Workspace Klass

Lägg till en privat slutpunkt i arbetsytan.

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

Parametrar

Returer

Skapa en ny Azure Machine Learning-arbetsyta.

Utlöser ett undantag om arbetsytan redan finns eller om något av arbetsytekraven inte uppfylls.

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)

Parametrar

Returer

Undantag

Kommentarer

Det första exemplet kräver endast minimal specifikation, och alla beroende resurser samt resursgruppen skapas automatiskt.

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

I följande exempel visas hur du återanvänder befintliga Azure-resurser med hjälp av Azure-resurs-ID-formatet. De specifika Azure-resurs-ID:na kan hämtas via Azure Portal eller SDK. Detta förutsätter att resursgruppen, lagringskontot, nyckelvalvet, App Insights och containerregistret redan finns.

   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)

Ta bort de associerade resurserna för Azure Machine Learning-arbetsytan.

delete(delete_dependent_resources=False, no_wait=False)

Parametrar

Returer

Ta bort en anslutning till arbetsytan.

delete_connection(name)

Parametrar

Ta bort den privata slutpunktsanslutningen till arbetsytan.

delete_private_endpoint_connection(private_endpoint_connection_name)

Parametrar

Diagnostisera problem med konfiguration av arbetsytor.

diagnose_workspace(diagnose_parameters)

Parametrar

Returer

Returnera ett arbetsyteobjekt från en befintlig Azure Machine Learning-arbetsyta.

Läser konfigurationen av arbetsytan från en fil. Utlöser ett undantag om konfigurationsfilen inte kan hittas.

Metoden ger ett enkelt sätt att återanvända samma arbetsyta i flera Python-notebook-filer eller -projekt. Användare kan spara egenskaperna för arbetsytan Azure Resource Manager (ARM) med hjälp av metoden och använda den write_config här metoden för att läsa in samma arbetsyta i olika Python-notebook-filer eller -projekt utan att ange arm-egenskaperna för arbetsytan igen.

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

Parametrar

Returer

Returnera ett arbetsyteobjekt för en befintlig Azure Machine Learning-arbetsyta.

Utlöser ett undantag om arbetsytan inte finns eller om de obligatoriska fälten inte identifierar en arbetsyta unikt.

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

Parametrar

Returer

Hämta en anslutning till arbetsytan.

get_connection(name)

Parametrar

Hämta standardberäkningsmålet för arbetsytan.

get_default_compute_target(type)

Parametrar

Returer

Hämta standarddatalagringen för arbetsytan.

get_default_datastore()

Returer

Hämta standardnyckelvalvsobjektet för arbetsytan.

get_default_keyvault()

Returer

Returnera information om arbetsytan.

get_details()

Returer

Kommentarer

Den returnerade ordlistan innehåller följande nyckel/värde-par.

• id: URI som pekar på den här arbetsyteresursen, som innehåller prenumerations-ID, resursgrupp och arbetsytenamn.

• name: Namnet på den här arbetsytan.

• plats: Arbetsytans region.

• typ: En URI för formatet "{providerName}/workspaces".

• taggar: Används inte för närvarande.

• workspaceid: ID för den här arbetsytan.

• description: Används inte för närvarande.

• friendlyName: Ett eget namn för arbetsytan som visas i användargränssnittet.

• creationTime: Tid då den här arbetsytan skapades i ISO8601 format.

• containerRegistry: Det arbetsytecontainerregister som används för att hämta och push-överföra både experimenterings- och webbtjänstavbildningar.

• keyVault: Nyckelvalvet för arbetsytan som används för att lagra autentiseringsuppgifter som lagts till i arbetsytan av användarna.

• applicationInsights: Application Insights används av arbetsytan för att logga webbtjänsthändelser.

• identityPrincipalId:

• identityTenantId

• identityType

• storageAccount: Lagringen används av arbetsytan för att spara körningsutdata, kod, loggar osv.

• sku: Arbetsytans SKU (kallas även utgåva). Parametern finns för bakåtkompatibilitet och ignoreras.

• resourceCmkUri: Nyckel-URI:n för den kundhanterade nyckeln för att kryptera vilande data. https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 Se anvisningar för hur du skapar en nyckel och hämtar dess URI.

• hbiWorkspace: Anger om kunddata har stor inverkan på verksamheten.

• imageBuildCompute: Beräkningsmålet för avbildningsbygge.

• systemDatastoresAuthMode: Avgör om autentiseringsuppgifter ska användas för systemdatalager för arbetsytan "workspaceblobstore" och "workspacefilestore". Standardvärdet är "accessKey", i vilket fall arbetsytan skapar systemdatalager med autentiseringsuppgifter. Om värdet är "identitet" skapar arbetsytan systemdatalager utan autentiseringsuppgifter.

Mer information om dessa nyckel/värde-par finns i create.

