O que é uma instância de computação do Azure Machine Learning?

Uma instância de computação do Azure Machine Learning é uma estação de trabalho baseada em nuvem gerenciada para cientistas de dados. Cada instância de computação tem apenas um proprietário, mas você pode compartilhar arquivos entre várias instâncias de computação.

As instâncias de computação facilitam a introdução ao desenvolvimento do Azure Machine Learning e fornecem funcionalidades de gerenciamento e preparação empresarial para os administradores de TI.

Use uma instância de computação como seu ambiente de desenvolvimento totalmente configurado e gerenciado para aprendizado de máquina. Você também pode usar instâncias de computação como um destino de computação para treinamento e inferência para fins de desenvolvimento e teste.

Para que a funcionalidade do Jupyter da instância de computação funcione, verifique se a comunicação via WebSocket não esteja desabilitada. Verifique se a rede permite conexões websocket com *.instances.azureml.net e *.instances.azureml.ms.

Por que usar uma instância de computação?

Uma instância de computação é uma estação de trabalho totalmente gerenciada baseada em nuvem otimizada para seu ambiente de desenvolvimento de aprendizado de máquina. Ele oferece os seguintes benefícios:

• Proteja sua instância de computação com Sem IP público.
• A instância de computação também é um destino de computação seguro para treinamento, semelhante aos clusters de computação, mas consiste em um único nó.
• Você mesmo pode criar uma instância de computação ou um administrador pode criar uma instância de computação para você .
• Você também pode usar um script de instalação para automatizar a personalização e a configuração da instância de computação de acordo com suas necessidades.
• Para economizar custos, crie um agendamento para iniciar e parar automaticamente a instância de computação ou habilitar o desligamento ocioso.

Ferramentas e ambientes

A instância de computação do Azure Machine Learning permite que você crie, treine e implante modelos em uma experiência de notebook totalmente integrada em seu workspace.

Você pode executar notebooks em seu workspace do Azure Machine Learning, no Jupyter, no JupyterLabou no Visual Studio Code. Você pode configurar o VS Code Desktop para acessar sua instância de computação. Ou use o VS Code para a Web, diretamente do navegador e sem nenhuma instalação ou dependência necessária.

Experimente o VS Code para a Web para aproveitar a integração fácil e o ambiente de desenvolvimento avançado que ele fornece. O VS Code para a Web oferece muitos dos recursos do VS Code Desktop que você ama, incluindo realce de pesquisa e sintaxe durante a navegação e edição. Para obter mais informações sobre como usar o VS Code Desktop e o VS Code para a Web, consulte Iniciar o Visual Studio Code integrado ao Azure Machine Learning (versão prévia) e Trabalhar no VS Code conectado remotamente a uma instância de computação (versão prévia).

Você pode instalar pacotes e adicionar kernelsem sua instância de computação.

Essas ferramentas e esses ambientes são instalados na instância de computação:

Você pode Adicionar RStudio ou Posit Workbench (anteriormente RStudio Workbench) ao criar a instância.

A instância de computação tem o Ubuntu como SO de base.

Acessar arquivos

A conta de armazenamento padrão do seu espaço de trabalho no compartilhamento de arquivos do Azure armazena notebooks e scripts Python. Você pode encontrar esses arquivos no diretório "Arquivos de usuário". Esse armazenamento facilita o compartilhamento de notebooks entre instâncias de computação. A conta de armazenamento também mantém seus notebooks preservados com segurança quando você interrompe ou exclui uma instância de computação.

A conta de compartilhamento de arquivos do Azure do seu espaço de trabalho é montada como uma unidade de disco na instância de computação. Essa unidade é o diretório de trabalho padrão para Jupyter, Jupyter Labs, RStudio e Posit Workbench. Essa configuração significa que os notebooks e outros arquivos criados no Jupyter, JupyterLab, VS Code para Web, RStudio ou Posit são armazenados automaticamente no compartilhamento de arquivos e disponíveis para uso em outras instâncias de computação também.

