Azure 机器学习的工作原理：资源和资产

若要使用本文中的 Python SDK 代码示例，请执行以下操作：

1. 安装 Python SDK v2。

2. 创建与 Azure 机器学习订阅的连接。 这些示例均依赖于 ml_client。 若要创建工作区，连接不需要工作区名称，因为可能还没有工作区名称。 本文中的所有其他示例都要求连接中包含工作区名称。

   # Import required libraries.
   from azure.ai.ml import MLClient
   from azure.ai.ml.entities import Workspace
   from azure.identity import DefaultAzureCredential
   from azure.ai.ml.entities import AmlCompute
   
   # Enter details of your subscription.
   subscription_id = "<SUBSCRIPTION_ID>"
   resource_group = "<RESOURCE_GROUP>"
   
   # Get a handle to the subscription. (Use this if you haven't created a workspace yet.)
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)
   
   # All other examples in this article require that the connection include a workspace name.
   workspace_name = "<WORKSPACE_NAME>"
   ml_client = ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace_name)
   

若要使用本文中的 Azure CLI 代码示例，需要安装并配置 Azure CLI。 可以从 安装和设置 CLI（v2）来安装 Azure CLI。

安装 Azure CLI 后，登录到 Azure 帐户：

### TESTED

# <az_extension_list>
az extension list 
# </az_extension_list>

# <az_ml_install>
az extension add -n ml
# </az_ml_install>

# <list_defaults>
az configure -l -o table
# </list_defaults>

apt-get install sudo
# <az_extension_install_linux>
curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash 
az extension add -n ml -y 
# </az_extension_install_linux>

# <az_ml_update>
az extension update -n ml
# </az_ml_update>

# <az_ml_verify>
az ml -h
# </az_ml_verify>

# <az_extension_remove>
az extension remove -n azure-cli-ml
az extension remove -n ml
# </az_extension_remove>

# <git_clone>
git clone --depth 1 https://github.com/Azure/azureml-examples
cd azureml-examples/cli
# </git_clone>

# <az_version>
az version
# </az_version>

### UNTESTED
exit

# <az_account_set>
az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"
# </az_account_set>

# <az_login>
az login
# </az_login>

如果您有权访问多个 Azure 订阅，请设置活动订阅：

### TESTED

# <az_extension_list>
az extension list 
# </az_extension_list>

# <az_ml_install>
az extension add -n ml
# </az_ml_install>

# <list_defaults>
az configure -l -o table
# </list_defaults>

apt-get install sudo
# <az_extension_install_linux>
curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash 
az extension add -n ml -y 
# </az_extension_install_linux>

# <az_ml_update>
az extension update -n ml
# </az_ml_update>

# <az_ml_verify>
az ml -h
# </az_ml_verify>

# <az_extension_remove>
az extension remove -n azure-cli-ml
az extension remove -n ml
# </az_extension_remove>

# <git_clone>
git clone --depth 1 https://github.com/Azure/azureml-examples
cd azureml-examples/cli
# </git_clone>

# <az_version>
az version
# </az_version>

### UNTESTED
exit

# <az_account_set>
az account set -s "<YOUR_SUBSCRIPTION_NAME_OR_ID>"
# </az_account_set>

# <az_login>
az login
# </az_login>

登录到 Azure 机器学习工作室。

若要使用 Python SDK v2 创建工作区，可以使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

# Specify the workspace details.
ws = Workspace(
    name="my_workspace",
    location="eastus",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    tags=dict(purpose="demo"),
)
# Use MLClient to connect to the subscription and resource group and create the workspace.
ml_client.workspaces.begin_create(ws) 

有关使用 SDK v2 创建 Azure 机器学习工作区的更多方法，请参阅此 Jupyter 笔记本。

若要使用 CLI v2 创建工作区，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml workspace create --file my_workspace.yml

有关文件的内容，请参阅工作区 YAML 示例。

在工作室欢迎页上创建工作区，方法是提供所需的信息，然后选择“ 创建”。

若要使用 Python SDK v2 创建计算群集，可以使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

from azure.ai.ml.entities import AmlCompute
cluster_basic = AmlCompute(
    name="basic-example",
    type="amlcompute",
    size="STANDARD_DS3_v2",
    location="chinanorth",
    min_instances=0,
    max_instances=2,
    idle_time_before_scale_down=120,
)
ml_client.begin_create_or_update(cluster_basic)

有关使用 SDK v2 创建计算的更多方法，请参阅 此 Jupyter 笔记本。

若要使用 CLI v2 创建计算，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml compute create --file my_compute.yml

有关文件的内容，请参阅计算 YAML 示例。

1. 选择一个工作区，如果您还没有进入工作区的话。
2. 在左窗格中，选择“ 计算”。
3. 在页面顶部，选择一个选项卡以指定要创建的计算类型。
4. 选择“ 新建 ”以创建新的计算资源。

若要使用 Python SDK v2 创建数据存储，可以使用以下代码：

适用范围：Python SDK azure-ai-ml v2（最新版）

import AzureBlobDatastore

blob_datastore1 = AzureBlobDatastore(
    name="blob_example",
    description="Datastore pointing to a blob container.",
    account_name="mytestblobstore",
    container_name="data-container",
    credentials={
        "account_key": "XXXxxxXXXxXXXXxxXXXXXxXXXXXxXxxXxXXXxXXXxXXxxxXXxxXXXxXxXXXxxXxxXXXXxxxxxXXxxxxxxXXXxXXX"
    },
)
ml_client.create_or_update(blob_datastore1)

有关使用 SDK v2 创建数据存储的更多方法，请参阅 此 Jupyter 笔记本。

若要使用 CLI v2 创建数据存储，请使用以下命令：

适用于：Azure CLI ml 扩展 v2（当前）

az ml datastore create --file my_datastore.yml

有关文件的内容，请参阅数据存储 YAML 示例。

1. 选择一个工作区，如果您还没有进入工作区的话。
2. 在左窗格中，选择 “数据”。
3. 在页面顶部，选择 “数据存储”。
4. 选择“ 创建 ”以创建数据存储。

有关使用 Python SDK v2 创建环境的信息，请参阅 “创建环境”。

有关使用 SDK v2 创建自定义环境的详细信息，请参阅 此 Jupyter 笔记本。

若要使用 CLI v2 创建环境，请参阅 “创建环境”。

有关详细信息，请参阅 CLI （v2） 环境 YAML 架构。

1. 选择一个工作区，如果您还没有进入工作区的话。
2. 在左窗格中，选择“ 环境”。
3. 在页面顶部，选择“ 自定义环境”。
4. 选择“ 创建 ”以创建自定义环境。