsinställningar och associerade resurser kan du återanvända en hubbarbetsytas delade miljö. Din nya projektarbetsyta hämtar säkerhetsinställningar och delade konfigurationer från hubben, inklusive beräkning och anslutningar. Det här exemplet förutsätter att hubbarbetsytan redan finns.

  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()
  

Mer information finns i Arbetsyte-SDK-referens.

Om du har problem med att komma åt din prenumeration kan du läsa Konfigurera autentisering för Azure Machine Learning-resurser och arbetsflöden samt Autentisering i Azure Machine Learning Notebook.

Portal

1. Logga in på Azure Portal med hjälp av autentiseringsuppgifterna för din Azure-prenumeration.

2. I det övre vänstra hörnet av Azure Portal väljer du + Skapa en resurs.

   

3. Använd sökfältet för att hitta Machine Learning.

4. Välj Maskininlärning.

5. I fönstret Machine Learning väljer du Skapa för att börja.

6. Ange följande information för att konfigurera den nya arbetsytan:

   Fält	beskrivning
   Namn på arbetsyta	Ange ett unikt namn som identifierar din arbetsyta. I det här exemplet används docs-ws. Namn måste vara unika i resursgruppen. Använd ett namn som är enkelt att komma ihåg och som skiljer sig från arbetsytor som skapats av andra. Arbetsytans namn är skiftlägeskänsligt.
   Prenumeration	Välj den Azure-prenumeration som du vill använda.
   Resursgrupp	Använd en befintlig resursgrupp i din prenumeration. Om du vill skapa en ny resursgrupp anger du ett namn. En resursgrupp innehåller relaterade resurser för en Azure-lösning. Du behöver rollen deltagare eller ägare för att kunna använda en befintlig resursgrupp. Mer information om åtkomst finns i Hantera åtkomst till en Azure Machine Learning-arbetsyta.
   Region	Välj den Azure-region som är närmast både användarna och dataresurserna.
   Lagringskonto	Standardlagringskontot för arbetsytan. Som standard skapas en ny.
   Key Vault	Azure Key Vault som används av arbetsytan. Som standard skapas en ny.
   Programinsikter	Application Insights-instansen för arbetsytan. Som standard skapas en ny.
   Container Registry	Azure Container Registry för arbetsytan. Som standard skapas inte en ny för arbetsytan. I stället skapar skapandet av en Docker-avbildning under träning eller distribution dessutom det Azure Container Registry för arbetsytan när du behöver den.

   

7. När du är klar med konfigurationen av arbetsytan väljer du Granska + Skapa. Du kan också använda avsnitten Nätverk, Kryptering, Identitet och Taggar för att konfigurera fler arbetsyteinställningar.

8. Granska inställningarna och gör andra ändringar eller korrigeringar. När du är nöjd med inställningarna väljer du Skapa.

   Varning

   Det kan ta flera minuter att skapa din arbetsyta i molnet.

   När processen är klar visas ett meddelande om att distributionen lyckades.

9. Om du vill visa den nya arbetsytan väljer du Gå till resurs.

10. Om du vill börja använda arbetsytan väljer du länken Studio-webb-URL längst upp till höger. Du kan också välja arbetsytan på startsidan för Azure Machine Learning-studio.

Studio

1. Ange ett namn för Azure Machine Learning-arbetsytans resurs.

2. Ange ett eget namn för att visa din arbetsyta i Studio.

3. (Förhandsversion) Du kan också välja en hubbarbetsyta för att vara värd för din arbetsyta i en delad miljö för ditt team, med förkonfigurerad säkerhet, åtkomst till företagsresurser och delad beräkning.

   

Nätverk

Viktigt!

Mer information om hur du använder en privat slutpunkt och ett virtuellt nätverk med din arbetsyta finns i Nätverksisolering och sekretess.

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

# 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()

Den här klassen kräver ett befintligt virtuellt nätverk.

