Skapa externa anslutningar (förhandsversion)

• En Azure prenumeration med den fria eller betalda versionen av Azure Machine Learning.

• En Azure Machine Learning arbetsyta.

• Azure CLI med ml-tillägget version 2.15.1 eller senare installerat.

  Om du har en äldre Azure CLI version eller tillägg använder du följande kod för att avinstallera den och installera den nya.

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

• En Azure prenumeration med den fria eller betalda versionen av Azure Machine Learning.

• En Azure Machine Learning arbetsyta.

• Azure Machine Learning SDK för Python med paketet azure-ai-ml version 1.5.0 eller senare installerat.

  Om du har ett äldre SDK-paket använder du följande kod för att avinstallera det och installera det nya.

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

• En Azure prenumeration med den fria eller betalda versionen av Azure Machine Learning.
• En Azure Machine Learning arbetsyta.

Skapa Snowflake-anslutningen genom att först sätta ihop en YAML-fil som definierar anslutningen och sedan köra ett kommando eller skript som anropar YAML-filen. För Python SDK kan du också ange anslutningsinformationen direkt utan att använda en YAML-fil.

Du kan lagra autentiseringsuppgifter i YAML-filen och åsidosätta de lagrade autentiseringsuppgifterna på kommandoraden Azure CLI när du skapar anslutningen. Det är dock bäst att undvika att lagra autentiseringsuppgifter i en fil, eftersom en säkerhetsöverträdelse kan leda till en läcka av autentiseringsuppgifter. I stället kan du lämna credentials värdena tomma och ange dem på kommandoraden.

Följande YAML-fil definierar en Snowflake-anslutning som använder användarnamn/lösenordsautentisering. Skapa filen genom att ange , <connection-name>och ersätta <account>platshållarna , <database>, <warehouse>och <role> med värdena från ditt Snowflake-konto. Om du inte anger en <role>, är värdet standardvärdet PUBLIC. Spara filen med ett namn som 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>

Du kan skapa en dataanslutning till en Snowflake-databas i strojové učenie studio och använda anslutningen för att köra dataimportjobb. Autentiseringsuppgifter för användarnamn/lösenord lagras på ett säkert sätt i nyckelvalvet som är associerat med arbetsytan.

Så här skapar du en dataanslutning i Azure Machine Learning Studio:

1. På arbetsytan strojové učenie väljer du Data under Assets i den vänstra navigeringsmenyn.

2. På sidan Data väljer du fliken Dataanslutningar och sedan Anslut.

   

Om du vill skapa anslutningen kör du någon av följande kommandorader och anger platshållarens YAML-filnamn <yaml-filename> .

• Kör följande kommando för att använda användarnamnet och lösenordet som du lagrade i YAML-filen:

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

• Om du vill ange användarnamnet och lösenordet som en del av kommandoraden kör du följande kommando och anger platshållarna <username> och <password> :

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

Om du vill skapa Snowflake-anslutningen genom att anropa YAML-filen kör du följande Python skript och ersätter platshållaren <yaml-filename> med ditt YAML-filnamn.

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)

Skapa direkt

Om du vill ange anslutningsinformationen direkt utan att använda en YAML-fil kör du följande Python skript. Ange en <connection-name> och ersätt <account>platshållarna , <database>, <warehouse>och <role> med värdena från ditt Snowflake-konto.

Om du inte anger en <role>, är värdet standardvärdet PUBLIC. För autentiseringstypen användarnamn och lösenord ska värdena för namn/lösenord vara URL-kodade.

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. På skärmen Skapa anslutning fyller du i följande information:

   • Tjänst: Välj Snowflake.
   • Mål: Ange följande mål med hjälp av värdena från ditt Snowflake-konto för platshållarna:
     jdbc:snowflake://<account>.snowflakecomputing.com/?db=<database>&warehouse=<warehouse>&role=<role>
   • Autentiseringstyp: Välj Användarnamnslösenord.
   • Användarnamn: Ange ditt Snowflake-användarnamn.
   • Lösenord: Ange ditt Snowflake-lösenord.
   • Anslutningsnamn: Ange ett namn för Snowflake-anslutningen.

4. Du kan också välja Testa anslutning för att testa anslutningen och sedan spara.

   

Skapa anslutningen genom att först sätta ihop en YAML-fil som definierar anslutningen och sedan köra ett kommando eller skript som anropar YAML-filen. För Python SDK kan du också ange anslutningsinformationen direkt utan att använda en YAML-fil.

Skapa följande YAML-fil för att definiera en Snowflake-anslutning som använder OAuth. Ange platshållarna <connection-name>, <account><database><warehouse> och och ersätt <service-principal-scope>med värdena från ditt Snowflake-konto. För autentiseringsuppgifter anger du , <client-id><client-secret>och <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>

strojové učenie Studio har inte stöd för att skapa dataanslutningar som använder OAuth-autentisering.

