azure-ai-ml-py

用于 Python 的 Azure Machine Learning SDK v2

用于管理 Azure ML 资源的客户端库：工作区、作业、模型、数据和计算资源。

范围与执行

在创建或更新资源，以及提交计算任务或作业之前，确认订阅、租户、工作区、区域和预算。示例仅为片段：其中不包含训练组件、源文件和环境定义。请选择当前受支持且经过审核的 SDK 和环境版本；历史映像和 @latest 示例无法保证可复现性。使用最小权限身份，不要打印私有作业数据。

安装

pip install azure-ai-ml

环境变量

AZURE_SUBSCRIPTION_ID=<your-subscription-id>
AZURE_RESOURCE_GROUP=<your-resource-group>
AZURE_ML_WORKSPACE_NAME=<your-workspace-name>

身份验证

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

ml_client = MLClient(
    credential=DefaultAzureCredential(),
    subscription_id=os.environ["AZURE_SUBSCRIPTION_ID"],
    resource_group_name=os.environ["AZURE_RESOURCE_GROUP"],
    workspace_name=os.environ["AZURE_ML_WORKSPACE_NAME"]
)

从配置文件读取

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

# Uses config.json in current directory or parent
ml_client = MLClient.from_config(
    credential=DefaultAzureCredential()
)

工作区管理

创建工作区

from azure.ai.ml.entities import Workspace

ws = Workspace(
    name="my-workspace",
    location="eastus",
    display_name="My Workspace",
    description="ML workspace for experiments",
    tags={"purpose": "demo"}
)

ml_client.workspaces.begin_create(ws).result()

列出工作区

for ws in ml_client.workspaces.list():
    print(f"{ws.name}: {ws.location}")

数据资产

注册数据

from azure.ai.ml.entities import Data
from azure.ai.ml.constants import AssetTypes

# Register a file
my_data = Data(
    name="my-dataset",
    version="1",
    path="azureml://datastores/workspaceblobstore/paths/data/train.csv",
    type=AssetTypes.URI_FILE,
    description="Training data"
)

ml_client.data.create_or_update(my_data)

注册文件夹

my_data = Data(
    name="my-folder-dataset",
    version="1",
    path="azureml://datastores/workspaceblobstore/paths/data/",
    type=AssetTypes.URI_FOLDER
)

ml_client.data.create_or_update(my_data)

模型注册表

注册模型

from azure.ai.ml.entities import Model
from azure.ai.ml.constants import AssetTypes

model = Model(
    name="my-model",
    version="1",
    path="./model/",
    type=AssetTypes.CUSTOM_MODEL,
    description="My trained model"
)

ml_client.models.create_or_update(model)

列出模型

for model in ml_client.models.list(name="my-model"):
    print(f"{model.name} v{model.version}")

计算资源

创建计算群集

from azure.ai.ml.entities import AmlCompute

cluster = AmlCompute(
    name="cpu-cluster",
    type="amlcompute",
    size="Standard_DS3_v2",
    min_instances=0,
    max_instances=4,
    idle_time_before_scale_down=120
)

ml_client.compute.begin_create_or_update(cluster).result()

列出计算资源

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

作业

命令作业

from azure.ai.ml import command, Input

job = command(
    code="./src",
    command="python train.py --data ${{inputs.data}} --lr ${{inputs.learning_rate}}",
    inputs={
        "data": Input(type="uri_folder", path="azureml:my-dataset:1"),
        "learning_rate": 0.01
    },
    environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu@latest",
    compute="cpu-cluster",
    display_name="training-job"
)

returned_job = ml_client.jobs.create_or_update(job)
print(f"Job URL: {returned_job.studio_url}")

监控作业

ml_client.jobs.stream(returned_job.name)

管道

from azure.ai.ml import dsl, Input, Output

@dsl.pipeline(
    compute="cpu-cluster",
    description="Training pipeline"
)
def training_pipeline(data_input):
    prep_step = prep_component(data=data_input)
    train_step = train_component(
        data=prep_step.outputs.output_data,
        learning_rate=0.01
    )
    return {"model": train_step.outputs.model}

pipeline = training_pipeline(
    data_input=Input(type="uri_folder", path="azureml:my-dataset:1")
)

pipeline_job = ml_client.jobs.create_or_update(pipeline)

环境

创建自定义环境

from azure.ai.ml.entities import Environment

env = Environment(
    name="my-env",
    version="1",
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04",
    conda_file="./environment.yml"
)

ml_client.environments.create_or_update(env)

数据存储

列出数据存储

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

获取默认数据存储

default_ds = ml_client.datastores.get_default()
print(f"Default: {default_ds.name}")

MLClient 操作

属性	操作
workspaces	create, get, list, delete
jobs	create_or_update, get, list, stream, cancel
models	create_or_update, get, list, archive
data	create_or_update, get, list
compute	begin_create_or_update, get, list, delete
environments	create_or_update, get, list
datastores	create_or_update, get, list, get_default
components	create_or_update, get, list

最佳实践

1. 使用版本控制管理数据、模型和环境
2. 配置空闲时缩容以降低计算成本
3. 使用环境确保训练可复现
4. 流式传输作业日志以监控进度
5. 在训练作业成功后注册模型
6. 使用管道处理多步骤工作流
7. 为资源添加标记，以便组织资源和跟踪成本

适用场景

当需要执行概述中描述的工作流或操作时，可使用此技能。

限制

• 仅当任务明确符合上述范围时，才使用此技能。
• 不要将输出视为环境特定验证、测试或专家审核的替代品。
• 如果缺少必需的输入、权限、安全边界或成功标准，请暂停并请求澄清。