Poznámky k verzi sady Azure Machine Learning Python SDK

V tomto článku se dozvíte o vydaných verzích sady Python SDK služby Azure Machine Learning. Úplný referenční obsah sady SDK najdete na hlavní stránce referenční stránky sady SDK služby Azure Machine Learning pro Python.

Informační kanál RSS: Upozorněte se, když se tato stránka aktualizuje zkopírováním a vložením následující adresy URL do čtečky informačního kanálu: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-11-12

Azure Machine Learning SDK pro Python verze 1.59.0

Podpora onNX 1.17.0 pro řešení ohrožení zabezpečení Oprava definice modelu mlflow conda pro prostředí ai-ml-automl-gpu, která řeší problémy s nasazením modelů.

2024-10-18

Azure Machine Learning SDK pro Python verze 1.58.0

Podpora pythonu 3.11

2024-08-05

Azure Machine Learning SDK pro Python verze 1.57.0

AutoML podporuje scikit-learn verze 1.5.1

2024-04-29

Azure Machine Learning SDK pro Python verze 1.56.0

• azureml-core
• výchozí hodnoty azureml
  • Připnutí azureml-inference-server-http na hodnotu 1.0.0 ve výchozím nastavení azureml
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.31.*
• azureml-responsibleai
  • aktualizace běžného prostředí a balíčku azureml-responsibleai na raiwidgets a responsibleai 0.33.0
  • Zvýšení zodpovědného a spravedlivého učení verzí závislostí

2024-01-29

Azure Machine Learning SDK pro Python verze 1.55.0

• azureml-core
• výchozí hodnoty azureml
  • Připnutí azureml-inference-server-http na hodnotu 1.0.0 ve výchozím nastavení azureml
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.31.*
• azureml-responsibleai
  • aktualizace běžného prostředí a balíčku azureml-responsibleai na raiwidgets a responsibleai 0.33.0
  • Zvýšení zodpovědného a spravedlivého učení verzí závislostí

2023-11-13

• azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
  • statsmodels, pandas a scipy byly upgradovány na verze 1.13, 1.3.5 a 1.10.1 - fbprophet 0.7.1 byl nahrazen prorokem 1.1.4 Při načítání modelu v místním prostředí by verze těchto balíčků měly odpovídat tomu, na co byl model natrénován.
• azureml-core, azureml-pipeline-core, azureml-pipeline-steps
  • AzureML-Pipeline – Přidání upozornění pro init_scripts parametr v kroku Databricks, které vás upozorní na nadcházející vyřazení.
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.30.*
• azureml-mlflow
  • feat: Přidejte AZUREML_BLOB_MAX_SINGLE_PUT_SIZE k řízení velikosti v bajtech bloků nahrání. Snížení této hodnoty z výchozího nastavení (64*1024*1024 tj. 64 MB) může napravit problémy, kdy operace zápisu selžou kvůli vypršení časového limitu.
  • Podpora nahrávání a stahování modelů z registrů služby Azure Machine Learning je v současné době experimentální.
  • Přidání podpory pro uživatele, kteří chtějí stáhnout nebo nahrát model z registrů AML

2023-08-21

Azure Machine Learning SDK pro Python verze 1.53.0

• azureml-automl-core
  • Podpora funkcí/regresorů známých v době prognózy v modelech TCN pro autoML.
• azureml-automl-dnn-vision
  • Povolení příznaků pro log_training_metrics a log_validation_loss pro rozpoznávání objektů a segmentaci instancí AutoML
• azureml-contrib-automl-dnn-forecasting
  • Podpora funkcí/regresorů známých v době prognózy v modelech TCN pro autoML.
• azureml-core
  • Python 3.7 dosáhl konce životnosti 27. června 2023. Proto bude verze 3.7 v azureml-core od října 2023 zastaralá a azureml-core ukončí podporu verze 3.7 v únoru 2024.
• azureml-mlflow
  • Oprava načítání modelů s využitím rozhraní API load_model MLflow při předávání identifikátoru URI služby Azure Machine Learning
• azureml-pipeline-core
  • Vynechání podřízeného spuštění a chyby protokolu při neúspěšném načtení podřízeného spuštění (například 404) pomocí PipelineRun.get_pipeline_runspříkazu .
  • PipelineEndpoint.list zavádí nový int parametr max_results, který označuje maximální velikost vráceného seznamu. Výchozí hodnota max_results je 100.
• azureml-training-tabular
  • Podpora funkcí/regresorů známých v době prognózy v modelech TCN pro autoML.

2023-06-26

Azure Machine Learning SDK pro Python verze 1.52.0

• azureml-automl-dnn-vision
  • Podpis mlflow pro modely AutoML modulu runtime (starší verze) se změnil tak, aby přijímal binární vstupy. To umožňuje dávkové odvozování. Predikce funkce je zpětně kompatibilní, takže uživatelé můžou řetězce base64 odesílat jako vstup. Výstup funkce predict se změnil tak, aby odebral dočasný název souboru a prázdný klíč vizualizací a přisuzovací klíč, pokud je vysvětlitelnost modelu n...
• azureml-contrib-automl-dnn-forecasting
  • Opravili jsme chybu, která způsobovala selhání při distribuovaném trénování TCN, když se data skládají z jedné časové řady.
• azureml-interpret
  • Odebrání pin kódu shap v azureml-interpret pro aktualizaci na nejnovější verzi v interpret-community
• azureml-responsibleai
  • aktualizace běžného prostředí a balíčku azureml-responsibleai na raiwidgets a responsibleai 0.28.0

2023-05-20

Azure Machine Learning SDK pro Python verze 1.51.0

• azureml-automl-core
  • Úloha prognózování AutoML teď podporuje průběžnou prognózu a částečnou podporu pro kvantilíní prognózy pro hierarchické časové řady (HTS).
  • Zákaz používání tabulkových datových sad zákazníkům pro scénáře klasifikace (více tříd a více popisků)
• azureml-automl-dnn-nlp
  • Zákaz používání tabulkových datových sad zákazníkům pro scénáře klasifikace (více tříd a více popisků)
• azureml-contrib-automl-pipeline-steps
  • Úloha prognózování AutoML teď podporuje průběžnou prognózu a částečnou podporu pro kvantilíní prognózy pro hierarchické časové řady (HTS).
• azureml-fsspec
  • Nahradí všechny uživatele způsobené chyby v MLTable &FSSpec vlastní userErrorException importovaný z azureml-dataprep.
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.29.*
• azureml-pipeline-core
  • Oprava pipeline_version se neprojevuje při volání pipeline_endpoint.submit().
• azureml-train-automl-client
  • Úloha prognózování AutoML teď podporuje průběžnou prognózu a částečnou podporu pro kvantilíní prognózy pro hierarchické časové řady (HTS).
• azureml-train-automl-runtime
  • Úloha prognózování AutoML teď podporuje průběžnou prognózu a částečnou podporu pro kvantilíní prognózy pro hierarchické časové řady (HTS).
• mltable
  • Při načítání souborů MLTable se teď podporují i další varianty utf-8 kódování.
  • Nahradí všechny uživatele způsobené chyby v MLTable &FSSpec vlastní userErrorException importovaný z azureml-dataprep.

2023-04-10

Azure Machine Learning SDK pro Python verze 1.50.0

• azureml-contrib-automl-dnn-forecasting
  • Přidání podpory pro prognózování na daných quantilech pro modely TCN
• azureml-responsibleai
  • aktualizace běžného prostředí a balíčku azureml-responsibleai na raiwidgets a responsibleai 0.26.0
• azureml-train-automl-runtime
  • Oprava zpracování tabulek MLTable pro scénář testování modelu
• azureml-training-tabular
  • Přidání quantiles jako parametru v metodě forecast_quantile

2023-03-01

Oznámení ukončení podpory pythonu 3.7 v balíčcích sady Azure Machine Learning SDK v1

• Vyřazení funkce
  • Vyřazení Pythonu 3.7 jako podporovaného modulu runtime pro balíčky SDK v1
    • 4. prosince 2023 přestane Azure Machine Learning oficiálně podporovat balíčky Pythonu 3.7 pro SDK verze 1 a vy deprecate ho jako podporovaný modul runtime. Další podrobnosti najdete na naší stránce o zásadách podpory verzí sady Azure SDK pro Python.
    • Od data ukončení 4. prosince 2023 už balíčky sady Azure Machine Learning SDK v1 nebudou dostávat opravy zabezpečení a další aktualizace modulu runtime Pythonu 3.7.
    • Aktuální verze Pythonu 3.7 pro sadu Azure Machine Learning SDK v1 stále fungují. Aby však bylo možné dál přijímat aktualizace zabezpečení a zůstat kvalifikované pro technickou pomoc, Azure Machine Learning důrazně doporučuje přesunout skripty a závislosti do podporované verze modulu runtime Pythonu.
    • Jako modul runtime pro soubory sady Azure Machine Learning SDK verze 1 doporučujeme používat Python verze 3.8 nebo novější.
    • Balíčky Sady Azure Machine Learning SDK verze 3.7 založené na Pythonu 3.7 už navíc nemají nárok na technickou pomoc.
    • Pokud máte nějaké obavy, spojte se s námi pomocí podpory služby Azure Machine Learning.

2023-13-02

Azure Machine Learning SDK pro Python verze 1.49.0

• Změny způsobující chyby
  • Počínaje verzí v1.49.0 a novějšími nebudou podporovány následující algoritmy AutoML.
    • Regrese: FastLinearRegressor, OnlineGradientDescentRegressor
    • Klasifikace: AveragedPerceptronClassifier.
  • K dalšímu používání těchto algoritmů použijte verzi 1.48.0 nebo novější.
• Opravy chyb a vylepšení
  • azureml-automl-dnn-nlp
    • Protokoly pro zobrazení konečných hodnot použitých v nastavení modelu a hyperparametrů na základě výchozích i uživatelem zadaných hodnot.
  • azureml-contrib-automl-dnn-forecasting
    • Nescalarové metriky pro TCNForecaster teď odrážejí hodnoty z poslední epochy.
    • Vizuály horizont prognózy pro trénovací sadu a testovací sadu jsou nyní k dispozici při spuštění trénovacího experimentu TCN.
    • Spuštění už selžou kvůli chybě Nepovedlo se vypočítat metriky TCN. Zpráva s upozorněním "Výpočet prognózy metriky způsobil chybu, hlášení nejhorších skóre zpět" bude stále zaznamenáno. Místo toho vyvoláme výjimku, když čelíme ztrátě ověření inf/nan více než dvakrát po sobě s zprávou "Neplatný model, trénování TCN se nekonvergovalo.". Zákazníci si musí být vědomi skutečnosti, že načtené modely můžou vracet hodnoty nan/inf jako předpovědi při odvozování po této změně.
  • azureml-core
    • Vytvoření pracovního prostoru Azure Machine Learning využívá Službu Application Insights založenou na Log Analytics při přípravě na vyřazení služby Classic Application Insights. Uživatelé, kteří chtějí používat klasické prostředky Application Insights, můžou při vytváření pracovního prostoru Azure Machine Learning zadat vlastní prostředky.
  • azureml-interpret
    • Aktualizace balíčku azureml-interpret pro interpret-community 0.28.*
  • azureml-mlflow
    • Aktualizace klienta azureml-mlflow s počáteční podporou MLflow 2.0
  • azureml-responsibleai
    • Aktualizace balíčků a poznámkových bloků azureml a poznámkových bloků na raiwidgets a responsibleai v0.24.0
  • azureml-sdk
    • azureml-sdk a azureml-train-automl-client teď podporují Python verze 3.10.
  • azureml-train-automl-client
    • azureml-sdk a azureml-train-automl-client teď podporují Python verze 3.10.
  • azureml-train-automl-runtime
    • Vyčištění chybějící y před trénováním
    • Vyčištění nán nebo prázdných hodnot cílového sloupce pro nestreamové scénáře
    • Vizuály horizont prognózy pro testovací sadu jsou nyní k dispozici při spuštění trénovacího experimentu.
  • azureml-train-core
    • Přidání podpory pro zákazníka za účelem poskytnutí ID vlastního spuštění pro spuštění hyperdrivu
  • azureml-train-restclients-hyperdrive
    • Přidání podpory pro zákazníka za účelem poskytnutí ID vlastního spuštění pro spuštění hyperdrivu

2022-12-05

Azure Machine Learning SDK pro Python verze 1.48.0

• Změny způsobující chyby

  • Podpora Pythonu 3.6 je pro balíčky sady Azure Machine Learning SDK zastaralá.

