适用范围：
Azure CLI ml 扩展 v2（最新版）Python SDK azure-ai-ml v2（最新版）
开始使用 GitHub Actions 以便在 Azure 机器学习上训练模型。
本文介绍如何创建生成机器学习模型并将其部署到 Azure 机器学习的 GitHub Actions工作流。 你将基于纽约出租车数据集训练 scikit-learn 线性回归模型。
GitHub Actions 使用存储库中 /.github/workflows/ 路径下的工作流 YAML (.yml) 文件。 此定义包含组成工作流的各种步骤和参数。
先决条件
Azure 机器学习工作区。 有关创建工作区的步骤，请参阅 “创建工作区”。
适用于 Python v2 的 Azure 机器学习 SDK。 若要安装 SDK，请使用以下命令：
pip install azure-ai-ml azure-identity要将 SDK 的现有安装更新到最新版本，请使用以下命令：
pip install --upgrade azure-ai-ml azure-identity有关详细信息，请参阅 适用于 Python 的 Azure 机器学习包客户端库。
- 一个 GitHub 帐户。 如果你没有帐户，可免费注册一个。
步骤 1：获取代码
在 GitHub 创建以下存储库分支：
https://github.com/azure/azureml-examples
在本地克隆分支存储库。
git clone https://github.com/YOUR-USERNAME/azureml-examples
步骤 2：使用 Azure 进行身份验证
首先需要定义如何使用 Azure 进行身份验证。 建议的更安全的选项是使用 Microsoft Entra 应用程序或用户分配的托管标识登录 OpenID Connect。 如有必要，还可以使用服务主体和机密登录。 此方法不太安全，不建议这样做。
生成部署凭据
若要凭借 OIDC 使用 Azure 登录操作，需要在 Microsoft Entra 应用程序或用户分配的托管标识上配置联合标识凭据。
选项 1：Microsoft Entra 应用程序
- 通过 Azure 门户、Azure CLI 或 Azure PowerShell 创建具有服务主体的 Microsoft Entra 应用程序。
- 复制客户端 ID、订阅 ID 和目录（租户）ID 的值，以便在 GitHub Actions 工作流中稍后使用。
- 由 Azure 门户、Azure CLI 或 azure PowerShell 为服务主体分配适当的角色。
- 在 Microsoft Entra 应用程序上配置联合标识凭据，以信任 GitHub Actions 颁发的令牌到 GitHub 存储库。
选项 2：用户分配的托管标识
- 创建用户分配的托管标识。
- 复制客户端 ID、订阅 ID 和目录（租户）ID 的值，以便在 GitHub Actions 工作流中稍后使用。
- 为用户分配的托管标识分配适当的角色。
- 在用户分配的托管标识上配置联合标识凭据，以信任 GitHub Actions 颁发给 GitHub 存储库的令牌。
创建机密
需要向登录操作提供应用程序的“客户端 ID”、“目录（租户） ID”和“订阅 ID”。 这些值可直接在工作流中提供，或可存储在 GitHub 机密中并在工作流中引用。 将这些值保存为 GitHub 机密是更安全的选择。
在 GitHub 中，转到存储库。
选择“安全性”>“机密和变量”>“操作”。
选择“新建存储库机密”。
注意
若要增强公共存储库中的工作流安全性，请使用环境机密而不是存储库机密。 如果环境需要批准，作业在所需的审查者批准之前不能访问环境机密。
为
AZURE_CLIENT_ID、AZURE_TENANT_ID和AZURE_SUBSCRIPTION_ID创建机密。 从 GitHub 机密的 Microsoft Entra 应用程序或用户分配的托管标识复制这些值：GitHub 机密 Microsoft Entra 应用程序或用户分配的托管标识 AZURE_CLIENT_ID 客户端 ID AZURE_SUBSCRIPTION_ID 订阅 ID AZURE_TENANT_ID (Azure租户ID) 目录（租户）ID 注意
出于安全原因，我们建议使用 GitHub 机密，而不是将值直接传递到工作流。
步骤 3：更新 setup.sh 以连接到 Azure 机器学习工作区
需要更新 CLI 安装文件变量以匹配工作区。
在分支存储库中，转到
azureml-examples/cli/。编辑
setup.sh并更新文件中的这些变量。变量 说明 GROUP 资源组的名称 位置 工作区的位置（例如 eastus2）工作区 Azure 机器学习工作区的名称
步骤 4：使用计算群集名称更新 pipeline.yml
你将使用 pipeline.yml 文件来部署 Azure 机器学习管道。 该管道为机器学习管道，而不是 DevOps 管道。 仅当要为自己的计算机群集名称使用 cpu-cluster 之外的名称时，才需要进行此更新。
- 在分支存储库中，转到
azureml-examples/cli/jobs/pipelines/nyc-taxi/pipeline.yml。 - 每次看到
compute: azureml:cpu-cluster时，都使用计算群集名称更新cpu-cluster的值。 例如，如果群集名称为my-cluster，则新的值为azureml:my-cluster。 有五个更新。
步骤 5：运行 GitHub Actions 工作流
工作流使用 Azure 进行身份验证、设置 Azure 机器学习 CLI 并使用 CLI 在 Azure 机器学习中训练模型。
工作流文件由触发器部分和作业组成：
- 触发器在
on部分中启动工作流。 工作流默认按 cron 计划运行，也在匹配的分支和路径发出拉取请求时运行。 详细了解触发工作流的事件。 - 在工作流的作业部分中，签出代码并使用 OpenID Connect 通过 Azure 登录操作登录到 Azure。
- 作业部分还包括设置操作，用于安装和设置机器学习 CLI (v2)。 安装 CLI 后，运行作业操作将运行 Azure 机器学习
pipeline.yml文件，以使用纽约出租车数据训练模型。
启用工作流
在分支存储库中，打开
.github/workflows/cli-jobs-pipelines-nyc-taxi-pipeline.yml并验证工作流是否如下所示。name: cli-jobs-pipelines-nyc-taxi-pipeline on: workflow_dispatch: schedule: - cron: "0 0/4 * * *" pull_request: branches: - main - sdk-preview 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@v2 - 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选择“查看运行”。
选择“我了解我的工作流，继续并启用”以启用工作流。
选择 cli-jobs-pipelines-nyc-taxi-pipeline 工作流并选择“启用工作流”。
选择“运行工作流”，并选择立即运行工作流。
步骤 6：验证工作流运行
打开已完成的工作流运行并验证生成作业是否成功运行。 作业旁边会显示绿色复选标记。
打开Azure 机器学习工作室并导航到 nyc-taxi-pipeline-example。 验证作业的每个部分（准备、转换、训练、预测、评分）是否完成，以及是否看到绿色复选标记。
清理资源
不再需要资源组和存储库时，请通过删除资源组和 GitHub 存储库来清理部署的资源。