Personnaliser une image de base pour la session de calcul

Avertissement

Le développement de fonctionnalités Prompt Flow a pris fin le 20 avril 2026. La fonctionnalité sera entièrement retirée le 20 avril 2027. À la date de mise hors service, "Prompt Flow" passe en mode lecture seule. Vos flux existants continueront à fonctionner jusqu’à cette date.

Action recommandée : Migrer vos charges de travail de flux d’invite vers Microsoft Agent Framework avant le 20 avril 2027.

Avant de commencer, assurez-vous que vous connaissez Docker et Azure Machine Learning environnements.

Étape 1 : Préparer le contexte Docker

Créer un image_build dossier

Dans votre environnement local, créez un dossier qui contient les fichiers suivants. La structure de dossiers doit ressembler à ceci :

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

Définir vos packages requis dans requirements.txt

Facultatif : Ajoutez des packages dans le référentiel PyPI privé.

Utilisez la commande suivante pour télécharger vos packages localement : pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Ouvrez le requirements.txt fichier et ajoutez vos packages supplémentaires et leurs versions spécifiques. Par exemple :

###### 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

Pour plus d'informations sur la structure du fichier requirements.txt, consultez le format du fichier requirements dans la documentation pip.

Définir l’objet Dockerfile

Créez un Dockerfile, ajoutez le contenu suivant, puis enregistrez le fichier :

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

Note

Construisez cette image Docker à partir de l'image de base mcr.microsoft.com/azureml/promptflow/promptflow-runtime:<newest_version> du flux de commandes. Si possible, utilisez la dernière version de l’image de base.

Étape 2 : Créer un environnement de Azure Machine Learning personnalisé

Définir votre environnement dans environment.yaml

Sur votre ordinateur local, utilisez l’interface CLI (v2) pour créer un environnement personnalisé basé sur votre image Docker.

Note

az login # if not already authenticated

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

Ouvrez le environment.yaml fichier et ajoutez le contenu suivant. Remplacez l’espace réservé <environment_name> par le nom de l’environnement de votre choix.

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

Créer un environnement

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

Note

La création de l’image d’environnement peut prendre plusieurs minutes.

Accédez à la page de l’interface utilisateur de votre espace de travail, puis accédez à la page d’environnement , puis recherchez l’environnement personnalisé que vous avez créé.

Vous pouvez également trouver l'image dans la page de détails de l'environnement et l'utiliser comme image de base pour la session de calcul du flux de prompt. Cette image est également utilisée pour générer un environnement pour le déploiement de flux à partir de l’interface utilisateur. Pour en savoir plus, découvrez comment spécifier l’image de base dans la session de calcul.

Pour en savoir plus sur l’interface CLI d’environnement, consultez Gérer les environnements.

Étapes suivantes

  • Last updated on