通过 Python SDK (v1) 管理 Azure 机器学习工作区

适用于：适用于 Python 的 Azure 机器学习 SDK v1

在本文中，使用 适用于 Python 的 SDK 创建、查看和删除 Azure 机器学习工作区，用于 Azure 机器学习。

随着您的需求发生变化或自动化要求增加，您还可以 使用 CLI v2 或通过 VS Code 扩展来管理工作区。

必备条件

• Azure 订阅。 如果没有 Azure 订阅，请在开始前创建一个试用版订阅。 立即尝试试用版订阅。
• 如果使用 Python SDK，请安装 SDK。

限制

• 创建新的工作区时，可以自动创建工作区所需的服务或使用现有的服务。 如果要使用来自不同于工作区所在的 Azure 订阅的现有服务，则必须在包含这些服务的订阅中注册 Azure 机器学习命名空间。 例如，在订阅 A 中创建一个使用订阅 B 中的存储帐户的工作区时，必须在订阅 B 中注册 Azure 机器学习命名空间，然后该工作区才能使用该存储帐户。

  Azure 机器学习的资源提供程序是 Microsoft.MachineLearningServices。 有关如何查看是否已注册或需要注册命名空间，请参阅《Azure 资源提供程序和类型》。

  重要

  此信息仅适用于工作区创建期间提供的资源：Azure 存储帐户、Azure 容器注册表、Azure Key Vault 和 Application Insights。

• 默认情况下，创建工作区时还会创建 Azure 容器注册表 (ACR)。 由于 ACR 当前不支持资源组名称中的 Unicode 字符，因此请使用不包含这些字符的资源组。

• 对于工作区的默认存储帐户，Azure 机器学习不支持分层命名空间（Azure Data Lake Storage Gen2 功能）。

创建工作区

可以直接在 Azure 机器学习工作室中创建工作区，但可用的选项有限。 或使用以下方法之一来更好地控制选项。

• 默认规范。 默认情况下，代码会自动创建依赖资源和资源组。 以下代码创建一个名为 myworkspace 的工作区，并在 myresourcegroup 中创建一个名为 chinanorth2 的资源组。

  适用于：适用于 Python 的 Azure 机器学习 SDK v1

  from azureml.core import Workspace
  
  ws = Workspace.create(name='myworkspace',
                 subscription_id='<azure-subscription-id>',
                 resource_group='myresourcegroup',
                 create_resource_group=True,
                 location='chinanorth2'
                 )
  

  如果需要将一个现有的 Azure 资源组用于该工作区，请将 create_resource_group 设置为 False。

• 多个租户。 如果您有多个帐户，请添加您想要使用的 Microsoft Entra ID 所对应的租户 ID。 在 Azure 门户的“Microsoft Entra ID 外部标识”下找到你的租户 ID。

  适用于：适用于 Python 的 Azure 机器学习 SDK v1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='chinanorth2',
              auth=interactive_auth
              )
  

• 主权云 。 如果你在主权云中操作，则需要使用额外的代码向 Azure 进行身份验证。

  适用于：适用于 Python 的 Azure 机器学习 SDK v1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") 
  ws = Workspace.create(name='myworkspace',
              subscription_id='<azure-subscription-id>',
              resource_group='myresourcegroup',
              create_resource_group=True,
              location='chinanorth2',
              auth=interactive_auth
              )
  

如需更多信息，请参阅工作区 SDK 参考。

如果访问订阅时遇到问题，请参阅 设置 Azure 机器学习资源和工作流的身份验证，以及 Azure 机器学习笔记本中的身份验证 。

网络

Azure Machine Learning Python SDK 提供 PrivateEndpointConfig 类。 将此类与 Workspace.create（） 配合使用，创建具有专用终结点的工作区。 此课程需要您已拥有的虚拟网络。

高级

默认情况下，Microsoft维护存储工作区元数据的Azure Cosmos DB实例。 Azure 管理的密钥加密此数据。

若要限制工作区上Microsoft收集的数据，请在门户中选择高业务影响工作区，或在Python中设置 hbi_workspace=true。 有关此设置的详细信息，请参阅 静态加密。

使用自己的数据加密密钥

如果提供自己的密钥进行数据加密，请创建Azure Cosmos DB实例，用于将元数据存储在Azure订阅中。 有关详细信息，请参阅用于 Azure 机器学习的客户管理的密钥。

通过以下步骤提供你自己的密钥：

使用 cmk_keyvault 和 resource_cmk_uri 指定客户管理的密钥。

from azureml.core import Workspace

ws = Workspace.create(name='myworkspace',
            subscription_id='<azure-subscription-id>',
            resource_group='myresourcegroup',
            create_resource_group=True,
            location='chinanorth2'
            cmk_keyvault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/<keyvault-name>',
            resource_cmk_uri='<key-identifier>'
            )

下载配置文件

如果在工作区中使用 计算实例 来运行代码，请跳过此步骤。 计算实例会为你创建并存储此文件的副本。

如果你计划在本地环境使用引用此工作区 (ws) 的代码，请编写配置文件：

适用于：适用于 Python 的 Azure 机器学习 SDK v1

ws.write_config()

使用 Python 脚本或 Jupyter Notebook 将此文件放入到目录结构中。 它可以位于同一目录、名为 azureml 的子目录或父目录中。 创建计算实例时，请将此文件添加到 VM 上的正确目录。

