企业官网建设流程全解析

• 计算机视觉
• 深度学习

本篇文章围绕 computervision-recipes 仓库中contrib/vm_builder目录下的 VM Builder 工具展开，详细介绍如何通过一条命令在 Azure 上自动创建一台预装完整 Computer Vision 代码与运行环境的 Ubuntu 数据科学虚拟机（DSVM），并通过 SSH 隧道在本地浏览器中直接使用仓库内的 Jupyter Notebook。读完本文，你将掌握该工具的完整交互流程、底层 Azure CLI 调用链、输入校验与配额处理机制，以及 VM 的日常维护与成本控制方法。

工具定位：面向 Computer Vision 工作负载的 DSVM 一键部署脚本

contrib/vm_builder是 computervision-recipes 仓库中contrib（贡献）目录下的一个小型工具项目。根据 contrib/README.md 的说明，contrib目录存放的是与仓库目标一致、但不属于主代码库的扩展内容，这些代码不参与仓库的 DevOps 流水线测试，可能未及时维护，使用时需要自行甄别。VM Builder 在contrib的工具列表中定位为：

帮助用户创建一台带有 GPU 的 Ubuntu Data Science Virtual Machine，并预先安装好 computervision-recipes 仓库，开箱即可使用。

该目录只包含两个文件（见 contrib/vm_builder）：

• README.md：使用说明文档（本文的原始依据）；
• vm_builder.py：全部逻辑所在的单文件 Python 脚本（约 620 行），不依赖任何独立安装包之外的第三方库（仅使用prompt_toolkit做交互提示）。

官方文档明确强调：该工具只在 Linux 或 Mac 上运行，Windows 用户需要借助其他途径（如 Azure 门户或 Azure CLI 手动创建 VM）。

使用前提

在运行脚本之前，需要确认以下前提条件：

1. 一个有效的 Azure 订阅——创建 VM 会产生真实费用，脚本源码的欢迎界面中也明确提示需要azure.microsoft.com上注册的订阅。
2. 已安装 Azure CLI（az命令）——脚本在启动时会通过which("az")检测az是否存在于 PATH 中（对应源码 check_az_cli_installed），若未安装会直接打印提示并退出。
3. 网络与账号权限——执行过程中脚本会调用az login完成身份认证，并代表你在订阅中创建资源组、虚拟机与执行远程脚本，需要相应权限。

快速开始：一行命令启动交互式部署

官方文档给出的启动方式极其简单，在contrib/vm_builder目录下直接运行：

python vm_builder.py

脚本随即进入一个交互式会话（interactive session），像问答向导一样逐项收集信息，并在后台依次完成：登录检查 → 列出订阅 → 收集配置 → 创建资源组 → 创建 DSVM → 远程安装仓库 → 输出连接信息。

一次完整交互大致包含以下环节（均对应源码vm_builder()主流程，见 vm_builder.py）：

交互式部署流程详解（源码级）

下面按脚本实际执行顺序，结合 vm_builder.py 源码逐环节展开。

环境检查与 Azure 登录

脚本先输出一段欢迎信息，说明将创建基于Ubuntu DSVM 镜像的虚拟机，并给出两种机型规格（详见下文）。随后调用check_az_cli_installed()校验 Azure CLI；通过后执行check_logged_in()，通过探测az account list的 stderr 是否包含"az login"来判断登录状态。若未登录，则静默执行：

az login --query "[?n]|[0]"

若已登录，则打印绿色提示“Looks like you're already logged in.”，跳过登录环节。

订阅 ID 与区域的校验

登录后脚本先执行az account list -o table展示全部订阅，然后要求用户粘贴订阅 ID。校验逻辑（prompt_subscription_id）通过命令：

az account list --query []."id" -o tsv

拿到合法 ID 列表，用户输入必须精确命中列表中的一项，否则会反复提示重试。

区域校验（prompt_region）同理，合法区域来自：

az account list-locations --query []."name" -o tsv

如果输入非法，脚本会提示可自行运行az account list-locations查看全部区域，例如典型的eastus。

VM 命名规范

VM 名称的校验规则定义在 validate_vm_name，要点如下：

• 长度必须为1～61 个字符（上限 64 减去 3，因为脚本会自动以{vm_name}-rg生成资源组名，需为-rg后缀预留 3 个字符）；
• 只能包含字母、数字与连字符，正则表达式为^[A-Za-z0-9-]*$。

