Используйте GitHub Actions с Azure Machine Learning

ОБЛАСТЬ ПРИМЕНЕНИЯ:Расширение Azure CLI для машинного обучения версии 2 (текущая версия)Python SDK azure-ai-ml версии 2 (текущая версия)

Приступите к работе с GitHub Actions, чтобы обучить модель в Машинном обучении Azure.

В этой статье описано, как создать рабочий процесс GitHub Actions, который создает и развертывает модель машинного обучения для Машинное обучение Azure. Вы обучаете модель линейной регрессии scikit-learn на наборе данных такси Нью-Йорка.

GitHub Actions использует файл YAML рабочего процесса (.yml) в пути /.github/workflows/ вашего репозитория. Это определение содержит разные шаги и параметры рабочего процесса.

Предварительные условия

Рабочая область Машинного обучения Azure. Инструкции по созданию рабочей области см. в разделе "Создание рабочей области".
Пакет SDK машинного обучения Azure для Python версии 2. Чтобы установить пакет SDK, используйте следующую команду:
```
pip install azure-ai-ml azure-identity
```
Чтобы обновить существующую установку пакета SDK до последней версии, выполните следующую команду:
```
pip install --upgrade azure-ai-ml azure-identity
```
Для получения дополнительной информации см. библиотеку клиента пакета Azure Machine Learning для Python.

Учетная запись GitHub. Если ее нет, создайте бесплатную учетную запись.

Шаг 1. Получение кода

Сделайте форк следующего репозитория на GitHub:

https://github.com/azure/azureml-examples

Клонируйте форк репозитория на локальный диск.

git clone https://github.com/YOUR-USERNAME/azureml-examples

Шаг 2. Проверка подлинности с помощью Azure

Сначала определите, как пройти проверку подлинности в Azure. Рекомендуемый, более безопасный вариант — войти с помощью OpenID Connect с приложением Microsoft Entra или управляемым удостоверением, назначаемым пользователем. При необходимости можно также использовать вход с использованием служебного принципала и секрета. Этот подход является менее безопасным и не рекомендуется.

Создание учетных данных для развертывания.

OpenID Connect
Субъект-служба

Чтобы использовать Azure Login action с OIDC, необходимо настроить федеративные учетные данные идентификации в приложении Microsoft Entra или управляемую идентичность, назначаемую пользователем.

Вариант 1. Приложение Microsoft Entra

Создайте приложение Microsoft Entra с объектом-службой с помощью портала Azure, Azure CLI или Azure PowerShell.
Скопируйте значения для идентификатора клиента, идентификатора подписки и идентификатора каталога (клиента), чтобы использовать его позже в рабочем процессе GitHub Actions.
Назначьте соответствующую роль субъекту-службе через портал Azure, Azure CLI или Azure PowerShell.
Настройте учетные данные федеративного удостоверения в приложении Microsoft Entra для доверия токенам, которые выдаются GitHub Actions вашему репозиторию GitHub.

Вариант 2. Управляемое удостоверение, назначаемое пользователем

Создание назначаемого пользователем управляемого удостоверения.
Скопируйте значения для идентификатора клиента, идентификатора подписки и идентификатора каталога (клиента), чтобы использовать его позже в рабочем процессе GitHub Actions.
Назначьте соответствующую роль управляемому удостоверению, назначенному пользователем.
Настройте учетные данные федеративного удостоверения для управляемой учетной записи, назначенной пользователем, чтобы доверять токенам, выданным GitHub Actions вашему репозиторию GitHub.

Необходимо указать идентификатор клиента приложения, идентификатор каталога (клиента) и идентификатор подписки для действия входа. Эти значения могут быть указаны непосредственно в рабочем процессе или храниться в секретах GitHub с указанием ссылок на них в рабочем процессе. Сохранение значений в виде секретов GitHub является более безопасным вариантом.

В GitHub перейдите в репозиторий.
Выберите действия с конфиденциальностью, секретами и переменными>>.
Нажмите Создать секрет репозитория.

Примечание.