• Om du vill skapa anslutningen med hjälp av den information om autentiseringsuppgifter som lagras i YAML-filen kör du följande kommando och ersätter <yaml-filename> platshållaren med ditt YAML-filnamn.

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

• Om du vill åsidosätta informationen om autentiseringsuppgifter i YAML-filen eller ange autentiseringsuppgifter på kommandoraden kör du följande kommando och anger värdena <client-id>, <client-secret>och <tenant-id> för platshållarna:

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

Om du vill skapa OAuth-anslutningen genom att anropa YAML-filen kör du följande Python skript och ersätter platshållaren <yaml-filename> med ditt YAML-filnamn. Du kan också ange eller åsidosätta <wps_connection.credentials> värdena.

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)

Skapa direkt

Kör följande Python skript för att ange OAuth-anslutningsinformationen direkt utan att använda en YAML-fil. Ange platshållarna <connection-name>, <account><database><warehouse> och och ersätt <role>med värdena från ditt Snowflake-konto. Ange värdena <client-id>, <client-secret>och <tenant-id> i motsvarande platshållare.

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)

Du kan skapa en Snowflake-anslutning med autentisering med användarnamn/lösenord eller använda Azure CLI eller Python SDK för att skapa anslutningen med OAuth-autentisering.

Skapa en Azure SQL databasanslutning genom att först sätta ihop en YAML-fil som definierar anslutningen och sedan köra ett Azure CLI- eller Python SDK-kommando eller skript som anropar YAML-filen. För Python SDK kan du också ange anslutningsinformationen direkt utan att använda en YAML-fil.

Skapa följande YAML-fil för att definiera Azure SQL Database-anslutningen och spara filen med ett namn som my_azuresqldb_connection.yaml. Ange en <connection-name> och ersätt platshållarna <server>, <port> och <database> med lämpliga värden från din Azure SQL databas.

För credentials kan du lagra Azure SQL databasanvändarnamn och lösenord i den här filen, men det är säkrare att lämna värdena tomma och ange dem på kommandoraden som skapar anslutningen.

$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>

Du kan skapa en dataanslutning till en Azure SQL databas i strojové učenie studio och använda anslutningen för att köra dataimportjobb. Autentiseringsuppgifter för användarnamn/lösenord lagras på ett säkert sätt i nyckelvalvet som är associerat med arbetsytan.

Så här skapar du en dataanslutning i Azure Machine Learning Studio:

1. På arbetsytan strojové učenie väljer du Data under Assets i den vänstra navigeringsmenyn.

2. På sidan Data väljer du fliken Dataanslutningar och sedan Anslut.

   

Om du vill skapa anslutningen kör du någon av följande CLI-kommandorader och anger platshållarens YAML-filnamn <yaml-filename> .

• Kör följande kommando för att använda användarnamnet och lösenordet som lagras i YAML-filen:

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

• Om du vill ange användarnamnet och lösenordet som en del av kommandoraden kör du följande kommando och anger platshållarna <username> och <password> :

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

Om du vill skapa Azure SQL Database-anslutningen genom att anropa YAML-filen kör du följande Python skript och ersätter platshållaren <yaml-filename> med ditt YAML-filnamn.

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)

Skapa direkt

Om du vill ange anslutningsinformationen direkt utan att använda en YAML-fil kör du följande Python skript. Ange en <connection-name> och ersätt platshållarna <server>, <port> och <database> med värdena för din Azure SQL databas. För autentiseringstypen användarnamn och lösenord ska namn- och lösenordsvärdena vara URL-kodade.

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. På skärmen Skapa anslutning fyller du i följande information:

   • Tjänst: Välj AzureSqlDb.
   • Target: Ange följande mål med hjälp av värdena från din Azure SQL databas för platshållarna:
     Server=tcp:<server>,<port>;Database=<database>;Trusted_Connection=False;Encrypt=True;Tidsgräns för anslutning=30
   • Autentiseringstyp: Välj Användarnamnslösenord.
   • Username: Ange ditt Azure SQL Database användarnamn.
   • Password: Ange ditt Azure SQL Database lösenord.
   • Anslutningsnamn: Ange ett namn för den Azure SQL Database anslutningen.

4. Du kan också välja Testa anslutning för att testa anslutningen och sedan spara.

   

Skapa en Amazon S3-dataanslutning genom att först sätta ihop en YAML-fil som definierar anslutningen och sedan köra ett Azure CLI- eller Python SDK-kommando eller skript som anropar YAML-filen. För Python SDK kan du också ange anslutningsinformationen direkt utan att använda en YAML-fil.

