Créer des connexions externes (aperçu)

• Un abonnement Azure avec la version gratuite ou payante de Azure Machine Learning.

• Espace de travail Azure Machine Learning.

• Le Azure CLI avec l’extension ml version 2.15.1 ou ultérieure installée.

  Si vous disposez d’une version ou d’une extension Azure CLI plus ancienne, utilisez le code suivant pour le désinstaller et installer le nouveau.

  az extension remove -n ml
  az extension add -n ml --yes
  az extension show -n ml 2.15.1
  

• Un abonnement Azure avec la version gratuite ou payante de Azure Machine Learning.

• Espace de travail Azure Machine Learning.

• Sdk Azure Machine Learning pour Python avec le package azure-ai-ml version 1.5.0 ou ultérieure installé.

  Si vous avez un package sdk plus ancien, utilisez le code suivant pour le désinstaller et installer le nouveau.

  pip uninstall azure-ai-ml
  pip install azure-ai-ml
  pip show azure-ai-ml 1.5.0
  

• Un abonnement Azure avec la version gratuite ou payante de Azure Machine Learning.
• Espace de travail Azure Machine Learning.

Pour créer la connexion Snowflake, assemblez d’abord un fichier YAML qui définit la connexion, puis exécutez une commande ou un script qui appelle le fichier YAML. Pour Python SDK, vous pouvez également spécifier les informations de connexion directement sans utiliser de fichier YAML.

Vous pouvez stocker les informations d’identification dans le fichier YAML et remplacer les informations d’identification stockées dans la ligne de commande Azure CLI lorsque vous créez la connexion. Toutefois, il est préférable d’éviter de stocker les informations d’identification dans un fichier, car une violation de sécurité peut entraîner une fuite d’informations d’identification. Au lieu de cela, vous pouvez laisser les credentials valeurs vides et les fournir dans la ligne de commande.

Le fichier YAML suivant définit une connexion Snowflake qui utilise l’authentification nom d’utilisateur/mot de passe. Pour créer le fichier, fournissez un <connection-name>, et remplacez les espaces réservés <account>, <database>, <warehouse> et <role> par les valeurs de votre compte Snowflake. Si vous ne fournissez pas de <role>valeur , la valeur par défaut est PUBLIC. Enregistrez le fichier avec un nom tel que my_snowflake_connection.yaml.

$schema: http://azureml/sdk-2-0/Connection.json
type: snowflake
name: <connection-name>

target: jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&role=<role>
credentials:
    type: username_password
    username: <snowflake-username>
    password: <snowflake-password>

Vous pouvez créer une connexion de données à une base de données Snowflake dans Machine Learning studio et utiliser la connexion pour exécuter des travaux d’importation de données. Les informations d’identification de nom d’utilisateur/mot de passe sont stockées en toute sécurité dans le coffre de clés associé à l’espace de travail.

Pour créer une connexion de données dans Azure Machine Learning studio :

1. Dans votre espace de travail Machine Learning, sélectionnez Data sous Assets dans le menu de navigation gauche.

2. Dans la page Données , sélectionnez l’onglet Connexions de données , puis sélectionnez Se connecter.

   

Pour créer la connexion, exécutez l’une des lignes de commande suivantes, en fournissant votre nom de fichier YAML pour l’espace <yaml-filename> réservé.

• Pour utiliser le nom d’utilisateur et le mot de passe que vous avez stockés dans le fichier YAML, exécutez la commande suivante :

  az ml connection create --file <yaml-filename>.yaml
  

• Pour fournir le nom d’utilisateur et le mot de passe dans le cadre de la ligne de commande, exécutez la commande suivante, en entrant votre <username> et <password> pour les espaces réservés :

  az ml connection create --file <yaml-filename>.yaml --set credentials.username="<username>" credentials.password="<password>"
  

Pour créer la connexion Snowflake en appelant le fichier YAML, exécutez le script Python suivant, en remplaçant l’espace réservé <yaml-filename> par votre nom de fichier YAML.

