通过门户或 Python SDK (v2) 管理 Azure 机器学习工作区

适用范围：Python SDK azure-ai-ml v2（最新版）

• 入门的基本配置：如果没有规范，会自动创建关联的资源和 Azure 资源组。 此代码会在 eastus2 中创建一个名为 myworkspace 的工作区、几个从属 Azure 资源（存储帐户、Key Vault、容器注册表、Application Insights）和一个名为 myresourcegroup 的资源组。

  # Creating a unique workspace name with current datetime to avoid conflicts
  from azure.ai.ml.entities import Workspace
  import datetime
  
  basic_workspace_name = "mlw-basic-prod-" + datetime.datetime.now().strftime(
      "%Y%m%d%H%M"
  )
  
  ws_basic = Workspace(
      name=basic_workspace_name,
      location="eastus",
      display_name="Basic workspace-example",
      description="This example shows how to create a basic workspace",
      hbi_workspace=False,
      tags=dict(purpose="demo"),
  )
  ml_client.workspaces.begin_create(ws_basic)
  

• 使用现有的 Azure 资源。 若要引入现有的 Azure 资源，请按照 Azure 资源 ID 格式引用它们。 请通过 Azure 门户或 SDK 查找特定的 Azure 资源 ID。 此示例假设已存在资源组、存储帐户、Key Vault、Application Insights 和容器注册表。

  # Creating a unique workspace name with current datetime to avoid conflicts
  import datetime
  from azure.ai.ml.entities import Workspace
  
  basic_ex_workspace_name = "mlw-basicex-prod-" + datetime.datetime.now().strftime(
       "%Y%m%d%H%M"
  )
  
  ws_with_existing = Workspace(
       name=basic_ex_workspace_name,
       location="eastus",
       display_name="Bring your own dependent resources-example",
       description="This sample specifies a workspace configuration with existing dependent resources",
       storage_account="/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT>",
       container_registry="/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerRegistry/registries/<CONTAINER_REGISTRY>",
       key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.KeyVault/vaults/<KEY_VAULT>",
       application_insights="/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.insights/components/<APP_INSIGHTS>",
       tags=dict(purpose="demonstration"),
  )
  
  # uncomment this line after providing details of subscription, resource group and other details above
  #  ml_client.begin_create_or_update(ws_with_existing)
  

• （预览）使用现有中心工作区。 可以重复使用中心工作区的共享环境，而不是使用自己的安全设置和关联的资源创建默认工作区。 新的“项目”工作区将从中心获取安全设置和共享配置（包括计算和连接）。 此示例假定已经存在中心工作区。

  from azure.ai.ml.entities import Project
  
  my_project_name = "myexampleproject"
  my_location = "East US"
  my_display_name = "My Example Project"
  
  my_hub = Project(name=my_hub_name, 
                   location=my_location,
                   display_name=my_display_name,
                   hub_id=created_hub.id)
  
  created_project_workspace = ml_client.workspaces.begin_create(workspace=my_hub).result()
  

有关详细信息，请查看工作区 SDK 参考。

如果在访问订阅时遇到问题，请参阅为 Azure 机器学习资源和工作流设置身份验证和 Azure 机器学习中的身份验证笔记本。

1. 使用 Azure 订阅的凭据登录到 Azure 门户。

2. 在 Azure 门户的左上角，选择“+ 创建资源”。

   

3. 使用搜索栏查找“机器学习”。

4. 选择“机器学习”。

5. 在“机器学习”窗格中，选择“创建”以开始。

6. 提供以下信息来配置新工作区：

   字段	说明
   工作区名称	输入用于标识工作区的唯一名称。 本示例使用 docs-ws。 名称在整个资源组中必须唯一。 使用易于记忆且区别于其他人所创建工作区的名称。 工作区名称不区分大小写。
   订阅	选择要使用的 Azure 订阅。
   资源组	使用订阅中的现有资源组。 要创建新的资源组，请输入名称。 资源组保存 Azure 解决方案的相关资源。 需要“参与者”或“所有者”角色才能使用现有资源组。 有关访问权限的详细信息，请参阅管理对 Azure 机器学习工作区的访问权限。
   区域	选择离你的用户和数据资源最近的 Azure 区域。
   存储帐户	工作区的默认存储帐户。 默认情况下，会创建一个新的存储帐户。
   密钥保管库	工作区使用的 Azure Key Vault。 默认情况下，会创建一个新的存储帐户。
   Application Insights	工作区的 Application Insights 实例。 默认情况下，会创建一个新的存储帐户。
   容器注册表	工作区的 Azure 容器注册表。 默认情况下，一开始不会为工作区创建新的 Azure 容器注册表。 而在训练或部署期间创建 Docker 映像还会在需要时为工作区创建 Azure 容器注册表。

   

7. 完成工作区配置后，选择“查看 + 创建”。 （可选）使用网络、加密、标识和标记部分来配置更多工作区设置。

8. 查看设置，并进行任何其他更改或改正。 如果对设置感到满意，请选择“创建”。

   警告

   在云中创建工作区可能需要几分钟时间。

   完成此过程后，会显示一条部署成功消息。

9. 若要查看新工作区，请选择“转到资源”。

10. 若要开始使用工作区，请选择右上角的 Studio Web URL 链接。 还可以从 Azure 机器学习工作室主页中选择工作区。

1. 为 Azure 机器学习工作区资源提供一个名称。

2. 为在工作室中显示工作区提供一个易记名称。

3. （预览）根据需要选择中心工作区，以将工作区托管在团队的共享环境中，并提供预配置的安全性、对公司资源访问权限和共享计算。

   