Om du vill använda Azure Machine Learning CLI för att skapa en Amazon S3-dataanslutning sätter du först ihop en YAML-fil som definierar anslutningen och kör sedan ett Azure CLI-kommando som anropar YAML-filen.

Skapa följande YAML-fil som definierar Amazon S3-anslutningen. Ange en <connection-name> och ersätt <s3-bucket-name>platshållarna , <access-key-id>och <secret-access-key> med värdena från ditt Amazon S3-konto. Spara filen med ett namn som 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>

Du kan skapa en anslutning till Amazon S3-data i strojové učenie studio och använda anslutningen för att köra dataimportjobb. Autentiseringsuppgifter för användarnamn/lösenord lagras på ett säkert sätt i nyckelvalvet som är associerat med arbetsytan.

Så här skapar du en dataanslutning i Azure Machine Learning Studio:

1. På arbetsytan strojové učenie väljer du Data under Assets i den vänstra navigeringsmenyn.

2. På sidan Data väljer du fliken Dataanslutningar och sedan Anslut.

   

Skapa anslutningen genom att köra följande CLI-kommando och ange ditt YAML-filnamn för <yaml-filename> platshållaren.

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

Om du vill skapa Amazon S3-anslutningen genom att anropa YAML-filen kör du följande Python skript och ersätter platshållaren <yaml-filename> med ditt YAML-filnamn.

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)

Skapa direkt

Om du vill ange anslutningsinformationen direkt utan att använda en YAML-fil kör du följande Python skript. Ange en <connection-name>, och ersätt platshållarna <s3-bucket-name>, <access-key-id> och <secret-access-key> med värdena för ditt Amazon S3-konto.

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. På skärmen Skapa anslutning fyller du i följande information:

   • Tjänst: Välj S3.
   • Mål: Ange ditt Amazon S3-bucketnamn.
   • Autentiseringstyp: Välj Åtkomstnyckel.
   • Åtkomstnyckel-ID: Ange ditt Amazon S3-åtkomstnyckel-ID.
   • Hemlig åtkomstnyckel: Ange din Amazon S3 Secret Access-nyckel.
   • Anslutningsnamn: Ange ett namn för Amazon S3-anslutningen.

4. Du kan också välja Testa anslutning för att testa anslutningen och sedan spara.

   

Om du vill skapa en Git-anslutning med hjälp av Azure CLI definierar du anslutningen med hjälp av någon av följande YAML-filer. Ge filen ett namn som liknar git-connection.yml.

• Om du vill ansluta med en personlig åtkomsttoken (PAT) anger du , <connection-name>och ersätter <account>platshållarna , <repo>och <PAT> med värdena för ditt Git-konto, lagringsplats och PAT.

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

• Om du vill ansluta till en offentlig lagringsplats utan att använda autentiseringsuppgifter anger du , <connection-name>och ersätter <account>platshållarna och <repo> med dina värden.

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

Skapa Azure Machine Learning-anslutningen genom att köra följande kommando och ange ditt YAML-filnamn för platshållaren <yaml-filename>.

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

Om du vill skapa en anslutning till en Git-lagringsplats med hjälp av Python SDK använder du följande skript. Du använder en GitHub personlig åtkomsttoken (PAT) för att autentisera anslutningen. Ange <connection-name> och ersätt platshållarna <account>, <repo> och <PAT> med dina värden.

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)

Så här skapar du en Git-anslutning i strojové učenie Studio:

1. I Azure Machine Learning Studio väljer du Connections under Manage i det vänstra navigeringsfältet och väljer sedan Connect.

   

2. På skärmen Lägg till en anslutning till externa tillgångar rullar du ned till Andra resurstyper och väljer Git.

   

3. På skärmen Anslut en Git-lagringsplats anger du sökvägen till din Git-lagringsplats under Slutpunkt och din personliga Åtkomsttoken för Git (PAT) under Personlig åtkomsttoken. Ange ett anslutningsnamn och välj sedan Lägg till anslutning.

   

Definiera en Python feedanslutning med hjälp av någon av följande YAML-filer. Ge filen ett namn som liknar python-feed-connection.yml.

• Om du vill ansluta med hjälp av en PAT anger du <connection-name> och ersätter <feed-url> och <PAT> med värdena för ditt feed.

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

• Om du vill ansluta med ett användarnamn och lösenord anger du ett värde för <connection-name> och ersätter platshållarna <feed-url>, <username> och <password> med värdena för din feed.

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

• Om du vill ansluta till ett offentligt flöde utan att använda autentiseringsuppgifter anger du en <connection-name> och ersätter platshållaren <feed-url> med url:en för din Python feed.

