僅適用於：
Foundry（經典）入口。 這篇文章無法在新的 Foundry 入口網站中提供。
了解更多關於新入口網站的資訊。
註
本文中的連結可能會開啟新版 Microsoft Foundry 文件的內容，而非您目前正在瀏覽的 Foundry（經典版）文件。
在本文中，您將學習如何利用 Azure Machine Learning SDK 和 Azure CLI（搭配機器學習擴充功能）來建立以下
- 鑄造中心
- Foundry 連線
註
集線器僅用於 集線器型專案。 Foundry 專案不會使用集線器。 更多資訊請參閱 專案類型。
先決條件
- 一個有有效訂閱的 Azure 帳號。 如果你還沒有，請建立一個free Azure帳號，其中包含免費試用訂閱。
- RBAC 角色：您必須在Azure訂閱或資源群組中擁有 Contributor 或 Owner 角色，才能建立樞紐。 如果要建立連線到現有資源，務必確保您也具有那些資源的參與者存取權限。
- 針對 Python SDK：Azure Machine Learning Python SDK（v2.0 或更新版本）、Azure Identity Python SDK ，以及 Python 3.8 或更新版本。
- 針對 Azure CLI：Azure CLI 和 Azure Machine Learning 擴充功能。
- 如果連接現有資源：Azure 儲存體 帳號或 Azure Key Vault 必須已經存在於同一訂閱（同一資源群組，或你有權限存取的其他資源群組）。
建立你的環境
請使用以下分頁選擇您使用的是 Python SDK 還是 Azure CLI：
安裝套件。 （如果在筆記本的單元格中，請改用
%pip install。）pip install azure-ai-ml pip install azure-identity提供您的訂閱詳情：
# Enter details of your subscription subscription_id = "<SUBSCRIPTION_ID>" resource_group = "<RESOURCE_GROUP>"取得訂閱的控制代碼。 本文中所有Python程式碼均使用
ml_client：# get a handle to the subscription from azure.ai.ml import MLClient from azure.identity import DefaultAzureCredential ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group)（可選）如果你有多個帳號，請把你想用的Microsoft Entra ID的租戶 ID 加入
DefaultAzureCredential。 在Azure入口網站的Microsoft Entra ID外部身份下查詢您的租戶ID。DefaultAzureCredential(interactive_browser_tenant_id="<TENANT_ID>")（可選）如果你在 Azure Government - US 或 Azure China 21Vianet 區域工作，請指定你想要驗證的區域。 你可以用
DefaultAzureCredential來指定區域。 以下範例進行身份驗證至 Azure 政府 - 美國地區：from azure.identity import AzureAuthorityHosts DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_GOVERNMENT)確認連結。
for hub in ml_client.workspaces.list(): print(f" - {hub.name}")
若收到認證錯誤，請確保Azure憑證已設定（執行 az login 或透過 Azure Identity SDK 設定憑證）。 如果你收到權限錯誤，請檢查你在訂閱或資源群組中是否有貢獻者角色。
參考資料： MLClient， DefaultAzureCredential
建立 Foundry 中樞與 Microsoft Foundry 連線
請參考以下範例來建立新的集點。 用你自己的數值替換範例字串值：
from azure.ai.ml.entities import Hub
my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
# Construct a basic hub
my_hub = Hub(
name=my_hub_name,
location=my_location,
display_name=my_display_name
)
# Create the hub and wait for completion
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub: {created_hub.name}")
此程式碼會建立一個包含指定名稱、位置與顯示名稱的新樞紐。 Azure 會自動配置相關 Azure 儲存體 和 Azure Key Vault 資源。
建立 Foundry 連結
在同一資源群組中，建立自己的 Foundry 資源或 Azure OpenAI 資源後，你可以將其連接到你的集線器。 你也可以在同一訂閱內，從任何資源群組連接 Azure AI 搜尋服務。
將你的集線器納入你的
ml_client連線：請輸入您的訂閱資訊。 對於
<AML_WORKSPACE_NAME>，請輸入你的集線器名稱：# Enter details of your AML workspace subscription_id = "<SUBSCRIPTION_ID>" resource_group = "<RESOURCE_GROUP>" workspace = "<AML_WORKSPACE_NAME>"取得中樞的控制代碼：
# get a handle to the workspace from azure.ai.ml import MLClient from azure.identity import DefaultAzureCredential ml_client = MLClient( DefaultAzureCredential(), subscription_id, resource_group, workspace )
用