适用范围：Python SDK azure-ai-ml v2（最新版）

# Creating a unique workspace name with current datetime to avoid conflicts
import datetime
from azure.ai.ml.entities import Workspace

basic_private_link_workspace_name = (
    "mlw-privatelink-prod-" + datetime.datetime.now().strftime("%Y%m%d%H%M")
)

ws_private_link = Workspace(
    name=basic_private_link_workspace_name,
    location="eastus",
    display_name="Private Link endpoint workspace-example",
    description="When using private link, you must set the image_build_compute property to a cluster name to use for Docker image environment building. You can also specify whether the workspace should be accessible over the internet.",
    image_build_compute="cpu-compute",
    public_network_access="Disabled",
    tags=dict(purpose="demonstration"),
)

ml_client.workspaces.begin_create(ws_private_link)

此类需要现有虚拟网络。

1. 默认网络配置使用可在公共 Internet 上访问的“公共终结点”。 不过，你可以选择“Internet 出站专用”或“已批准出站专用”，仅限你创建的 Azure 虚拟网络访问你的工作区。 然后向下滚动以配置设置。

   

2. 在“工作区入站访问”下，选择“ 添加”以打开“创建专用终结点”窗体。

3. 在“创建专用终结点”表单上，设置要使用的位置、名称和虚拟网络。 若要将此终结点与某个专用 DNS 区域配合使用，请选择“与专用 DNS 区域集成”，然后使用“专用 DNS 区域”字段选择该区域。 选择“确定”以创建终结点。

   

4. 如果选择了“Internet 出站专用”，请使用“工作区出站访问”部分配置网络和出站规则。

5. 如果选择了“已批准出站专用”，请使用“工作区出站访问”部分将更多规则添加到所需的集。

6. 完成网络配置后，可以选择“查看 + 创建”，或转到可选的“加密”配置。

1. 若要通过工作室创建禁用了 Internet 连接的工作区，应指定禁用公用网络访问的中心工作区。 如果工作区在 AI 工作室中没有中心的情况下创建的，那么该工作区已启用公共 Internet 访问。 专用中心具有“锁”图标。

   

2. 如果在创建时没有选择中心工作区，则默认网络配置使用可在公共 Internet 上访问的公共终结点。

适用范围：Python SDK azure-ai-ml v2（最新版）

from azure.ai.ml.entities import Workspace, CustomerManagedKey

# specify the workspace details
ws = Workspace(
    name="my_workspace",
    location="chinaeast2",
    display_name="My workspace",
    description="This example shows how to create a workspace",
    customer_managed_key=CustomerManagedKey(
        key_vault="/subscriptions/<SUBSCRIPTION_ID>/resourcegroups/<RESOURCE_GROUP>/providers/microsoft.keyvault/vaults/<VAULT_NAME>"
        key_uri="<KEY-IDENTIFIER>"
    )
    tags=dict(purpose="demo")
)

ml_client.workspaces.begin_create(ws)

1. 选择“客户管理的密钥”，然后选择“单击以选择密钥”。

   

2. 在“从 Azure Key Vault 选择密钥”表单中选择现有的 Azure Key Vault、一个它所包含的密钥以及密钥版本。 此密钥会加密 Azure Cosmos DB 中存储的数据。 最后使用“选择”按钮来使用此密钥。

   

1. 若要通过工作室创建具有客户管理的密钥加密的工作区，应指定启用了客户管理的密钥加密的中心工作区。 若要验证中心工作区配置，请在 Azure 门户中查看它。

2. 如果在创建时未选择中心工作区，则工作区默认使用 Azure 管理的密钥。

适用范围：Python SDK azure-ai-ml v2（最新版）

from azure.ai.ml import MLClient
from azure.ai.ml.entities import Workspace
from azure.identity import DefaultAzureCredential

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

my_ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)

for ws in my_ml_client.workspaces.list():
    print(ws.name, ":", ws.location, ":", ws.description)

若要获取特定的工作区详细信息，请执行以下操作：

ws = my_ml_client.workspaces.get("<AML_WORKSPACE_NAME>")
# uncomment this line after providing a workspace name above
# print(ws.location,":", ws.resource_group)

1. 登录 Azure 门户。

2. 在顶部搜索字段中，键入“机器学习”。

3. 选择“机器学习”。

   

4. 浏览工作区列表。 筛选依据可包括订阅、资源组和位置。

5. 要显示属性，请选择工作区。

1. 在 Azure 机器学习工作室中，从左侧导航栏中选择“所有工作区”。 这会显示最近使用的工作区的列表。
2. 若要查看你有权访问的所有工作区，请从左侧导航栏中选择“工作区”。

适用范围：Python SDK azure-ai-ml v2（最新版）

ml_client.workspaces.begin_delete(name=ws_basic.name, delete_dependent_resources=True)

默认操作不会自动删除与工作区关联的资源。 如果将 delete_dependent_resources 设置为 True，则也会删除这些资源。

• 容器注册表
• 存储帐户
• Key Vault
• application insights

在 Azure 门户中，选择要删除的工作区顶部的“删除”。

无法从工作室中删除工作区。 转而，请使用 Azure 门户或 Python SDK。