如何基于现有Conda规格文件创建AzureML实验运行环境

前置准备 #

• 准备好标准Conda环境规格文件（通常为conda.yml），文件内需明确声明Python版本、固定版本号的依赖包、可用的安装源地址，避免依赖匹配冲突
• 确认当前AzureML工作区账号具备环境创建的编辑权限
• 提前确认目标运行计算节点的CPU架构（x86/ARM），保证规格内的所有依赖包有对应架构的安装源

两种可落地的操作路径 #

1. 可视化界面操作（适合单次手动配置场景） #

• 进入目标AzureML工作区，在左侧导航栏找到「环境」模块入口
• 点击「创建环境」，选择「从现有Conda规格导入」的创建模式
• 直接上传本地存储的conda.yml文件，系统会自动解析文件内的全部依赖清单
• 按需补充配置：自定义环境名称、版本备注、关联已有的私有Docker基础镜像（如果需要绑定离线依赖源、自定义系统级库的场景可配置）
• 提交创建请求后，系统会自动完成语法校验、依赖拉取、镜像打包全流程，过程中可实时查看构建日志，遇到依赖冲突可直接在编辑页修改yml内容后重新提交

不需要提前在本地手动跑conda create验证文件有效性，AzureML的构建流程会自动校验所有依赖的可安装性，减少本地配置的冗余环节。

2. Python SDK v2 代码化操作（适合嵌入实验流水线、批量配置场景） #

整个流程不需要逐行手动录入依赖，几行代码即可完成环境的全量创建，示例代码如下：

from azure.ai.ml import MLClient, load_environment

# 自动读取工作区配置完成连接初始化
ml_client = MLClient.from_config()

# 直接加载本地conda规格文件，定义环境元信息
experiment_env = load_environment(
    source_path="./env_config/",  # 替换为你的conda.yml所在的本地文件夹路径
    params_override=[
        {"name": "shared-exp-env", "version": "1.0.0"}  # 自定义工作区内的环境名称和版本号
    ]
)

# 提交环境创建到工作区，等待构建完成
ml_client.environments.create_or_update(experiment_env)

• 代码操作时需要提前删除conda.yml内的prefix配置项，AzureML会自动接管云端环境的安装路径，手动指定的本地路径不会生效

常见避坑要点 #

• 不要在conda.yml内写入本地文件路径类的安装源（比如file:///本地磁盘路径的pip源），AzureML的环境构建流程运行在独立的云端容器中，无法访问你本地的磁盘文件
• 如果依赖包含需要系统级库支撑的包（比如带CUDA的PyTorch、GDAL、OpenCV这类），导入时需要选择匹配的AzureML预置基础镜像，避免基础镜像缺失系统库导致依赖安装失败
• 尽量给所有依赖包写死具体版本号，不要使用>=、*这类模糊的版本声明，否则后续每次重新构建环境可能拉取到新版本依赖，破坏实验环境的稳定性
• 环境首次构建完成后，同一个版本的环境会被打包为可复用的Docker镜像，后续提交实验选中该环境时不需要重复构建，可大幅缩短实验启动的等待时间

内容的提问来源于stack exchange，提问作者Saurabh Kansal