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./<yaml-filename>.yaml")
wps_connection.credentials.username="<snowflake-username>"
wps_connection.credentials.password="<snowflake-password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Créer directement

Pour spécifier directement les informations de connexion sans utiliser de fichier YAML, exécutez le script Python suivant. Fournissez un <connection-name> et remplacez les espaces réservés <account>, <database>, <warehouse> et <role> avec les valeurs de votre compte Snowflake.

Si vous ne fournissez pas de <role>valeur , la valeur par défaut est PUBLIC. Pour le type d’authentification nom d’utilisateur-mot de passe, les valeurs nom/mot de passe doivent être encodées par URL.

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

import urllib.parse
username = urllib.parse.quote(os.environ["SNOWFLAKEDB_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["SNOWFLAKEDB_PASSWORD"], safe="")

target= "jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&role=<role>"
name= <connection-name>
wps_connection = WorkspaceConnection(name= name,
type="snowflake",
target= target,
credentials= UsernamePasswordConfiguration(username=username, password=password)
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

3. Dans l’écran Créer une connexion , renseignez les informations suivantes :

   • Service : Sélectionnez Snowflake.
   • Cible : entrez la cible suivante, en utilisant les valeurs de votre compte Snowflake pour les espaces réservés :
     jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&role=<role>
   • Type d’authentification : sélectionnez le mot de passe du nom d’utilisateur.
   • Nom d’utilisateur : entrez votre nom d’utilisateur Snowflake.
   • Mot de passe : entrez votre mot de passe Snowflake.
   • Nom de la connexion : entrez un nom pour la connexion Snowflake.

4. Si vous le souhaitez, sélectionnez Tester la connexion pour tester la connexion, puis sélectionnez Enregistrer.

   

Pour créer la connexion, assemblez d’abord un fichier YAML qui définit la connexion, puis exécutez une commande ou un script qui appelle le fichier YAML. Pour Python SDK, vous pouvez également spécifier les informations de connexion directement sans utiliser de fichier YAML.

Créez le fichier YAML suivant pour définir une connexion Snowflake qui utilise OAuth. Fournissez un <connection-name>, et remplacez les <account>, <database>, <warehouse>, et <service-principal-scope> par les valeurs de votre compte Snowflake. Pour les informations d’identification, fournissez votre <client-id>, <client-secret>et <tenant_id>.

name: <connection-name>
type: snowflake
target: jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&scope=<service-principal-scope>
credentials:
  type: service_principal
  client_id: <client-id>
  client_secret: <client-secret>
  tenant_id: <tenant-id>

Machine Learning Studio ne prend pas en charge la création de connexions de données qui utilisent l'authentification OAuth.

• Pour créer la connexion à l’aide des informations d’identification stockées dans le fichier YAML, exécutez la commande suivante, en remplaçant l’espace <yaml-filename> réservé par votre nom de fichier YAML.

  az ml connection create --file <yaml-filename>.yaml
  

• Pour substituer les informations d’identification dans le fichier YAML ou fournir des informations d’identification en ligne de commande, exécutez la commande suivante, entrez vos valeurs pour les espaces réservés <client-id>, <client-secret>, et <tenant-id>.

  az ml connection create --file <yaml-filename>.yaml --set credentials.client_id="<client-id>" credentials.client_secret="<client-secret>" credentials.tenant_id="<tenant-id>"
  

Pour créer la connexion OAuth en appelant le fichier YAML, exécutez le script Python suivant, en remplaçant l’espace réservé <yaml-filename> par votre nom de fichier YAML. Vous pouvez éventuellement fournir ou remplacer les <wps_connection.credentials> valeurs.

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./<yaml-filename>.yaml")
wps_connection.credentials.client_id="<client-id>"
wps_connection.credentials.client_secret="<client-secret>"
wps_connection.credentials.tenant_id="<tenant-id>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Créer directement

Exécutez le script Python suivant pour spécifier directement les informations de connexion OAuth sans utiliser de fichier YAML. Fournissez un <connection-name>, et remplacez les <account>, <database>, <warehouse>, et <role> par les valeurs de votre compte Snowflake. Entrez vos valeurs <client-id>, <client-secret> et <tenant-id> dans les espaces réservés correspondants.

