共用方式為

使用 Azure Resource Manager 部署 機器學習 Studio （傳統） 工作區

  • 發行項

適用於：適用。機器學習 Studio（傳統版）不適用。Azure 機器學習

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

使用 Azure Resource Manager 部署範本可讓您利用驗證和重試機制來部署互連元件，藉此節省時間。 例如，若要設定 機器學習 Studio （傳統） 工作區，您必須先設定 Azure 記憶體帳戶，然後部署工作區。 想像一下，針對數百個工作區手動執行這項操作。 更簡單的替代方案是使用 Azure Resource Manager 範本來部署 Studio （傳統） 工作區及其所有相依性。 本文會逐步引導您完成此程式。 如需 Azure Resource Manager 的絕佳概觀，請參閱 Azure Resource Manager 概觀。

注意

建議您使用 Azure Az PowerShell 模組來與 Azure 互動。 請參閱安裝 Azure PowerShell 以開始使用。 若要了解如何移轉至 Az PowerShell 模組，請參閱將 Azure PowerShell 從 AzureRM 移轉至 Az。

逐步解說：建立 機器學習 工作區

我們將建立 Azure 資源群組，然後使用 Resource Manager 範本部署新的 Azure 記憶體帳戶和新的 機器學習 Studio （傳統） 工作區。 部署完成後，我們將列印所建立工作區的重要資訊（主鍵、workspaceID 和工作區的 URL）。

建立 Azure Resource Manager 範本

機器學習 工作區需要 Azure 記憶體帳戶來儲存與其鏈接的數據集。 下列範本會使用資源群組的名稱來產生記憶體帳戶名稱和工作區名稱。 它也會在建立工作區時，使用記憶體帳戶名稱作為屬性。

{
    "contentVersion": "1.0.0.0",
    "$schema": "https://schema.management.azure.com/schemas/2015-01-01/deploymentTemplate.json#",
    "variables": {
        "namePrefix": "[resourceGroup().name]",
        "location": "[resourceGroup().location]",
        "mlVersion": "2016-04-01",
        "stgVersion": "2015-06-15",
        "storageAccountName": "[concat(variables('namePrefix'),'stg')]",
        "mlWorkspaceName": "[concat(variables('namePrefix'),'mlwk')]",
        "mlResourceId": "[resourceId('Microsoft.MachineLearning/workspaces', variables('mlWorkspaceName'))]",
        "stgResourceId": "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
        "storageAccountType": "Standard_LRS"
    },
    "resources": [
        {
            "apiVersion": "[variables('stgVersion')]",
            "name": "[variables('storageAccountName')]",
            "type": "Microsoft.Storage/storageAccounts",
            "location": "[variables('location')]",
            "properties": {
                "accountType": "[variables('storageAccountType')]"
            }
        },
        {
            "apiVersion": "[variables('mlVersion')]",
            "type": "Microsoft.MachineLearning/workspaces",
            "name": "[variables('mlWorkspaceName')]",
            "location": "[variables('location')]",
            "dependsOn": ["[variables('stgResourceId')]"],
            "properties": {
                "UserStorageAccountId": "[variables('stgResourceId')]"
            }
        }
    ],
    "outputs": {
        "mlWorkspaceObject": {"type": "object", "value": "[reference(variables('mlResourceId'), variables('mlVersion'))]"},
        "mlWorkspaceToken": {"type": "string", "value": "[listWorkspaceKeys(variables('mlResourceId'), variables('mlVersion')).primaryToken]"},
        "mlWorkspaceWorkspaceID": {"type": "string", "value": "[reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId]"},
        "mlWorkspaceWorkspaceLink": {"type": "string", "value": "[concat('https://studio.azureml.net/Home/ViewWorkspace/', reference(variables('mlResourceId'), variables('mlVersion')).WorkspaceId)]"}
    }
}

將此範本儲存為 c：\temp 下的mlworkspace.json檔案。

根據範本部署資源群組

  • 開啟 PowerShell
  • 安裝適用於 Azure Resource Manager 和 Azure 服務管理的模組
# Install the Azure Resource Manager modules from the PowerShell Gallery (press "A")
Install-Module Az -Scope CurrentUser

# Install the Azure Service Management modules from the PowerShell Gallery (press "A")
Install-Module Azure -Scope CurrentUser

這些步驟會下載並安裝完成其餘步驟所需的模組。 這只需要在您執行 PowerShell 命令的環境中完成一次。

  • 向 Azure 驗證
# Authenticate (enter your credentials in the pop-up window)
Connect-AzAccount

每個工作階段都必須重複此步驟。 驗證之後，應該會顯示您的訂用帳戶資訊。

Azure 帳戶

現在我們已有 Azure 的存取權，我們可以建立資源群組。

  • 建立資源群組
$rg = New-AzResourceGroup -Name "uniquenamerequired523" -Location "South Central US"
$rg

確認資源群組已正確布建。 ProvisioningState 應該是「成功」。範本會使用資源組名來產生記憶體帳戶名稱。 儲存體帳戶名稱長度必須介於 3 到 24 個字元之間，且只使用數位和小寫字母。

資源群組

  • 使用資源群組部署，部署新的 機器學習 工作區。
# Create a Resource Group, TemplateFile is the location of the JSON template.
$rgd = New-AzResourceGroupDeployment -Name "demo" -TemplateFile "C:\temp\mlworkspace.json" -ResourceGroupName $rg.ResourceGroupName

部署完成後，即可直接存取您所部署工作區的屬性。 例如，您可以存取主要金鑰令牌。

# Access Machine Learning Studio (classic) Workspace Token after its deployment.
$rgd.Outputs.mlWorkspaceToken.Value

擷取現有工作區令牌的另一種方式是使用 Invoke-AzResourceAction 命令。 例如，您可以列出所有工作區的主要和次要令牌。

# List the primary and secondary tokens of all workspaces
Get-AzResource |? { $_.ResourceType -Like "*MachineLearning/workspaces*"} |ForEach-Object { Invoke-AzResourceAction -ResourceId $_.ResourceId -Action listworkspacekeys -Force}

布建工作區之後，您也可以使用適用於 機器學習 Studio 的 PowerShell 模組，將許多 機器學習 Studio （傳統版） 工作自動化。

下一步