Erstellen eines Hubs mithilfe des Azure Machine Learning SDK und der CLI

1. Installieren von Paketen. (Verwenden Sie %pip install stattdessen in einer Notizbuchzelle.)

   pip install azure-ai-ml
   pip install azure-identity
   

2. Geben Sie Ihre Abonnementdetails an:

   # Enter details of your subscription
   subscription_id = "<SUBSCRIPTION_ID>"
   resource_group = "<RESOURCE_GROUP>"

3. Rufen Sie ein Handle für das Abonnement ab. Der gesamte Python-Code in diesem Artikel verwendet ml_client:

   # get a handle to the subscription
   
   from azure.ai.ml import MLClient
   from azure.identity import DefaultAzureCredential
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

4. (Optional) Wenn Sie mehrere Konten haben, fügen Sie die Mandanten-ID der gewünschten Microsoft Entra ID in DefaultAzureCredential ein. Ihre Mandanten-ID finden Sie im Azure-Portal unter Microsoft Entra ID, Externe Identitäten.

   DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")
   

5. (Optional:) Wenn Sie in den Regionen Azure Government – USA oder Azure China 21Vianet arbeiten, geben Sie die Region an, in der Sie die Authentifizierung durchführen möchten. Sie können die Region über DefaultAzureCredential angeben. Das folgende Beispiel authentifiziert sich in der Azure Government-US-Region:

   from azure.identity import AzureAuthorityHosts
   DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)
   

6. Überprüfen Sie die Verbindung.

   for hub in ml_client.workspaces.list():
       print(f"  - {hub.name}")
   

Wenn Sie einen Authentifizierungsfehler erhalten, stellen Sie sicher, dass Ihre Azure-Anmeldeinformationen konfiguriert sind (führen az login Oder richten Sie Ihre Anmeldeinformationen über das Azure Identity SDK ein). Wenn Sie einen Berechtigungsfehler erhalten, überprüfen Sie, ob Sie über die Rolle "Mitwirkender" für das Abonnement oder die Ressourcengruppe verfügen.

Verweise: MLClient, DefaultAzureCredential

1. Wenn Sie die Azure CLI- und Machine Learning-Erweiterung nicht installiert haben, führen Sie die Schritte im Artikel Installieren und Einrichten der Machine Learning-Erweiterung aus.

2. Führen Sie den folgenden Befehl aus, um sich über die Azure CLI bei Ihrem Azure-Abonnement zu authentifizieren.

   az login
   

   Weitere Informationen zur Authentifizierung finden Sie unter Authentifizierungsmethoden.

3. Überprüfen Sie Ihre Authentifizierung, indem Sie vorhandene Hubs auflisten:

   az ml workspace list --resource-group <your-resource-group-name>
   

   Wenn der Befehl erfolgreich ist und vorhandene Hubs anzeigt, ist Ihre Authentifizierung ordnungsgemäß konfiguriert.

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"

# Construct a basic hub
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name
)

# Create the hub and wait for completion
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub: {created_hub.name}")

Dieser Code erstellt einen neuen Hub mit dem angegebenen Namen, Standort und Anzeigenamen. Azure stellt automatisch zugeordnete Azure Storage- und Azure Key Vault-Ressourcen fest.

Verweise: Hub, MLClient.workspaces.begin_create

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name>

Ersetzen Sie den <your-resource-group> Namen Ihrer Azure-Ressourcengruppe und <your-hub-name> durch einen eindeutigen Namen für Ihren Hub. Azure erstellt automatisch zugeordnete Speicher- und Schlüsseltresorressourcen.

Referenzen: az ml workspace create

1. Schließen Sie Ihren Hub in Ihre ml_client Verbindung ein:

   • Geben Sie Ihre Abonnementdetails ein. Geben Sie für <AML_WORKSPACE_NAME> Ihren Hubnamen ein:

     # Enter details of your AML workspace
     subscription_id = "<SUBSCRIPTION_ID>"
     resource_group = "<RESOURCE_GROUP>"
     workspace = "<AML_WORKSPACE_NAME>"

   • Rufen Sie sich einen Handle für den Hub ab:

     # get a handle to the workspace
     from azure.ai.ml import MLClient
     from azure.identity import DefaultAzureCredential
     
     ml_client = MLClient(
         DefaultAzureCredential(), subscription_id, resource_group, workspace
     )