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import ServicePrincipalConfiguration

target= "jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&role=<role>"
name= <connection-name>
auth = ServicePrincipalConfiguration(client_id="<client-id>", client_secret="<client-secret>", tenant_id="<tenant-id>")
wps_connection = WorkspaceConnection(name= name,
                                     type="snowflake",
                                     target=target,
                                     credentials=auth
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Vous pouvez créer une connexion Snowflake avec l’authentification par nom d’utilisateur/mot de passe, ou utiliser Azure CLI ou Python SDK pour créer la connexion avec l’authentification OAuth.

Pour créer une connexion de base de données Azure SQL, assemblez d’abord un fichier YAML qui définit la connexion, puis exécutez une commande ou un script Azure CLI ou Python SDK qui appelle le fichier YAML. Pour Python SDK, vous pouvez également spécifier les informations de connexion directement sans utiliser de fichier YAML.

Créez le fichier YAML suivant pour définir la connexion Azure SQL Database et enregistrez le fichier avec un nom tel que my_azuresqldb_connection.yaml. Fournissez un <connection-name>, puis remplacez les espaces réservés <server>, <port> et <database> par les valeurs appropriées de votre base de données Azure SQL.

Pour credentials, vous pouvez stocker le nom d'utilisateur et le mot de passe de la base de données Azure SQL dans ce fichier, mais il est plus sûr de laisser les valeurs vides et de les fournir dans la ligne de commande qui crée la connexion.

$schema: http://azureml/sdk-2-0/Connection.json

type: azure_sql_db
name: <connection-name>

target: Server=tcp:<server>,<port>;Database=<database>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30
credentials:
    type: sql_auth
    username: <username>
    password: <password>

Vous pouvez créer une connexion de données à une base de données Azure SQL dans Machine Learning Studio et utiliser la connexion pour exécuter des travaux d’importation de données. Les informations d’identification de nom d’utilisateur/mot de passe sont stockées en toute sécurité dans le coffre de clés associé à l’espace de travail.

Pour créer une connexion de données dans Azure Machine Learning studio :

1. Dans votre espace de travail Machine Learning, sélectionnez Data sous Assets dans le menu de navigation gauche.

2. Dans la page Données , sélectionnez l’onglet Connexions de données , puis sélectionnez Se connecter.

   

Pour créer la connexion, exécutez l’une des lignes de commande CLI suivantes, en fournissant votre nom de fichier YAML pour l’espace <yaml-filename> réservé.

• Pour utiliser le nom d’utilisateur et le mot de passe stockés dans le fichier YAML, exécutez la commande suivante :

  az ml connection create --file <yaml-filename>.yaml
  

• Pour fournir le nom d’utilisateur et le mot de passe dans le cadre de la ligne de commande, exécutez la commande suivante, en entrant votre <username> et <password> pour les espaces réservés :

  az ml connection create --file <yaml-filename>.yaml --set credentials.username="<username>" credentials.password="<password>"
  

Pour créer la connexion Azure SQL Database en appelant le fichier YAML, exécutez le script Python suivant, en remplaçant l’espace réservé <yaml-filename> par votre nom de fichier YAML.

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./<yaml-filename>.yaml")
wps_connection.credentials.username="<username>"
wps_connection.credentials.password="<password>"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Créer directement

Pour spécifier directement les informations de connexion sans utiliser de fichier YAML, exécutez le script Python suivant. Fournissez un <connection-name> et remplacez les espaces réservés <server>, <port> et <database> par les valeurs de votre base de données Azure SQL. Pour le type d’authentification nom d’utilisateur-mot de passe, les valeurs de nom et de mot de passe doivent être encodées par URL.