• Opravy chyb a vylepšení

  • azureml-core
    • Účty úložiště vytvořené jako součást vytváření pracovního prostoru teď nastaví veřejný přístup k objektům blob, aby se ve výchozím nastavení zakázal.
  • azureml-responsibleai
    • Aktualizace balíčků a poznámkových bloků azureml a poznámkových bloků na balíčky raiwidgets a responsibleai v0.23.0
    • Přidání serializátoru modelů a modelu pyfunc do balíčku azureml-responsibleai pro snadné ukládání a načítání modelů
  • azureml-train-automl-runtime
    • Přidání řetězce docstring pro parametry ManyModels a parametry HierarchicalTimeSeries
    • Opravili jsme chybu, kdy vygenerovaný kód neprovádí správné trénování nebo testování rozdělení.
    • Opravili jsme chybu, která způsobovala selhání předpovědí vygenerovaných trénovacích úloh kódu.

2022-10-25

Azure Machine Learning SDK pro Python verze 1.47.0

• azureml-automl-dnn-nlp
  • Změny za běhu pro AutoML NLP pro účely pevného trénování parametrů v rámci nově zavedeného úklidu modelu a ladění hyperparametrů.
• azureml-mlflow
  • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT lze použít k řízení časového limitu pro nahrání artefaktů.
• azureml-train-automl-runtime
  • Mnoho modelů a trénování hierarchických časových řad teď vynucuje kontrolu parametrů časového limitu, aby před odesláním experimentu pro spuštění zjistila konflikt. Tím se zabrání selhání experimentu během spuštění vyvoláním výjimky před odesláním experimentu.
  • Zákazníci teď můžou řídit velikost kroku při používání průběžné prognózy v odvozování mnoha modelů.
  • Funkce ManyModels odvozuje nedílná tabulková data teď podporuje forecast_quantiles.

2022-09-26

Azure Machine Learning SDK pro Python verze 1.46.0

• azureml-automl-dnn-nlp
  • Zákazníci už nebudou moct v CoNLL zadávat řádek, který se skládá jenom s tokenem. Řádek musí vždy být prázdný nový řádek nebo jeden s přesně jedním tokenem následovaným přesně jednou mezerou a přesně jedním popiskem.
• azureml-contrib-automl-dnn-forecasting
  • Existuje rohový případ, kdy se vzorky po rozdělení křížového ověření zmenší na 1, ale sample_size stále odkazuje na počet před rozdělením, a proto batch_size v některých případech bude větší než počet vzorků. V této opravě inicializujeme sample_size po rozdělení.
• azureml-core
  • Přidání upozornění na vyřazení, když zákazníci odvozování používají rozhraní příkazového řádku nebo sady SDK v1 rozhraní API pro nasazení modelů a také v případech, kdy je verze Pythonu 3.6 a menší.
  • Následující hodnoty AZUREML_LOG_DEPRECATION_WARNING_ENABLED chování změní následujícím způsobem:
    • Výchozí – zobrazí upozornění, když zákazník používá Python 3.6 a méně a pro cli/SDK verze 1.
    • True – zobrazí upozornění na vyřazení sady SDK v1 v balíčcích azureml-sdk.
    • False – zakáže upozornění na vyřazení sady SDK v1 u balíčků azureml-sdk.
  • Spuštěním příkazu nastavíte proměnnou prostředí tak, aby se zakažovala zpráva o vyřazení:
    • Windows – setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
    • Linux – export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
• azureml-interpret
  • aktualizace balíčku azureml-interpret pro interpret-community 0.27.*
• azureml-pipeline-core
  • Oprava výchozího časového pásma plánu na UTC
  • Oprava nesprávného opakovaného použití při použití SqlDataReference v kroku DataTransfer.
• azureml-responsibleai
  • Aktualizace balíčku azureml-responsibleai a kurátorovaných imagí na raiwidgets a responsibleai v0.22.0
• azureml-train-automl-runtime
  • Opravili jsme chybu ve generovaných skriptech, která způsobovala, že se určité metriky v uživatelském rozhraní nevykreslují správně.
  • Mnoho modelů teď podporuje průběžné prognózy pro odvozování.
  • Podpora vrácení top N modelů ve scénáři mnoha modelů

2022-08-29

Azure Machine Learning SDK pro Python verze 1.45.0

• azureml-automl-runtime
  • Opravili jsme chybu, kdy se sloupec sample_weight neověřil správně.
  • Přidání veřejné metody rolling_forecast() do obálky kanálu prognózování pro všechny podporované modely prognózování Tato metoda nahrazuje zastaralou metodu rolling_evaluation().
  • Opravili jsme problém, kdy se úlohy regrese AutoML mohly vrátit do trénování platného rozdělení pro vyhodnocení modelu, kdy cv bylo vhodnější volbou.
• azureml-core
  • Byla přidána nová přípona konfigurace cloudu aml_discovery_endpoint.
  • Aktualizovali jsme balíček azure-storage od dodavatele z verze 2 na verzi 12.
• azureml-mlflow
  • Byla přidána nová přípona konfigurace cloudu aml_discovery_endpoint.
• azureml-responsibleai
  • aktualizace balíčků a kurátorovaných imagí azureml na raiwidgets a responsibleai 0.21.0
• azureml-sdk
  • Balíček azureml-sdk teď umožňuje Python 3.9.

2022-08-01

Azure Machine Learning SDK pro Python verze 1.44.0

• azureml-automl-dnn-nlp
  • Vážená přesnost a Korelační koeficient Matthews (MCC) už nebudou metrikou zobrazenou na počítaných metrikách pro klasifikaci NLP Multilabel.
• azureml-automl-dnn-vision
  • Vyvolání chyby uživatele při zadání neplatného formátu poznámek
• azureml-cli-common
  • Aktualizace popisu rozhraní příkazového řádku v1
• azureml-contrib-automl-dnn-forecasting
  • Opravili jsme problémy typu "Nepodařilo se vypočítat metriky TCN". Problémy způsobené TCNForecasterem, když různé časové řady v ověřovací datové sadě mají různé délky.
  • Přidali jsme detekci ID automatického časového období pro modely prognóz DNN, jako je TCNForecaster.
  • Opravili jsme chybu s modelem TCN prognózy, kdy mohla být v některých případech poškozena ověřovací data, když uživatel zadal ověřovací sadu.
• azureml-core
  • Povolit nastavení parametru timeout_seconds při stahování artefaktů ze spuštění
  • Byla přidána zpráva s upozorněním – Azure Machine Learning CLI v1 se vyřadí z 9. 2025. Uživatelům se doporučuje přijmout rozhraní příkazového řádku v2.
  • Oprava odesílání do jiných než AmlComputes vyvolává výjimky.
  • Přidání podpory kontextu Dockeru pro prostředí
• azureml-interpret
  • Zvýšení verze numpy pro balíčky AutoML
• azureml-pipeline-core
  • Oprava regenerate_outputs=True se při odesílání kanálu neprojevuje.
• azureml-train-automl-runtime
  • Zvýšení verze numpy pro balíčky AutoML
  • Povolení generování kódu pro zpracování obrazu a nlp
  • Původní sloupce, na kterých se vytvoří zrno, se přidají jako součást predictions.csv

2022-07-21

Oznámení ukončení podpory pythonu 3.6 v balíčcích sady Azure Machine Learning SDK v1

• Vyřazení funkce
  • Vyřazení Pythonu 3.6 jako podporovaného modulu runtime pro balíčky SDK verze 1
    • 5. prosince 2022 azure Machine Learning vypíše Python 3.6 jako podporovaný modul runtime a formálně ukončí podporu pythonu 3.6 pro balíčky SDK verze 1.
    • Od data vyřazení z 5. prosince 2022 už Azure Machine Learning nebude používat opravy zabezpečení a další aktualizace modulu runtime Pythonu 3.6 používaného balíčky sady Azure Machine Learning SDK v1.
    • Stávající balíčky sady Azure Machine Learning SDK v1 s Pythonem 3.6 stále běží. Azure Machine Learning však důrazně doporučuje migrovat skripty a závislosti do podporované verze modulu runtime Pythonu, abyste nadále dostávali opravy zabezpečení a měli nárok na technickou podporu.
    • Pro balíčky sady Azure Machine Learning SDK verze 1 doporučujeme používat verzi Pythonu 3.8 jako modul runtime.
    • Kromě toho balíčky sady Azure Machine Learning SDK v1 využívající Python 3.6 už nemají nárok na technickou podporu.
    • Pokud máte nějaké dotazy, kontaktujte nás prostřednictvím podpory AML.

2022-06-27

• azureml-automl-dnn-nlp
  • Odebrání duplicitních sloupců popisků z předpovědí s více popisky
• azureml-contrib-automl-pipeline-steps
  • Mnoho modelů teď nabízí také možnost generovat výstup předpovědi ve formátu CSV. – Mnoho předpovědí modelů teď obsahuje názvy sloupců ve výstupním souboru v případě formátu CSV .
• azureml-core
  • Ověřování ADAL je teď zastaralé a všechny třídy ověřování teď používají ověřování MSAL. Nainstalujte azure-cli>=2.30.0, abyste při použití třídy AzureCliAuthentication použili ověřování založené na MSAL.
  • Přidání opravy pro vynucení registrace prostředí při Environment.build(workspace). Oprava řeší nejasnosti z nejnovějšího vytvořeného prostředí namísto dotazu, když je prostředí klonováno nebo zděděno z jiné instance.
  • Zpráva upozornění sady SDK pro restartování výpočetních instancí před 31. květnem 2022, pokud byla vytvořena před 19. zářím 2021
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.26.*
  • V balíčku azureml-interpret přidejte možnost získat nezpracované a inženýrované názvy funkcí z vysvětlení skóre. Přidejte také příklad do poznámkového bloku bodování, abyste získali názvy funkcí z vysvětlení bodování a přidali dokumentaci o nezpracovaných a navržených názvech funkcí.
• azureml-mlflow
  • Azureml-core jako závislost azureml-mlflow byla odebrána. – Projekty MLflow a místní nasazení vyžadují azureml-core a je potřeba je nainstalovat samostatně.
  • Přidání podpory pro vytváření koncových bodů a jejich nasazení prostřednictvím modulu plug-in klienta MLflow
• azureml-responsibleai
  • Aktualizace imagí balíčků a prostředí azureml-responsibleai na nejnovější verze odpovědnosti a raiwidgets 0.19.0
• azureml-train-automl-client
  • OutputDatasetConfig se teď podporuje jako vstup tvůrce kanálů MM/HTS. Mapování jsou: 1) OutputTabularDatasetConfig –> považováno za nedílnou tabulkovou datovou sadu. 2) OutputFileDatasetConfig –> považováno za souborovou datovou sadu.
• azureml-train-automl-runtime
  • Přidání ověření dat, které vyžaduje, aby počet vzorků menšinové třídy v datové sadě byl alespoň tolik, kolik bylo požadováno přeložení CV.
  • Automatická konfigurace parametru křížového ověření je nyní k dispozici pro úlohy prognózování AutoML. Uživatelé teď můžou zadat "auto" pro n_cross_validations a cv_step_size nebo je nechat prázdné a AutoML tyto konfigurace poskytuje na základě vašich dat. Tato funkce se ale v současné době nepodporuje, pokud je povolený TCN.
  • Prognózování parametrů v mnoha modelech a hierarchických časových řadách je nyní možné předávat prostřednictvím objektu místo použití jednotlivých parametrů ve slovníku.
  • Povolili jsme koncové body modelu prognózování s podporou quantiles, které se mají využívat v Power BI.
  • Aktualizace horní hranice závislostí autoML na verzi 1.5.3 z verze 1.5.2

2022-04-25

Azure Machine Learning SDK pro Python verze 1.41.0

Upozornění na změnu způsobující chybu

Tato zásadní změna pochází z červnového azureml-inference-server-httpvydání . V červnové azureml-inference-server-http verzi (v0.9.0) dojde k vyřazení podpory Pythonu 3.6. Vzhledem k tomu azureml-defaults , že závisí na azureml-inference-server-http, tato změna je rozšířena na azureml-defaults. Pokud nepoužíváte azureml-defaults pro odvozování, můžete místo instalace azureml-defaultspoužít azureml-core nebo jakékoli jiné balíčky sady SDK služby Azure Machine Learning.