ml_client來建立與你的 Foundry 工具的連結。 你可以在 Azure portal 中的 資源管理：金鑰與端點 找到端點。 對於 Foundry 資源，請使用 AI Services 端點。 對於 Azure AI 搜尋服務，請使用端點的 URL。from azure.ai.ml.entities import AzureAIServicesConnection # Construct a connection to Azure AI Services my_connection_name = "my-ai-services-connection" # Any name you want aiservices_resource_name = "<your-resource-name>" # From Azure portal my_endpoint = "<your-endpoint>" # From Azure portal my_api_keys = None # Leave blank to use Azure Entra ID (AAD) authentication my_ai_services_resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group}/providers/Microsoft.CognitiveServices/accounts/{aiservices_resource_name}" my_connection = AzureAIServicesConnection( name=my_connection_name, endpoint=my_endpoint, api_key=my_api_keys, ai_services_resource_id=my_ai_services_resource_id ) # Create the connection ml_client.connections.create_or_update(my_connection) print(f"Created connection: {my_connection.name}")
用現有的依賴資源建立一個樞紐
預設情況下，中樞會自動建立相關的 Azure 儲存體 與 Azure Key Vault 資源。 如果你想重用現有的 Azure 儲存體 或 Azure Key Vault 資源，可以在建立集線器時指定它們。 在以下範例中，請將佔位符值替換為你自己的資源 ID：
提示
你可以從Azure入口網站取得儲存帳號和金鑰庫的資源 ID，方法是進入資源的總覽頁面，選擇 JSON view。 資源 ID 位於 ID 欄位。 你也可以使用 Azure CLI 來取得資源 ID。 例如，使用 az storage account show --name {my_storage_account_name} --query "id" 和 az keyvault show --name {my_key_vault_name} --query "id"。
from azure.ai.ml.entities import Hub
my_hub_name = "myexamplehub"
my_location = "East US"
my_display_name = "My Example Hub"
my_resource_group = "myresourcegroupname"
my_storage_account_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.Storage/storageAccounts/<storage-account-name>"
my_key_vault_id = "/subscriptions/<subscription-id>/resourceGroups/<resource-group>/providers/Microsoft.KeyVault/vaults/<key-vault-name>"
# Construct a hub with existing dependency resources
my_hub = Hub(
name=my_hub_name,
location=my_location,
display_name=my_display_name,
resource_group=my_resource_group,
storage_account_id=my_storage_account_id,
key_vault_id=my_key_vault_id
)
# Create the hub
created_hub = ml_client.workspaces.begin_create(my_hub).result()
print(f"Created hub with existing resources: {created_hub.name}")
要查找現有資源的資源 ID，請造訪 Azure 入口網站，導覽至資源的 Overview頁面，選擇 JSON view。 資源 ID 會出現在 ID 欄位。 或者，可以用 Azure CLI：
# Get Storage account resource ID
az storage account show --name <storage-account-name> --resource-group <resource-group> --query "id"
# Get Key Vault resource ID
az keyvault show --name <key-vault-name> --resource-group <resource-group> --query "id"
參考資料： Hub
更新 Azure 應用程式 Insights 和 Azure Container Registry
要在提示流程中使用自訂環境，您需要為您的樞紐設定 Azure Container Registry。 要使用 Azure 應用程式 Insights 進行 Prompt Flow 部署，你需要為你的中樞配置一個 Azure 應用程式 Insights 資源。 更新工作區附加的 Azure Container Registry 或 Application Insights 資源，可能會破壞先前工作脈絡、部署的推論端點，或你在工作空間中重跑先前工作的能力。 與 Foundry 樞紐關聯後，Azure Container Registry 與 Application Insights 資源無法解除關聯（設為 null）。
你可以使用 Azure 入口網站、Azure SDK/CLI 選項或基礎結構即代碼範本，來更新中樞的 Azure 應用程式 Insights 和 Azure 容器登錄服務。
from azure.ai.ml.entities import Hub
my_app_insights = "{APPLICATION_INSIGHTS_ARM_ID}"
my_container_registry = "{CONTAINER_REGISTRY_ARM_ID}"
# construct a hub with Application Insights and Container Registry
my_hub = Hub(name="myexamplehub",
location="East US",
application_insights=my_app_insights,
container_registry=my_container_registry)
# update_dependent_resources is used to give consent to update the workspace dependent resources.
updated_hub = ml_client.workspaces.begin_update(workspace=my_hub, update_dependent_resources=True).result()
print(f"Hub updated: {updated_hub.name}")
此腳本會更新現有的樞紐，加入指定的應用程式洞察與容器登錄資源。 參數 update_dependent_resources=True 確認了更新。