Как управлять версиями рабочих областей Azure ML с настраиваемыми средами и конвейерами?

Я пытаюсь понять, насколько жизнеспособен Azure ML в производственной среде; Я бы хотел сделать следующее:

  1. Укажите настраиваемые среды для моих конвейеров с помощью pip-файла и используйте их в конвейере
  2. Декларативно указать мою рабочую область, среды и конвейеры в репозитории Azure DevOps
  3. Воспроизводимое развертывание моей рабочей области Azure ML в моей подписке с помощью конвейера Azure DevOps

Я нашел объяснение того, как указать среды, используя ноутбуки, но это кажется не подходящим для второго и третьего требований, которые у меня есть.


azure azure-devops azure-machine-learning-service azure-machine-learning-studio
person Ixxie    schedule 04.03.2020    source источник

Ответы (1)


arrow_upward
2
arrow_downward

В настоящее время у нас есть сценарий python, pipeline.py, который использует azureml-sdk для создания, регистрации и запуска всех наших артефактов машинного обучения (envs, конвейеров, моделей). Мы вызываем этот сценарий в нашем конвейере Azure DevOps CI с помощью задачи Python Script после создания правильного pip env из файла требований в нашем репо.

Однако стоит отметить, что существует поддержка YAML для определения артефактов ML. Хотя я не знаю, покроет ли существующая поддержка все ваши базы (хотя это план).

Вот несколько отличных документов от MSFT для начала:

person Anders Swanson    schedule 04.03.2020