Utforska och använda utvalda miljöer
Omgärdade miljöer är fördefinierade miljöer för de vanligaste maskininlärningsarbetsbelastningarna och finns tillgängliga som standard på din arbetsyta.
Utvalda miljöer använder prefixet AzureML – och är utformade för att tillhandahålla skript som använder populära ramverk och verktyg för maskininlärning.
Det finns till exempel utvalda miljöer för när du vill köra ett skript som tränar en regressions-, klustrings- eller klassificeringsmodell med Scikit-Learn.
Om du vill utforska en kuraterad miljö kan du visa den i studion, med hjälp av Azure CLI eller Python SDK.
Med följande kommando kan du hämta beskrivningen och taggarna för en kurerad miljö med Python SDK:
env = ml_client.environments.get("AzureML-sklearn-0.24-ubuntu18.04-py37-cpu", version=44)
print(env. description, env.tags)
Använda en kuraterad miljö
Oftast använder du miljöer när du vill köra ett skript som ett (kommando) jobb.
Om du vill ange vilken miljö du vill använda för att köra skriptet refererar du till en miljö med dess namn och version.
Följande kod visar till exempel hur du konfigurerar ett kommandojobb med Python SDK, som använder en kuraterad miljö, inklusive 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)
Testa och felsöka en kuraterad miljö
Eftersom utvalda miljöer ger snabbare distributionstid är det en bra idé att först undersöka om en av de förskapade kurerade miljöerna kan användas för att köra koden.
Du kan kontrollera att en kontrollerad miljö innehåller alla nödvändiga paket genom att gå igenom detaljerna. Sedan kan du testa med hjälp av miljön för att köra skriptet.
Om en miljö inte innehåller alla nödvändiga paket för att köra koden misslyckas jobbet.
När ett jobb misslyckas kan du granska de detaljerade felloggarna på fliken Utdata + loggar för jobbet i Azure Machine Learning Studio.
Ett vanligt felmeddelande som anger att din miljö är ofullständig är ModuleNotFoundError. Modulen som inte hittas visas i felmeddelandet. Genom att granska felmeddelandet kan du uppdatera miljön så att den innehåller biblioteken för att säkerställa att nödvändiga paket installeras på beräkningsmålet innan du kör koden.
När du behöver ange andra nödvändiga paket kan du använda en utvald miljö som referens för dina egna anpassade miljöer genom att ändra de Dockerfiles som dessa miljöer bygger på.