• azureml-automl-dnn-nlp
  • Zapnutí funkce textu s dlouhým rozsahem ve výchozím nastavení
• azureml-automl-dnn-vision
  • Změna typu Třídy ObjectAnnotation z objektu na "datový objekt".
• azureml-core
  • Tato verze aktualizuje třídu Keyvault používanou zákazníky, aby jim umožnila poskytnout typ obsahu keyvault při vytváření tajného kódu pomocí sady SDK. Tato verze také aktualizuje sadu SDK tak, aby zahrnovala novou funkci, která zákazníkům umožňuje načíst hodnotu typu obsahu z konkrétního tajného kódu.
• azureml-interpret
  • Aktualizace balíčku azureml-interpret pro interpret-community 0.25.0
• azureml-pipeline-core
  • Podrobnosti o spuštění už netiskněte, pokud pipeline_run.wait_for_completionshow_output=False
• azureml-train-automl-runtime
  • Opraví chybu, která by způsobila selhání generování kódu, když se v trénovacím prostředí nachází balíček azureml-contrib-automl-dnn-forecasting.
  • Oprava chyby při použití testovací datové sady bez sloupce popisku s využitím testování modelu AutoML

2022-03-28

Azure Machine Learning SDK pro Python verze 1.40.0

• azureml-automl-dnn-nlp
  • Funkci Text s dlouhým rozsahem vytváříme jako volitelnou a pouze pokud se k ní zákazníci explicitně přihlásí, použijeme kwarg "enable_long_range_text".
  • Přidání vrstvy ověření dat pro scénář klasifikace s více třídami, který používá stejnou základní třídu jako vícenásobný popisek pro běžné ověřování a odvozenou třídu pro více kontrol ověření dat specifických pro úlohu.
• azureml-automl-dnn-vision
  • Oprava chyby KeyError při výpočtech hmotností tříd
• azureml-contrib-výztužné učení
  • Zpráva upozornění sady SDK pro nadcházející vyřazení služby RL
• azureml-core
  • • Vrácení protokolů pro spuštění, která prošla naším novým modulem runtime při volání některé z funkcí get logs na objektu spuštění, včetně run.get_details, run.get_all_logsatd.
  • Přidali jsme experimentální metodu Datastore.register_onpremises_hdfs, která uživatelům umožní vytvářet úložiště dat odkazující na místní prostředky HDFS.
  • Aktualizace dokumentace k rozhraní příkazového řádku v příkazu nápovědy
• azureml-interpret
  • Pro balíček azureml-interpret odeberte pin shap s aktualizací balení. Odeberte numba a numpy pin po aktualizaci env CE.
• azureml-mlflow
  • Oprava chyby pro klienta nasazení MLflow run_local selhání, pokud nebyl zadaný konfigurační objekt.
• azureml-pipeline-steps
  • Odebrání přerušeného propojení zastaralého kanálu EstimatorStep
• azureml-responsibleai
  • Aktualizace balíčku azureml-responsibleai na raiwidgets a responsibleai verze 0.17.0
• azureml-train-automl-runtime
  • Generování kódu pro automatizované strojové učení teď podporuje modely ForecastTCN (experimentální).
  • Modely vytvořené prostřednictvím generování kódu teď mají všechny metriky počítané ve výchozím nastavení (s výjimkou normalizovaných průměrných absolutních chyb, normalizovaných mediánů absolutních chyb, normalizovaných RMSE a normalizovaných RMSLE v případě předpovědí modelů). Seznam metrik, které se mají vypočítat, lze změnit úpravou návratové get_metrics_names()hodnoty . Křížové ověřování se teď ve výchozím nastavení používá pro prognózování modelů vytvořených prostřednictvím generování kódu.
• azureml-training-tabular
  • Seznam metrik, které se mají vypočítat, lze změnit úpravou návratové get_metrics_names()hodnoty . Křížové ověřování se teď ve výchozím nastavení používá pro prognózování modelů vytvořených prostřednictvím generování kódu.
  • Převod desetinného typu y na hodnotu float, aby výpočty metrik mohly pokračovat bez chyb.

2022-02-28

Azure Machine Learning SDK pro Python verze 1.39.0

• azureml-automl-core
  • Oprava nesprávného formuláře zobrazeného v PBI pro integraci s modely regrese AutoML
  • Přidání kontroly tříd min-label u úloh klasifikace (více tříd i více popisků) Vyvolá chybu spuštění zákazníka, pokud je jedinečný počet tříd ve vstupní trénovací datové sadě menší než 2. Klasifikace není smysluplná spustit na méně než dvou třídách.
• azureml-automl-runtime
  • Převod desetinného typu y na hodnotu float, aby výpočty metrik mohly pokračovat bez chyb.
  • Trénování AutoML teď podporuje numpy verze 1.8.
• azureml-contrib-automl-dnn-forecasting
  • Opravili jsme chybu v modelu TCNForecaster, kdy se při poskytnutí nastavení křížového ověření nepoužívaly všechna trénovací data.
  • Metoda prognózy TCNForecaster, která poškodila predikce inference-time. Opravili jsme také problém, kdy metoda prognózy nepoužila nejnovější kontextová data ve scénářích platných pro trénování.
• azureml-interpret
  • Pro balíček azureml-interpret odeberte pin shap s aktualizací balení. Odeberte numba a numpy pin po aktualizaci env CE.
• azureml-responsibleai
  • balíček azureml-responsibleai pro verze raiwidgets a responsibleai 0.17.0
• azureml-synapse
  • Opravte problém, kdy kouzelný widget zmizel.
• azureml-train-automl-runtime
  • Aktualizace závislostí AutoML pro podporu Pythonu 3.8 Tato změna přeruší kompatibilitu s modely natrénovanými pomocí sady SDK 1.37 nebo nižší kvůli tomu, že se v modelu ukládají novější rozhraní Pandas.
  • Trénování AutoML teď podporuje numpy verze 1.19
  • Oprava logiky indexu resetování AutoML pro modely souborů v rozhraní AUTOML_SETUP_MODEL_EXPLANATIONS API
  • V AutoML použijte náhradní model lightgbm místo lineárního náhradního modelu pro řídký případ po upgradu nejnovější verze lightgbm
  • Všechny interní zprostředkující artefakty, které autoML vytváří, se teď ukládají transparentně na nadřazené spuštění (místo aby se odesílaly do výchozího úložiště objektů blob pracovního prostoru). Uživatelé by měli být schopni zobrazit artefakty, které AutoML generuje v outputs/ adresáři v nadřazené spuštění.

2022-01-24

Azure Machine Learning SDK pro Python verze 1.38.0

• azureml-automl-core
  • Podpora regresoru tabulátoru a klasifikátoru tabulátoru v AutoML
  • Ukládání datového transformátoru ve výstupech nadřazeného spuštění, které je možné znovu použít k vytvoření stejné featurované datové sady, která se použila při spuštění experimentu
  • Podpora získání primárních metrik pro úlohu prognózování v rozhraní GET_PRIMARY_METRICS API
  • Přejmenování druhého volitelného parametru ve skriptech bodování v2 jako GlobalParameters
• azureml-automl-dnn-vision
  • Přidání metrik bodování do uživatelského rozhraní metrik
• azureml-automl-runtime
  • Oprava chyby v případech, kdy se název algoritmu pro modely NimbusML může zobrazit jako prázdné řetězce, buď v nástroji ML Studio, nebo ve výstupech konzoly.
• azureml-core
  • Přidání blobfuse_enabled parametru v azureml.core.webservice.aks.AksWebservice.deploy_configuration Pokud je tento parametr pravdivý, modely a soubory bodování se stáhnou pomocí blobfuse místo rozhraní API úložiště objektů blob.
• azureml-interpret
  • Aktualizace azureml-interpret pro interpret-community 0.24.0
  • Vysvětlení vyhodnocování aktualizací v azureml-interpretu pro podporu nejnovější verze lightgbm s využitím řídké TreeExplainer
  • Aktualizace azureml-interpret pro interpretaci komunity 0.23.*
• azureml-pipeline-core
  • Přidejte poznámku do pipelinedata a místo toho doporučujeme, aby uživatel používal výstupní datovou sadu kanálu.
• azureml-pipeline-steps
  • Přidejte environment_variables do ParallelRunConfig, proměnné prostředí runtime mohou být předány tímto parametrem a budou nastaveny v procesu, ve kterém je spuštěn uživatelský skript.
• azureml-train-automl-client
  • Podpora regresoru tabulátoru a klasifikátoru tabulátoru v AutoML
• azureml-train-automl-runtime
  • Ukládání datového transformátoru ve výstupech nadřazeného spuštění, které je možné znovu použít k vytvoření stejné featurované datové sady, která se použila při spuštění experimentu
• azureml-train-core
  • Povolení podpory předčasného ukončení pro Bayesian Optimization na HyperDrivu
  • Bayesian a GridParameterSampling objekty teď můžou předávat vlastnosti

2021-12-13

Azure Machine Learning SDK pro Python verze 1.37.0

• Změny způsobující chyby

  • azureml-core
    • Počínaje verzí 1.37.0 používá sada Azure Machine Learning SDK jako podkladovou knihovnu ověřování knihovnu MSAL. MSAL používá tok ověřování Azure Active Directory (Azure AD) v2.0 k zajištění dalších funkcí a zvyšuje zabezpečení mezipaměti tokenů. Další informace najdete v tématu Přehled knihovny MSAL (Microsoft Authentication Library).
    • Aktualizujte závislosti sady AML SDK na nejnovější verzi klientské knihovny Azure Resource Management pro Python (azure-mgmt-resource>=15.0.0,20.0.0<) a osvojte sadu TRACK2 SDK.
    • Od verze 1.37.0 by rozšíření azure-ml-cli mělo být kompatibilní s nejnovější verzí Azure CLI >=2.30.0.
    • Při použití Azure CLI v kanálu, jako je Azure DevOps, zajistěte, aby všechny úlohy a fáze používaly verze Azure CLI vyšší než verze 2.30.0 pro Azure CLI založené na MSAL. Azure CLI 2.30.0 není zpětně kompatibilní s předchozími verzemi a při použití nekompatibilních verzí vyvolá chybu. Pokud chcete používat přihlašovací údaje Azure CLI se sadou Azure Machine Learning SDK, azure CLI by se měl nainstalovat jako balíček pip.

• Opravy chyb a vylepšení

  • azureml-core
    • Odebrání typů instancí z pracovního postupu připojení pro výpočetní prostředky Kubernetes Typy instancí se teď dají nastavit přímo v clusteru Kubernetes. Další podrobnosti najdete v aka.ms/amlarc/doc.
  • azureml-interpret
    • aktualizace azureml-interpret pro interpret-community 0.22.*
  • azureml-pipeline-steps
    • Opravili jsme chybu, kdy se při odesílání kanálu s autoMLStep mohl vytvořit zástupný symbol experimentu.
  • azureml-responsibleai
    • Aktualizace prostředí výpočetní instance a azureml na zodpovědné a raiwidgets verze 0.15.0
    • aktualizujte balíček azureml-responsibleai na nejnovější zodpovědný balíček 0.14.0.
  • azureml-tensorboard
    • Teď můžete použít Tensorboard(runs, use_display_name=True) připojení protokolů TensorBoardu ke složkám pojmenovaných místo run.display_name/run.idrun.id.
  • azureml-train-automl-client
    • Opravili jsme chybu, kdy se při odesílání kanálu s autoMLStep mohl vytvořit zástupný symbol experimentu.
    • Aktualizujte test_data AutoMLConfig a test_size dokumentaci tak, aby odrážela stav preview.
  • azureml-train-automl-runtime
    • Byla přidána nová funkce, která uživatelům umožňuje předávat zrnka časových řad s jednou jedinečnou hodnotou.
    • V určitých scénářích může model AutoML předpovědět názvy NaN. Řádky, které odpovídají těmto předpovědím NaN, se před výpočetními metrikami při testovacích spuštěních odeberou z testovacích datových sad a předpovědí.