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

import urllib.parse
username = urllib.parse.quote(os.environ["MYSQL_USERNAME"], safe="")
password = urllib.parse.quote(os.environ["MYSQL_PASSWORD"], safe="")

target= "Server=tcp:<server>,<port>;Database=<database>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30"
# add the sql servername, port address and database

name= <connection-name>
wps_connection = WorkspaceConnection(name= name,
type="azure_sql_db",
target= target,
credentials= UsernamePasswordConfiguration(username=username, password=password)
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

3. Dans l’écran Créer une connexion , renseignez les informations suivantes :

   • Service : sélectionnez AzureSqlDb.
   • Target : entrez la cible suivante, en utilisant les valeurs de votre base de données Azure SQL pour les espaces réservés :
     Server = tcp :<server,>port< ; Database = <database> ; Trusted_Connection = False ; Encrypt = True ; Délai d’expiration de la connexion = 30
   • Type d’authentification : sélectionnez le mot de passe du nom d’utilisateur.
   • Username : entrez votre nom d’utilisateur Azure SQL Database.
   • Password : entrez votre mot de passe Azure SQL Database.
   • nom Connection : entrez un nom pour la connexion Azure SQL Database.

4. Si vous le souhaitez, sélectionnez Tester la connexion pour tester la connexion, puis sélectionnez Enregistrer.

   

Pour créer une connexion de données Amazon S3, assemblez d’abord un fichier YAML qui définit la connexion, puis exécutez une commande ou un script Azure CLI Python SDK Python qui appelle le fichier YAML. Pour Python SDK, vous pouvez également spécifier les informations de connexion directement sans utiliser de fichier YAML.

Pour utiliser l’interface CLI Azure Machine Learning pour créer une connexion de données Amazon S3, assemblez d’abord un fichier YAML qui définit la connexion, puis exécutez une commande Azure CLI qui appelle le fichier YAML.

Créez le fichier YAML suivant qui définit la connexion Amazon S3. Fournissez un <connection-name> et remplacez les espaces réservés <s3-bucket-name>, <access-key-id> et <secret-access-key> par les valeurs de votre compte Amazon S3. Enregistrez le fichier avec un nom tel que my_amazons3_connection.yaml.

$schema: http://azureml/sdk-2-0/Connection.json

type: s3
name: <connection-name>

target: <s3-bucket-name>
credentials:
    type: access_key
    access_key_id: <access-key-id>
    secret_access_key: <secret-access-key>

Vous pouvez créer une connexion aux données Amazon S3 dans Machine Learning Studio et utiliser la connexion pour exécuter des travaux d’importation de données. Les informations d’identification de nom d’utilisateur/mot de passe sont stockées en toute sécurité dans le coffre de clés associé à l’espace de travail.

Pour créer une connexion de données dans Azure Machine Learning studio :

1. Dans votre espace de travail Machine Learning, sélectionnez Data sous Assets dans le menu de navigation gauche.

2. Dans la page Données , sélectionnez l’onglet Connexions de données , puis sélectionnez Se connecter.

   

Pour créer la connexion, exécutez la commande CLI suivante, en fournissant votre nom de fichier YAML pour l’espace <yaml-filename> réservé.

az ml connection create --file <yaml-filename>.yaml

Pour créer la connexion Amazon S3 en appelant le fichier YAML, exécutez le script Python suivant, en remplaçant l’espace réservé <yaml-filename> par votre nom de fichier YAML.

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./<yaml-filename>.yaml")
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Créer directement

Pour spécifier directement les informations de connexion sans utiliser de fichier YAML, exécutez le script Python suivant. Fournissez un <connection-name>, et remplacez les espaces réservés <s3-bucket-name>, <access-key-id>, et <secret-access-key> par les valeurs de votre compte Amazon S3.

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import AccessKeyConfiguration

target=<s3-bucket-name>
name=<connection-name>
wps_connection=WorkspaceConnection(name=name,
type="s3",
target= target,
credentials= AccessKeyConfiguration(access_key_id="<access-key-id>",secret_access_key="<secret-access-key>")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

3. Dans l’écran Créer une connexion , renseignez les informations suivantes :

   • Service : sélectionnez S3.
   • Cible : entrez le nom de votre compartiment Amazon S3.
   • Type d’authentification : sélectionnez clé d’accès.
   • ID de clé d’accès : entrez votre ID de clé d’accès Amazon S3.
   • Clé d’accès secret : entrez votre clé d’accès au secret Amazon S3.
   • Nom de la connexion : entrez un nom pour la connexion Amazon S3.

4. Si vous le souhaitez, sélectionnez Tester la connexion pour tester la connexion, puis sélectionnez Enregistrer.

   

Pour créer une connexion Git à l’aide de Azure CLI, définissez la connexion à l’aide de l’un des fichiers YAML suivants. Nommez le fichier comme git-connection.yml.

