Lab 1B: Praca z narzędziami Azure Machine Learning

W tym ćwiczeniu poznasz narzędzia, którymi pracuje się z obszarem roboczym Azure Machine Learning.

Będziesz korzystać z Azure Machine Learning studio, JupyterLab na instancji obliczeniowej, GitHub oraz Azure Machine Learning SDK v2 dla Pythona.

Zanim zaczniesz

Potrzebujesz obszaru roboczego Azure Machine Learning utworzonego zgodnie z instrukcjami z poprzedniego ćwiczenia.

Potrzebujesz również:

Subskrypcji Azure z uprawnieniami dostępu do obszaru roboczego Azure Machine Learning.
Uruchomionej instancji obliczeniowej Azure Machine Learning.
Dostępu do repozytorium kursu.

Krok 1: Użyj Azure ML SDK v2 w instancji obliczeniowej

Wieloma zasobami Azure Machine Learning można zarządzać w interfejsie studio. Azure Machine Learning SDK v2 pozwala jednak zrobić to samo z poziomu kodu Pythona i zautomatyzować powtarzalne czynności.

Otwórz Azure Machine Learning studio.
Wybierz swój obszar roboczy Azure Machine Learning.
W menu po lewej stronie wybierz Compute.
Otwórz kartę Compute instances.
Uruchom instancję obliczeniową utworzoną w poprzednim ćwiczeniu, jeśli jeszcze nie działa.
Poczekaj, aż status instancji obliczeniowej zmieni się na Running.
Kliknij link JupyterLab przy tej instancji obliczeniowej.
W JupyterLab utwórz nowy notatnik.
W prawym górnym rogu notatnika wybierz aktualny kernel Azure Machine Learning SDK v2. Nazwa kernela może być podobna do:
```
Python 3.10 - SDK v2
```

Uruchom poniższą komórkę z kodem, aby sprawdzić, czy Azure ML SDK v2 jest dostępny:

import sys
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

print(f"Interpreter Pythona: {sys.executable}")
print("Azure Machine Learning SDK v2 jest gotowy.")

Jeśli importy zakończą się błędem ModuleNotFoundError, otwórz nowy terminal w JupyterLab i zainstaluj wymagane pakiety:
```
python -m pip install --upgrade azure-ai-ml azure-identity
```
Po zainstalowaniu pakietów zrestartuj kernel notatnika i uruchom ponownie komórkę weryfikującą.

Więcej informacji: Aktualną dokumentację Azure Machine Learning SDK v2 znajdziesz w dokumentacji Azure ML SDK dla Pythona.

Krok 2: Sklonuj repozytorium kursu

Będziesz korzystać z notatników i plików pomocniczych z repozytorium kursu.

W JupyterLab wybierz File > New > Terminal.
Przejdź do swojego katalogu użytkownika Azure Machine Learning, zastępując <your-user-name> nazwą folderu widoczną w sekcji Users w przeglądarce plików JupyterLab (bierze się ona z Twojej tożsamości Azure AD, a nie z nazwy użytkownika w systemie Linux):
```
cd ~/cloudfiles/code/Users/<your-user-name>
```

Sklonuj repozytorium kursu:

git clone https://github.com/razitpl/MachineLearningCourse.git

Jeśli repozytorium zostało już wcześniej sklonowane, zamiast tego je zaktualizuj:

cd ~/cloudfiles/code/Users/<your-user-name>/MachineLearningCourse/materialy/azure-ml/pl
git pull

Zamknij kartę terminala.
W przeglądarce plików JupyterLab w razie potrzeby odśwież stronę.

Otwórz następujący folder:

MachineLearningCourse/materialy/azure-ml/pl

Znajdź i otwórz notatnik 01B - Intro to the Azure ML SDK.ipynb do tego ćwiczenia.
Upewnij się, że notatnik korzysta z kernela Python 3.10 - SDK v2 lub innego aktualnego kernela Azure ML SDK v2.
Uruchamiaj komórki notatnika pojedynczo i czytaj wyjaśnienia.

Krok 3: Połącz się z obszarem roboczym Azure ML

Azure Machine Learning SDK v2 używa obiektu MLClient do łączenia się z obszarem roboczym Azure Machine Learning i zarządzania nim.

Możesz się połączyć, podając w kodzie identyfikator subskrypcji, nazwę grupy zasobów i nazwę obszaru roboczego. Możesz też pobrać z portalu Azure plik config.json i użyć go do utworzenia klienta.

