Skapa och hantera en Azure Machine Learning-beräkningsinstans med CLI v1

GÄLLER FÖR:Azure CLI ml-tillägget v1Python SDK azureml v1

Lär dig hur du skapar och hanterar en beräkningsinstans på din Azure Machine Learning-arbetsyta med CLI v1.

Använd en beräkningsinstans som din fullständigt konfigurerade och hanterade utvecklingsmiljö i molnet. För utveckling och testning kan du också använda instansen som ett träningsberäkningsmål eller för ett slutsatsdragningsmål. En beräkningsinstans kan köra flera jobb parallellt och har en jobbkö. Som utvecklingsmiljö kan en beräkningsinstans inte delas med andra användare på din arbetsyta.

Beräkningsinstanser kan köra jobb på ett säkert sätt i en virtuell nätverksmiljö, utan att företag behöver öppna SSH-portar. Jobbet körs i en containerbaserad miljö och paketera dina modellberoenden i en Docker-container.

I den här artikeln kan du se hur du:

• Skapa en beräkningsinstans
• Hantera (starta, stoppa, starta om, ta bort) en beräkningsinstans

Förutsättningar

• En Azure Machine Learning-arbetsyta. Mer information finns i Skapa en Azure Machine Learning-arbetsyta.

• Azure CLI-tillägget för Machine Learning Service (v1) eller Azure Machine Learning Python SDK (v1).

  Viktigt!

  Viktigt!

  Några av Azure CLI-kommandona i den här artikeln använder azure-cli-mltillägget , eller v1, för Azure Machine Learning. Stödet för CLI v1 upphörde den 30 september 2025. Microsoft tillhandahåller inte längre teknisk support eller uppdateringar för den här tjänsten. Dina befintliga arbetsflöden med CLI v1 fortsätter att fungera efter supportdatumet. De kan dock utsättas för säkerhetsrisker eller förändringar som bryter kompatibiliteten vid arkitektoniska förändringar i produkten.

  Vi rekommenderar att du övergår till mltillägget , eller v2, så snart som möjligt. Mer information om v2-tillägget finns i Azure Machine Learning CLI-tillägget och Python SDK v2.

Skapa

Tidsuppskattning: Cirka 5 minuter.

Att skapa en beräkningsinstans är en engångsprocess för din arbetsyta. Du kan återanvända beräkningen som en utvecklingsarbetsstation eller som beräkningsmål för träning. Du kan ha flera beräkningsinstanser kopplade till din arbetsyta.

De dedikerade kärnorna per region per VM-familjekvot och total regional kvot, som gäller för skapande av beräkningsinstanser, är enhetliga och delas med kvoten för Azure Machine Learning-träningsberäkningskluster. Om du stoppar beräkningsinstansen frigörs inte kvoten för att säkerställa att du kan starta om beräkningsinstansen. Det går inte att ändra storleken på den virtuella datorn för beräkningsinstansen när den har skapats.

I följande exempel visas hur du skapar en beräkningsinstans:

import datetime
import time

from azureml.core.compute import ComputeTarget, ComputeInstance
from azureml.core.compute_target import ComputeTargetException

# Choose a name for your instance
# Compute instance name should be unique across the azure region
compute_name = "ci{}".format(ws._workspace_id)[:10]

# Verify that instance does not exist already
try:
    instance = ComputeInstance(workspace=ws, name=compute_name)
    print('Found existing instance, use it.')
except ComputeTargetException:
    compute_config = ComputeInstance.provisioning_configuration(
        vm_size='STANDARD_D3_V2',
        ssh_public_access=False,
        # vnet_resourcegroup_name='<my-resource-group>',
        # vnet_name='<my-vnet-name>',
        # subnet_name='default',
        # admin_user_ssh_public_key='<my-sshkey>'
    )
    instance = ComputeInstance.create(ws, compute_name, compute_config)
    instance.wait_for_completion(show_output=True)

az ml computetarget create computeinstance  -n instance -s "STANDARD_D3_V2" -v

Hantera

Starta, stoppa, starta om och ta bort en beräkningsinstans. En beräkningsinstans skalas inte ned automatiskt, så se till att stoppa resursen för att förhindra löpande avgifter. Om du stoppar en beräkningsinstans frigörs den. Starta den sedan igen när du behöver den. När du stoppar beräkningsinstansen stoppas debiteringen för beräkningstimmar, men du debiteras fortfarande för disk, offentlig IP och standardlastbalanserare.

Med Azure RBAC kan du styra vilka användare på arbetsytan som kan skapa, ta bort, starta, stoppa, starta om en beräkningsinstans. Alla användare i arbetsytans deltagare och ägarroll kan skapa, ta bort, starta, stoppa och starta om beräkningsinstanser på arbetsytan. Men endast skaparen av en specifik beräkningsinstans, eller användaren som tilldelats om den skapades för deras räkning, får åtkomst till Jupyter, JupyterLab, RStudio och Posit Workbench (tidigare RStudio Workbench) på beräkningsinstansen. En beräkningsinstans är dedikerad till en enskild användare som har rotåtkomst. Den användaren har åtkomst till Jupyter/JupyterLab/RStudio/Posit Workbench som körs på instansen. Beräkningsinstansen har inloggning med en användare och alla åtgärder använder användarens identitet för Azure RBAC och tilldelning av experimentkörningar. SSH-åtkomst styrs via offentlig/privat nyckelmekanism.

Dessa åtgärder kan styras av Azure RBAC:

• Microsoft.MachineLearningServices/workspaces/computes/read
• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/computes/delete
• Microsoft.MachineLearningServices/workspaces/computes/start/action
• Microsoft.MachineLearningServices/workspaces/computes/stop/action
• Microsoft.MachineLearningServices/arbetsytor/datorer/starta-om/åtgärd
• Microsoft.MachineLearningServices/arbetytor/datorer/uppdateraScheman/åtgärd

Om du vill skapa en beräkningsinstans behöver du behörigheter för följande åtgärder:

• Microsoft.MachineLearningServices/workspaces/computes/write
• Microsoft.MachineLearningServices/workspaces/checkComputeNameAvailability/action

Nästa steg

• Få åtkomst till terminalen för beräkningsinstansen
• Skapa och hantera filer
• Uppdatera beräkningsinstansen till den senaste VM-avbildningen
• Skicka en träningskörning