Personalizzare un'immagine di base per la sessione di calcolo

Prima di iniziare, assicurarsi di avere familiarità con gli ambienti Docker e Azure Machine Learning.

Passaggio 1: Preparare il contesto Docker

Creare la cartella image_build

Nell'ambiente locale creare una cartella contenente i file seguenti. La struttura di cartelle dovrebbe essere simile alla seguente:

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

Definire i pacchetti necessari in requirements.txt

Facoltativo: aggiungere pacchetti nel repository PyPI privato.

Usare il comando seguente per scaricare i pacchetti in locale: pip wheel <package_name> --index-url=<private pypi> --wheel-dir <local path to save packages>

Aprire il requirements.txt file e aggiungere i pacchetti aggiuntivi e le relative versioni specifiche. Ad esempio:

###### 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

Per altre informazioni sulla strutturazione del file requirements.txt, vedere Formato di file dei requisiti nella documentazione di pip.

Definire il Dockerfile

Creare un Dockerfile e aggiungere il contenuto seguente, quindi salvare il file:

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

Passaggio 2: Creare un ambiente di Azure Machine Learning personalizzato

Definire l'ambiente in environment.yaml

Nel computer locale usare l'interfaccia della riga di comando (v2) per creare un ambiente personalizzato basato sull'immagine Docker.

az login # if not already authenticated

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

Aprire il file environment.yaml e aggiungere il contenuto seguente. Sostituire il segnaposto <environment_name> con il nome dell'ambiente desiderato.

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

Crea un ambiente

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

Passare alla pagina dell'interfaccia utente dell'area di lavoro, quindi alla pagina Ambienti e individuare l'ambiente personalizzato creato.

È anche possibile trovare l'immagine nella pagina dei dettagli dell'ambiente e usarla come immagine di base per la sessione di calcolo del flusso di richiesta. Questa immagine viene usata anche per compilare l'ambiente per la distribuzione del flusso dall'interfaccia utente. Per altre informazioni, vedere come specificare l'immagine di base nella sessione di calcolo.

Per altre informazioni sull'interfaccia della riga di comando dell'ambiente, vedere Gestire gli ambienti.

Passaggi successivi

• Sviluppare un prompt flow