Utforska Python SDK

  • 7 minuter

Viktig

För närvarande finns det två versioner av Python SDK: version 1 (v1) och version 2 (v2). För alla nya projekt bör du använda v2 och därför innehållet i den här enheten endast omfattar v2. Läs mer om att välja mellan v1 och v2 .

Dataexperter kan använda Azure Machine Learning för att träna, spåra och hantera maskininlärningsmodeller. Som dataexpert arbetar du främst med tillgångarna på Azure Machine Learning-arbetsytan för dina maskininlärningsarbetsbelastningar.

Eftersom de flesta dataexperter är bekanta med Python erbjuder Azure Machine Learning ett SDK (Software Development Kit) så att du kan interagera med arbetsytan med Python.

Python SDK för Azure Machine Learning är ett perfekt verktyg för dataforskare som kan användas i alla Python-miljöer. Oavsett om du normalt arbetar med Jupyter Notebooks, Visual Studio Code, kan du installera Python SDK och ansluta till arbetsytan.

Installera Python SDK

Om du vill installera Python SDK i Python-miljön behöver du Python 3.7 eller senare. Du kan installera paketet med pip:

pip install azure-ai-ml

Anteckning

När du arbetar med notebook-filer i Azure Machine Learning Studio är den nya Python SDK:n redan installerad när du använder Python 3.10 eller senare. Du kan använda Python SDK v2 med tidigare versioner av Python, men du måste installera det först.

Ansluta till arbetsytan

När Python SDK har installerats måste du ansluta till arbetsytan. Genom att ansluta autentiserar du din miljö för att interagera med arbetsytan för att skapa och hantera tillgångar och resurser.

För att autentisera behöver du värdena till tre nödvändiga parametrar:

  • subscription_id: Ditt prenumerations-ID.
  • resource_group: Namnet på resursgruppen.
  • workspace_name: Namnet på din arbetsyta.

Sedan kan du definiera autentiseringen med hjälp av följande kod:

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

När du har definierat autentiseringen måste du anropa MLClient för att miljön ska kunna ansluta till arbetsytan. Du anropar MLClient när du vill skapa eller uppdatera en tillgång eller resurs på arbetsytan.

Du ansluter till exempel till arbetsytan när du skapar ett nytt jobb för att träna en modell:

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)

Använda referensdokumentationen

Om du vill arbeta effektivt med Python SDK måste du använda referensdokumentationen. I referensdokumentationen hittar du alla möjliga klasser, metoder och parametrar som är tillgängliga i Python SDK.

Referensdokumentationen för MLClient-klassen innehåller de metoder som du kan använda för att ansluta och interagera med arbetsytan. Dessutom länkar den även till möjliga åtgärder för de olika entiteterna, till exempel hur du listar befintliga datalager på din arbetsyta.

Referensdokumentationen innehåller även en lista över klasser för alla entiteter du kan interagera med. Det finns till exempel separata klasser när du vill skapa ett datalager som länkar till en Azure Blob Storage eller till en Azure Data Lake Gen 2.

Genom att välja en specifik klass som AmlCompute i listan över entiteter hittar du en mer detaljerad sida om hur du använder klassen och vilka parametrar den accepterar.