Konfigurera miljöer

  • 7 minuter

Om du vill implementera miljöer när du arbetar med maskininlärningsmodeller kan du använda en plattform som GitHub. För att automatisera uppgifter som behöver köras i separata miljöer måste du:

  • Konfigurera miljöer i GitHub.
  • Använd miljöerna i GitHub Actions.
  • Lägg till godkännanden för att tilldela nödvändiga granskare.

Konfigurera miljöer i GitHub

Så här skapar du en miljö i din GitHub-lagringsplats:

  1. Gå till fliken Inställningar på lagringsplatsen.
  2. Välj Miljöer.
  3. Skapa en ny miljö.
  4. Ange ett namn.
  5. Välj Konfigurera miljö.

Om du vill associera en miljö med en specifik Azure Machine Learning-arbetsyta kan du skapa en miljöhemlighet som endast ger den miljön åtkomst till en Azure Machine Learning-arbetsyta.

Kommentar

För att ge GitHub åtkomst till valfri Azure Machine Learning-arbetsyta måste du skapa ett huvudnamn för tjänsten i Azure. Därefter måste du ge tjänstens huvudnamn åtkomst till Azure Machine Learning-arbetsytan i Azure. Lär dig hur du integrerar Azure Machine Learning med DevOps-verktyg som GitHub.

Du kan skapa en hemlighet på lagringsplatsen för att lagra autentiseringsuppgifterna för tjänstens huvudnamn. När du arbetar med miljöer vill du skapa en miljöhemlighet i stället för att definiera vilken specifik GitHub-miljö som ska ha åtkomst till vilken Azure Machine Learning-arbetsyta.

Om du vill skapa en miljöhemlighet går du till fliken Miljöer på fliken Inställningar .

  1. Gå till din nya miljö.
  2. Gå till avsnittet Miljöhemligheter .

Skärmbild av hur du konfigurerar en miljö i GitHub.

  1. Lägg till en ny hemlighet.
  2. Ange AZURE_CREDENTIALS som namn.
  3. Ange autentiseringsuppgifterna för tjänstens huvudnamn i värdefältet.

Använda miljöer i GitHub Actions och lägg till godkännanden

När du har skapat miljöer på din GitHub-lagringsplats kan du referera till miljön från dina GitHub Actions-arbetsflöden. När du vill lägga till en manuell kontroll mellan miljöer kan du lägga till godkännanden.

När du till exempel utlöser ett Azure Machine Learning-jobb i ditt GitHub Actions-arbetsflöde kan uppgiften köras korrekt i arbetsflödet. Det kan dock vara så att det under modellträningen på Azure Machine Learning-arbetsytan uppstår ett fel på grund av ett problem med träningsskriptet. Eller efter modellträningen, när du utvärderar modellens mått, kan du bestämma dig för att du behöver träna om modellen i stället för att distribuera modellen.

Om du vill ge dig möjlighet att granska utdata från modellträningen på Azure Machine Learning-arbetsytan kan du lägga till ett godkännande för en miljö. När ett GitHub Actions-arbetsflöde vill köra en uppgift i en viss miljö meddelas de granskare som krävs och måste godkänna uppgifterna innan de körs.

Dricks

Läs mer om hur du använder miljöer i GitHub Actions och hur du lägger till godkännanden.