Todas as instâncias de computação no mesmo workspace podem acessar os arquivos no compartilhamento de arquivos. Quaisquer alterações nesses arquivos na instância de computação são salvas de forma confiável de volta no compartilhamento de arquivos.

Você também pode clonar os exemplos mais recentes do Azure Machine Learning para sua pasta no diretório de arquivos do usuário no compartilhamento de arquivos do workspace.

Gravar arquivos pequenos pode ser mais lento em unidades de rede do que gravar no próprio disco local da instância de computação. Se você estiver escrevendo muitos arquivos pequenos, tente usar um diretório diretamente na instância de computação, como um diretório /tmp. Observe que os arquivos na instância de computação não são acessíveis de outras instâncias de computação.

Não armazene dados de treinamento no compartilhamento de arquivos dos notebooks. Para obter informações das várias opções para armazenar dados, consulte Acessar dados em um trabalho.

Você pode usar o /tmp diretório na instância de computação para os dados temporários. No entanto, não grave arquivos grandes de dados no disco do sistema operacional da instância de computação. O disco do sistema operacional na instância de computação tem capacidade de 120 GB. Você também pode armazenar dados temporários de treinamento no disco temporário montado em /mnt. O tamanho temporário do disco é baseado no tamanho da VM escolhida e pode armazenar quantidades maiores de dados se uma VM de tamanho maior for escolhida. Todos os pacotes de software instalados são salvos no disco do sistema operacional da instância de computação. Observe que a criptografia de chave gerenciada pelo cliente não tem suporte no momento para o disco do sistema operacional. O disco do sistema operacional para a instância de computação é criptografado com chaves gerenciadas por Microsoft.

Criar

Para criar uma instância de computação básica, consulte Criar recursos necessários para começar.

Para obter mais opções, confira criar uma instância de computação.

Como administrador, você pode criar uma instância de computação para outras pessoas no espaço de trabalho. Você deve desabilitar o SSO para essa instância de computação.

Você também pode usar um script de instalação para automatizar a personalização e a configuração da instância de computação.

Outras maneiras de criar uma instância de computação:

• Diretamente da experiência de notebooks integrados.
• Do modelo do Azure Resource Manager. Para obter um modelo de exemplo, consulte criar um modelo de instância de computação do Azure Machine Learning.
• Com o SDK do Azure Machine Learning
• Da extensão da CLI do Azure Machine Learning

A cota de núcleos dedicados por região e por família de VM e a cota regional total, que se aplicam à criação de instâncias de computação, são unificadas e compartilhadas com a cota de cluster de computação de treinamento do Azure Machine Learning. Interromper a instância de computação não libera a cota para garantir que você possa reiniciar a instância de computação. Não pare a instância de computação pelo terminal do sistema operacional usando o comando sudo shutdown.

A instância de computação vem com o disco do sistema operacional P10. O tipo de disco temporário depende do tamanho da VM escolhido. Atualmente, você não pode alterar o tipo de disco do sistema operacional.

Alvo de computação

As instâncias de computação podem ser usadas como um destino de computação para treinamento, assim como os clusters de computação para treinamento do Azure Machine Learning. Mas uma instância de computação tem apenas um único nó, enquanto um cluster de computação pode ter mais nós.

Uma instância de computação:

• Tem uma fila de trabalhos.
• Executam trabalhos com segurança em um ambiente de rede virtual, sem exigir que as empresas abram portas SSH. O trabalho é executado em um ambiente de contêineres e empacota as dependências do modelo em um contêiner do Docker.
• Pode executar vários trabalhos pequenos em paralelo. Uma tarefa por vCPU pode ser executada em paralelo, enquanto as demais ficam enfileiradas.
• Oferece suporte a tarefas de treinamento distribuído em nó único com várias GPUs

Você pode usar uma instância de computação como destino de implantação local para inferência em cenários de teste e depuração.

Conteúdo relacionado

• Crie os recursos que você precisa para começar.
• Tutorial: Treinar seu primeiro modelo de ML mostra como usar uma instância de computação com um notebook integrado.