Få åtkomst till en terminal för beräkningsinstanser

Du kan använda terminalen för en beräkningsinstans på din Azure Machine Learning-arbetsyta för att komma åt Git-åtgärder, installera paket och lägga till kernels i instansen.

Förutsättningar

• En Azure-prenumeration. Du kan skapa ett kostnadsfritt konto.
• En Azure Machine Learning-arbetsyta. Mer information finns i Skapa arbetsyteresurser.

Komma åt en terminal

Så här kommer du åt terminalen från din arbetsyta i Azure Machine Learning Studio:

1. Välj Notebooks i den vänstra menyn.

2. Välj terminalikonen överst på skärmen.

   

3. Om en beräkningsinstans körs öppnas terminalfönstret för den instansen. Om ingen beräkningsinstans körs väljer du ikonen Start eller Skapa bredvid Beräkning för att starta eller skapa en beräkningsinstans.

   

Andra sätt att komma åt terminalen

Du kan också komma åt en terminal för beräkningsinstanser på följande sätt:

• I Visual Studio Code väljer du Terminal>Ny terminal på den översta menyn. Mer information om hur du ansluter till din arbetsyta från Visual Studio Code finns i Arbeta i Visual Studio Code via fjärranslutning till en beräkningsinstans.
• I RStudio eller Posit Workbench väljer du fliken Terminal längst upp till vänster. Mer information finns i Lägga till anpassade program som RStudio eller Posit Workbench.
• I JupyterLab väljer du terminalpanelen under Övrigt i startprogrammet.
• I Jupyter väljer du Arkiv>Ny>terminal på den översta menyn.
• Om SSH-åtkomst (Secure Shell) är aktiverad för beräkningsinstansen kan du använda SSH till datorn. Om beräkningen finns i ett hanterat virtuellt nätverk och inte har någon offentlig IP-adress använder du az ml compute connect-ssh kommandot för att ansluta.

Kopiera och klistra in i terminalen

Du kan kopiera och klistra in text mellan terminalen och Notebook-cellerna i Azure Machine Learning Studio. För Windows använder du Ctrl+C för att kopiera och Ctrl+V, Ctrl+Skift+V eller Skift+Insert för att klistra in. För macOS använder du Cmd+C för att kopiera och cmd+V för att klistra in.

Få åtkomst till Git-åtgärder och -filer

Du kan komma åt alla Git-åtgärder från terminalen. Alla Git-filer och -mappar lagras i ditt arbetsytefilsystem så att du kan använda dem från valfri beräkningsinstans på din arbetsyta.

Information om hur du integrerar Git med din Azure Machine Learning-arbetsyta finns i Git-integrering för Azure Machine Learning.

Installera paket

Du kan använda ett terminalfönster för att installera paket i den kernel som du vill använda för din notebook-fil. Standardkärnan är python310-sdkv2.

För Python kan du lägga till och köra paketinstallationskod i en notebook-cell. För pakethantering i en Python-notebook kan du använda %pip eller %conda magiska funktioner för att automatiskt installera paket i den körande kerneln. Använd inte !pip eller !conda, som refererar till alla paket, inklusive paket utanför den aktuella kärnan.

Du kan också installera paket direkt i Jupyter Notebooks, RStudio eller Posit Workbench. Använd fliken Paket längst ned till höger eller fliken Konsol längst upp till vänster. Mer information finns i Lägga till anpassade program som RStudio eller Posit Workbench.

Lägga till nya kärnor

Du kan köra kod i terminalfönstret för att lägga till nya kärnor i beräkningsinstansen.

Följande kodexempel installerar en ny Jupyter-kernel. Du kan installera någon av de tillgängliga Jupyter-kernels.

1. Kör följande kommando för att skapa en ny miljö med namnet newenv.

   conda create --name newenv
   

2. Aktivera miljön.

   conda activate newenv
   

3. Installera paketen pip och ipykernel och skapa en kernel för den nya Conda-miljön.

   conda install pip
   conda install ipykernel
   python -m ipykernel install --user --name newenv --display-name "Python (newenv)"
   

Så här lägger du till en ny R-kernel i beräkningsinstansen:

1. Använd terminalfönstret för att skapa en ny miljö. Följande kommando skapar r_env.

   conda create -n r_env -c conda-forge r-essentials r-base
   

2. Aktivera miljön.

   conda activate r_env
   

3. Kör R i den nya miljön.

   R
   

4. I R-prompten kör du IRkernel för att skapa en ny kernel med namnet irenv.

   IRkernel::installspec(name = 'irenv', displayname = 'New R Env')
   

5. Avsluta R-sessionen.

   q()
   

Det kan ta några minuter att använda den nya R-kerneln. Om du får ett felmeddelande om att kerneln är ogiltig väntar du några minuter och försöker igen.

• Mer information om Conda finns i Använda R-språk med Anaconda.
• Mer information om IRkernelfinns i Intern R-kernel för Jupyter.

Ta bort tillagda kärnor

Om du vill ta bort en tillagd Jupyter-kernel från beräkningsinstansen måste du ta bort kernelspec, och du kan också ta bort Conda-miljön. Du kan också välja att behålla Conda-miljön. Du måste ta bort kernelspec för att förhindra att kerneln förblir valbar och orsakar oväntat beteende.

Så här tar du kernelspecbort :

1. Använd terminalfönstret för att lista och hitta kernelspec.

   jupyter kernelspec list
   

2. kernelspecTa bort och ersätt <UNWANTED_KERNEL> med den kernel som du vill ta bort.

   jupyter kernelspec uninstall <UNWANTED_KERNEL>
   

Ta även bort Conda-miljön:

1. Använd terminalfönstret för att lista och hitta Conda-miljön.

   conda env list
   

2. Ta bort Conda-miljön och <ENV_NAME> ersätt med den Conda-miljö som du vill ta bort.

   conda env remove -n ENV_NAME
   

När du uppdaterar bör kernellistan i vyn för Notebooks återspegla dina ändringar.

Hantera terminalsessioner

Terminalsessioner kan vara aktiva om du inte stänger terminalflikarna korrekt. För många aktiva terminalsessioner kan påverka prestandan för beräkningsinstansen. Se till att stänga alla sessioner som du inte längre behöver för att bevara dina beräkningsinstansresurser och optimera prestanda.

Om du vill se en lista över alla aktiva terminalsessioner väljer du ikonen Hantera aktiva sessioner längst till höger i terminalverktygsfältet. Stäng av alla sessioner som du inte längre behöver.

Mer information om hur du hanterar sessioner som körs på din beräkning finns i Hantera notebook- och terminalsessioner.

Relaterat innehåll

• Hantera notebook- och terminalsessioner
• Git-integrering för Azure Machine Learning
• Arbeta i Visual Studio Code via fjärranslutning till en beräkningsinstans