Personalizar una imagen base para la sesión de computación

Advertencia

El desarrollo de la función Prompt Flow finalizó el 20 de abril de 2026. La característica se retirará completamente el 20 de abril de 2027. En la fecha de retirada, Prompt Flow entra en modo de solo lectura. Los flujos existentes seguirán funcionando hasta esa fecha.

Recommended action: Migre las cargas de trabajo de Prompt Flow a Microsoft Agent Framework antes del 20 de abril de 2027.

Antes de empezar, asegúrese de estar familiarizado con Docker y Azure Machine Learning entornos.

Paso 1: Preparación del contexto de Docker

Crear image_build carpeta

En el entorno local, cree una carpeta que contenga los siguientes archivos. La estructura de carpetas debe tener este aspecto:

|--image_build
|  |--requirements.txt
|  |--Dockerfile
|  |--environment.yaml

Definición de los paquetes necesarios en requirements.txt

Opcional: agregue paquetes en el repositorio privado de PyPI.

Use el siguiente comando para descargar los paquetes localmente: pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Abra el requirements.txt archivo y agregue los paquetes adicionales y sus versiones específicas. Por ejemplo:

###### Requirements with Version Specifiers ######
numpy == 2.2.0              # Version Matching. Must be version 2.2.0
requests >= 2.31.0          # Minimum version 2.31.0
coverage != 3.5             # Version Exclusion. Anything except version 3.5
pydantic ~= 2.0             # Compatible release. Same as >= 2.0, == 2.*
<path_to_local_package>     # reference to local pip wheel package

Para obtener más información sobre cómo estructurar el requirements.txt archivo, consulte Formato de archivo de requisitos en la documentación de pip.

Definir el Dockerfile

Cree un Dockerfile y agregue el siguiente contenido, luego guarde el archivo:

FROM <Base_image>
COPY ./* ./
RUN pip install -r requirements.txt

Nota

Construya esta imagen de Docker a partir de la imagen base de flujo de comandos mcr.microsoft.com/azureml/promptflow/promptflow-runtime:<newest_version>. Si es posible, use la versión más reciente de la imagen base.

Paso 2: Crear un entorno de Azure Machine Learning personalizado

Define tu entorno en environment.yaml

En el equipo local, use la CLI (v2) para crear un entorno personalizado basado en la imagen de Docker.

Nota

az login # if not already authenticated

az account set --subscription <subscription ID>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>

Abra el environment.yaml archivo y agregue el siguiente contenido. Reemplace el marcador de posición <environment_name> por el nombre del entorno deseado.

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: <environment_name>
build:
  path: .

Creación de un entorno

cd image_build
az ml environment create -f environment.yaml --subscription <sub-id> -g <resource-group> -w <workspace>

Nota

La creación de la imagen de entorno puede tardar varios minutos.

Vaya a la página de la interfaz de usuario del área de trabajo y, a continuación, vaya a la página del entorno y busque el entorno personalizado que creó.

También puede encontrar la imagen en la página de detalles del entorno y usarla como imagen base para la sesión de cálculo del flujo de solicitud. Esta imagen también se usa para configurar el entorno para la implementación de flujos desde la interfaz de usuario. Para más información, consulte cómo especificar la imagen base en la sesión de proceso.

Para más información sobre la CLI de entorno, consulte Administración de entornos.

Pasos siguientes

  • Last updated on