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

Skapa Azure Machine Learning-anslutningen genom att köra följande kommando och ange ditt YAML-filnamn för platshållaren <yaml-filename>.

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

Använd följande skript för att skapa en Python feedanslutning med hjälp av Python SDK. Ange en <connection-name> och ersätt platshållaren <feed-url> med url:en för din Python feed.

Du kan använda ett PAT eller användarnamn och lösenord för att autentisera anslutningen eller ansluta till ett offentligt flöde utan autentiseringsuppgifter. För PAT-autentiseringstypen anger du din PAT för <PAT> platshållaren. För autentiseringstypen användarnamn och lösenord ska värdena för namn/lösenord vara URL-kodade.

Om du vill använda användarnamn/lösenord eller ingen autentisering i stället för en PAT avkommenterar du den eller de lämpliga raderna i följande skript och kommenterar bort credentials=PatTokenConfiguration(pat="<PAT>"), raden.

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)

Så här skapar du en anslutning till en Python feed i strojové učenie studio:

1. I arbetsytan Azure Machine Learning Studio väljer du Anslutningar under Hantera i det vänstra navigeringsfältet och väljer sedan Connect.

2. På skärmen Lägg till en anslutning till externa tillgångar bläddrar du ned till Other-resurstyper och väljer Python feed.

3. På skärmen Anslut en Python feed:

   • Ange sökvägen till din Git-lagringsplats under Slutpunkt.
   • Välj Inget, PAT eller Användarnamnslösenord för autentisering och ange lämpliga värden.
   • Ange ett anslutningsnamn.

4. Välj Lägg till anslutning.

Använd följande YAML-fil för att definiera en anslutning till Azure Container Registry med autentisering med användarnamn/lösenord.

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

Kör följande kommando för att skapa anslutningen:

az ml connection create --file connection.yaml

I följande exempel skapas en Azure Container Registry anslutning:

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)

Så här skapar du en anslutning till Azure Container Registry i strojové učenie studio:

1. I arbetsytan Azure Machine Learning väljer du Anslutningar under Hantera i det vänstra navigeringsfältet och väljer sedan Connect.

2. På skärmen Lägg till en anslutning till externa tillgångar rullar du ned till Andra resurstyper och väljer Container Registry.

3. Ange sökvägen till ditt Azure containerregister under Endpoint, välj None eller Username password for Authentication med lämpliga värden och ange ett Anslutningsnamn.

4. Välj Lägg till anslutning.

För Azure CLI och Python SDK definierar följande EXEMPEL YAML-filer en allmän containerregisteranslutning. Uppdatera exempelvärdena med dina egna värden.

#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

Du kan också skapa en allmän containerregisteranslutning (förhandsversion) i studio.

1. I Azure Machine Learning Studio väljer du Connections under Manage i det vänstra navigeringsfältet och väljer sedan Connect.

2. På skärmen Lägg till en anslutning till externa tillgångar väljer du Allmänt containerregister (FÖRHANDSVERSION) under Andra resurstyper.

Kör följande kommando för att skapa anslutningen med hjälp av de föregående YAML-filerna och dina autentiseringsuppgifter. Uppdatera exempelvärdena med dina egna värden.

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

Kör följande kommando för att skapa miljön:

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

Kör följande kommando för att kontrollera att miljön har skapats.

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

Följande Python exempelskript skapar en anslutning för generiska containerregister med hjälp av föregående exempelfiler. Uppdatera exempelvärdena med dina egna värden.

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. På skärmen Anslut ett containerregister :

   • Ange sökvägen till containerregistret under Slutpunkt.
   • Ange användarnamn och lösenord.
   • Ange ett anslutningsnamn.

4. Välj Lägg till anslutning.

Skapa följande YAML-fil för att definiera en anslutning till en API-nyckel. Uppdatera exempelvärdena med dina egna värden.

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

Kör följande kommando för att skapa anslutningen:

az ml connection create --file connection.yaml

För bättre säkerhet, utelämna api_key värdet från YAML-filen och ange det på kommandoraden.

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

Följande Python SDK-exempel skapar en API-nyckelanslutning. Uppdatera exempelvärdena med dina egna värden.

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)

Så här skapar du en anslutning till en API-nyckel i strojové učenie studio:

1. I arbetsytan Azure Machine Learning väljer du Anslutningar under Hantera i det vänstra navigeringsfältet och väljer sedan Connect.

2. På skärmen Lägg till en anslutning till externa tillgångar rullar du ned till Andra resurstyper och väljer API-nyckel.

3. Ange sökvägen till DIN API-nyckel under Slutpunkt, ange din API-nyckelhemlighet under Nyckel, ange ett anslutningsnamn och välj sedan Lägg till anslutning.