连接到工作区

在Python代码中，创建一个工作区对象以连接到工作区。 此代码读取配置文件以找到您的工作区。 如果你尚未进行身份验证，系统会提示你登录。

适用于：适用于 Python 的 Azure 机器学习 SDK v1

from azureml.core import Workspace

ws = Workspace.from_config()

• 多个租户。 如果您有多个帐户，请添加您想要使用的 Microsoft Entra ID 所对应的租户 ID。 在 Azure 门户的“Microsoft Entra ID 外部标识”下找到你的租户 ID。

  适用于：适用于 Python 的 Azure 机器学习 SDK v1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(tenant_id="my-tenant-id")
  ws = Workspace.from_config(auth=interactive_auth)
  

• 主权云 。 如果你在主权云中操作，则需要使用额外的代码向 Azure 进行身份验证。

  适用于：适用于 Python 的 Azure 机器学习 SDK v1

  from azureml.core.authentication import InteractiveLoginAuthentication
  from azureml.core import Workspace
  
  interactive_auth = InteractiveLoginAuthentication(cloud="<cloud name>") 
  ws = Workspace.from_config(auth=interactive_auth)
  

如果访问订阅时遇到问题，请参阅 Azure Machine Learning 资源和工作流的身份验证设置 和 Azure Machine Learning 身份验证笔记本。

查找工作空间

查看你可以使用的所有工作区的列表。

在 Azure 门户的“订阅”页中查找你的订阅。 复制 ID 并将其用于以下代码，以查看该订阅可用的所有工作区。

适用于：适用于 Python 的 Azure 机器学习 SDK v1

from azureml.core import Workspace

Workspace.list('<subscription-id>')

该方法 Workspace.list(..) 不返回完整的工作区对象。 它仅包含有关订阅中现有工作区的基础信息。 若要获取特定工作区的完整对象，请使用 Workspace.get(..)。

删除工作区

不再需要工作区时，请删除它。

删除工作区 ws：

适用于：适用于 Python 的 Azure 机器学习 SDK v1

ws.delete(delete_dependent_resources=False, no_wait=False)

默认操作不是删除与工作区关联的资源，例如容器注册表、存储帐户、密钥保管库和应用程序见解。 将delete_dependent_resources设置为True以便同时删除这些资源。

清理资源

如果你不打算使用已创建的任何资源，请删除它们，以免产生任何费用：

1. 在 Azure 门户的搜索框中输入“资源组”，然后从结果中选择它。

2. 从列表中选择你创建的资源组。

3. 在“概述”页面上，选择“删除资源组”。

   

4. 输入资源组名称。 然后选择“删除”。

故障排除

• Azure 机器学习工作室中支持的浏览器：使用与您的操作系统兼容的最新浏览器。 支持以下浏览器：

  • Microsoft Edge（新的 Microsoft Edge（最新版）。不是 Microsoft Edge 旧版）
  • Safari（最新版本，仅限 Mac）
  • Chrome（最新版本）
  • Firefox（最新版本）

• Azure 门户：

  • 如果通过 SDK 的共享链接或 Azure 门户直接访问工作区，则无法查看扩展中包含订阅信息的标准“概述”页面。 此情况下，也无法切换到其他工作区。 若要查看其他工作区，请直接转到 Azure 机器学习工作室并搜索工作区名称。
  • 只能在 Azure Machine Learning studio 中查看所有资产（数据、试验、计算等）。 无法从Azure门户查看这些资产。
  • 尝试从 Azure 门户导出工作区的模板可能会返回类似于以下文本的错误：Could not get resource of the type <type>. Resources of this type will not be exported. 作为解决方法，请使用 https://github.com/Azure/azure-quickstart-templates/tree/master/quickstarts/microsoft.machinelearningservices 中提供的模板之一作为模板的基础。

工作区诊断

在 Azure 机器学习工作室或 Python SDK 中，可以在工作区上运行诊断。 运行诊断后，将返回检测到的任何问题的列表。 此列表包含指向可能的解决方案的链接。 有关详细信息，请参阅如何使用工作区诊断。

资源提供程序错误

创建 Azure 机器学习工作区或工作区使用的资源时，可能会收到类似于下列错误之一：

• No registered resource provider found for location {location}
• The subscription is not registered to use namespace {resource-provider-namespace}

大多数资源提供程序会自动注册，但并非全部资源提供程序。 如果看到此消息，则需要注册服务提供商。

下表包含 Azure 机器学习所需的资源提供程序列表：

如果要将客户管理的密钥用于 Azure 机器学习，则必须注册以下服务提供商：

如果要将托管虚拟网络用于 Azure 机器学习，则必须注册 Microsoft.Network 资源提供程序。 在为托管虚拟网络创建专用终结点时，工作区将使用此资源提供程序。

有关注册资源提供程序的信息，请参阅解决资源提供程序注册错误。

删除 Azure 容器注册表

Azure 机器学习工作区使用 Azure 容器注册表 (ACR) 执行某些操作。 首次需要 ACR 实例时，它会自动创建一个。

后续步骤

有了工作区后，请了解如何训练和部署模型。

• 如果需要将工作区移动到另一个 Azure 订阅，请参阅如何移动工作区。

• 若要查找工作空间，请参阅搜索 Azure 机器学习资产（预览版）。

有关如何使用最新的安全更新使 Azure 机器学习保持最新状态的信息，请参阅漏洞管理。