Pobierz konfigurację obszaru roboczego

Otwórz portal Azure w nowej karcie przeglądarki.
Znajdź i otwórz obszar roboczy Azure Machine Learning utworzony w poprzednim ćwiczeniu.
Na stronie Overview obszaru roboczego wybierz Download config.json.
Zapisz pobrany plik.
W JupyterLab wgraj plik config.json do folderu głównego repozytorium MachineLearningCourse/materialy/azure-ml/pl.
Zadbaj o to, żeby plik config.json nie trafił do publicznego repozytorium GitHub - zawiera dane Twojego obszaru roboczego.
Jeśli repozytorium nie zawiera jeszcze pliku .gitignore, utwórz go.
Dodaj do .gitignore następujący wpis:
```
config.json
```

Połącz się za pomocą Azure ML SDK v2

Otwórz notatnik korzystający z kernela Python 3.10 - SDK v2.

Uruchom następującą komórkę:

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

credential = DefaultAzureCredential()

ml_client = MLClient.from_config(
    credential=credential
)

print(f"Połączono z obszarem roboczym: {ml_client.workspace_name}")

Jeśli uwierzytelnianie się nie powiedzie, otwórz terminal JupyterLab i zaloguj się do Azure:
```
az login
```
Dokończ logowanie w przeglądarce.
Wróć do notatnika i ponownie uruchom komórkę nawiązującą połączenie.
Gdy połączenie się powiedzie, sprawdź, czy wyświetlana jest poprawna nazwa obszaru roboczego Azure Machine Learning.

Uwaga: DefaultAzureCredential może korzystać z wielu metod uwierzytelniania. Przy pracy interaktywnej najprostsze jest zwykle logowanie przez Azure CLI.

Krok 4: Poznaj zasoby Azure ML za pomocą SDK v2

Po połączeniu się z obszarem roboczym możesz użyć MLClient do wyświetlania listy zasobów Azure Machine Learning i zarządzania nimi.

Uruchom poniższy kod, aby wyświetlić listę dostępnych zasobów obliczeniowych:

for compute in ml_client.compute.list():
    print(f"{compute.name}: {compute.type}")

Uruchom poniższy kod, aby wyświetlić listę zarejestrowanych zasobów danych:

for data_asset in ml_client.data.list():
    print(
        f"Nazwa: {data_asset.name}, "
        f"Wersja: {data_asset.version}, "
        f"Typ: {data_asset.type}"
    )

Uruchom poniższy kod, aby wyświetlić listę zarejestrowanych modeli:

for model in ml_client.models.list():
    print(
        f"Nazwa: {model.name}, "
        f"Wersja: {model.version}, "
        f"Typ: {model.type}"
    )

Uruchom poniższy kod, aby wyświetlić listę ostatnich zadań (jobs) Azure Machine Learning:

for job in ml_client.jobs.list():
    print(
        f"Nazwa: {job.name}, "
        f"Status: {job.status}, "
        f"Nazwa wyświetlana: {job.display_name}"
    )

Porównaj zasoby zwrócone przez SDK z zasobami wyświetlanymi w Azure Machine Learning studio.

Uwaga: SDK v2 umożliwia programowe zarządzanie zasobami danych, środowiskami, zasobami obliczeniowymi, zadaniami, modelami i punktami końcowymi (endpoints). Skorzystasz z tych możliwości w kolejnych ćwiczeniach.

Krok 5: Opcjonalna praca w GitHub Codespaces

Z repozytorium można też pracować poza Azure Machine Learning studio - w GitHub Codespaces.

GitHub Codespaces udostępnia środowisko programistyczne Visual Studio Code działające w przeglądarce.

Otwórz repozytorium MachineLearningCourse/materialy/azure-ml/pl.
Wybierz Code.
Wybierz kartę Codespaces.
Wybierz Create codespace on main.
Poczekaj na uruchomienie Codespace.
Otwórz zintegrowany terminal w Visual Studio Code.
Utwórz wirtualne środowisko Pythona:
```
python -m venv .venv
```
Aktywuj wirtualne środowisko:
```
source .venv/bin/activate
```

Zaktualizuj pip i zainstaluj Azure ML SDK v2:

python -m pip install --upgrade pip
python -m pip install azure-ai-ml azure-identity ipykernel

Zaloguj się do Azure:
```
az login
```
W Visual Studio Code wybierz interpreter Pythona z wirtualnego środowiska .venv.
Otwórz notatnik ćwiczenia i w razie potrzeby wybierz kernel Pythona .venv.

Uwaga: GitHub Codespaces jest opcjonalny. Wszystkie ćwiczenia da się wykonać w JupyterLab na instancji obliczeniowej Azure Machine Learning.

Sprzątanie

Po zakończeniu pracy zatrzymaj instancję obliczeniową, jeśli nie planujesz jej używać w najbliższym czasie.

Wróć do Azure Machine Learning studio.
Wybierz Compute.
Otwórz kartę Compute instances.
Wybierz swoją instancję obliczeniową.
Wybierz Stop.

Uwaga: Zatrzymanie instancji obliczeniowej zapobiega dalszemu naliczaniu opłat za zasoby obliczeniowe. Możesz ją uruchomić ponownie, gdy wrócisz do kolejnych ćwiczeń.