2. Verwenden Sie ml_client, um die Verbindung zu Ihren Foundry Tools herzustellen. Endpunkte finden Sie im Azure-Portal unter Ressourcenverwaltungsschlüssel > und Endpunkte. Verwenden Sie für eine Foundry-Ressource den AI Services-Endpunkt . Verwenden Sie für Azure AI Search die URL für den Endpunkt.

   from azure.ai.ml.entities import AzureAIServicesConnection
   
   # Construct a connection to Azure AI Services
   my_connection_name = "my-ai-services-connection"  # Any name you want
   aiservices_resource_name = "<your-resource-name>"  # From Azure portal
   my_endpoint = "<your-endpoint>"  # From Azure portal
   my_api_keys = None  # Leave blank to use Azure Entra ID (AAD) authentication
   my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}"
   
   my_connection = AzureAIServicesConnection(
       name=my_connection_name,
       endpoint=my_endpoint,
       api_key=my_api_keys,
       ai_services_resource_id=my_ai_services_resource_id
   )
   
   # Create the connection
   ml_client.connections.create_or_update(my_connection)
   print(f"Created connection: {my_connection.name}")
   

   Referenzen: AzureAIServicesConnection, MLClient.connections

az ml connection create --file connection.yml --resource-group <your-resource-group> --workspace-name <your-hub-name>

Sie können entweder einen API-Schlüssel oder eine Azure Entra ID (AAD)-Authentifizierung verwenden. Erstellen Sie eine YAML-Konfigurationsdatei mit dem Namen connection.yml:

API-Schlüsselbeispiel:

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
api_key: <your-api-key>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Beispiel für AAD (ohne Anmeldeinformationen):

name: my-ai-services-connection
type: azure_ai_services
endpoint: <your-endpoint>
ai_services_resource_id: /subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.CognitiveServices/accounts/<resource-name>

Ausführliche Schemainformationen finden Sie im YaML-Schema der Azure AI Services-Verbindung.

Referenzen: az ml-Verbindung erstellen

from azure.ai.ml.entities import Hub

my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.Storage/storageAccounts/<storage-account-name>"
my_key_vault_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.KeyVault/vaults/<key-vault-name>"

# Construct a hub with existing dependency resources
my_hub = Hub(
    name=my_hub_name,
    location=my_location,
    display_name=my_display_name,
    resource_group=my_resource_group,
    storage_account_id=my_storage_account_id,
    key_vault_id=my_key_vault_id
)

# Create the hub
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub with existing resources: {created_hub.name}")

Um Ressourcen-IDs für vorhandene Ressourcen zu finden, besuchen Sie das Azure-Portal, navigieren Sie zur Seite "Übersicht " der Ressource, und wählen Sie die JSON-Ansicht aus. Die Ressourcen-ID wird im Id-Feld angezeigt. Alternativ können Sie auch Azure CLI verwenden:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Referenzen: Hub

az ml workspace create --kind hub --resource-group <your-resource-group> --name <your-hub-name> --location <location> --storage-account <storage-account-resource-id> --key-vault <key-vault-resource-id>

Ersetzen Sie die Platzhalter in spitzen Klammern durch Ihre eigenen Werte. Um Ressourcen-IDs zu finden, verwenden Sie Folgendes:

# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"

# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"

Referenzen: az ml workspace create

from azure.ai.ml.entities import Hub

my_app_insights = "{APPLICATION_INSIGHTS_ARM_ID}"
my_container_registry = "{CONTAINER_REGISTRY_ARM_ID}"

# construct a hub with Application Insights and Container Registry
my_hub = Hub(name="myexamplehub", 
             location="East US", 
             application_insights=my_app_insights,
             container_registry=my_container_registry)

# update_dependent_resources is used to give consent to update the workspace dependent resources.
updated_hub = ml_client.workspaces.begin_update(workspace=my_hub, update_dependent_resources=True).result()
print(f"Hub updated: {updated_hub.name}")

Dieses Skript aktualisiert einen vorhandenen Hub mit den angegebenen Application Insights- und Containerregistrierungsressourcen. Der update_dependent_resources=True Parameter bestätigt die Aktualisierung.

Referenz: Hub, MLClient.workspaces.begin_update()

az ml workspace update -n "myexamplehub" -g "{MY_RESOURCE_GROUP}" -a "APPLICATION_INSIGHTS_ARM_ID" -u

Mit diesem Befehl wird der Hub mit dem Namen "myexamplehub" mit der angegebenen Application Insights-Ressource aktualisiert. Das -u Flag erteilt die Zustimmung, abhängige Ressourcen zu aktualisieren.

Referenz: az ml Arbeitsbereich Update