2021-11-08

Azure Machine Learning SDK pro Python verze 1.36.0

• Opravy chyb a vylepšení
  • azureml-automl-dnn-vision
    • V některých chybových zprávách se vyčistily drobné překlepy.
  • azureml-contrib-výztužné učení
    • Odesílání spuštění výztuže, která používají simulátory, se už nepodporují.
  • azureml-core
    • Přidání podpory pro dělený objekt blob Premium
    • Zadávání nepublikovaných cloudů pro ověřování spravovaných identit se už nepodporuje.
    • Uživatel může migrovat webovou službu AKS do online koncového bodu a nasazení, které spravuje rozhraní příkazového řádku (v2).
    • Typ instance pro trénovací úlohy ve výpočetních cílech Kubernetes je teď možné nastavit prostřednictvím vlastnosti RunConfiguration: run_config.kubernetescompute.instance_type.
  • výchozí hodnoty azureml
    • Odebrané redundantní závislosti, jako je gunicorn a werkzeug
  • azureml-interpret
    • balíček azureml-interpret aktualizovaný na verzi 0.21.* interpret-community
  • azureml-pipeline-steps
    • Zastaralte mpiStep ve prospěch použití CommandStep pro spouštění trénování ML (včetně distribuovaného trénování) v kanálech.
  • azureml-train-automl-rutime
    • Aktualizace dokumentace k formátu výstupního formátu predikcí testů modelu AutoML
    • Přidali jsme popisy docstringu pro model prognóz Naive, SeasonalNaive, Average a SeasonalAverage.
    • Souhrn featurizace je teď uložený jako artefakt při spuštění (zkontrolujte soubor s názvem "featurization_summary.json" ve složce výstupů).
    • Povolte podporu ukazatelů kategorií pro Tabnet Learner.
    • Přidáním parametru downsample do automl_setup_model_explanations umožníte uživatelům získat vysvětlení pro všechna data bez převzorkování nastavením tohoto parametru na false.

2021-10-11

Azure Machine Learning SDK pro Python verze 1.35.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Povolení výpočtu binárních metrik
  • azureml-contrib-fair
    • Zlepšení chybové zprávy při stahování neúspěšného řídicího panelu
  • azureml-core
    • Byla vyřešena chyba při zadávání nepublikovaných cloudů pro ověřování spravované identity.
    • Dataset.File.upload_directory() a Dataset.Tabular.register_pandas_dataframe() experimentální příznaky se teď odeberou.
    • Experimentální příznaky jsou nyní odebrány v metodě partition_by() třídy TabularDataset.
  • azureml-pipeline-steps
    • Experimentální příznaky jsou nyní odebrány pro partition_keys parametr ParallelRunConfig třídy.
  • azureml-interpret
    • azureml-interpret package updated to intepret-community 0.20.*
  • azureml-mlflow
    • Umožnilo protokolování artefaktů a obrázků pomocí MLflow pomocí podadresářů.
  • azureml-responsibleai
    • Zlepšení chybové zprávy při stahování neúspěšného řídicího panelu
  • azureml-train-automl-client
    • Přidali jsme podporu pro úlohy počítačového zpracování obrazu, jako je klasifikace obrázků, detekce objektů a segmentace instancí. Podrobnou dokumentaci najdete v tématu: Nastavení AutoML pro trénování modelů počítačového zpracování obrazu pomocí Pythonu (v1)
    • Povolení výpočtu binárních metrik
  • azureml-train-automl-runtime
    • Přidání podpory TCNForecaster do testovacích běhů modelu
    • Aktualizujte testovací model predictions.csv výstupní formát. Výstupní sloupce teď obsahují původní cílové hodnoty a funkce, které byly předány do testovacího běhu. To lze vypnout nastavením test_include_predictions_only=True v AutoMLConfig nebo nastavením include_predictions_only=True v ModelProxy.test(). Pokud uživatel požádal pouze o zahrnutí předpovědí, vypadá výstupní formát (prognózování je stejné jako regrese): Classification => [predicted values] [probabilities] Regression => [predicted values] else (default): Classification => [original test data labels] [predicted values] [predicted values] [probabilities] [features] Regression => [original test data labels] [predicted values] [features] [features] The [predicted values] column name = [label column name] + "_predicted". Názvy [probabilities] sloupců = [class name] + "_predicted_proba". Pokud nebyl žádný cílový sloupec předán jako vstup do testovacího běhu, [original test data labels] nebude ve výstupu.

2021-09-07

Azure Machine Learning SDK pro Python verze 1.34.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Přidání podpory pro refitting dříve natrénovaného kanálu prognózy
    • Byla přidána možnost získat předpovědi pro trénovací data (predikce v ukázce) pro prognózování.
  • azureml-automl-runtime
    • Přidání podpory pro vrácení predikovaných pravděpodobností z nasazeného koncového bodu klasifikátoru AutoML
    • Přidání možnosti prognózování pro uživatele k určení, že všechny předpovědi by měly být celá čísla.
    • Odebrání názvu cílového sloupce z části názvů funkcí vysvětlení modelu pro místní experimenty s training_data_label_column_name
    • jako vstupy datové sady.
    • Přidání podpory pro refitting dříve natrénovaného kanálu prognózy
    • Byla přidána možnost získat předpovědi pro trénovací data (predikce v ukázce) pro prognózování.
  • azureml-core
    • Přidání podpory pro nastavení typu sloupce datového proudu, připojení a stažení sloupců streamu v tabulkové datové sadě
    • Nová volitelná pole přidaná do Kubernetes.attach_configuration(identity_type=None, identity_ids=None), která umožňují připojení KubernetesCompute s identitou SystemAssigned nebo UserAssigned. Nová pole identity jsou zahrnuta při volání print(compute_target) nebo compute_target.serialize(): identity_type, identity_id, principal_id a tenant_id/client_id.
  • azureml-dataprep
    • Přidání podpory pro nastavení typu sloupce streamu pro tabulkovou datovou sadu přidání podpory pro připojení a stahování sloupců streamu v tabulkové datové sadě
  • výchozí hodnoty azureml
    • azureml-inference-server-http==0.3.1 Závislost byla přidána do azureml-defaultssouboru .
  • azureml-mlflow
    • Umožňuje stránkování rozhraní API list_experiments přidáním max_results a page_token volitelnými parametry. Dokumentaci najdete v oficiální dokumentaci k MLflow.
  • azureml-sdk
    • Nahrazená závislost na zastaralém balíčku (azureml-train) uvnitř sady azureml-sdk.
    • Přidání azureml-responsibleai do extra sady azureml-sdk
  • azureml-train-automl-client
    • test_data Zveřejnění parametrů test_size v AutoMLConfigsouboru . Tyto parametry lze použít k automatickému spuštění testu po dokončení fáze trénování modelu. Testovací běh vypočítá predikce pomocí nejlepšího modelu a vygeneruje metriky s ohledem na tyto předpovědi.

2021-08-24

Uživatelské rozhraní experimentování ve službě Azure Machine Learning

• Spustit odstranění
  • Spustit odstranění je nová funkce, která uživatelům umožňuje odstranit jedno nebo více spuštění ze svého pracovního prostoru.
  • Tato funkce může uživatelům pomoct snížit náklady na úložiště a spravovat kapacitu úložiště tím, že pravidelně odstraňuje spuštění a experimenty přímo z uživatelského rozhraní.
• Dávkové zrušení spuštění
  • Batch Cancel Run je nová funkce, která uživatelům umožňuje vybrat jedno nebo více spuštění, která se mají zrušit ze seznamu spuštění.
  • Tato funkce může uživatelům pomoct zrušit více spuštění ve frontě a uvolnit místo v clusteru.

2021-08-18

Uživatelské rozhraní experimentování ve službě Azure Machine Learning

• Spustit zobrazovaný název
  • Zobrazovaný název spuštění je nový, upravitelný a volitelný zobrazovaný název, který lze přiřadit ke spuštění.
  • Tento název vám může pomoct efektivněji sledovat, organizovat a zjišťovat spuštění.
  • Zobrazovaný název spuštění je ve výchozím nastavení ve formátu adjective_noun_guid (příklad: awesome_watch_2i3uns).
  • Tento výchozí název lze upravit na přizpůsobitelný název. Můžete ho upravit ze stránky Podrobností o spuštění v uživatelském rozhraní studio Azure Machine Learning.

2021-08-02

Azure Machine Learning SDK pro Python verze 1.33.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Vylepšené zpracování chyb při načítání modelu XGBoost
    • Byla přidána možnost převést předpovědi z float na celá čísla pro prognózování a regresní úlohy.
    • Aktualizace výchozí hodnoty pro enable_early_stopping v AutoMLConfig na true
  • azureml-automl-runtime
    • Byla přidána možnost převést předpovědi z float na celá čísla pro prognózování a regresní úlohy.
    • Aktualizace výchozí hodnoty pro enable_early_stopping v AutoMLConfig na true
  • azureml-contrib-automl-pipeline-steps
    • Hierarchické časové období (HTS) je povolené pro prognózování úloh prostřednictvím kanálů.
    • Přidání podpory tabulkových datových sad pro odvozování
    • Pro data odvozování je možné zadat vlastní cestu.
  • azureml-contrib-výztužné učení
    • Některé vlastnosti jsou azureml.core.environment.DockerSection zastaralé, například shm_size vlastnost, kterou používají pracovníci Rayu v úlohách učení výztuže. Tuto vlastnost je nyní možné zadat místo azureml.contrib.train.rl.WorkerConfiguration toho.
  • azureml-core
    • Oprava hypertextového odkazu v ScriptRunConfig.distributed_job_config dokumentaci
    • Výpočetní clustery Azure Machine Learning se teď dají vytvořit v jiném umístění než v umístění pracovního prostoru. To je užitečné při maximalizaci přidělování nečinné kapacity a správě využití kvót v různých umístěních, aniž byste museli vytvářet více pracovních prostorů, jen abyste mohli použít kvótu a vytvořit výpočetní cluster v určitém umístění. Další informace najdete v tématu Vytvoření výpočetního clusteru Azure Machine Learning.
    • Přidání display_name jako pole s proměnlivým názvem objektu Spustit
    • Datová sada from_files teď podporuje přeskočení datových rozšíření pro velká vstupní data.
  • azureml-dataprep
    • Opravili jsme chybu, kdy to_dask_dataframe selhal kvůli konfliktu časování.
    • Datová sada from_files teď podporuje přeskočení datových rozšíření pro velká vstupní data.
  • výchozí hodnoty azureml
    • Odebíráme závislost azureml-model-management-sdk==1.0.1b6.post1 z azureml-defaults.
  • azureml-interpret
    • aktualizace azureml-interpret pro interpret-community 0.19.*
  • azureml-pipeline-core
    • Hierarchické časové období (HTS) je povolené pro prognózování úloh prostřednictvím kanálů.
  • azureml-train-automl-client
    • Přepněte do úložiště objektů blob pro ukládání do mezipaměti v automatizovaném strojovém učení.
    • Hierarchické časové období (HTS) je povolené pro prognózování úloh prostřednictvím kanálů.
    • Vylepšené zpracování chyb při načítání modelu XGBoost
    • Aktualizace výchozí hodnoty pro enable_early_stopping v AutoMLConfig na true
  • azureml-train-automl-runtime
    • Přepněte do úložiště objektů blob pro ukládání do mezipaměti v automatizovaném strojovém učení.
    • Hierarchické časové období (HTS) je povolené pro prognózování úloh prostřednictvím kanálů.
    • Aktualizace výchozí hodnoty pro enable_early_stopping v AutoMLConfig na true

2021-07-06

Azure Machine Learning SDK pro Python verze 1.32.0

• Opravy chyb a vylepšení
  • azureml-core
    • Zveřejnění diagnostiky stavu pracovního prostoru v sadě SDK nebo rozhraní příkazového řádku
  • výchozí hodnoty azureml
    • Přidání opencensus-ext-azure==1.0.8 závislosti do výchozích hodnot azureml
  • azureml-pipeline-core
    • Aktualizace funkce AutoMLStep tak, aby používala předem připravené image, když prostředí pro odeslání úlohy odpovídá výchozímu prostředí
  • azureml-responsibleai
    • Přidání nového klienta analýzy chyb pro odesílání, stahování a výpis sestav analýzy chyb
    • Zajištění raiwidgets synchronizace verzí a responsibleai balíčků
  • azureml-train-automl-runtime
    • Nastavte čas přidělený k dynamickému vyhledávání v různých strategiích featurizace na maximálně jednu čtvrtinu celkového časového limitu experimentu.

