你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

教程：开始在 Azure 机器学习中使用 Python 脚本（SDK v1，第 1 部分，共 3 部分）

项目
09/03/2024

适用于：Python SDK azureml v1

在本教程中，你将使用 Azure 机器学习在云中运行第一个 Python 脚本。本教程是由两个部分构成的教程系列的第 1 部分。

本教程避免了训练机器学习模型的复杂性。你将在云中运行“Hello World”Python 脚本。你将了解如何使用控制脚本在 Azure 机器学习中配置和创建一个运行。

在本教程中，将：

创建并运行“Hello World!”Python 脚本。
创建一个 Python 控制脚本，将“Hello world!”提交到 Azure 机器学习。
了解控制脚本中的 Azure 机器学习概念。
提交并运行“Hello world!”脚本。
在云中查看代码输出。

先决条件

完成创建入门所需的资源，创建工作区和计算实例以在本教程系列中使用。
- 创建基于云的计算群集。将其命名为“cpu-cluster”，以匹配本教程中的代码。

创建并运行一个 Python 脚本

本教程将使用计算实例作为开发计算机。首先创建几个文件夹和脚本：

登录 Azure 机器学习工作室，然后选择工作区（如果出现提示）。
在左侧选择“笔记本”
在“文件”工具栏中，选择“+”，然后选择“创建新文件夹”。
将文件夹命名为“get-started”。
在文件夹名称的右侧，使用“...”在 get-started 下创建另一个文件夹。
将新文件夹命名为“src”。如果文件位置不正确，请使用“编辑位置”链接。
在 src 文件夹的右侧，使用“...”在 src 文件夹中创建新文件。
将文件命名为“hello.py”。将“文件类型”切换为 Python (.py)*。

将以下代码复制到文件中：

# src/hello.py
print("Hello world!")

你的项目文件夹结构现在将如下所示：

文件夹结构显示 src 子文件夹中的 hello.py。

测试你的脚本

可以在本地运行代码，在本例中意味着在计算实例上运行。在本地运行代码具有可对代码进行交互式调试的好处。

如果之前已停止计算实例，现在使用计算下拉列表右侧“开始计算”工具启动它。等待大约一分钟，状态更改为“正在运行”。

屏幕截图显示正在启动计算实例（如果已停止）

选择“保存并在终端中运行脚本”来运行脚本。

屏幕截图显示工具栏中的“保存并在终端中运行脚本”工具

将在打开的终端窗口中看到该脚本的输出。关闭选项卡，选择“终止”以关闭会话。

创建控制脚本

通过“控制脚本”，你可以在不同的计算资源上运行 hello.py 脚本。可以使用控制脚本来控制如何运行以及在何处运行机器学习代码。

选择“get-started”文件夹末尾的“...”，创建新文件。创建名为 run-hello.py 的新 Python 文件，然后将以下代码复制并粘贴到该文件中：

# get-started/run-hello.py
from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig

ws = Workspace.from_config()
experiment = Experiment(workspace=ws, name='day1-experiment-hello')

config = ScriptRunConfig(source_directory='./src', script='hello.py', compute_target='cpu-cluster')

run = experiment.submit(config)
aml_url = run.get_portal_url()
print(aml_url)

提示

如果在创建计算群集时使用了其他名称，请确保也调整代码中 compute_target='cpu-cluster' 的名称。

了解代码

下面是有关控制脚本工作方式的说明：

ws = Workspace.from_config()

工作区连接到你的 Azure 机器学习工作区，以便你可以与 Azure 机器学习资源通信。

experiment = Experiment( ... )

可以通过试验轻松地将多个作业组织到单个名称下。稍后，你可以了解如何使用试验轻松地在数十个作业之间比较指标。

config = ScriptRunConfig( ... )

ScriptRunConfig 包装你的 hello.py 代码并将其传递到你的工作区。顾名思义，你可以使用此类来配置你希望脚本如何在 Azure 机器学习中运行。此类还会指定该脚本将会在哪个计算目标上运行。在此代码中，目标是在设置教程中创建的计算群集。

run = experiment.submit(config)

提交脚本。此提交被称为运行。在 v2 中，它已重命名为一项作业。运行/作业会封装代码的单次执行。可以使用作业来监视脚本进度、捕获输出、分析结果、将指标可视化等。

aml_url = run.get_portal_url()

run 对象提供了一个便于执行你的代码的句柄。可以使用从 Python 脚本输出的 URL 从 Azure 机器学习工作室中监视代码执行进度。

在云中提交并运行代码

选择“保存并在终端中运行脚本”运行你的控制脚本，该脚本继而会在设置教程中创建的计算群集上运行 hello.py。
在终端中，系统可能会要求你登录以进行身份验证。复制代码，然后访问链接完成此步骤。
经过身份验证后，终端中会显示一个链接。选择该链接以查看作业。

在工作室的云中监视代码

来自脚本的输出中将包含一个指向工作室的链接，该链接类似于：https://ml.azure.com/experiments/hello-world/runs/<run-id>?wsid=/subscriptions/<subscription-id>/resourcegroups/<resource-group>/workspaces/<workspace-name>。

访问该链接。首先，你会看到状态为“已排队”或“正在准备”。第一个运行需要 5-10 分钟才能完成。这是因为发生了以下情况：

docker 映像在云中构建
计算群集的大小从 0 个节点调整到 1 个节点
docker 映像被下载到该计算。

由于 docker 映像已缓存在计算中，因此后续作业更快（约 15 秒）。可以通过在第一次作业完成后重新提交以下代码来进行测试。

请等待大约 10 分钟。你将看到一条消息，指出作业已完成。然后使用“刷新”，查看状态更改为“已完成”。作业完成后，转到“输出 + 日志”选项卡。可以在 user_logs 文件夹中看到 std_log.txt 文件。脚本的输出保存在此文件中。

azureml-logs 和 system-logs 文件夹包含可在云中调试远程作业时使用的文件。

下一步

在本教程中，你使用了一个简单的“Hello world!”脚本并在 Azure 上运行了它。你了解了如何连接到 Azure 机器学习工作区、如何创建试验，以及如何将 hello.py 代码提交到云中。

在接下来的教程中，你将在这些知识的基础上通过运行比 print("Hello world!") 更有趣的脚本来进一步学习。

教程：定型模型

注意

如果你想就此完成本教程系列，不再继续进行下一步，请记得清理你的资源。

通过