源码注释同时提示了资源组的自动命名约定，这一点对后续维护很重要：VM 与资源组是一一绑定的，删除资源组即可连带清理 VM 及其附属资源。

GPU 与 CPU 机型选择

脚本允许在 GPU 与 CPU 两种规格间选择，两种规格定义在源码顶部的vm_options字典中（vm_builder.py）：

欢迎界面会明确提示 GPU 机型“会带来更高的成本”（It will incur a higher cost），并询问Do you want to use a GPU-enabled VM [y/n]。选择 GPU 后若配额不足，脚本会提供“降级到 CPU”的兜底选项（详见下文配额检查）。

用户名与密码强度校验

密码强度由 validate_password 强制校验，规则如下：

• 长度在12～123 个字符之间；
• 必须同时包含大写字母与小写字母；
• 必须包含数字；
• 必须包含特殊字符（通过[\W_]正则检测）。

输入密码时使用prompt(..., is_password=True)隐藏回显，并要求二次输入确认，两次不一致会提示重试（prompt_password）。用户名仅要求非空（prompt_username）。

配额检查与 CPU 降级兜底

在真正创建 VM 之前，脚本会先做一次配额预检（check_quota），通过命令：

az vm list-usage --location {region} --query "[?contains(localName,'{family}')].{{max:limit,current:currentValue}}"

获取所选实例族在当前区域的配额上限与已用量，并计算剩余可用核心数（get_available_quota）。若剩余配额小于所选机型所需核心数，脚本会提示配额不足，并询问是否改用 CPU 机型：

Do you want to switch to using a CPU instead? (This will likely solve your out-of-quota problem) [y/n]

选择“是”则自动切换为 CPU 规格继续部署；选择“否”则直接退出。GPU 配额通常比 CPU 紧张，这个兜底设计可以有效避免“配额报错导致流程中断”。

底层调用链：脚本在云端做了什么

确认完所有输入后，脚本按以下顺序在 Azure 上执行部署，对应的 CLI 命令都定义在源码顶部的命令常量中（vm_builder.py）。

第一步：创建资源组

az group create --name {vm_name}-rg --location {region}

资源组名称固定为{vm_name}-rg。创建成功后脚本会打印绿色成功提示（create_rg）。

第二步：创建 Data Science 虚拟机

az vm create --resource-group {vm_name}-rg --name {vm_name} --size {size} \ --image microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest \ --admin-username {username} --admin-password {password} --authentication-type password

关键参数说明：

• --image使用Ubuntu Data Science Virtual Machine 官方镜像（URN 为microsoft-dsvm:linux-data-science-vm-ubuntu:linuxdsvmubuntu:latest，见源码常量 UBUNTU_DSVM_IMAGE），该镜像预装 Anaconda、Jupyter 等数据科学组件；
• --size由上文 GPU/CPU 选择决定（Standard_NC6s_v3或Standard_DS3_v2）；
• 认证方式为密码认证（--authentication-type password）。

创建过程耗时数分钟，随后通过az vm show -d查询公网 IP（get_vm_ip）。

第三步：远程执行仓库安装脚本

VM 就绪后，脚本借助az vm run-command invoke在远端执行安装脚本（install_repo），实际发送到 VM 的 Shell 脚本如下：

export PATH=/anaconda/bin:$PATH conda remove -n cv --all cd /home/{username} rm -rf computervision git clone https://www.github.com/microsoft/computervision chmod 777 computervision cd computervision conda env create -f environment.yml source activate cv python -m ipykernel install --user --name cv --display-name "Python (cv)" jupyter notebook --port 8899 --allow-root --NotebookApp.token='' --NotebookApp.password='' &