2021-06-21

Azure Machine Learning SDK pro Python verze 1.31.0

• Opravy chyb a vylepšení
  • azureml-core
    • Vylepšená dokumentace pro vlastnost platformy ve třídě Prostředí
    • Změna výchozího času vertikálního snížení kapacity výpočetního uzlu AML z 120 sekund na 1800 sekund
    • Aktualizovaný výchozí odkaz pro řešení potíží zobrazený na portálu pro řešení potíží se selháním spuštění: https://aka.ms/azureml-run-troubleshooting
  • azureml-automl-runtime
    • Čištění dat: Ukázky s cílovými hodnotami v [None, "", "nan", np.nan] se zahodí před featurizací a/nebo trénováním modelu.
  • azureml-interpret
    • Zabránění chybám fronty úloh vyprázdnění ve vzdálených spuštěních služby Azure Machine Learning, která používají ExplanationClient, zvýšením časového limitu
  • azureml-pipeline-core
    • Přidání parametru JAR do kroku Synapse
  • azureml-train-automl-runtime
    • Oprava ochranných mantinelí s vysokou kardinalitou, aby byly lépe sladěné s dokumentací

2021-06-07

Azure Machine Learning SDK pro Python verze 1.30.0

• Opravy chyb a vylepšení
  • azureml-core
    • Připnutí závislosti ruamel-yaml na < verzi 0.17.5 jako zásadní změna byla vydána ve verzi 0.17.5.
    • aml_k8s_config vlastnost je nahrazena parametrem namespace, default_instance_typea instance_types parametry pro KubernetesCompute připojení.
    • Synchronizační klíče pracovního prostoru se změnily na dlouho běžící operaci.
  • azureml-automl-runtime
    • Opravili jsme problémy, kdy spuštění s velkými objemy dat mohlo selhat .Elements of y_test cannot be NaN
  • azureml-mlflow
    • Oprava chyby modulu plug-in nasazení MLFlow pro modely bez podpisu
  • azureml-pipeline-steps
    • ParallelRunConfig: Aktualizace dokumentace pro process_count_per_node
  • azureml-train-automl-runtime
    • Podpora vlastních definovaných quantiles během odvozování MM
    • Podpora forecast_quantiles během dávkového odvozování.
  • azureml-contrib-automl-pipeline-steps
    • Podpora vlastních definovaných quantiles během odvozování MM
    • Podpora forecast_quantiles během dávkového odvozování.

2021-05-25

Oznámení rozhraní příkazového řádku (v2) pro Azure Machine Learning

Rozšíření ml azure CLI je rozhraní nové generace pro Azure Machine Learning. Umožňuje trénovat a nasazovat modely z příkazového řádku a nabízí funkce, které zrychlují vertikální navyšování kapacity datových věd a jejich škálování na více instancí při současném sledování životního cyklu modelů. Nainstalujte a nastavte rozhraní příkazového řádku (v2).

Azure Machine Learning SDK pro Python verze 1.29.0

• Opravy chyb a vylepšení
  • Změny způsobující chyby
    • Vyřazená podpora pythonu 3.5
  • azureml-automl-runtime
    • Opravili jsme chybu, kdy STLFeaturizer selhal, pokud byla délka časové řady kratší než sezónnost. Tato chyba se projevuje jako IndexError. Případ je nyní zpracován bez chyby, i když sezónní komponenta STL se v tomto případě skládá z nul.
  • azureml-contrib-automl-dnn-vision
    • Přidání metody pro dávkové odvozování s cestami k souborům
  • azureml-contrib-gbdt
    • Balíček azureml-contrib-gbdt je zastaralý a nemusí přijímat budoucí aktualizace a bude zcela odebrán z distribuce.
  • azureml-core
    • Opravili jsme vysvětlení create_if_not_exists parametru v Datastore.register_azure_blob_container.
    • Přidání ukázkového kódu do třídy DatasetConsumptionConfig
    • Přidání podpory pro krok jako alternativní osu pro skalární hodnoty metrik v run.log()
  • azureml-dataprep
    • Omezení velikosti oddílu přijatého na _with_partition_size() 2 GB
  • azureml-interpret
    • Aktualizace azureml-interpret na nejnovější verzi balíčku interpret-core
    • Vyřazená podpora SHAP DenseData, která byla v SHAP 0.36.0 zastaralá.
    • Povolte ExplanationClient nahrání do úložiště dat zadanému uživatelem.
  • azureml-mlflow
    • Přesuňte azureml-mlflow do mlflow-skinny, abyste snížili nároky na závislost a zachovali plnou podporu modulů plug-in.
  • azureml-pipeline-core
    • Ukázka kódu PipelineParameter se v referenční dokumentaci aktualizuje tak, aby používala správný parametr.

2021-05-10

Azure Machine Learning SDK pro Python verze 1.28.0

• Opravy chyb a vylepšení
  • azureml-automl-runtime
    • Vylepšený skript pro bodování AutoML, aby byl konzistentní s návrhářem
    • Oprava chyby, kdy prognózování modelu Prorok vyvolá chybu chybějícího sloupce, pokud by byla natrénována na starší verzi sady SDK.
    • Přidali jsme model ARIMAX do veřejně přístupných seznamů modelů podporovaných prognózou sady AutoML SDK. ARIMAX je regrese s chybami ARIMA a zvláštním případem modelů funkcí přenosu vyvinutých Boxem a Jenkinsem. Diskuzi o tom, jak se oba přístupy liší, najdete v tématu Bahno modelu ARIMAX. Na rozdíl od zbytku multivariátních modelů, které používají automaticky generované funkce závislé na čase (hodina dne, den roku atd.) v AutoML, tento model používá pouze funkce, které poskytuje uživatel, a usnadňuje interpretaci koeficientů.
  • azureml-contrib-dataset
    • Aktualizovaný popis dokumentace s indikací, že se má při použití připojení nainstalovat libfuse.
  • azureml-core
    • Výchozí image kurátorovaná procesorem je teď mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. Výchozí image GPU je teď mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
    • Příkaz Run.fail() je nyní zastaralý, pomocí příkazu Run.tag() označte spuštění jako neúspěšný nebo pomocí příkazu Run.cancel() označte spuštění jako zrušené.
    • Aktualizovaná dokumentace s poznámkami, že při připojování datové sady souborů by se měla nainstalovat knihovna libfuse.
    • Přidání experimentální podpory register_dask_dataframe() do tabulkové datové sady
    • Podpora databricksStep s Azure Blob/ADL-S jako vstupy/výstupy a zveřejněním parametrů permit_cluster_restart, aby se zákazník mohl rozhodnout, jestli může AML restartovat cluster, když je potřeba do clusteru přidat konfiguraci přístupu k vstupně-výstupním operacím
  • azureml-dataset-runtime
    • azureml-dataset-runtime teď podporuje verze pyarrow < 4.0.0.
  • azureml-mlflow
    • Přidání podpory pro nasazení do Služby Azure Machine Learning prostřednictvím našeho modulu plug-in MLFlow
  • azureml-pipeline-steps
    • Podpora databricksStep s Azure Blob/ADL-S jako vstupy/výstupy a zveřejněním parametrů permit_cluster_restart, aby se zákazník mohl rozhodnout, jestli může AML restartovat cluster, když je potřeba do clusteru přidat konfiguraci přístupu k vstupně-výstupním operacím
  • azureml-synapse
    • Povolení cílové skupiny v ověřování MSI
  • azureml-train-automl-client
    • Přidání změněný odkaz na cílový dokument pro výpočetní prostředky

2021-04-19

Azure Machine Learning SDK pro Python verze 1.27.0

• Opravy chyb a vylepšení
  • azureml-core
    • Přidání možnosti přepsat výchozí hodnotu časového limitu pro nahrávání artefaktů prostřednictvím proměnné prostředí "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
    • Opravili jsme chybu, kdy nastavení Dockeru v objektu prostředí ve ScriptRunConfig nerespektuje.
    • Povolí dělení datové sady při kopírování do cíle.
    • Přidání vlastního režimu do OutputDatasetConfig pro povolení předávání vytvořených datových sad v kanálech prostřednictvím funkce propojení. Tato vylepšení podpory pro povolení tabulkového dělení pro PRS.
    • Přidání nového výpočetního typu KubernetesCompute do azureml-core
  • azureml-pipeline-core
    • Přidání vlastního režimu do outputDatasetConfig a povolení průchodu vytvořených datových sad v kanálech prostřednictvím funkce odkazu Cíle cest k souborům podporují zástupné symboly. Tato vylepšení podporují povolení tabulkového dělení pro PRS.
    • Přidání nového výpočetního typu KubernetesCompute do azureml-core
  • azureml-pipeline-steps
    • Přidání nového výpočetního typu KubernetesCompute do azureml-core
  • azureml-synapse
    • Aktualizace adresy URL uživatelského rozhraní Sparku ve widgetu azureml synapse
  • azureml-train-automl-client
    • Featurizátor STL pro úlohu prognózování teď používá robustnější detekci sezónnosti na základě frekvence časových řad.
  • azureml-train-core
    • Opravili jsme chybu, kdy se nerespektovala nastavení Dockeru v objektu prostředí.
    • Přidání nového výpočetního typu KubernetesCompute do azureml-core

2021-04-05

Azure Machine Learning SDK pro Python verze 1.26.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Opravili jsme problém, kdy se v autoMLStepu doporučovaly modely Naive a selhávala s funkcemi prodlevy nebo posuvných oken. Tyto modely se nedoporučují, pokud jsou nastaveny cílové prodlevy nebo velikost cílového posuvného okna.
    • Změna výstupu konzoly při odesílání spuštění AutoML, aby se zobrazil odkaz portálu na spuštění.
  • azureml-core
    • Do dokumentace jsme přidali režim HDFS.
    • Přidali jsme podporu pro pochopení oddílů datové sady souborů na základě struktury globu.
    • Přidání podpory pro aktualizaci registru kontejneru přidruženého k pracovnímu prostoru Azure Machine Learning
    • Zastaralé atributy prostředí v rámci DockerSection – "enabled", "shared_volume" a "arguments" jsou teď součástí DockerConfiguration v RunConfiguration.
    • Aktualizovaná dokumentace ke klonování rozhraní příkazového řádku kanálu
    • Aktualizace identifikátorů URI portálu tak, aby zahrnovaly tenanta pro ověřování
    • Odebrání názvu experimentu ze spuštěných identifikátorů URI, aby se zabránilo přesměrování
    • Aktualizace URO experimentu pro použití ID experimentu
    • Opravy chyb připojení vzdáleného výpočetního prostředí pomocí rozhraní příkazového řádku služby Azure Machine Learning
    • Aktualizované identifikátory URI portálu tak, aby zahrnovaly tenanta pro ověřování.
    • Aktualizace identifikátoru URI experimentu pro použití ID experimentu
  • azureml-interpret
    • Azureml-interpret aktualizovaný tak, aby používal interpret-community 0.17.0
  • azureml-opendatasets
    • Ověření počátečního data a typu koncového data a chyby, pokud se nejedná o typ datetime.
  • azureml-parallel-run
    • [Experimentální funkce] Pokud zadáte partition_keys parametr ParallelRunConfig, vstupní datové sady se rozdělí do minidávek podle klíčů zadaných v ní. Vyžaduje, aby všechny vstupní datové sady byly rozdělené na oddíly.
  • azureml-pipeline-steps
    • Oprava chyby – podpora path_on_compute při předávání konfigurace datové sady při stahování
    • Zastarání RScriptStep ve prospěch použití CommandStep pro spouštění skriptů jazyka R v kanálech
    • Zastaráte estimatorStep ve prospěch použití CommandStep ke spuštění trénování ML (včetně distribuovaného trénování) v kanálech.
  • azureml-sdk
    • Aktualizace python_requires na < verzi 3.9 pro azureml-sdk
  • azureml-train-automl-client
    • Změna výstupu konzoly při odesílání spuštění AutoML, aby se zobrazil odkaz portálu na spuštění.
  • azureml-train-core
    • Zastaralé atributy DockerSection "enabled", "shared_volume" a 'arguments' ve prospěch použití DockerConfiguration s ScriptRunConfig.
    • Použití otevřených datových sad Azure pro datovou sadu MNIST
    • Chybové zprávy hyperdrivu byly aktualizovány.