Чтобы повысить безопасность рабочих процессов в общедоступных репозиториях, используйте секреты среды вместо секретов репозитория. Если среда требует утверждения, задание не сможет получить доступ к секретам среды, пока один из обязательных рецензентов не утвердит его.

Создайте секреты для AZURE_CLIENT_ID, AZURE_TENANT_ID и AZURE_SUBSCRIPTION_ID. Скопируйте эти значения из приложения Microsoft Entra или управляемого удостоверения, назначаемого пользователем, для секретов GitHub:

Секрет GitHub	Приложение Microsoft Entra или управляемое удостоверение, назначаемое пользователем
AZURE_CLIENT_ID	Идентификатор клиента
AZURE_SUBSCRIPTION_ID	Идентификатор подписки
AZURE_TENANT_ID (идентификатор арендатора Azure)	Идентификатор каталога (арендатора)

Примечание.

По соображениям безопасности рекомендуется использовать секреты GitHub, а не передавать значения непосредственно в рабочий процесс.

В GitHub перейдите в репозиторий.
Перейдите к параметрам в меню навигации .
Выберите действия с конфиденциальностью, секретами и переменными>>.
Нажмите Создать секрет репозитория.
Вставьте все выходные данные JSON, полученные из команды Azure CLI, в поле значения секрета. Присвойте секрету имя AZURE_CREDENTIALS.
Выберите Добавить секрет.

Шаг 3: Обновите `setup.sh` для подключения к рабочей области Azure Machine Learning.

Обновите переменные файла установки CLI, чтобы соответствовать рабочей области.

Перейдите в форкнутый репозиторий и откройте azureml-examples/cli/.

Измените setup.sh и обновите эти переменные в файле.

Переменная	Описание
`GROUP`	имя группы ресурсов
`LOCATION`	Расположение рабочей области (например: `eastus2`)
`WORKSPACE`	Имя рабочей области Azure Machine Learning

Шаг 4. Обновление `pipeline.yml` с именем вычислительного кластера

Используйте файл pipeline.yml для развертывания потока Azure Machine Learning. Конвейер — это конвейер машинного обучения, а не конвейер DevOps. Это обновление необходимо сделать только в том случае, если вы используете имя, отличное cpu-cluster от имени вычислительного кластера.

В ваш форк репозитория перейдите в azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml.
При каждом отображении compute: azureml:cpu-cluster обновляйте значение cpu-cluster имени вычислительного кластера. Например, если кластер называется my-cluster, новое значение будет azureml:my-cluster. Доступно пять обновлений.

Шаг 5. Выполнение рабочего процесса GitHub Actions

Ваш рабочий процесс выполняет проверку подлинности в Azure, настраивает CLI Машинного обучения Azure и использует CLI для обучения модели в Машинном обучении Azure.

OpenID Connect
Субъект-служба

Файл рабочего процесса состоит из раздела триггера и заданий:

Триггер запускает рабочий процесс в разделе on. Рабочий процесс запускается по умолчанию по расписанию cron и при выполнении запроса на вытягивание из совпадающих ветвей и путей. См. дополнительные сведения о событиях, которые активируют рабочие процессы.
В разделе заданий рабочего процесса вы извлекаете код и входите в Azure действием входа, используя OpenID Connect.
В разделе заданий также содержится действие установки, которое устанавливает и настраивает CLI Машинного обучения (версия 2). После установки CLI действие запуска задачи выполняет файл pipeline.yml Машинного обучения Azure для обучения модели с использованием данных о такси в Нью-Йорке.

Включение рабочего процесса

В вашем форке репозитория откройте .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml и убедитесь, что ваш рабочий процесс выглядит примерно так.

Примечание.

Файл рабочего процесса в репозитории может включать дополнительные шаги (например, начальная загрузка и проверка), которые не отображаются здесь. В следующем примере показаны основные шаги.

name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
permissions:
  id-token: write
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v4
    - name: azure login
      uses: azure/login@v2
      with:
          client-id: ${{ secrets.AZURE_CLIENT_ID }}
          tenant-id: ${{ secrets.AZURE_TENANT_ID }}
          subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

Выберите Просмотреть запуски.
Включите рабочие процессы, выбрав Я понимаю свои рабочие процессы и хочу включить их.
Выберите рабочий процесс cli-jobs-pipelines-nyc-taxi-pipeline и выберите опцию Включить рабочий процесс.
Выберите Выполнить рабочий процесс и выберите параметр Выполнить рабочий процесс сейчас.