• Pour vous connecter à l'aide d'un jeton d'accès personnel (PAT), fournissez un <connection-name>, et remplacez les espaces réservés <account>, <repo> et <PAT> par les valeurs de votre compte Git, dépôt et PAT.

  name: <connection-name>
  type: git
  target: https://github.com/<account>/<repo>
  credentials:
     type: pat
     pat: <PAT>
  

• Pour vous connecter à un référentiel public sans utiliser d'identifiants, fournissez un <connection-name>, puis remplacez les espaces réservés <account> et <repo> par vos valeurs.

  name: <connection-name>
  type: git
  target: https://github.com/<account>/<repo>
  

Créez la connexion Azure Machine Learning en exécutant la commande suivante, en fournissant votre nom de fichier YAML pour l’espace réservé <yaml-filename>.

az ml connection create --file <yaml-filename>.yaml

Pour créer une connexion à un référentiel Git à l’aide de Python SDK, utilisez le script suivant. Vous utilisez un GitHub jeton d’accès personnel (PAT) pour authentifier la connexion. Fournissez un <connection-name>, et remplacez les espaces réservés <account>, <repo>, et <PAT> par vos valeurs.

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration

name = "<connection-name>"

target = "https://github.com/<account>/<repo>"

wps_connection = WorkspaceConnection(
    name=name,
    type="git",
    target=target,
    credentials=PatTokenConfiguration(pat="<PAT>"),
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Pour créer une connexion Git dans Machine Learning Studio :

1. Dans Azure Machine Learning studio, sélectionnez Connections sous Manage dans le volet de navigation gauche, puis sélectionnez Connect.

   

2. Dans l’écran Ajouter une connexion à des ressources externes , faites défiler vers le bas jusqu’à d’autres types de ressources, puis sélectionnez Git.

   

3. Dans l’écran Connecter un dépôt Git , entrez le chemin d’accès à votre dépôt Git sous Point de terminaison et votre jeton d’accès personnel Git (PAT) sous jeton d’accès personnel. Indiquez un nom de connexion, puis sélectionnez Ajouter une connexion.

   

Définissez une connexion de flux Python à l’aide de l’un des fichiers YAML suivants. Nommez le fichier comme python-feed-connection.yml.

• Pour vous connecter à l’aide d’un PAT, fournissez un <connection-name> et remplacez les espaces réservés <feed-url> et <PAT> par les valeurs de votre flux.

  name: <connection-name>
  type: python_feed
  target: https://<feed-url>
  credentials:
     type: pat
     pat: <PAT>
  

• Pour vous connecter à l’aide d’un nom d’utilisateur et d’un mot de passe, fournissez un <connection-name>, puis remplacez les espaces réservés <feed-url>, <username> et <password> par les valeurs de votre flux.

  name: <connection-name>
  type: python_feed
  target: https://<feed-url>
  credentials:
     type: username_password
     username: <username>
     password: <password>
  

• Pour vous connecter à un flux public sans utiliser d’informations d’identification, fournissez un <connection-name> et remplacez l’espace réservé <feed-url> par votre URL de flux de Python.

  name: <connection-name>
  type: python_feed
  target: https://<feed-url>
  

Créez la connexion Azure Machine Learning en exécutant la commande suivante, en fournissant votre nom de fichier YAML pour l’espace réservé <yaml-filename>.

az ml connection create --file <yaml-filename>.yaml

Utilisez le script suivant pour créer une connexion de flux de Python à l’aide de Python SDK. Fournissez un espace réservé <connection-name> et remplacez l’espace réservé <feed-url> par l’URL de votre flux de Python.

Vous pouvez utiliser un nom d’utilisateur ou un nom d’utilisateur et un mot de passe pour authentifier la connexion, ou vous connecter à un flux public sans informations d’identification. Pour le type d'authentification PAT, fournissez votre PAT dans le champ <PAT> réservé. Pour le type d’authentification nom d’utilisateur-mot de passe, les valeurs nom/mot de passe doivent être encodées par URL.

