Workspace Classe

Ajoutez un point de terminaison privé à l’espace de travail.

add_private_endpoint(private_endpoint_config, private_endpoint_auto_approval=True, location=None, show_output=True, tags=None)

Paramètres

Retours

Créez un espace de travail Azure Machine Learning.

Lève une exception si l’espace de travail existe déjà ou si l’une des exigences de l’espace de travail n’est pas satisfaite.

static create(name, auth=None, subscription_id=None, resource_group=None, location=None, create_resource_group=True, sku='basic', tags=None, friendly_name=None, storage_account=None, key_vault=None, app_insights=None, container_registry=None, adb_workspace=None, primary_user_assigned_identity=None, cmk_keyvault=None, resource_cmk_uri=None, hbi_workspace=False, default_cpu_compute_target=None, default_gpu_compute_target=None, private_endpoint_config=None, private_endpoint_auto_approval=True, exist_ok=False, show_output=True, user_assigned_identity_for_cmk_encryption=None, system_datastores_auth_mode='accessKey', v1_legacy_mode=None)

Paramètres

Retours

Exceptions

Remarques

Ce premier exemple nécessite uniquement une spécification minimale, et toutes les ressources dépendantes ainsi que le groupe de ressources seront créés automatiquement.

   from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=True,
                         location='eastus2')

L’exemple suivant montre comment réutiliser les ressources Azure existantes à l’aide du format d’ID de ressource Azure. Les ID de ressources Azure spécifiques peuvent être récupérés via le portail Azure ou le Kit de développement logiciel (SDK). Cela suppose que le groupe de ressources, le compte de stockage, le coffre de clés, App Insights et le registre de conteneurs existent déjà.

   import os
   from azureml.core import Workspace
   from azureml.core.authentication import ServicePrincipalAuthentication

   service_principal_password = os.environ.get("AZUREML_PASSWORD")

   service_principal_auth = ServicePrincipalAuthentication(
       tenant_id="<tenant-id>",
       username="<application-id>",
       password=service_principal_password)

   ws = Workspace.create(name='myworkspace',
                         auth=service_principal_auth,
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=False,
                         location='eastus2',
                         friendly_name='My workspace',
                         storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
                         key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
                         app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
                         container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
                         exist_ok=False)

Supprimez les ressources associées à l’espace de travail Azure Machine Learning.

delete(delete_dependent_resources=False, no_wait=False)

Paramètres

Retours

Supprimez une connexion de l’espace de travail.

delete_connection(name)

Paramètres

Supprimez la connexion de point de terminaison privé à l’espace de travail.

delete_private_endpoint_connection(private_endpoint_connection_name)

Paramètres

Diagnostiquer les problèmes de configuration de l’espace de travail.

diagnose_workspace(diagnose_parameters)

Paramètres

Retours

Retourne un objet d’espace de travail à partir d’un espace de travail Azure Machine Learning existant.

Lit la configuration de l’espace de travail à partir d’un fichier. Lève une exception si le fichier config est introuvable.

La méthode offre un moyen simple de réutiliser le même espace de travail sur plusieurs notebooks ou projets Python. Les utilisateurs peuvent enregistrer les propriétés Azure Resource Manager (ARM) de l’espace de travail à l’aide de la write_config méthode et utiliser cette méthode pour charger le même espace de travail dans différents notebooks ou projets Python sans taper de nouveau les propriétés ARM de l’espace de travail.

static from_config(path=None, auth=None, _logger=None, _file_name=None)

Paramètres

Retours

Retourne un objet d’espace de travail pour un espace de travail Azure Machine Learning existant.

Lève une exception si l’espace de travail n’existe pas ou si les champs obligatoires n’identifient pas de manière unique un espace de travail.

static get(name, auth=None, subscription_id=None, resource_group=None, location=None, cloud='AzureCloud', id=None)

Paramètres

Retours

Obtenez une connexion de l’espace de travail.

get_connection(name)

Paramètres

Obtenez la cible de calcul par défaut pour l’espace de travail.

get_default_compute_target(type)

Paramètres

Retours

Obtenez le magasin de données par défaut pour l’espace de travail.

get_default_datastore()

Retours

Obtenez l’objet de coffre de clés par défaut pour l’espace de travail.

get_default_keyvault()

Retours

Retournez les détails de l’espace de travail.

get_details()

Retours

Remarques

Le dictionnaire retourné contient les paires clé-valeur suivantes.

