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）

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。 本教程是由三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某个运行。

在本教程中，将：

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：

1. 登录 Azure 机器学习工作室，然后选择工作区（如果出现提示）。
2. 在左侧选择“笔记本”
3. 在“文件”工具栏中，选择“+”，然后选择“创建新文件夹”。
4. 将文件夹命名为“get-started”。
5. 在文件夹名称的右侧，使用“...”在 get-started 下创建另一个文件夹 。
6. 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。
7. 在 src 文件夹的右侧，使用“...”在 src 文件夹中创建新文件 。
8. 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：

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”。

选择“保存并在终端中运行脚本”来运行脚本。

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)

了解代码

下面是有关控制脚本工作方式的说明：

在云中提交并运行代码

1. 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。

2. 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。

3. 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。

   注意

   你可能看到以“加载 azureml_run_type_providers.... 时出错”开头的警告。可以忽略这些警告。 使用这些警告底部的链接查看输出。

查看输出

1. 在打开的页面中，你将看到作业状态。
2. 作业状态为“已完成”时，选择页面顶部的“输出 + 日志”。
3. 选择“std_log.txt”以查看作业的输出。

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://studio.ml.azure.cn/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” 。 首次运行将需要 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，因此后续作业要快得多（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。在那里可以看到 std_log.txt 文件，该文件的内容类似于：

 1: [2020-08-04T22:15:44.407305] Entering context manager injector.
 2: [context_manager_injector.py] Command line Options: Namespace(inject=['ProjectPythonPath:context_managers.ProjectPythonPath', 'RunHistory:context_managers.RunHistory', 'TrackUserError:context_managers.TrackUserError', 'UserExceptions:context_managers.UserExceptions'], invocation=['hello.py'])
 3: Starting the daemon thread to refresh tokens in background for process with pid = 31263
 4: Entering Job History Context Manager.
 5: Preparing to call script [ hello.py ] with arguments: []
 6: After variable expansion, calling script [ hello.py ] with arguments: []
 7:
 8: Hello world!
 9: Starting the daemon thread to refresh tokens in background for process with pid = 31263
10:
11:
12: The experiment completed successfully. Finalizing job...
13: Logging experiment finalizing status in history service.
14: [2020-08-04T22:15:46.541334] TimeoutHandler __init__
15: [2020-08-04T22:15:46.541396] TimeoutHandler __enter__
16: Cleaning up all outstanding Job operations, waiting 300.0 seconds
17: 1 items cleaning up...
18: Cleanup took 0.1812913417816162 seconds
19: [2020-08-04T22:15:47.040203] TimeoutHandler __exit__

在第 8 行，你会看到“Hello world!”输出。

70_driver_log.txt 文件包含来自作业的标准输出。 当你在云中调试远程作业时，此文件会很有用。

后续步骤

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。