Hämta URI:n för MLflow-spårning för arbetsytan.

MLflow (https://mlflow.org/) är en plattform med öppen källkod för att spåra maskininlärningsexperiment och hantera modeller. Du kan använda MLflow-loggnings-API:er med Azure Machine Learning så att mått, modeller och artefakter loggas på din Azure Machine Learning-arbetsyta.

get_mlflow_tracking_uri(_with_auth=False)

Parametrar

Returer

Kommentarer

Använd följande exempel för att konfigurera MLflow-spårning för att skicka data till Azure ML-arbetsytan:

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

Returnera körningen med den angivna run_id på arbetsytan.

get_run(run_id)

Parametrar

Returer

Visa en lista över alla arbetsytor som användaren har åtkomst till i prenumerationen.

Listan över arbetsytor kan filtreras baserat på resursgruppen.

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

Parametrar

Returer

Visa en lista över anslutningar under den här arbetsytan.

list_connections(category=None, target=None)

Parametrar

Visa en lista över nycklar för den aktuella arbetsytan.

list_keys()

Returer

Lägg till eller uppdatera en anslutning under arbetsytan.

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

Parametrar

Ange standarddatalagringen för arbetsytan.

set_default_datastore(name)

Parametrar

Skapa en ny arbetsyta eller hämta en befintlig arbetsyta.

static setup()

Returer

Utlöser arbetsytan för att omedelbart synkronisera nycklar.

Om nycklar för en resurs på arbetsytan ändras kan det ta ungefär en timme innan de uppdateras automatiskt. Den här funktionen gör att nycklar kan uppdateras på begäran. Ett exempelscenario är att behöva omedelbar åtkomst till lagring när lagringsnycklarna har återskapats.

sync_keys(no_wait=False)

Parametrar

Returer

Uppdatera eget namn, beskrivning, taggar, beräkning av bildversioner och andra inställningar som är associerade med en arbetsyta.

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)

Parametrar

Returer

Uppdatera befintliga associerade resurser för arbetsytan i följande fall.

a) När en användare av misstag tar bort en befintlig associerad resurs och vill uppdatera den med en ny utan att behöva återskapa hela arbetsytan. b) När en användare har en befintlig associerad resurs och vill ersätta den aktuella som är associerad med arbetsytan. c) När en associerad resurs inte har skapats ännu och de vill använda en befintlig resurs som de redan har (gäller endast för containerregistret).

update_dependencies(container_registry=None, force=False)

Parametrar

Returer

Skriv egenskaperna för arbetsytan Azure Resource Manager (ARM) till en konfigurationsfil.

ARM-egenskaper för arbetsytan kan läsas in senare med hjälp av from_config metoden . Standardvärdet path är ".azureml/" i den aktuella arbetskatalogen och file_name standardvärdet är "config.json".

Metoden ger ett enkelt sätt att återanvända samma arbetsyta i flera Python-notebook-filer eller -projekt. Användare kan spara ARM-egenskaperna för arbetsytan med hjälp av den här funktionen och använda from_config för att läsa in samma arbetsyta i olika Python-notebook-filer eller -projekt utan att ange arm-egenskaperna för arbetsytan igen.

write_config(path=None, file_name=None)

Parametrar

Visa en lista över alla beräkningsmål på arbetsytan.

Returer

Visa en lista över alla datauppsättningar på arbetsytan.

Returer

Visa en lista över alla datalager på arbetsytan. Den här åtgärden returnerar inte autentiseringsuppgifter för datalager.

Returer

Returnera identifierings-URL:en för den här arbetsytan.

Returer

Visa en lista över alla miljöer på arbetsytan.

Returer

Visa en lista över alla experiment på arbetsytan.

Returer

Returnera listan över bilder på arbetsytan.

Genererar ett WebserviceException om det uppstod ett problem med att interagera med modellhanteringstjänsten.

Returer

Undantag

Visa en lista över alla länkade tjänster på arbetsytan.

Returer

Returnera platsen för den här arbetsytan.

Returer

Returnera en lista över modellen på arbetsytan.

Genererar ett WebserviceException om det uppstod ett problem med att interagera med modellhanteringstjänsten.

Returer

Undantag

Returnera arbetsytans namn.

Returer

Visa en lista över alla privata slutpunkter för arbetsytan.

Returer

Returnera resursgruppens namn för den här arbetsytan.

Returer

Returnera tjänstkontexten för den här arbetsytan.

Returer

Returnera SKU:n för den här arbetsytan.

Returer

Returnera prenumerations-ID:t för den här arbetsytan.

Returer

Returnera taggarna för den här arbetsytan.

Returer

Returnera en lista över webbtjänster på arbetsytan.

Genererar ett WebserviceException om det uppstod ett problem med att returnera listan.

Returer

Undantag

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'