Pour utiliser le nom d'utilisateur/mot de passe ou aucune authentification au lieu d'un jeton d'accès personnel (PAT), retirez les commentaires de la ligne ou des lignes appropriées dans le script suivant et commentez la ligne credentials=PatTokenConfiguration(pat="<PAT>"),.

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration

# import urllib.parse
# username = urllib.parse.quote(os.environ["FEED_USERNAME"], safe="")
# password = urllib.parse.quote(os.environ["FEED_PASSWORD"], safe="")

name = "<connection-name>"

target = "https://<feed-url>"

wps_connection = WorkspaceConnection(
    name=name,
    type="python_feed",
    target=target,
    #credentials=UsernamePasswordConfiguration(username=username, password=password), 
    credentials=PatTokenConfiguration(pat="<PAT>"),

    #credentials=None
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Pour créer une connexion à un flux de Python dans Machine Learning Studio :

1. Dans votre espace de travail Azure Machine Learning studio, sélectionnez Connections sous Manage dans le volet de navigation gauche, puis sélectionnez Connect.

2. Sur l’écran Ajouter une connexion aux ressources externes, faites défiler jusqu’à autres types de ressources, puis sélectionnez flux Python.

3. Sur l’écran Connecter un flux de Python :

   • Entrez le chemin d’accès à votre dépôt Git sous Point de terminaison.
   • Sélectionnez Aucun, PAT ou Nom d’utilisateur pour l’authentification et fournissez les valeurs appropriées.
   • Indiquez un nom de connexion.

4. Sélectionnez Ajouter une connexion.

Utilisez le fichier YAML suivant pour définir une connexion à Azure Container Registry avec l’authentification par nom d’utilisateur/mot de passe.

name: <connection-name>
type: container_registry
target: https://<container-registry-url>
credentials:
   type: username_password
   username: <username>
   password: <password>

Pour créer la connexion, exécutez la commande suivante :

az ml connection create --file connection.yaml

L’exemple suivant crée une connexion Azure Container Registry :

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

# If using username/password, the name/password values should be url-encoded
import urllib.parse
username = os.environ["REGISTRY_USERNAME"]
password = os.environ["REGISTRY_PASSWORD"]

name = "my_acr_conn"

target = "https://iJ5kL6mN7.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="container_registry",
    target=target,
    credentials=UsernamePasswordConfiguration(username=username, password=password), 
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Pour créer une connexion à Azure Container Registry dans Machine Learning Studio :

1. Dans votre espace de travail Azure Machine Learning, sélectionnez Connections sous Manage dans le volet de navigation gauche, puis sélectionnez Connect.

2. Dans l’écran Ajouter une connexion à des ressources externes , faites défiler vers le bas jusqu’à d’autres types de ressources, puis sélectionnez Container Registry.

3. Entrez le chemin d’accès à votre registre de conteneurs Azure sous Endpoint, sélectionnez None ou Nom d'utilisateur et mot de passe pour l’Authentication avec les valeurs appropriées, puis saisissez un nom de connexion.

4. Sélectionnez Ajouter une connexion.

Pour Azure CLI et Python SDK, les exemples de fichiers YAML suivants définissent une connexion de registre de conteneurs générique. Mettez à jour les exemples de valeurs avec vos propres valeurs.

#myenv.yml
$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json 
name: docker-image-plus-conda-example 
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04
type: python_feed
conda_file: conda_dep.yml
description: Environment created from a Docker image plus Conda environment

#conda_dep.yml
name: project_environment
dependencies:
  - python=3.10
  - pip:
    - azureml-defaults
channels:
  - anaconda
  - conda-forge

#connection.yml
name: ws_conn_generic_container_registry
type: container_registry
target: https://test-registry.com
credentials:
  type: username_password
  username: myusername
  password: <password>

#hello_world_job.yml
$schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
command: echo "hello world"
environment: azureml:myenv@latest

Vous pouvez également créer une connexion au registre de conteneurs générique (préversion) dans Studio.

1. Dans Azure Machine Learning studio, sélectionnez Connections sous Manage dans le volet de navigation gauche, puis sélectionnez Connect.

