Azure MLOps（v2）解决方案加速器

欢迎来到 MLOps（v2）解决方案加速器仓库！本项目旨在作为在 Azure 中实施 MLOps 的起点。

MLOps 是一套可重复、自动化且协作的工作流，结合最佳实践，使机器学习专业团队能够快速、轻松地将其模型部署到生产环境。您可在此了解更多关于 MLOps 的信息：

• 使用 Azure 机器学习的 MLOps
• 云采用框架指南
• 如何：机器学习运营

项目概述

该解决方案加速器基于模式架构，为 Azure 中的 MLOps 提供模块化的端到端方法。由于每个组织都有其独特性，解决方案通常需要根据组织的具体需求进行定制。

解决方案加速器的目标是：

• 简单性
• 模块化
• 可重复性与安全性
• 协作
• 企业级就绪

它通过基于模板的端到端数据科学方法来实现这些目标，在每个阶段推动运营效率的提升。您应该能够在几个小时内启动并运行该解决方案加速器。

先决条件

1. 一个 Azure 订阅。如果您还没有 Azure 订阅，请在开始之前创建一个免费账户。
   • 重要提示 - 如果您使用的是免费试用版或类似的学习用途订阅（如包含 MSDN 的 Visual Studio Premium），由于订阅上的“使用量+配额”限制，某些资源调配任务可能无法按预期执行。为了帮助您顺利完成操作，我们在整个指南中提供了具体的调配前说明，强烈建议您仔细阅读这些说明。
2. 对于基于 Azure DevOps 的部署和项目：
   • 安装带有 azure-devops 扩展的 Azure CLI。
   • 如果您使用 Terraform 来搭建基础设施，请安装 适用于 Azure DevOps 的 Terraform 扩展。
3. 对于基于 GitHub 的部署和项目：
   • 安装 Azure CLI。
   • 安装 GitHub 客户端。
4. 在您的本地机器上安装 Git Bash、WSL 或其他 Shell 脚本编辑器。

文档

1. 解决方案加速器概念与结构 - 哲学与组织方式
2. 架构模式 - 支持的机器学习模式
3. 加速器部署指南 - 如何使用 Azure DevOps 或 GitHub 部署和使用解决方案加速器
4. 快速入门 - 用于演示或 POC 的预创建项目场景。Azure DevOps ADO 快速入门。
5. YouTube 视频：不到一小时在 Azure 上部署 MLOps 和 AI Show。

贡献

本项目欢迎贡献和建议。如需了解更多信息，请访问贡献部分，详情请参阅 CONTRIBUTING.md。

大多数贡献都需要您同意贡献者许可协议（CLA），声明您有权并将实际授予我们使用您贡献的权利。有关详细信息，请访问 https://cla.opensource.microsoft.com。

当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记 PR（例如状态检查、评论）。只需按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需完成一次此操作。

本项目已采纳 微软开源行为准则。如需更多信息，请参阅 行为准则常见问题解答，或发送电子邮件至 opencode@microsoft.com 提出任何额外的问题或意见。

商标

本项目可能包含项目、产品或服务的商标或徽标。未经授权使用 Microsoft 商标或徽标须遵守并遵循 Microsoft 商标与品牌指南。在本项目的修改版本中使用 Microsoft 商标或徽标时，不得造成混淆或暗示 Microsoft 的赞助。任何第三方商标或徽标的使用均应遵守相关第三方的政策。

Azure MLOps (v2) 快速上手指南

本指南旨在帮助开发者快速在 Azure 上搭建基于最佳实践的 MLOps（机器学习运维）环境。该方案加速器提供了模块化、可重复且安全的工作流模板，助您在数小时内完成从开发到生产部署的闭环。

环境准备

在开始之前，请确保满足以下系统要求和前置依赖：

1. Azure 订阅

• 您需要一个有效的 Azure 订阅。
• 注意：如果您使用的是免费试用版（Free/Trial）或类似 Visual Studio Premium with MSDN 的学习用途订阅，部分资源预配任务可能因“用量 + 配额”限制而失败。请务必仔细阅读部署指南中的具体说明。

2. 本地开发环境

• 操作系统：Windows (Git Bash/WSL), macOS 或 Linux。
• Shell 工具：安装 Git Bash、WSL 或其他支持 Shell 脚本的终端编辑器。

3. 命令行工具（根据部署平台选择）

通用要求：

• Azure CLI

如果您使用 Azure DevOps 进行部署：

• Azure CLI 需安装 azure-devops 扩展：

  az extension add --name azure-devops
  

• 若使用 Terraform 管理基础设施，需在 Azure DevOps 市场安装 Terraform extension。

如果您使用 GitHub 进行部署：

• GitHub CLI

安装步骤

本项目采用基于模板的方法，以下是初始化的核心步骤：

1. 克隆仓库

将解决方案加速器代码克隆到本地：

git clone https://github.com/Azure/mlops-v2.git
cd mlops-v2

2. 配置 Azure 登录

使用 Azure CLI 登录您的订阅：

az login
az account set --subscription "<您的订阅 ID>"

3. 选择部署路径

根据您选择的 CI/CD 平台（Azure DevOps 或 GitHub），参考 documentation/deployguides/ 目录下的具体指南执行预配脚本。

示例：初始化基础架构（以通用流程为例） 通常需要通过运行提供的脚本来创建资源组、Azure Machine Learning 工作区及相关权限：

# 进入部署脚本目录（具体路径视架构模式而定）
cd scripts/setup 

# 执行预配脚本 (示例命令，具体参数请参考 deployguides 文档)
./deploy_infrastructure.sh --subscription <SUB_ID> --resource-group <RG_NAME> --location <REGION>

注：详细的参数配置和自动化脚本请查阅 documentation/deployguides/README.md。

基本使用

完成环境部署后，您可以利用预定义的模板快速启动一个端到端的机器学习项目。

场景：运行一个简单的训练与部署流水线

1. 准备数据与代码 在 src 目录下找到示例笔记本或脚本，上传您的数据集到已创建的 Azure Blob Storage 或 Datastore。

2. 触发流水线

   • Azure DevOps: 在 Azure DevOps 管道界面，导入仓库中的 YAML 定义文件，手动触发构建。
   • GitHub Actions: 推送代码到远程仓库，自动触发 .github/workflows 下定义的 MLOps 工作流。

3. 监控与验证 登录 Azure Machine Learning Studio，查看实验运行状态、模型注册表以及部署到的实时终结点。

快速演示推荐

若想通过预设场景快速体验（POC），建议参考官方提供的快速入门指南：

• Azure DevOps 快速入门
• 观看视频教程：Deploy MLOps on Azure in Less Than an Hour

通过以上步骤，您已成功建立起一套符合企业级标准的 MLOps 流程，可在此基础上根据业务需求进行定制化开发。