Portal

1. Standardnätverkskonfigurationen använder en offentlig slutpunkt som är tillgänglig på det offentliga Internet. Du kan dock välja Privat med Internet Utgående eller Privat med godkänd utgående trafik för att begränsa åtkomsten till din arbetsyta till ett virtuellt Azure-nätverk som du skapade. Rulla sedan ned för att konfigurera inställningarna.

   

2. Under Inkommande åtkomst för arbetsyta väljer du Lägg till för att öppna formuläret Skapa privat slutpunkt .

3. I formuläret Skapa privat slutpunkt anger du den plats, det namn och det virtuella nätverk som ska användas. Om du vill använda slutpunkten med en Privat DNS zon väljer du Integrera med privat DNS-zon och väljer zonen med fältet Privat DNS Zon. Välj OK för att skapa slutpunkten.

   

4. Om du har valt Privat med Utgående Internet använder du avsnittet Utgående åtkomst för arbetsyta för att konfigurera regler för nätverk och utgående trafik.

5. Om du har valt Privat med godkänd utgående trafik använder du avsnittet Utgående åtkomst för arbetsyta för att lägga till fler regler i den obligatoriska uppsättningen.

6. När du är klar med nätverkskonfigurationen kan du välja Granska + skapa eller gå vidare till den valfria krypteringskonfigurationen .

Studio

1. Om du vill skapa en arbetsyta med inaktiverad Internetanslutning via Studio bör du ange en hubbarbetsyta som har åtkomst till offentligt nätverk inaktiverad. Arbetsytor som skapats utan en hubb i AI Studio har offentlig internetåtkomst aktiverad. En privat hubb har en låsikon.

   

2. Om du inte väljer en hubbarbetsyta vid tidpunkten för skapandet använder standardnätverkskonfigurationen en offentlig slutpunkt som är tillgänglig på det offentliga Internet.

Kryptering

Som standard lagrar en Azure Cosmos DB-instans arbetsytans metadata. Microsoft underhåller den här Cosmos DB-instansen. Microsoft-hanterade nycklar krypterar dessa data.

Använda din egen datakrypteringsnyckel

Du kan ange en egen nyckel för datakryptering. Om du anger en egen nyckel skapas Azure Cosmos DB-instansen som lagrar metadata i din Azure-prenumeration. Mer information finns i Kundhanterade nycklar.

Använd de här stegen för att ange din egen nyckel:

Viktigt!

Innan du följer de här stegen måste du först utföra följande åtgärder:

Följ stegen i Konfigurera kundhanterade nycklar för att:

• Registrera Azure Cosmos DB-providern
• Skapa och konfigurera ett Azure Key Vault
• Generera en nyckel

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

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. Välj Kundhanterade nycklar och välj sedan Klicka för att välja nyckel.

   

2. I formuläret Välj nyckel från Azure Key Vault väljer du ett befintligt Azure Key Vault, en nyckel som den innehåller och nyckelversionen. Den här nyckeln krypterar data som lagras i Azure Cosmos DB. Använd slutligen knappen Välj för att använda den här nyckeln.

   

Studio

1. Om du vill skapa en arbetsyta med kundhanterad nyckelkryptering via Studio bör du ange en hubbarbetsyta som är kundhanterad nyckelkryptering aktiverad. Om du vill verifiera hubbarbetsytans konfiguration visar du den i Azure Portal.

2. Om du inte väljer en hubbarbetsyta när den skapas använder arbetsytan Microsoft-hanterade nycklar som standard.

Identitet

I portalen använder du identitetssidan för att konfigurera hanterad identitet, åtkomst till lagringskonto och datapåverkan. För Python SDK, se länkarna i följande avsnitt.

Hanterad identitet

En arbetsyta kan ges antingen en systemtilldelad identitet eller en användartilldelad identitet. Den här identiteten används för att komma åt resurser i din prenumeration. Mer information finns i Konfigurera autentisering mellan Azure Machine Learning och andra tjänster.

