什么是 Azure 机器学习工作区?

工作区是 Azure 机器学习的顶级资源,为使用 Azure 机器学习时创建的所有项目提供了一个集中的处理位置。 工作区保留所有训练运行的历史记录,包括日志、指标、输出和脚本快照。 使用此信息可以确定哪个训练运行产生最佳模型。

拥有了所需的模型后,可将其注册到工作区。 然后,使用已注册的模型和评分脚本,将其部署到 Azure 容器实例、Azure Kubernetes 服务中或部署到现场可编程门阵列 (FPGA) 作为基于 REST 的 HTTP 终结点。 还可以将模型作为模块部署到 Azure IoT Edge 设备。

分类

下图演示了工作区的分类:

工作区分类

此图显示了工作区的以下组件:

  • 工作区可以包含 Azure 机器学习计算实例和配置了运行 Azure 机器学习所需的 Python 环境的云资源。

  • 用户角色使你可以与其他用户、团队或项目共享你的工作区。

  • 计算目标用于运行试验。

  • 创建工作区的同时还会创建关联的资源

  • 试验是用于构建模型的训练用运行。

  • 管道是可重复使用的工作流,用于训练和重新训练模型。

  • 数据集帮助管理用于模型训练和管道创建的数据。

  • 有了要部署的模型后,需要创建一个已注册的模型。

  • 使用已注册的模型和评分脚本创建部署终结点

用于进行工作区交互的工具

可以通过以下方式与工作区交互:

重要

下面标记了“(预览版)”的工具目前为公共预览版。 该预览版在提供时没有附带服务级别协议,建议不要将其用于生产工作负载。 某些功能可能不受支持或者受限。

使用工作区进行机器学习

机器学习任务将项目读取到和/或写入工作区。

  • 运行试验以训练模型 - 将试验运行结果写入工作区。
  • 使用自动机器学习训练模型 - 将训练结果写入工作区。
  • 在工作区中注册模型。
  • 部署模型 - 使用注册的模型来创建部署。
  • 创建并运行可重用的工作流。
  • 查看机器学习项目,如试验、管道、模型和部署。
  • 跟踪和监视模型。

工作区管理

还可以执行以下工作区管理任务:

工作区管理任务 门户 工作室 Python SDK / R SDK CLI VS Code
创建工作区
管理工作区访问权限
创建和管理计算资源
创建笔记本 VM

警告

不支持将 Azure 机器学习工作区移动到另一个订阅,或将拥有的订阅移到新租户。 这样做可能会导致错误。

创建工作区

可通过多种方式创建工作区:

备注

工作区名称不区分大小写。

关联的资源

创建新工作区时,它会自动创建工作区使用的几个 Azure 资源:

  • Azure 存储帐户,用作工作区的默认数据存储。 与 Azure 机器学习计算实例一起使用的 Jupyter 笔记本也存储在此处。

    重要

    默认情况下,存储帐户是常规用途 v1 帐户。 创建工作区后,可以将其升级到常规用途 v2。 升级到常规用途 v2 后,请勿在存储帐户上启用分层命名空间。

    若要使用现有 Azure 存储帐户,则该帐户不能是 BlobStorage 类型或高级帐户(Premium_LRS 和 Premium_GRS)。 它也不能具有分层命名空间(与 Azure Data Lake Storage Gen2 一起使用)。 工作区的默认存储帐户不支持高级存储和分层命名空间。 可以将高级存储或分层命名空间用于非默认存储帐户。

  • Azure 容器注册表:注册在训练期间和部署模型时使用的 Docker 容器。 要最大程度地降低成本,ACR 在创建部署映像之前会“延迟加载”。

  • Azure Application Insights:存储有关模型的监视信息。

  • Azure Key Vault:存储计算目标使用的机密和工作区所需的其他敏感信息。

备注

使用 Python SDKR SDK 或 Azure 机器学习 CLI 通过 ARM 模板创建工作区时,可以改用现有的 Azure 资源实例。

企业版发生了什么情况

截至 2020 年 9 月,企业版工作区中提供的所有功能现在都可在基本版工作区中使用。 无法再创建新的企业工作区。 使用 sku 参数的所有 SDK、CLI 或 Azure 资源管理器调用将继续运行,但将预配基本工作区。

从 12 月 21 日起,所有企业版工作区都将自动设置为基本版,该版本具有相同的功能。 在此过程中不会发生停机。 2021 年 1 月 1 日,企业版将正式停用。

在这两个版本中,客户都应支付使用的 Azure 资源的成本,并且无需为 Azure 机器学习支付任何额外费用。 有关更多详细信息,请参阅 Azure 机器学习定价页

后续步骤

若要开始使用 Azure 机器学习,请参阅: