Azure机器学习——数据集01：数据集的存储和交互

本节主要介绍数据集在Azure云上的存储以及数据集如何在本地和Azure云之间进行交互。
数据集在Azure机器学习（AML）中占有重要地位，是Azure机器学习工作区的重要组成部分。

图1 工作区及其组件（图片来自官网）

数据集在Azure机器学习中的管理和使用主要包括：

• 数据集在云上的存储以及与本地和AML工作区的交互；
• 在Azure机器学习工作区中注册数据集；
• 在模型训练中使用数据集；
• 数据集的版本控制和跟踪；
• 图像数据的标记和使用。

本节主要介绍数据集在云上的存储以及与本地和工作区的交互。

图2 数据集在Azure机器学习中的管理和使用

在开始本节内容之前，你需要：

• Azure 订阅和Azure机器学习工作区。创建方法：Azure机器学习（实战篇）——创建Azure机器学习服务
• 配置Azure机器学习开发环境。配置方法：Azure机器学习（实战篇）——配置 Azure 机器学习开发环境

一、数据集存储位置

Azure Blob 存储

如果你有大量数据，你可以将其存储在Azure Blob 存储中。Azure Blob 存储是 Microsoft 提供的适用于云的对象存储解决方案，最适合存储巨量的非结构化数据，可以帮你在机器学习试验期间节省数据输入输出成本。
Blob是Azure中一种数据存储方式，若要深入了解，请查看此链接。
如果要使用Blob存储，需要有一个存储账户（创建 Azure 存储帐户）。存储账户中数据的存储方式有容器、数据共享、表和队列四种。容器对一组 blob 进行组织，类似于文件系统中的目录。 我们一般将非结构化数据存储在存储账户的容器中。
一个存储帐户可以包含无限数量的容器，一个容器可以存储无限数量的 Blob。他们之间的关系如下图所示。

图3 存储账户、容器和Blob之间的关系（图片来自官网）

将数据移至 Blob 存储

有许多用于将现有数据迁移到 Blob 存储的解决方案，具体请看官网链接。下面主要介绍几种我经常用到的数据迁移方案。

portal

可以直接在portal上对Blob存储进行数据的上传和下载。
点击：portal主页——>某个已创建好的存储账户——>容器。
可以看到容器中的文件以及在容器中上传、下载和删除等操作。
优点：直接在portal上操作，适合进行小批量数据交互操作。

图4 portal中上传下载数据

Azure 存储资源管理器

这是一个免费的客户端工具，可通过 Windows、macOS 或 Linux 轻松管理任何位置的 Azure 云存储资源：上传、下载和管理 Azure blob、文件、队列和表，以及 Azure Cosmos DB 和 Azure Data Lake Storage 实体。方便易用，功能强大，下载链接。
优点：批量上传文件或者文件夹，存储数据实时更新，管理器中可以添加多个存储账户，方便管理。

图5 Azure 存储资源管理器

Azcopy

AzCopy 是一个命令行实用工具，可用于在存储帐户中复制 blob 或文件。
Azcopy安装、连接存储账户、传输文件教程。
优点：传输速度特别快，适合超大容量数据传输。

二、Azure机器学习访问Blob存储数据

Azure机器学习和Azure Blob存储是Azure中两个不同的服务。假设我们已经将数据集保存在了Azure Blob存储中，要想在Azure机器学习中使用这些数据集，还需要在这两个服务之间建立一种连接。
这种连接可以通过数据存储（Datastore）实现。

Datastore是一个类，使用此类可执行管理操作，包括注册、列出、获取和删除数据存储。下面提到的数据存储（Datastore）都是指这个类或其实例。

使用 Azure 机器学习数据存储（Datastore）可以轻松访问 Azure Blob存储服务中的数据。 数据存储（Datastore）用于存储连接信息，如订阅 ID 和令牌授权。 当你使用数据存储（Datastore）时，你可以访问存储，而无需在脚本中对连接信息进行硬编码。

图6 AML工作区和Blob存储通过Datastore类交换数据

除了Azure Blob存储，数据存储（Datastore）目前还支持其他的Azure存储服务。
以下演示如何使用数据存储（Datastore），首先我们连接Azure机器学习工作区：
———————————————————————————————————————————————————————————————
注意：为了确保能够连接成功，在连接工作区之前建议先使用az login登陆Azure，具体步骤如下：

1. 下载和安装 Azure CLI。
2. 如果使用Azure China，那么在Windows cmd或者Linux终端中输入：

az cloud set --name AzureChinaCloud

将Azure设置为AzureChina。
如果要切换成AzureGlobal，则输入：

az cloud set --name AzureCloud

3. 在Windows cmd或者Linux终端中输入

az login

将打开默认浏览器进入Azure登陆页面。登陆后一般就能正常连接到工作区。
———————————————————————————————————————————————————————————————
通过 Python SDK 使用现有工作区，导入 Workspace 和 Datastore 类，然后从使用函数 from_config()从config.json 文件中加载订阅信息。 默认情况下，这将在当前目录中查找 JSON 文件，但你也可以使用 from_config(path=“your/file/path”)指定路径参数以指向该文件。

import azureml.core
from azureml.core import Workspace, Datastore

ws = Workspace.from_config(path="config.json")