Åtkomst till lagringskonto

Välj mellan autentiseringsbaserad åtkomst eller identitetsbaserad åtkomst när du ansluter till standardlagringskontot. För identitetsbaserad autentisering måste rollen Storage Blob Data Contributor beviljas till arbetsytans hanterade identitet på lagringskontot.

Datapåverkan

Om du vill begränsa de data som Microsoft samlar in på din arbetsyta väljer du Arbetsyta med hög affärspåverkan i portalen eller i hbi_workspace=true Python. Mer information om den här inställningen finns i Kryptering i vila.

Viktigt!

Att välja hög affärspåverkan kan bara inträffa när du skapar en arbetsyta. Du kan inte ändra den här inställningen när arbetsytan har skapats.

Taggar

Taggar är namn/värde-par som gör att du kan kategorisera resurser och visa sammanställd faktureringsinformation genom att tillämpa samma tagg på flera resurser och resursgrupper.

Tilldela taggar för arbetsytan genom att ange namn/värde-paren. Mer information finns i Använda taggar för att organisera dina Azure-resurser.

Använd också taggar för att [framtvinga arbetsyteprinciper)(#enforce-policies).

Ladda ned en konfigurationsfil

Om du kör koden på en beräkningsinstans hoppar du över det här steget. Beräkningsinstansen skapar och lagrar en kopia av den här filen åt dig.

Om du vill använda kod i din lokala miljö som refererar till den här arbetsytan laddar du ned filen:

1. Välj din arbetsyta i Azure Studio

2. Längst upp till höger väljer du namnet på arbetsytan och väljer sedan Ladda ned config.json

   

Placera filen i katalogstrukturen som innehåller dina Python-skript eller Jupyter Notebooks. Samma katalog, en underkatalog med namnet .azureml eller en överordnad katalog kan innehålla den här filen. När du skapar en beräkningsinstans läggs den här filen till i rätt katalog på den virtuella datorn åt dig.

Framtvinga principer

Du kan aktivera/inaktivera dessa funktioner i en arbetsyta:

• Feedbackmöjligheter på arbetsytan. Bland affärsmöjligheterna finns enstaka produktundersökningar och feedbackverktyget smile-frown i arbetsytans banderoll.
• Möjlighet att prova förhandsgranskningsfunktioner på arbetsytan.

De här funktionerna är aktiverade som standard. Så här inaktiverar du dem:

• När du skapar arbetsytan inaktiverar du funktioner från avsnittet Taggar :

  1. Inaktivera feedback genom att lägga till paret "ADMIN_HIDE_SURVEY: TRUE"
  2. Inaktivera förhandsversioner genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"

• För en befintlig arbetsyta inaktiverar du funktioner från avsnittet Taggar :

  1. Gå till arbetsytans resurs i Azure Portal
  2. Öppna taggar från den vänstra navigeringspanelen
  3. Inaktivera feedback genom att lägga till paret "ADMIN_HIDE_SURVEY: TRUE"
  4. Inaktivera förhandsgranskningar genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE: TRUE"
  5. Välj Använd.

Du kan inaktivera förhandsversioner på prenumerationsnivå, vilket säkerställer att den är inaktiverad för alla arbetsytor i prenumerationen. I det här fallet kan användare i prenumerationen inte heller komma åt förhandsgranskningsverktyget innan de väljer en arbetsyta. Den här inställningen är användbar för administratörer som vill se till att förhandsgranskningsfunktioner inte används i organisationen.

Om förhandsgranskningsinställningen är inaktiverad på prenumerationsnivå ignoreras inställningen på enskilda arbetsytor.

Så här inaktiverar du förhandsgranskningsfunktioner på prenumerationsnivå:

1. Gå till prenumerationsresursen i Azure Portal
2. Öppna taggar från den vänstra navigeringspanelen
3. Inaktivera förhandsversioner för alla arbetsytor i prenumerationen genom att lägga till paret "AZML_DISABLE_PREVIEW_FEATURE": "TRUE"
4. Välj Använd.