Файл рабочего процесса состоит из раздела триггера и заданий:

Триггер запускает рабочий процесс в разделе on. Рабочий процесс запускается по умолчанию по расписанию cron и при выполнении запроса на вытягивание из совпадающих ветвей и путей. См. дополнительные сведения о событиях, которые активируют рабочие процессы.
В разделе заданий рабочего процесса вы извлекаете код и входите в Azure с помощью секрета служебного принципала.
В разделе заданий также содержится действие установки, которое устанавливает и настраивает CLI Машинного обучения (версия 2). После установки CLI действие запуска задачи выполняет файл pipeline.yml Машинного обучения Azure для обучения модели с использованием данных о такси в Нью-Йорке.

Включение рабочего процесса

Примечание.

Файл рабочего процесса в репозитории может включать дополнительные шаги, не показанные здесь. В следующем примере показаны основные шаги.

name: cli-jobs-pipelines-nyc-taxi-pipeline
on:
  workflow_dispatch:
  schedule:
    - cron: "0 0/4 * * *"
  pull_request:
    branches:
      - main
    paths:
      - cli/jobs/pipelines/nyc-taxi/**
      - .github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml
      - cli/run-pipeline-jobs.sh
      - cli/setup.sh
jobs:
  build:
    runs-on: ubuntu-latest
    steps:
    - name: check out repo
      uses: actions/checkout@v4
    - name: azure login
      uses: azure/login@v2
      with:
        creds: ${{secrets.AZURE_CREDENTIALS}}
    - name: setup
      run: bash setup.sh
      working-directory: cli
      continue-on-error: true
    - name: run job
      run: bash -x ../../../run-job.sh pipeline.yml
      working-directory: cli/jobs/pipelines/nyc-taxi

Выберите Просмотреть выполнения.
Включите рабочие процессы, выбрав Я понимаю свои рабочие процессы и хочу включить их.
Выберите cli-jobs-pipelines-nyc-taxi-pipeline workflow и выберите опцию Включить рабочий процесс.
Выберите Выполнить рабочий процесс и выберите вариант Выполнить рабочий процесс сейчас.

Шаг 6. Проверка выполнения рабочего процесса

Откройте завершенный рабочий процесс и убедитесь, что задание сборки выполнено успешно. Рядом с заданием появится зеленая галочка.
Откройте студию Azure Machine Learning и перейдите в nyc-taxi-pipeline-example. Убедитесь, что каждая часть задания (подготовка, преобразование, обучение, прогнозирование, оценка) завершена и что отображается зеленая галочка.

Очистка ресурсов

Если вам больше не нужна группа ресурсов и репозиторий, очистите ресурсы, развернутые путем удаления группы ресурсов и репозитория GitHub.

Следующие шаги

Создание рабочих конвейеров ML с помощью пакета SDK для Python

Обратная связь

Были ли сведения на этой странице полезными?

Last updated on 2026-03-20

Поделиться через

Используйте GitHub Actions с Azure Machine Learning

Предварительные условия

Шаг 1. Получение кода

Шаг 2. Проверка подлинности с помощью Azure

Создание учетных данных для развертывания.

Создание секретов

Шаг 3: Обновите setup.sh для подключения к рабочей области Azure Machine Learning.

Шаг 4. Обновление pipeline.yml с именем вычислительного кластера

Шаг 5. Выполнение рабочего процесса GitHub Actions

Включение рабочего процесса

Шаг 6. Проверка выполнения рабочего процесса

Очистка ресурсов

Следующие шаги

Обратная связь

Дополнительные ресурсы

Шаг 3: Обновите `setup.sh` для подключения к рабочей области Azure Machine Learning.

Шаг 4. Обновление `pipeline.yml` с именем вычислительного кластера