本地文件"config.json"中包含了需要连接的工作区的workspace_name、subscription_id和resource_group这三个信息。ws是要连接的工作区。

访问默认数据存储（Datastore）

在Azure机器学习介绍中，我们介绍过在创建工作区的同时，系统会自动创建一个存储账户，该账户内的Blob存储用作工作区的默认数据存储（Datastore）。
我们可以使用以下代码来访问该默认数据存储（Datastore）：

datastore = ws.get_default_datastore()

该数据存储（Datastore）在存储账户中的位置如下图所示：

图7 工作区默认数据存储在存储账户种的位置]

可以通过数据存储（Datastore）的upload()和download()方法往该Blob存储中上传和下载文件：
使用 Python SDK 将单个文件的列表上载到数据存储（Datastore）。

datastore.upload_files(files = ['./dataset/iris.csv'],          ##本地文件位置
                       target_path = 'data_for_demo/tabular/',  ##Blob存储中文件位置
                       overwrite = True,
                       show_progress = True)

输出：

Uploading an estimated of 1 files
Uploading ./dataset/iris.csv
Uploaded ./dataset/iris.csv, 1 files out of an estimated total of 1
Uploaded 1 files

target_path 参数指定要上传的文件共享（或 blob 容器）中的位置。 默认为 None，因此数据上传到 root。 如果 overwrite=True，则将覆盖 target_path 上的任何现有数据。
还可以通过datastore.upload（）方法将目录或单个文件上传到数据存储（Datastore）。
可以在portal存储账户的Blob存储中看到‘iris.csv“文件已上传成功。

图8 Blob存储中的文件

将数据从数据存储（Datastore）下载到本地文件系统：

datastore.download(target_path='./dataset',
                   prefix='data_for_demo/tabular',     #下载Blob存储中这个文件夹下的所有文件
                   show_progress=True)

输出：

Downloading data_for_demo/tabular/iris.csv
Downloaded data_for_demo/tabular/iris.csv, 1 files out of an estimated total of 1

target_path 参数是要将数据下载到其中的本地目录的位置。 若要在文件共享（或 blob 容器）中指定要下载到的文件夹路径，请提供 prefix 的路径。 如果 None``prefix，则将下载文件共享（或 blob 容器）的所有内容。

将其他Blob存储注册为数据存储（Datastore）

可能已经上传的数据并不在默认数据存储（Datastore）中，或者出于项目或者其他原因需要将数据集保存在不同的Blob存储中。这时可以将非默认的Blob存储注册为工作区的数据存储（Datastore），从而访问这些Blob存储中的数据。
若要将 Azure blob 容器注册为数据存储（Datastore），请使用register_azure_blob-container()。
以下代码创建 blob_datastore_name 数据存储（Datastore）并将其注册到 ws 工作区。 此数据存储（Datastore）使用提供的帐户密钥访问 my-account-name 存储帐户上的 my-container-name blob 容器。

blob_datastore_name='my_datastore01' # Name of the datastore to workspace
container_name=os.getenv("BLOB_CONTAINER", "<my-container-name>") # Name of Azure blob container
account_name=os.getenv("BLOB_ACCOUNTNAME", "<my-account-name>") # Storage account name
account_key=os.getenv("BLOB_ACCOUNT_KEY", "<my-account-key>") # Storage account key

blob_datastore = Datastore.register_azure_blob_container(workspace=ws, 
                                                         datastore_name=blob_datastore_name, 
                                                         container_name=container_name, 
                                                         account_name=account_name,
                                                         account_key=account_key)

container_name、account_name、account_key可以在要注册的存储账户的"概述" 和"设置-访问密钥"中查的，如下图所示。

图9 container_name、account_name

图10 account_key

注册成功后可以使用以下代码查看工作区下的数据存储（Datastore）：

# List all datastores registered in the current workspace
datastores = ws.datastores
for name, datastore in datastores.items():
    print(name, datastore.datastore_type)

输出：

my_datastore01 AzureBlob
azureml_globaldatasets AzureBlob
workspaceblobstore AzureBlob
workspacefilestore AzureFile

可见”my_datastore01“这个数据存储（Datastore）已经注册成功。
若要获取在当前工作区中注册的某个数据存储（Datastore），请对 Datastore 类使用get()静态方法：

# Get a named datastore from the current workspace
datastore = Datastore.get(ws, datastore_name='your datastore name')

若要将某个数据存储（Datastore）定义为当前工作区的默认数据存储（Datastore），请对工作区对象使用set_default_datastore()方法：

# Define the default datastore for the current workspace
ws.set_default_datastore('your datastore name')

如果想在Azure机器学习studio中创建数据存储（Datastore），请参照此链接。

三、总结

• 介绍了数据集在Azure上的存储方式，以及几种数据集在本地和Azure之间交互的方法。
• 介绍了Azure机器学习工作区如何通过Datastore类访问Azure存储中的数据。Python SDK和机器学习studio是使用Azure机器学习的2种方式，这里主要介绍了使用Python SDK这种方式。

四、参考资料

访问 Azure 存储服务中的数据