Anslut till en arbetsyta

När du kör maskininlärningsuppgifter med SDK:et behöver du ett MLClient-objekt som anger anslutningen till din arbetsyta. Du kan skapa ett MLClient objekt från parametrar eller med en konfigurationsfil.

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

• Med en konfigurationsfil: Den här koden läser innehållet i konfigurationsfilen för att hitta din arbetsyta. Det öppnar en uppmaning om att logga in om du inte redan har autentiserats.

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

• Från parametrar: Du behöver inte ha en config.json fil tillgänglig om du använder den här metoden.

  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)

Om du har problem med att komma åt din prenumeration kan du läsa Konfigurera autentisering för Azure Machine Learning-resurser och arbetsflöden samt Autentisering i Azure Machine Learning Notebook.

Hitta en arbetsyta

Se en lista över alla arbetsytor som du har tillgängliga. Du kan också söka efter en arbetsyta i Studio. Se Sök efter Azure Machine Learning-tillgångar (förhandsversion).

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

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)

Så här hämtar du specifik information om arbetsytan:

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. Logga in på Azure-portalen.

2. I det översta sökfältet skriver du Machine Learning.

3. Välj Maskininlärning.

   

4. Titta igenom listan över arbetsytor. Du kan filtrera baserat på prenumeration, resursgrupper och platser.

5. Om du vill visa egenskaper väljer du en arbetsyta.

Studio

1. I Azure Machine Learning-studio väljer du Alla arbetsytor i navigeringen till vänster. En lista över nyligen använda arbetsytor visas.
2. Om du vill visa alla arbetsytor som du har åtkomst till väljer du Arbetsytor i navigeringen till vänster.

Ta bort en arbetsyta

Ta bort den när du inte längre behöver en arbetsyta.

Varning

Om mjuk borttagning är aktiverat för arbetsytan kan den återställas efter borttagningen. Om mjuk borttagning inte är aktiverat eller om du väljer alternativet att ta bort arbetsytan permanent kan den inte återställas. Mer information finns i Återställa en borttagen arbetsyta.

Dricks

Standardbeteendet för Azure Machine Learning är att mjuk borttagning av arbetsytan. Det innebär att arbetsytan inte tas bort omedelbart, utan i stället markeras för borttagning. Mer information finns i Mjuk borttagning.

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

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

Standardåtgärden tar inte bort resurser som är associerade med arbetsytan automatiskt. Ställ in delete_dependent_resources på True för att även ta bort dessa resurser.

• containerregister
• storage account
• key vault
• application insights

Portal

I Azure Portal väljer du Ta bort överst på arbetsytan som du vill ta bort.

Studio

Du kan inte ta bort en arbetsyta från studio. Använd i stället Azure Portal eller Python SDK.

Rensa resurser

Viktigt!

De resurser som du har skapat kan användas som förutsättningar för andra Azure Machine Learning-självstudier och instruktionsartiklar.

Om du inte planerar att använda någon av de resurser som du har skapat tar du bort dem så att du inte debiteras några avgifter:

1. I Azure Portal i sökrutan anger du Resursgrupper och väljer dem i resultatet.

2. I listan väljer du den resursgrupp som du skapade.

3. På sidan Översikt väljer du Ta bort resursgrupp.

   

4. Ange resursgruppsnamnet. Välj sedan ta bort.

Felsökning

• Webbläsare som stöds i Azure Machine Learning-studio: Vi föreslår att du använder den senaste webbläsaren som är kompatibel med ditt operativsystem. Dessa webbläsare stöds:

  • Microsoft Edge (Den nya Microsoft Edge, senaste versionen. Obs! Microsoft Edge-äldre stöds inte)
  • Safari (senaste versionen, endast Mac)
  • Chrome (senaste versionen)
  • Firefox (senaste versionen)