• ID : URI pointant vers cette ressource d’espace de travail, contenant l’ID d’abonnement, le groupe de ressources et le nom de l’espace de travail.

• nom : nom de cet espace de travail.

• emplacement : région de l’espace de travail.

• type : URI du format « {providerName}/workspaces ».

• balises : non utilisées actuellement.

• workspaceid : ID de cet espace de travail.

• description : non utilisé actuellement.

• friendlyName : nom convivial de l’espace de travail affiché dans l’interface utilisateur.

• creationTime : heure de création de cet espace de travail, au format ISO8601.

• containerRegistry : Registre de conteneurs d’espace de travail utilisé pour extraire et envoyer (push) des images d’expérimentation et de webservices.

• keyVault : coffre de clés d’espace de travail utilisé pour stocker les informations d’identification ajoutées à l’espace de travail par les utilisateurs.

• applicationInsights : Application Insights sera utilisé par l’espace de travail pour journaliser les événements de webservices.

• identityPrincipalId :

• identityTenantId

• identityType

• storageAccount : le stockage sera utilisé par l’espace de travail pour enregistrer les sorties d’exécution, le code, les journaux, etc.

• référence sku : référence SKU de l’espace de travail (également appelée édition). Le paramètre est présent pour la compatibilité descendante et est ignoré.

• resourceCmkUri : URI de clé de la clé gérée par le client pour chiffrer les données au repos. Reportez-vous aux https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 étapes de création d’une clé et obtenez son URI.

• hbiWorkspace : spécifie si les données client ont un impact commercial élevé.

• imageBuildCompute : cible de calcul pour la génération d’image.

• systemDatastoresAuthMode : détermine s’il faut utiliser ou non des informations d’identification pour les magasins de données système de l’espace de travail « workspaceblobstore » et « workspacefilestore ». La valeur par défaut est « accessKey », auquel cas l’espace de travail crée les magasins de données système avec des informations d’identification. Si la valeur est « identity », l’espace de travail crée les magasins de données système sans informations d’identification.

Pour plus d’informations sur ces paires clé-valeur, consultez create.

Obtenez l’URI de suivi MLflow pour l’espace de travail.

MLflow (https://mlflow.org/) est une plateforme open source pour le suivi des expériences machine learning et la gestion des modèles. Vous pouvez utiliser les API de journalisation MLflow avec Azure Machine Learning afin que les métriques, les modèles et les artefacts soient enregistrés dans votre espace de travail Azure Machine Learning.

get_mlflow_tracking_uri(_with_auth=False)

Paramètres

Retours

Remarques

Utilisez l’exemple suivant pour configurer le suivi MLflow pour envoyer des données à l’espace de travail Azure ML :

   import mlflow
   from azureml.core import Workspace
   workspace = Workspace.from_config()
   mlflow.set_tracking_uri(workspace.get_mlflow_tracking_uri())

Retournez l’exécution avec le run_id spécifié dans l’espace de travail.

get_run(run_id)

Paramètres

Retours

Répertoriez tous les espaces de travail auxquels l’utilisateur a accès dans l’abonnement.

La liste des espaces de travail peut être filtrée en fonction du groupe de ressources.

static list(subscription_id, auth=None, resource_group=None)

Paramètres

Retours

Répertorier les connexions sous cet espace de travail.

list_connections(category=None, target=None)

Paramètres

Répertorier les clés de l’espace de travail actuel.

list_keys()

Retours

Ajoutez ou mettez à jour une connexion sous l’espace de travail.

set_connection(name, category, target, authType, value)

Paramètres

Définissez le magasin de données par défaut pour l’espace de travail.

set_default_datastore(name)

Paramètres

Créez un espace de travail ou récupérez un espace de travail existant.

static setup()

Retours

Déclenche l’espace de travail pour synchroniser immédiatement les clés.