这段脚本完成了四件事：

1. 克隆仓库到用户主目录，并放开目录权限；
2. 用仓库根目录的 environment.yml 构建名为cv的 conda 环境。该环境文件固定了一批关键依赖版本，例如 Python 3.7.6、PyTorch 1.2.0、torchvision 0.4.0、fastai 1.0.57、Jupyter、ipykernel，以及azureml-sdk[notebooks,contrib]、decord、einops等训练与数据处理相关包；
3. 将cv环境注册为 Jupyter kernel，显示名为Python (cv)，这样 Notebook 页面中就能直接选择该环境；
4. 在 8899 端口后台启动 Jupyter Notebook。

安装完成后脚本打印“Successfully installed the repo on the machine.”。

连接与使用：SSH 隧道访问 Jupyter

官方文档给出的使用方式是通过 SSH 本地端口转发访问 Jupyter。在本地机器（Linux/Mac）上执行：

ssh -L 8899:localhost:8899 <username>@<ip-address>

将远端 8899 端口映射到本机 8899 端口，然后在浏览器中打开：

http://localhost:8899

即可看到已就绪的 computervision-recipes 仓库与各场景 Notebook（如scenarios/classification、scenarios/detection等），配合前面注册的cvkernel 直接运行。这与 SETUP.md 中描述的本地环境安装步骤（conda env create -f environment.yml+python -m ipykernel install）逻辑一致，只不过全部由脚本在云端自动完成。

VM 生命周期管理与成本控制

部署完成后，脚本会输出一份“建议保存”的 VM 信息摘要（print_exit_dialogue），包括 VM 名称、公网 IP、区域、用户名、资源组（{vm_name}-rg）与订阅 ID，并附上四条关键运维命令：

脚本的退出提示会特别强调：虚拟机持续产生费用，请记得在闲置时停止它以控制成本。若不再需要整个环境，直接删除{vm_name}-rg资源组即可一次性清理 VM 及其附属网络、磁盘资源。

注意事项与常见问题

结合源码实现，使用过程中有几点值得特别留意：

• 平台限制：脚本仅在 Linux/Mac 上运行，依赖subprocess调用az与ssh，Windows 下会失败；
• 配额不足：GPU 机型配额不足时，脚本会引导降级到 CPU 机型；若仍失败，可联系 Azure 支持提升对应实例族的区域配额；
• 密码规则严格：必须满足 12～123 字符、大小写、数字与特殊字符四类要求，且二次输入需一致；
• 网络安全提醒（由源码推断）：从安装脚本可见，Jupyter 以--allow-root启动且关闭了 token/password 认证（--NotebookApp.token=''），这意味着任何能访问 8899 端口的人都可以直接操作 Notebook。脚本依赖 SSH 隧道将服务仅暴露给本机，请勿在公网直接开放该端口；若需更强的隔离，建议部署后自行补充认证或网络安全组（NSG）配置；
• 仓库地址说明：安装脚本克隆的是脚本内硬编码的microsoft/computervision仓库地址，克隆后的环境与本仓库（computervision-recipes）的 environment.yml 对应一致；如仓库地址变动导致克隆失败，可参考 contrib/README.md 的提示，改用 Azure 门户或 Azure CLI 手工完成同样的步骤。

延伸：与 VMSS Builder 的关系

在contrib目录中，与 VM Builder 定位互补的还有 vmss_builder：它基于 Azure 虚拟机规模集（VMSS）批量创建多台 DSVM，并为每台机器配置多个 JupyterHub 用户，适用于需要临时为多人准备实验环境（如 hands-on / lab 场景）的情况。VM Builder 则聚焦单台DSVM 的快速开通，适合个人开发或小团队先跑通工作流，两者共享“DSVM + conda 环境 + Notebook 开箱即用”的设计思路。

总而言之，VM Builder 把“开通 Azure VM、克隆仓库、构建 conda 环境、注册 kernel、启动 Jupyter”这一连串手工操作压缩成了python vm_builder.py一条命令，配合交互式校验与配额兜底，是快速获得一套可运行 computervision-recipes Notebook 的云端实验环境的低成本方案。

• 计算机视觉
• 深度学习