• Azure Portal:

  • Om du går direkt till din arbetsyta från en resurslänk från SDK eller Azure Portal kan du inte visa standardöversiktssidan med prenumerationsinformation i tillägget. I det här scenariot kan du dessutom inte växla till en annan arbetsyta. Om du vill visa en annan arbetsyta går du direkt till Azure Machine Learning-studio och söker efter arbetsytans namn.
  • Alla tillgångar (data, experiment, beräkningar och så vidare) är endast tillgängliga i Azure Machine Learning-studio. Azure Portal erbjuder dem inte.
  • Försök att exportera en mall för en arbetsyta från Azure Portal kan returnera ett fel som liknar den här texten: Could not get resource of the type <type>. Resources of this type will not be exported. Som en lösning kan du använda en av mallarna som tillhandahålls som https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices grund för mallen.

Diagnostik för arbetsyta

Du kan köra diagnostik på din arbetsyta från Azure Machine Learning-studio eller Python SDK. När diagnostiken har körts returneras en lista över eventuella identifierade problem. Den här listan innehåller länkar till möjliga lösningar. Mer information finns i Så här använder du arbetsytediagnostik.

Resursproviderfel

När du skapar en Azure Machine Learning-arbetsyta eller en resurs som används av arbetsytan kan du få ett fel som liknar följande meddelanden:

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

De flesta resursprovidrar registreras automatiskt, men inte alla. Om du får det här meddelandet måste du registrera den angivna providern.

Följande tabell innehåller en lista över de resursprovidrar som krävs av Azure Machine Learning:

Resursprovider	Varför det behövs
Microsoft.MachineLearningServices	Skapa Azure Machine Learning-arbetsytan.
Microsoft.Storage	Azure Storage-kontot används som standardlagring för arbetsytan.
Microsoft.ContainerRegistry	Azure Container Registry används av arbetsytan för att skapa Docker-avbildningar.
Microsoft.KeyVault	Azure Key Vault används av arbetsytan för att lagra hemligheter.
Microsoft.Notebooks	Integrerade notebook-filer på Azure Machine Learning-beräkningsinstansen.
Microsoft.ContainerService	Om du planerar att distribuera tränade modeller till Azure Kubernetes Services.

Om du planerar att använda en kundhanterad nyckel med Azure Machine Learning måste följande tjänsteleverantörer registreras:

Resursprovider	Varför det behövs
Microsoft.DocumentDB	Azure CosmosDB-instans som loggar metadata för arbetsytan.
Microsoft.Search	Azure Search tillhandahåller indexeringsfunktioner för arbetsytan.

Om du planerar att använda ett hanterat virtuellt nätverk med Azure Machine Learning måste resursprovidern Microsoft.Network vara registrerad. Den här resursprovidern används av arbetsytan när du skapar privata slutpunkter för det hanterade virtuella nätverket.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.

Ta bort Azure Container Registry

Azure Machine Learning-arbetsytan använder Azure Container Registry (ACR) för vissa åtgärder. Den skapar automatiskt en ACR-instans när den först behöver en.

Varning

När ett Azure Container Registry har skapats för en arbetsyta ska du inte ta bort det. Detta bryter din Azure Machine Learning-arbetsyta.

Exempel

Exempel i den här artikeln kommer från workspace.ipynb.

Nästa steg

När du har en arbetsyta lär du dig hur du tränar och distribuerar en modell.

Mer information om hur du planerar en arbetsyta för organisationens krav finns i Organisera och konfigurera Azure Machine Learning.

• Om du behöver flytta en arbetsyta till en annan Azure-prenumeration går du till Så här flyttar du en arbetsyta.

Information om hur du håller Din Azure Machine Learning uppdaterad med de senaste säkerhetsuppdateringarna finns i Sårbarhetshantering.