2. Dans l’écran Ajouter une connexion à des ressources externes, sélectionnez Generic Container Registry (PREVIEW) sous Autres types de ressources.

Exécutez la commande suivante pour créer la connexion à l’aide des fichiers YAML précédents et de vos informations d’identification. Mettez à jour les exemples de valeurs avec vos propres valeurs.

az ml connection create --file connection.yml --credentials username=myusername password=<password> --resource-group my-resource-group --workspace-name my-workspace

Pour créer l’environnement, exécutez la commande suivante :

az ml environment create --name docker-image-plus-conda-example --version 1 --file myenv.yml  --conda-file conda_dep.yml --image mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04 --resource-group my-resource-group --workspace-name my-workspace

Exécutez la commande suivante pour vérifier que l’environnement a été correctement créé.

az ml environment show --name docker-image-plus-conda-example --version 1 --resource-group my-resource-group --workspace-name my-workspace

L’exemple de script Python suivant crée une connexion Container Registry générique à l’aide des exemples de fichiers précédents. Mettez à jour les exemples de valeurs avec vos propres valeurs.

import os
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
from azure.ai.ml.entities import Environment
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration
from azureml.core.conda_dependencies import CondaDependencies
from azure.ai.ml import command

username = os.environ["REGISTRY_USERNAME"]
password = os.environ["REGISTRY_PASSWORD"]

# Enter details of Azure Machine Learning workspace
subscription_id = "00000000-0000-0000-0000-000000000000"
resource_group = "my-resource-group"
workspace = "my-workspace"

ml_client = MLClient( DefaultAzureCredential(), subscription_id, resource_group, workspace)
credentials = UsernamePasswordConfiguration(username=username, password=password)

# Create GenericContainerRegistry workspace connection for a generic registry
ws_connection = WorkspaceConnection(name="ws_conn_generic_container_registry", target="https://test-registry.com", type="GenericContainerRegistry", credentials=credentials)
ml_client.connections.create_or_update(ws_connection)

# Create an environment
env_docker_conda = Environment(image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04", conda_file="conda_dep.yml", name="docker-image-plus-conda-example", description="Environment created from a Docker image plus Conda environment.")
ml_client.environments.create_or_update(env_docker_conda) 

job = command(command="echo 'hello world'", environment=env_docker_conda,display_name="v2-job-example")
returned_job = ml_client.create_or_update(job)

3. Dans l’écran Connecter un registre de conteneurs :

   • Entrez le chemin d’accès à votre registre de conteneurs sous Point de terminaison.
   • Entrez votre nom d’utilisateur et votre mot de passe.
   • Indiquez un nom de connexion.

4. Sélectionnez Ajouter une connexion.

Créez le fichier YAML suivant pour définir une connexion à une clé API. Mettez à jour les exemples de valeurs avec vos propres valeurs.

name: my_api_key
type: api_key
api_base: "https://myapi.core.windows.net/mycontainer"
api_key: "aAbBcCdD"

Pour créer la connexion, exécutez la commande suivante :

az ml connection create --file connection.yaml

Pour une meilleure sécurité, laissez la api_key valeur hors du fichier YAML et fournissez-la dans la ligne de commande :

az ml connection create --file connection.yml --set api_key="aAbBcCdD"

L’exemple de kit de développement logiciel (SDK) Python suivant crée une connexion de clé API. Mettez à jour les exemples de valeurs avec vos propres valeurs.

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, ApiKeyConfiguration

name = "my_api_key"

target = "https://myapi.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="apikey",
    target=target,
    credentials=ApiKeyConfiguration(key="aAbBcCdD"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Pour créer une connexion à une clé API dans Machine Learning Studio :

1. Dans votre espace de travail Azure Machine Learning, sélectionnez Connections sous Manage dans le volet de navigation gauche, puis sélectionnez Connect.

2. Dans l’écran Ajouter une connexion à des ressources externes , faites défiler vers le bas jusqu’à d’autres types de ressources, puis sélectionnez Clé API.

3. Entrez le chemin d’accès à votre clé API sous Point de terminaison, entrez votre secret de clé API sous Clé, entrez un nom de connexion, puis sélectionnez Ajouter une connexion.