2021-03-22

Azure Machine Learning SDK pro Python verze 1.25.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Změna výstupu konzoly při odesílání spuštění AutoML, aby se zobrazil odkaz portálu na spuštění.
  • azureml-core
    • Začíná podporovat aktualizaci registru kontejneru pro pracovní prostor v sadě SDK a rozhraní příkazového řádku.
    • Zastaralé atributy DockerSection "enabled", "shared_volume" a 'arguments' ve prospěch použití DockerConfiguration s ScriptRunConfig.
    • Aktualizovaná dokumentace ke klonování rozhraní příkazového řádku kanálu
    • Aktualizace identifikátorů URI portálu tak, aby zahrnovaly tenanta pro ověřování
    • Odebrání názvu experimentu ze spuštěných identifikátorů URI, aby se zabránilo přesměrování
    • Aktualizace URO experimentu pro použití ID experimentu
    • Opravy chyb při připojování vzdálených výpočetních prostředků pomocí az CLI
    • Aktualizované identifikátory URI portálu tak, aby zahrnovaly tenanta pro ověřování.
    • Přidali jsme podporu pro pochopení oddílů datové sady souborů na základě struktury globu.
  • azureml-interpret
    • Azureml-interpret aktualizovaný tak, aby používal interpret-community 0.17.0
  • azureml-opendatasets
    • Ověření počátečního data a typu koncového data a chyby, pokud se nejedná o typ datetime.
  • azureml-pipeline-core
    • Oprava chyby – podpora path_on_compute při předávání konfigurace datové sady při stahování
  • azureml-pipeline-steps
    • Oprava chyby – podpora path_on_compute při předávání konfigurace datové sady při stahování
    • Zastarání RScriptStep ve prospěch použití CommandStep pro spouštění skriptů jazyka R v kanálech
    • Zastaráte estimatorStep ve prospěch použití CommandStep ke spuštění trénování ML (včetně distribuovaného trénování) v kanálech.
  • azureml-train-automl-runtime
    • Změna výstupu konzoly při odesílání spuštění AutoML, aby se zobrazil odkaz portálu na spuštění.
  • azureml-train-core
    • Zastaralé atributy DockerSection "enabled", "shared_volume" a 'arguments' ve prospěch použití DockerConfiguration s ScriptRunConfig.
    • Použití otevřených datových sad Azure pro datovou sadu MNIST
    • Chybové zprávy hyperdrivu byly aktualizovány.

2021-03-31

prostředí poznámkových bloků studio Azure Machine Learning (aktualizace z března)

• Nové funkce

  • Vykreslení souboru CSV/TSV Uživatelé můžou vykreslit a soubor TSV/CSV ve formátu mřížky pro snadnější analýzu dat.
  • Ověřování jednotného přihlašování pro výpočetní instanci Uživatelé teď můžou snadno ověřovat všechny nové výpočetní instance přímo v uživatelském rozhraní poznámkového bloku, což usnadňuje ověřování a používání sad Azure SDK přímo ve službě Azure Machine Learning.
  • Metriky výpočetní instance Uživatelé můžou prostřednictvím terminálu zobrazit výpočetní metriky, jako je využití procesoru a paměť.
  • Podrobnosti o souboru. Uživatelé teď uvidí podrobnosti o souboru včetně času poslední změny a velikost souboru kliknutím na tři tečky vedle souboru.

• Opravy chyb a vylepšení

  • Vylepšené doby načítání stránek
  • Zlepšení výkonu.
  • Vylepšili jsme rychlost a spolehlivost jádra.
  • Vertikální nemovitosti získáte tak, že trvale přesunete podokno souborů poznámkového bloku.
  • Odkazy se teď dají kliknout v terminálu.
  • Vylepšený výkon IntelliSense

2021-03-08

Azure Machine Learning SDK pro Python verze 1.24.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Odebrané zpětně kompatibilní importy z azureml.automl.core.shared. Chyby modulu nebyly nalezeny v azureml.automl.core.shared oboru názvů lze vyřešit importem z azureml.automl.runtime.shared.
  • azureml-contrib-automl-dnn-vision
    • Vystavený model detekce objektů yolo.
  • azureml-contrib-dataset
    • Přidali jsme funkce pro filtrování tabulkových datových sad podle hodnot sloupců a datových sad souborů podle metadat.
  • azureml-contrib-fair
    • Zahrnutí schématu JSON do kolečka pro azureml-contrib-fairness
  • azureml-contrib-mir
    • Při nastavování show_output na hodnotu True při nasazování modelů se před odesláním požadavku na server přehraje konfigurace odvozování a konfigurace nasazení.
  • azureml-core
    • Přidali jsme funkce pro filtrování tabulkových datových sad podle hodnot sloupců a datových sad souborů podle metadat.
    • Dříve bylo možné, že uživatelé vytvořili konfigurace zřizování pro ComputeTarget, které nesplňují požadavky na sílu hesla pro admin_user_password pole (to znamená, že musí obsahovat alespoň 3 z těchto položek: jedno malé písmeno, jedno velké písmeno, jedno číslice a jeden speciální znak z následující sady: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Pokud uživatel vytvořil konfiguraci se slabým heslem a pomocí této konfigurace spustil úlohu, úloha se nezdaří za běhu. Volání, které AmlCompute.provisioning_configuration vyvolá doprovodnou chybovou ComputeTargetException zprávu s vysvětlením požadavků na sílu hesla.
    • V některých případech bylo také možné zadat konfiguraci se záporným počtem maximálních uzlů. Už to není možné. AmlCompute.provisioning_configuration Nyní vyvolá ComputeTargetException argument, pokud max_nodes je argument záporné celé číslo.
    • Při nastavování show_output true při nasazování modelů se zobrazí konfigurace odvozování a konfigurace nasazení.
    • Při nastavení show_output na hodnotu True při čekání na dokončení nasazení modelu se zobrazí průběh operace nasazení.
    • Povolit zákazníkovi zadanému adresáři konfigurace ověřování azure Machine Learning prostřednictvím proměnné prostředí: AZUREML_AUTH_CONFIG_DIR
    • Dříve bylo možné vytvořit konfiguraci zřizování s minimálním počtem uzlů nižším než maximální počet uzlů. Úloha se spustí, ale za běhu selže. Tato chyba byla opravena. Pokud se teď pokusíte vytvořit konfiguraci zřizování pomocí min_nodes < max_nodes sady SDK vyvolá .ComputeTargetException
  • azureml-interpret
    • Oprava řídicího panelu vysvětlení nezobrazuje agregované důležitosti funkcí pro řídké vysvětlení
    • optimalizované využití paměti ExplanationClient v balíčku azureml-interpret
  • azureml-train-automl-client
    • Oprava show_output=False pro vrácení ovládacího prvku uživateli při spuštění pomocí Sparku.

2021-02-28

prostředí poznámkových bloků studio Azure Machine Learning (únorová aktualizace)

• Nové funkce

  • Nativní terminál (GA) Uživatelé teď mají přístup k integrovanému terminálu a operaci Gitu prostřednictvím integrovaného terminálu.
  • Fragmenty kódu poznámkového bloku (Preview) Běžné výňatky kódu služby Azure Machine Learning jsou teď dostupné na dosah ruky. Přejděte na panel fragmentů kódu, který je přístupný přes panel nástrojů, nebo aktivujte nabídku fragmentů kódu pomocí ctrl + mezerník.
  • Klávesové zkratky Úplná parita s klávesovými zkratkami dostupnými v Jupyteru
  • Uveďte parametry buňky. Zobrazuje uživatele, kteří buňky v poznámkovém bloku jsou parametrizované buňky a můžou spouštět parametrizované poznámkové bloky prostřednictvím papermillu ve výpočetní instanci.
  • Správce relací terminálu a jádra: Uživatelé můžou spravovat všechna jádra a terminálové relace spuštěné na výpočetních prostředcích.
  • Tlačítko Sdílení Uživatelé teď můžou sdílet libovolný soubor v Průzkumníku souborů poznámkového bloku tak, že na soubor klikne pravým tlačítkem myši a použije tlačítko sdílet.

• Opravy chyb a vylepšení

  • Vylepšené doby načítání stránek
  • Zlepšení výkonu
  • Vyšší rychlost a spolehlivost jádra
  • Přidání rotujícího kolečka pro zobrazení průběhu všech probíhajících operací výpočetní instance
  • Klikněte pravým tlačítkem na Průzkumník souborů. Kliknutím pravým tlačítkem myši na libovolný soubor se teď otevřou operace se soubory.

2021-02-16

Azure Machine Learning SDK pro Python verze 1.23.0

• Opravy chyb a vylepšení
  • azureml-core
    • [Experimentální funkce] Přidání podpory pro propojení pracovního prostoru Synapse do AML jako propojené služby
    • [Experimentální funkce] Přidání podpory pro připojení fondu Synapse Spark do AML jako výpočetních prostředků
    • [Experimentální funkce] Přidání podpory přístupu k datům založeným na identitách Uživatelé můžou registrovat úložiště dat nebo datové sady bez zadání přihlašovacích údajů. V takovém případě se k ověřování používá token Azure AD uživatele nebo spravovaná identita cílového výpočetního objektu. Další informace najdete v tématu Připojení k úložišti pomocí přístupu k datům založeným na identitách.
  • azureml-pipeline-steps
    • [Experimentální funkce] Přidání podpory pro SynapseSparkStep
  • azureml-synapse
    • [Experimentální funkce] Přidání podpory magic Sparku ke spuštění interaktivní relace ve fondu Synapse Spark
• Opravy chyb a vylepšení
  • azureml-automl-runtime
    • V této aktualizaci jsme přidali exponenciální vyhlazování holt zim do sady nástrojů pro prognózování sady nástrojů AutoML SDK. V případě časové řady je nejlepší model vybrán službou AICc (Opraveno kritérium informací Akaike) a vráceno.
    • AutoML teď místo jednoho vygeneruje dva soubory protokolu. Příkazy protokolu se můžou v závislosti na tom, v jakém procesu se příkaz protokolu vygeneroval, přejít na jeden nebo druhý.
    • Při trénování modelu s křížovými ověřeními odeberte nepotřebné predikce v ukázce. V některých případech to může zkrátit dobu trénování modelu, zejména u modelů prognózování časových řad.
  • azureml-contrib-fair
    • Přidejte schéma JSON pro nahrání řídicího paneluDictionary.
  • azureml-contrib-interpret
    • Soubor README pro azureml-contrib-interpret se aktualizuje tak, aby odrážel, že se balíček odebere v další aktualizaci po vyřazení od října, místo toho použijte balíček azureml-interpret.
  • azureml-core
    • Dříve bylo možné vytvořit konfiguraci zřizování s minimálním počtem uzlů nižším než maximální počet uzlů. Toto je teď opravené. Pokud se teď pokusíte vytvořit konfiguraci zřizování pomocí min_nodes < max_nodes sady SDK, vyvolá se .ComputeTargetException
    • Opravuje chybu v wait_for_completion v AmlCompute, která způsobila, že funkce vrátila tok řízení před tím, než byla operace skutečně dokončena.
    • Příkaz Run.fail() je nyní zastaralý, pomocí příkazu Run.tag() označte spuštění jako neúspěšný nebo pomocí příkazu Run.cancel() označte spuštění jako zrušené.
    • Pokud zadaný název prostředí není řetězec, zobrazí se chybová zpráva "Environment name expected str, {} found" (Byl nalezen název prostředí).
  • azureml-train-automl-client
    • Opravili jsme chybu, která bránila zrušení experimentů AutoML v clusterech Azure Databricks.

2021-02-09

Azure Machine Learning SDK pro Python verze 1.22.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Opravili jsme chybu, kdy se do souboru conda yml pro modely zpracování obrazu přidala další závislost pip.
  • azureml-automl-runtime
    • Opravili jsme chybu, která způsobovala, že klasické modely prognózování (například AutoArima) mohly přijímat trénovací data, ve kterých nebyly přítomny řádky s imputovanými cílovými hodnotami. Tím došlo k porušení smlouvy o datech těchto modelů. * Opravili jsme různé chyby s chováním prodlevy po výskytu v operátoru zpoždění časové řady. Dříve operace prodlevy po výskytu neoznačila správně všechny imputované řádky, takže by se negenerovaly vždy správné hodnoty prodlevy výskytu. Opravili jsme také některé problémy s kompatibilitou mezi operátorem prodlevy a operátorem okna se zpožděním po výskytu. To dříve vedlo k tomu, že operátor posuvné okno vyřadil některé řádky z trénovacích dat, které by jinak měl použít.
  • azureml-core
    • Přidání podpory ověřování tokenů podle cílové skupiny
    • Přidejte process_count do PyTorchConfiguration pro podporu víceprocesových úloh PyTorch s více procesy.
  • azureml-pipeline-steps

    • CommandStep je teď obecně dostupný a už není experimentální.

