Skip to content

Latest commit

 

History

History
124 lines (89 loc) · 7.29 KB

1.2 - Découvrir l’interface CLI.md

File metadata and controls

124 lines (89 loc) · 7.29 KB

Découvrir l’interface CLI

url : https://learn.microsoft.com/fr-fr/training/modules/explore-developer-tools-for-workspace-interaction/4-explore-cli

Une autre approche basée sur le code permettant d’interagir avec l’espace de travail Azure Machine Learning consiste à utiliser l’interface de ligne de commande (CLI). En tant que scientifique des données, vous pouvez ne pas utiliser l’interface CLI de la même façon que Python. L’interface Azure CLI est utilisée couramment par les administrateurs et les ingénieurs pour automatiser des tâches dans Azure.

L’utilisation de l’interface Azure CLI avec Azure Machine Learning présente de nombreux avantages. L’interface Azure CLI vous permet d’effectuer les opérations suivantes :

Automatiser la création et la configuration des composants et des ressources pour les rendre reproductibles. Garantir la cohérence des composants et des ressources qui doivent être répliqués dans plusieurs environnements (par exemple dans les environnements développement, test et production). Incorporer la configuration des ressources Machine Learning dans les workflows DevOps (Developer Operations), comme les pipelines d’intégration continue et de déploiement continu (CI/CD). Pour interagir avec l’espace de travail Azure Machine Learning à l’aide de l’interface Azure CLI, vous devez installer l’interface Azure CLI et l’extension Azure Machine Learning.

Installer l’interface de ligne de commande Microsoft Azure

Vous pouvez installer l’interface Azure CLI sur un ordinateur Linux, Mac ou Windows. Avec Azure CLI, vous exécutez des commandes ou des scripts pour gérer des ressources Azure. Vous pouvez également utiliser Azure CLI à partir d’un navigateur via Azure Cloud Shell. Quelle que soit la plateforme que vous choisissez, vous pouvez exécuter les mêmes tâches. Toutefois, l’installation d’Azure CLI, des commandes et des scripts diffère selon la plateforme.

Installer l’interface Azure CLI sur Windows

Pour installer l’interface Azure CLI sur Windows, procédez comme suit :

Téléchargez et exécutez le programme d’installation de l’interface Azure CLI. Ouvrez une fenêtre de commande et exécutez la commande az --version pour vérifier que l’interface Azure CLI est installée.

Installer l’interface Azure CLI sur MacOS - avec Homebrew

Homebrew est le moyen le plus simple pour gérer votre installation d’interface de ligne de commande. Il offre des moyens pratiques pour installer, mettre à jour et désinstaller. Si vous ne disposez pas de Homebrew sur votre système, installez Homebrew avant de continuer.

Vous pouvez installer Azure CLI sur macOS en mettant à jour vos informations de référentiel Homebrew, puis en exécutant la commande install :

    brew update && brew install azure-cli

Installer l’extension Azure Machine Learning

Après avoir installé l’interface Azure CLI ou configuré Azure Cloud Shell, vous devez installer l’extension Azure Machine Learning pour gérer les ressources Azure Machine Learning à l’aide de l’interface Azure CLI.

Vous pouvez installer l’extension Azure Machine Learning ml à l’aide de la commande suivante :

        az extension add -n ml -y
        #az extension add -n azure-cli-ml

Vous pouvez ensuite exécuter la commande d’aide -h pour vérifier que l’extension est installée, et obtenir la liste des commandes disponibles avec celle-ci. La liste donne une vue d’ensemble des tâches que vous pouvez exécuter avec l’extension Azure CLI pour Azure Machine Learning :

    az ml -h

Utiliser Azure CLI

Pour utiliser l’interface Azure CLI pour interagir avec l’espace de travail Azure Machine Learning, vous allez utiliser des commandes. Chaque commande est précédée du préfixe az ml. Vous trouverez la liste des commandes dans la documentation de référence de l’interface CLI.

Pour créer une cible de calcul par exemple, vous pouvez utiliser la commande suivante :

    # instance de calcul de type AmlCompute avec le nom cpu-cluster et le nombre d’instances de calcul de 0 à 4, avec un délai d’inactivité de 300 secondes avant la réduction de l’échelle à 0, et une priorité de machine virtuelle dédiée
    az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_D2s_v3 --min-instances 0 --max-instances 4 --idle-seconds-before-scaledown 300 --vm-priority dedicated

    # instance de calcul de type AmlCompute avec le nom cpu-cluster et le nombre d’instances de calcul de 0 à 5 (5 inclus)
    az ml compute create --name aml-cluster --size STANDARD_DS3_v2 --min-instances 0 --max-instances 5 --type AmlCompute --resource-group my-resource-group --workspace-name my-workspace

Utiliser des fichiers YAML

Quand vous définissez les paramètres d’un composant ou d’une ressource que vous souhaitez créer, vous pouvez également utiliser des fichiers YAML pour définir la configuration. Quand toutes les valeurs de paramètres sont stockées dans un fichier YAML, il devient plus facile d’organiser et d’automatiser les tâches.

Par exemple, vous pouvez également créer la même cible de calcul en définissant d’abord la configuration dans un fichier YAML :

    name: cpu-cluster
    type: AmlCompute
    properties:
        vmSize: Standard_D2s_v3
        minInstances: 0
        maxInstances: 4
        idleSecondsBeforeScaledown: 300
        vmPriority: dedicated
$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: aml-cluster
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 5

Une fois le fichier YAML enregistré en tant que compute.yml, vous pouvez créer la cible de calcul avec la commande suivante :

az ml compute create --file compute.yml --resource-group my-resource-group --workspace-name my-workspace
#az ml computetarget create --file compute.yml

Exercice : Exploration des outils de développement

Vous avez maintenant la possibilité de créer et d’explorer l’espace de travail.

Dans cet exercice, vous allez :

  • Créez des ressources avec Azure CLI.
  • Explorez l’espace de travail Azure Machine Learning avec studio.
  • Utilisez le kit SDK Python pour effectuer l’apprentissage d’un modèle.
# Install the Azure Machine Learning (v2) extension with the following command:
 az extension add -n ml -y

# Create a resource group. Choose a location close to you.
 az group create --name "rg-dp100-labs" --location "eastus"

# Create a workspace:
 az ml workspace create --name "mlw-dp100-labs" -g "rg-dp100-labs" --location "eastus"

# Create a compute instance:  If the compute instance name contains “XXXX”, replace it with random numbers to create a unique name.
az ml compute create --name "ciXXXX" --size STANDARD_DS11_V2 --type ComputeInstance -w mlw-dp100-labs -g rg-dp100-labs

# Use the following command to create a compute cluster in your workspace.
 az ml compute create --name "aml-cluster" --size STANDARD_DS11_V2 --max-instances 2 --type AmlCompute -w mlw-dp100-labs -g rg-dp100-labs

The Azure CLI is ideal for automation

Run the following command to clone a Git repository containing notebooks, data, and other files to your workspace:

 git clone https://github.com/MicrosoftLearning/mslearn-azure-ml.git azure-ml-labs