我們在前面圖形化介面時,有個地方沒有認真帶大家看過,就是下圖的 Environment。我們可以看到 Azure Machine Learning (下稱 AML)有內建很多設定好的環境可以給我們使用,當然我們也可以建立自己要的環境。
如下圖所示,有兩種環境的模式,一種是包在容器裡的,一種不是包在容器裡的、傳統依賴 Conda 或 pip 的環境。一般來說在 AML 裡都是容器化的環境。
我們先來建立一個 YAML 檔,名為 Conda.yml,參考程式碼如下:
name: koko_env
dependencies:
- numpy
- pandas
- scikit-learn
- pip:
- azureml-defaults
from azureml.core import Environment
env = Environment.from_conda_specification(name='koko_training_environment',
file_path='./conda.yml')
# 註冊環境
env.register(workspace=ws)
from azureml.core import Environment
env_names = Environment.list(workspace=ws)
for env_name in env_names:
print('Name:',env_name)
# 取得你要環境
koko_env = Environment.get(workspace=ws, name='koko_environment')
from azureml.core import Environment
env = Environment.from_existing_conda_environment(name='conda_environment',
conda_environment_name='py_env')
from azureml.core import Environment
from azureml.core.conda_dependencies import CondaDependencies
env = Environment('koko_environment')
deps = CondaDependencies.create(conda_packages=['scikit-learn','pandas','numpy'],
pip_packages=['azureml-defaults'])
env.python.conda_dependencies = deps
今天我們就介紹完環境的建立啦!明天開始的難度直線上升,要進入 AML SDK 最核心的部份囉!