    • ParallelRunConfig: Přidejte argument allowed_failed_count a allowed_failed_percent, abyste zkontrolovali prahovou hodnotu chyby na mini dávkové úrovni. Prahová hodnota chyby má nyní tři příchutě:

      • error_threshold – počet povolených neúspěšných minidávkových položek;
      • allowed_failed_count – počet povolených minidávek;
      • allowed_failed_percent – procento povolených minidávek.

      Úloha se zastaví, pokud některý z nich překročí. error_threshold je nutné, aby byla zpětnou kompatibilitou. Nastavte hodnotu na -1, aby se ignorovala.

    • Oprava zpracování prázdných znaků v názvu AutoMLStep

    • ScriptRunConfig teď podporuje HyperDriveStep.

  • azureml-train-core
    • HyperDrive se teď považuje za podřízené spuštění.
    • Přidejte process_count do PyTorchConfiguration pro podporu víceprocesových úloh PyTorch s více procesy.
  • azureml-widgety
    • Přidání widgetu ParallelRunStepDetails pro vizualizaci stavu ParallelRunStep
    • Umožňuje uživatelům hyperdrivu zobrazit osu v grafu paralelních souřadnic, který zobrazuje hodnotu metriky odpovídající každé sadě hyperparametrů pro každé podřízené spuštění.

2021-01-31

prostředí poznámkových bloků studio Azure Machine Learning (lednová aktualizace)

• Nové funkce

  • Nativní editor Markdownu ve službě Azure Machine Learning Uživatelé teď můžou nativně vykreslovat a upravovat soubory Markdownu v studio Azure Machine Learning.
  • Tlačítko Spustit pro skripty (.py, . R a .sh). Uživatelé teď můžou ve službě Azure Machine Learning snadno spouštět skript Pythonu, R a Bash.
  • Průzkumník proměnných Prozkoumejte obsah proměnných a datových rámců v automaticky otevíraných panelech. Uživatelé můžou snadno kontrolovat datový typ, velikost a obsah.
  • Obsah Přejděte do oddílů poznámkového bloku označených záhlavími Markdownu.
  • Exportujte poznámkový blok jako Latex/HTML/Py. Vytváření snadno sdílených souborů poznámkových bloků exportem do LaTex, HTML nebo .py
  • Intellicode. Výsledky založené na ML poskytují vylepšené inteligentní prostředí automatického dokončování.

• Opravy chyb a vylepšení

  • Vylepšené doby načítání stránek
  • Zlepšení výkonu
  • Vyšší rychlost a spolehlivost jádra

2021-01-25

Azure Machine Learning SDK pro Python verze 1.21.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • Oprava textu nápovědy rozhraní příkazového řádku při použití AmlCompute s identitou UserAssigned
  • azureml-contrib-automl-dnn-vision
    • Tlačítka nasazení a stahování se zviditelní pro spuštění zpracování obrazu AutoML a modely je možné nasadit nebo stáhnout podobně jako u jiných spuštění AutoML. Existují dva nové soubory (scoring_file_v_1_0_0.py a conda_env_v_1_0_0.yml), které obsahují skript pro spuštění odvozování a soubor yml pro opětovné vytvoření prostředí conda. Soubor model.pth byl také přejmenován tak, aby používal příponu .pt.
  • azureml-core
    • Podpora MSI pro azure-cli-ml
    • Podpora spravované identity přiřazené uživatelem
    • Díky této změně by zákazníci měli být schopni poskytnout identitu přiřazenou uživatelem, která se dá použít k načtení klíče z trezoru klíčů zákazníka pro šifrování neaktivních uložených dat.
    • oprava row_count=0 pro profil velkých souborů – oprava chyby při dvojitém převodu pro hodnoty s oddělovači s odsazením prázdných znaků
    • Odebrání experimentálního příznaku pro obecná dostupnost výstupní datové sady
    • Aktualizace dokumentace k načtení konkrétní verze modelu
    • Povolit aktualizaci pracovního prostoru pro přístup ve smíšeném režimu v privátním propojení
    • Oprava odebrání další registrace úložiště dat pro funkci obnovení spuštění
    • Přidání podpory rozhraní příkazového řádku nebo sady SDK pro aktualizaci primární identity přiřazené uživatelem pracovního prostoru
  • azureml-interpret
    • Aktualizace azureml-interpret pro interpret-community 0.16.0
    • Optimalizace paměti pro klienta vysvětlení v azureml-interpret
  • azureml-train-automl-runtime
    • Povolené streamování pro spuštění ADB
  • azureml-train-core
    • Oprava odebrání další registrace úložiště dat pro funkci obnovení spuštění
  • azureml-widgety
    • Zákazníci by neměli vidět změny stávající vizualizace dat spuštění pomocí widgetu a teď mají podporu, pokud volitelně používají podmíněné hyperparametry.
    • Widget pro spuštění uživatele teď obsahuje podrobné vysvětlení, proč je spuštění ve stavu ve frontě.

2021-01-11

Azure Machine Learning SDK pro Python verze 1.20.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • framework_version přidána do nástroje OptimizationConfig. Používá se při registraci modelu s architekturou MULTI.
  • azureml-contrib-optimization
    • framework_version přidána do nástroje OptimizationConfig. Používá se při registraci modelu s architekturou MULTI.
  • azureml-pipeline-steps
    • Představujeme příkaz CommandStep, který provede zpracování příkazem. Příkaz může obsahovat spustitelné soubory, příkazy prostředí, skripty atd.
  • azureml-core
    • Vytvoření pracovního prostoru teď podporuje identitu přiřazenou uživatelem. Přidání podpory uai ze sady SDK nebo rozhraní příkazového řádku
    • Opravili jsme problém se službou service.reload() pro vyzvednutí změn v score.py v místním nasazení.
    • run.get_details() obsahuje další pole s názvem "submittedBy", které zobrazuje jméno autora pro toto spuštění.
    • Upravená dokumentace k metodě Model.register, která uvádí, jak zaregistrovat model přímo ze spuštění
    • Opravili jsme problém se zpracováním změn stavu připojení ioT-Serveru.

2020-12-31

prostředí poznámkových bloků studio Azure Machine Learning (aktualizace z prosince)

• Nové funkce

  • Hledání názvu souboru uživatele Uživatelé teď můžou prohledávat všechny soubory uložené v pracovním prostoru.
  • Podpora markdownu vedle sebe na buňku poznámkového bloku V buňce poznámkového bloku teď můžou mít uživatelé možnost zobrazit vykreslovanou syntaxi Markdownu a Markdownu vedle sebe.
  • Stavový řádek buňky Stavový řádek označuje, v jakém stavu je buňka kódu, jestli byla buňka úspěšná a jak dlouho trvalo spuštění.

• Opravy chyb a vylepšení

  • Vylepšené doby načítání stránek
  • Zlepšení výkonu
  • Vyšší rychlost a spolehlivost jádra

2020-12-07

Azure Machine Learning SDK pro Python verze 1.19.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Přidání experimentální podpory testovacích dat do funkce AutoMLStep
    • Přidání počáteční základní implementace funkce příjmu testovací sady
    • Přesunuté odkazy na sklearn.externals.joblib, aby závisely přímo na sadě joblib.
    • zavést nový typ úlohy AutoML "image-instance-segmentation".
  • azureml-automl-runtime
    • Přidání počáteční základní implementace funkce příjmu testovací sady
    • Pokud mají všechny řetězce v textovém sloupci délku přesně jednoho znaku, featurizátor tfIdf word-gram nefunguje, protože jeho tokenizátor ignoruje řetězce s méně než dvěma znaky. Aktuální změna kódu umožňuje AutoML zpracovat tento případ použití.
    • zavést nový typ úlohy AutoML "image-instance-segmentation".
  • azureml-contrib-automl-dnn-nlp
    • Počáteční žádost o přijetí změn pro nový balíček dnn-nlp
  • azureml-contrib-automl-dnn-vision
    • zavést nový typ úlohy AutoML "image-instance-segmentation".
  • azureml-contrib-automl-pipeline-steps
    • Tento nový balíček zodpovídá za vytváření kroků potřebných pro mnoho modelů ve scénáři trénování a odvozování. – Přesune také kód pro trénovací/odvozovací kód do balíčku azureml.train.automl.runtime, takže všechny budoucí opravy budou automaticky dostupné prostřednictvím kurátorovaných verzí prostředí.
  • azureml-contrib-dataset
    • zavést nový typ úlohy AutoML "image-instance-segmentation".
  • azureml-core
    • Přidání počáteční základní implementace funkce příjmu testovací sady
    • Oprava upozornění xref pro dokumentaci v balíčku azureml-core
    • Opravy řetězců dokumentace pro funkci podpory příkazů v sadě SDK
    • Přidání vlastnosti příkazu do RunConfiguration Tato funkce umožňuje uživatelům spouštět na výpočetních prostředcích skutečný příkaz nebo spustitelné soubory prostřednictvím sady Azure Machine Learning SDK.
    • Uživatelé mohou odstranit prázdný experiment s id daného experimentu.
  • azureml-dataprep
    • Přidání podpory datových sad pro Spark vytvořený pomocí Scala 2.12 Tím se přidá stávající podpora 2.11.
  • azureml-mlflow
    • AzureML-MLflow přidává bezpečné ochrany ve vzdálených skriptech, aby se zabránilo předčasnému ukončení odeslaných spuštění.
  • azureml-pipeline-core
    • Oprava chyby při nastavení výchozího kanálu pro koncový bod kanálu vytvořený prostřednictvím uživatelského rozhraní
  • azureml-pipeline-steps
    • Přidání experimentální podpory testovacích dat do funkce AutoMLStep
  • azureml-tensorboard
    • Oprava upozornění xref pro dokumentaci v balíčku azureml-core
  • azureml-train-automl-client
    • Přidání experimentální podpory testovacích dat do funkce AutoMLStep
    • Přidání počáteční základní implementace funkce příjmu testovací sady
    • zavést nový typ úlohy AutoML "image-instance-segmentation".
  • azureml-train-automl-runtime
    • Přidání počáteční základní implementace funkce příjmu testovací sady
    • Opravte výpočet nezpracovaných vysvětlení nejlepšího modelu AutoML, pokud jsou modely AutoML natrénované pomocí nastavení validation_size.
    • Přesunuté odkazy na sklearn.externals.joblib, aby závisely přímo na sadě joblib.
  • azureml-train-core

    • HyperDriveRun.get_children_sorted_by_primary_metric() by se teď měla dokončit rychleji.

    • Vylepšené zpracování chyb v sadě HyperDrive SDK

    • Zastaralá všechna třídy estimátoru ve prospěch použití ScriptRunConfig ke konfiguraci spuštění experimentu. Zastaralé třídy zahrnují:

      • MMLBase
      • Odhadce
      • PyTorch
      • TensorFlow
      • Chainer
      • SKLearn

    • Zastaralá použití nccl a Gloo jako platné vstupní typy pro třídy Estimator ve prospěch použití PyTorchConfiguration se ScriptRunConfig.

    • Zastaralé použití Mpi jako platného vstupního typu pro třídy Estimator ve prospěch použití MpiConfiguration se ScriptRunConfig.

    • Přidání vlastnosti příkazu ke spuštění konfigurace Tato funkce umožňuje uživatelům spouštět na výpočetních prostředcích skutečný příkaz nebo spustitelné soubory prostřednictvím sady Azure Machine Learning SDK.

    • Zastaralá všechna třídy estimátoru ve prospěch použití ScriptRunConfig ke konfiguraci spuštění experimentu. Zastaralé třídy zahrnují: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

    • Použití nccl a Gloo jako platného typu vstupu pro třídy estimatoru ve prospěch použití PyTorchConfiguration se ScriptRunConfig.

    • Zastaralé použití Mpi jako platného typu vstupu pro třídy Estimator ve prospěch použití MpiConfiguration se ScriptRunConfig.

2020-11-30

prostředí poznámkových bloků studio Azure Machine Learning (listopadová aktualizace)

• Nové funkce

  • Nativní terminál. Uživatelé teď mají přístup k integrovanému terminálu a operaci Gitu prostřednictvím integrovaného terminálu.
  • Duplicitní složka
  • Rozevírací nabídka Costing for Compute
  • Offline výpočetní pylance

• Opravy chyb a vylepšení

  • Vylepšené doby načítání stránek
  • Zlepšení výkonu
  • Vyšší rychlost a spolehlivost jádra
  • Nahrání velkého souboru Teď můžete nahrát soubor >95 MB.

