我们在前面图形化介面时,有个地方没有认真带大家看过,就是下图的 Environment。我们可以看到 Azure Machine Learning (下称 AML)有内建很多设定好的环境可以给我们使用,当然我们也可以建立自己要的环境。
如下图所示,有两种环境的模式,一种是包在容器里的,一种不是包在容器里的、传统依赖 Conda 或 pip 的环境。一般来说在 AML 里都是容器化的环境。
我们先来建立一个 YAML 档,名为 Conda.yml,参考程序码如下:
name: koko_env
dependencies:
- numpy
- pandas
- scikit-learn
- pip:
- azureml-defaults
from azureml.core import Environment
env = Environment.from_conda_specification(name='koko_training_environment',
file_path='./conda.yml')
# 注册环境
env.register(workspace=ws)
from azureml.core import Environment
env_names = Environment.list(workspace=ws)
for env_name in env_names:
print('Name:',env_name)
# 取得你要环境
koko_env = Environment.get(workspace=ws, name='koko_environment')
from azureml.core import Environment
env = Environment.from_existing_conda_environment(name='conda_environment',
conda_environment_name='py_env')
from azureml.core import Environment
from azureml.core.conda_dependencies import CondaDependencies
env = Environment('koko_environment')
deps = CondaDependencies.create(conda_packages=['scikit-learn','pandas','numpy'],
pip_packages=['azureml-defaults'])
env.python.conda_dependencies = deps
今天我们就介绍完环境的建立啦!明天开始的难度直线上升,要进入 AML SDK 最核心的部份罗!
<<: 数据分析的好夥伴 - Python基础:流程控制与回圈
仓库被堆放了哪些遗忘的记忆呢? 哪些人在使用迷你仓呢? 对於地狭人绸的城市来说,这样的存放空间是必要...
续上一篇文章,写到後面还有一些观念没有讲得很清楚,像是var有Hoisting的特性,coding的...
RGB调色盘:view + slider * 3 + textfield * 3 昨天介绍了每个物件...
没错又是万年的demo作品- TodoList 今天我们先来做最最最阳春的TodoList,只先做简...
New Soundcloud function: artists from the streamin...