Si des clés pour une ressource de l’espace de travail sont modifiées, la mise à jour automatique peut prendre environ une heure. Cette fonction permet de mettre à jour les clés à la demande. Un exemple de scénario nécessite un accès immédiat au stockage après la régénération des clés de stockage.

sync_keys(no_wait=False)

Paramètres

Retours

Mettez à jour le nom convivial, la description, les balises, le calcul de génération d’image et d’autres paramètres associés à un espace de travail.

update(friendly_name=None, description=None, tags=None, image_build_compute=None, service_managed_resources_settings=None, primary_user_assigned_identity=None, allow_public_access_when_behind_vnet=None, v1_legacy_mode=None)

Paramètres

Retours

Mettez à jour les ressources associées existantes pour l’espace de travail dans les cas suivants.

a) Lorsqu’un utilisateur supprime accidentellement une ressource associée existante et souhaite la mettre à jour avec une nouvelle ressource sans avoir à recréer l’ensemble de l’espace de travail. b) Lorsqu’un utilisateur a une ressource associée existante et souhaite remplacer celle actuelle associée à l’espace de travail. c) Lorsqu’une ressource associée n’a pas encore été créée et qu’elle souhaite utiliser une ressource existante dont elle dispose déjà (s’applique uniquement au registre de conteneurs).

update_dependencies(container_registry=None, force=False)

Paramètres

Retours

Écrivez les propriétés Azure Resource Manager (ARM) de l’espace de travail dans un fichier de configuration.

Les propriétés ARM de l’espace de travail peuvent être chargées ultérieurement à l’aide de la from_config méthode. La path valeur par défaut est « .azureml/ » dans le répertoire de travail actuel et file_name la valeur par défaut «config.json».

La méthode offre un moyen simple de réutiliser le même espace de travail sur plusieurs notebooks ou projets Python. Les utilisateurs peuvent enregistrer les propriétés ARM de l’espace de travail à l’aide de cette fonction et utiliser from_config pour charger le même espace de travail dans différents notebooks ou projets Python sans retaper les propriétés ARM de l’espace de travail.

write_config(path=None, file_name=None)

Paramètres

Répertorier toutes les cibles de calcul dans l’espace de travail.

Retours

Répertorier tous les jeux de données dans l’espace de travail.

Retours

Répertorier tous les magasins de données dans l’espace de travail. Cette opération ne retourne pas d’informations d’identification des magasins de données.

Retours

Retournez l’URL de découverte de cet espace de travail.

Retours

Répertoriez tous les environnements dans l’espace de travail.

Retours

Répertorier toutes les expériences dans l’espace de travail.

Retours

Retourne la liste des images dans l’espace de travail.

Déclenche un WebserviceException problème d’interaction avec le service de gestion des modèles.

Retours

Exceptions

Répertoriez tous les services liés dans l’espace de travail.

Retours

Retourne l’emplacement de cet espace de travail.

Retours

Retourne une liste de modèle dans l’espace de travail.

Déclenche un WebserviceException problème d’interaction avec le service de gestion des modèles.

Retours

Exceptions

Retournez le nom de l’espace de travail.

Retours

Répertoriez tous les points de terminaison privés de l’espace de travail.

Retours

Retournez le nom du groupe de ressources pour cet espace de travail.

Retours

Retournez le contexte de service pour cet espace de travail.

Retours

Retournez la référence SKU de cet espace de travail.

Retours

Retournez l’ID d’abonnement de cet espace de travail.

Retours

Retournez les balises de cet espace de travail.

Retours

Retourne une liste de webservices dans l’espace de travail.

Déclenche un WebserviceException problème en cas de problème de renvoi de la liste.

Retours

Exceptions

DEFAULT_CPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_CPU_CLUSTER_NAME = 'cpu-cluster'

DEFAULT_GPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_GPU_CLUSTER_NAME = 'gpu-cluster'