2020-11-09

Azure Machine Learning SDK pro Python verze 1.18.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Vylepšené zpracování krátkých časových řad tím, že umožňuje odsazení pomocí Gaussian šumu.
  • azureml-automl-runtime
    • Vyvolání výjimky ConfigException, pokud sloupec DateTime má hodnotu OutOfBoundsDatetime
    • Vylepšené zpracování krátkých časových řad tím, že umožňuje odsazení pomocí Gaussian šumu.
    • Ujistěte se, že každý textový sloupec může používat transformaci typu char-gram s rozsahem n-gram na základě délky řetězců v daném textovém sloupci.
    • Poskytnutí nezpracovaných vysvětlení funkcí pro nejlepší režim pro experimenty AutoML běžící na místním výpočetním prostředí uživatele
  • azureml-core
    • Připněte balíček: pyjwt, abyste se vyhnuli přetahování v nadcházejících verzích.
    • Vytvoření experimentu vrátí aktivní nebo poslední archivovaný experiment se stejným názvem, pokud takový experiment existuje nebo nový experiment.
    • Volání get_experiment podle názvu vrátí aktivní nebo poslední archivovaný experiment s daným jménem.
    • Uživatelé nemůžou experiment při opětovné aktivaci přejmenovat.
    • Vylepšená chybová zpráva, která zahrnuje potenciální opravy, když je datová sada nesprávně předána experimentu (například ScriptRunConfig).
    • Vylepšená dokumentace pro OutputDatasetConfig.register_on_complete zahrnutí chování toho, co se stane, když už název existuje.
    • Zadání vstupních a výstupních názvů datových sad, které mají potenciál kolidovat s běžnými proměnnými prostředí, teď vede k upozornění.
    • Změna účelu grant_workspace_access parametru při registraci úložišť dat Nastavte ho pro True přístup k datům za virtuální sítí ze sady Machine Learning Studio. Další informace
    • Rozhraní API propojené služby je upřesněno. Místo zadání ID prostředku máme tři samostatné parametry sub_id, rg a název definovaný v konfiguraci.
    • Pokud chcete zákazníkům umožnit samoobslužné řešení problémů s poškozením tokenů, povolte synchronizaci tokenů pracovního prostoru jako veřejnou metodu.
    • Tato změna umožňuje použít prázdný řetězec jako hodnotu pro script_param
  • azureml-train-automl-client
    • Vylepšené zpracování krátkých časových řad tím, že umožňuje odsazení pomocí Gaussian šumu.
  • azureml-train-automl-runtime
    • Vyvolání výjimky ConfigException, pokud sloupec DateTime má hodnotu OutOfBoundsDatetime
    • Přidání podpory pro poskytování nezpracovaných vysvětlení funkcí pro nejlepší model pro experimenty AutoML běžící na místních výpočetních prostředcích uživatele
    • Vylepšené zpracování krátkých časových řad tím, že umožňuje odsazení pomocí Gaussian šumu.
  • azureml-train-core
    • Tato změna umožňuje použít prázdný řetězec jako hodnotu pro script_param
  • azureml-train-restclients-hyperdrive
    • Funkce README byla změněna tak, aby nabízela další kontext.
  • azureml-widgety
    • Přidání podpory řetězců do knihovny grafů/paralelních souřadnic pro widget

2020-11-05

Označování dat pro segmentaci instancí obrázků (polygonová poznámka) (Preview)

Teď je k dispozici typ projektu segmentace instance obrázku (polygonové poznámky) v popiscích dat, takže uživatelé můžou kreslit a komentovat mnohoúhelníky kolem obrysu objektů na obrázcích. Uživatelé mohou přiřadit třídu a mnohoúhelník ke každému objektu, který je zajímavý v rámci obrázku.

Přečtěte si další informace o popisování segmentace instance image.

2020-10-26

Azure Machine Learning SDK pro Python verze 1.17.0

• nové příklady
  • Nové úložiště příkladů řízené komunitou je k dispozici na adrese . https://github.com/Azure/azureml-examples
• Opravy chyb a vylepšení
  • azureml-automl-core
    • Opravili jsme problém, kdy get_output mohl vyvolat chybu XGBoostError.
  • azureml-automl-runtime
    • Funkce založené na čase a kalendáři vytvořené službou AutoML teď mají předponu.
    • Opravili jsme chybu IndexError, ke které docházelo během trénování stackEnsemble pro klasifikační datové sady s velkým počtem tříd a povoleným podvzorkováním.
    • Opravili jsme problém, kdy předpovědi VotingRegressoru mohly být po refitování modelu nepřesné.
  • azureml-core
    • Další podrobnosti o vztahu mezi konfigurací nasazení AKS a koncepty služby Azure Kubernetes Service
    • Podpora popisků klientů prostředí Uživatel může označovat prostředí a odkazovat na ně podle popisku.
  • azureml-dataprep
    • Lepší chybová zpráva při použití aktuálně nepodporovaného Sparku se scalou 2.12
  • azureml-explain-model
    • Balíček azureml-explain-model je oficiálně zastaralý.
  • azureml-mlflow
    • Vyřešili jsme chybu v mlflow.projects.run proti back-endu azureml, kdy se stav finalizace nezpracoval správně.
  • azureml-pipeline-core
    • Přidání podpory pro vytvoření, výpis a získání plánu kanálu na základě jednoho koncového bodu kanálu
    • Vylepšená dokumentace PipelineData.as_dataset s neplatným příkladem použití – Použití PipelineData.as_dataset nesprávně vede k vyvolání výjimky ValueException.
    • Změnili jste poznámkový blok kanálů HyperDriveStep tak, aby registrovali nejlepší model v rámci kanálu přímo po spuštění HyperDrivuStep.
  • azureml-pipeline-steps
    • Změnili jste poznámkový blok kanálů HyperDriveStep tak, aby registrovali nejlepší model v rámci kanálu přímo po spuštění HyperDrivuStep.
  • azureml-train-automl-client
    • Opravili jsme problém, kdy get_output mohl vyvolat chybu XGBoostError.

prostředí poznámkových bloků studio Azure Machine Learning (říjen aktualizace)

• Nové funkce

  • Úplná podpora virtuálních sítí
  • Detailní režim
  • Ukládání poznámkových bloků Ctrl-S
  • Čísla řádků

• Opravy chyb a vylepšení

  • Zlepšení rychlosti a spolehlivosti jádra
  • Aktualizace uživatelského rozhraní widgetu Jupyter

2020-10-12

Azure Machine Learning SDK pro Python verze 1.16.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • AKSWebservice a AKSEndpoints teď podporují limity prostředků procesoru a paměti na úrovni podů. Tyto volitelné limity je možné použít nastavením --cpu-cores-limit a --memory-gb-limit příznaky v příslušných voláních rozhraní příkazového řádku.
  • azureml-core
    • Připnutí hlavních verzí přímých závislostí azureml-core
    • AKSWebservice a AKSEndpoints teď podporují limity prostředků procesoru a paměti na úrovni podů. Další informace o prostředcích a omezeních Kubernetes
    • Aktualizace run.log_table, aby bylo možné protokolovat jednotlivé řádky.
    • Přidání statické metody Run.get(workspace, run_id) pro načtení spuštění pouze pomocí pracovního prostoru
    • Přidání metody Workspace.get_run(run_id) instance pro načtení spuštění v pracovním prostoru
    • Představujeme vlastnost příkazu v konfiguraci spuštění, která uživatelům umožňuje odesílat příkaz místo argumentů skriptu a argumentů.
  • azureml-interpret
    • Oprava chování klienta vysvětlení is_raw příznakem v azureml-interpret
  • azureml-sdk
    • azureml-sdk oficiálně podporuje Python 3.8.
  • azureml-train-core
    • Přidání kurátorovaného prostředí TensorFlow 2.3
    • Představujeme vlastnost příkazu v konfiguraci spuštění, která uživatelům umožňuje odesílat příkaz místo argumentů skriptu a argumentů.
  • azureml-widgety
    • Přepracované rozhraní pro widget pro spuštění skriptu

2020-09-28

Azure Machine Learning SDK pro Python verze 1.15.0

• Opravy chyb a vylepšení
  • azureml-contrib-interpret
    • Vysvětlovač LIME se přesunul z azureml-contrib-interpreta na balíček interpretační komunity a vysvětlení image odebraný z balíčku azureml-contrib-interpret
    • Řídicí panel vizualizace odebraný z balíčku azureml-contrib-interpret, klient vysvětlení se přesunul na balíček azureml-interpret a zastaralý v balíčku azureml-contrib-interpret a poznámkové bloky aktualizované tak, aby odrážel vylepšené rozhraní API
    • Oprava popisů balíčků pypi pro azureml-interpret, azureml-explain-model, azureml-contrib-interpret a azureml-tensorboard
  • azureml-contrib-notebook
    • Připněte závislost nbcovert na < 6, aby papírový mlýn 1.x nadále fungoval.
  • azureml-core
    • Přidání parametrů do konstruktoru TensorflowConfiguration a MpiConfiguration umožňující efektivnější inicializaci atributů třídy, aniž by uživatel musel nastavit jednotlivé atributy. Přidání třídy PyTorchConfiguration pro konfiguraci distribuovaných úloh PyTorch v ScriptRunConfig
    • Připněte verzi prostředku azure-mgmt-resource, abyste opravili chybu ověřování.
    • Podpora tritonu bez nasazení kódu
    • Při použití spuštění v interaktivních scénářích se teď sledují adresáře výstupů zadané v Run.start_logging(). Sledované soubory jsou při volání Run.complete() viditelné v nástroji ML Studio.
    • Kódování souborů je teď možné zadat při vytváření datové sady a Dataset.Tabular.from_delimited_filesDataset.Tabular.from_json_lines_files předáním argumentu encoding . Podporované kódování jsou utf8, iso88591, latin1, ascii, utf16, utf32, utf8bom a windows1252.
    • Oprava chyby v případech, kdy objekt prostředí není předán do konstruktoru ScriptRunConfig
    • Aktualizace Run.cancel() pro povolení zrušení místního spuštění z jiného počítače
  • azureml-dataprep
    • Opravili jsme problémy s vypršením časového limitu připojení datové sady.
  • azureml-explain-model
    • Oprava popisů balíčků pypi pro azureml-interpret, azureml-explain-model, azureml-contrib-interpret a azureml-tensorboard
  • azureml-interpret
    • Řídicí panel vizualizace odebraný z balíčku azureml-contrib-interpret, klient vysvětlení se přesunul na balíček azureml-interpret a zastaralý v balíčku azureml-contrib-interpret a poznámkové bloky aktualizované tak, aby odrážel vylepšené rozhraní API
    • Aktualizace balíčku azureml-interpret tak, aby závisela na interpret-community 0.15.0
    • Oprava popisů balíčků pypi pro azureml-interpret, azureml-explain-model, azureml-contrib-interpret a azureml-tensorboard
  • azureml-pipeline-core
    • Opravili jsme problém s kanálem, kdy OutputFileDatasetConfig systém mohl přestat reagovat přiregister_on_complete zavolání s parametrem name nastaveným na název existující datové sady.
  • azureml-pipeline-steps
    • Odebrané zastaralé poznámkové bloky Databricks
  • azureml-tensorboard
    • Oprava popisů balíčků pypi pro azureml-interpret, azureml-explain-model, azureml-contrib-interpret a azureml-tensorboard
  • azureml-train-automl-runtime
    • Řídicí panel vizualizace odebraný z balíčku azureml-contrib-interpret, klient vysvětlení se přesunul na balíček azureml-interpret a zastaralý v balíčku azureml-contrib-interpret a poznámkové bloky aktualizované tak, aby odrážel vylepšené rozhraní API
  • azureml-widgety
    • Řídicí panel vizualizace odebraný z balíčku azureml-contrib-interpret, klient vysvětlení se přesunul na balíček azureml-interpret a zastaralý v balíčku azureml-contrib-interpret a poznámkové bloky aktualizované tak, aby odrážel vylepšené rozhraní API

2020-09-21

Azure Machine Learning SDK pro Python verze 1.14.0

• Opravy chyb a vylepšení

  • azure-cli-ml

    • Profilace mřížky odebraná ze sady SDK a už není podporovaná.

  • azureml-accel-models

    • Balíček azureml-accel-models teď podporuje TensorFlow 2.x

  • azureml-automl-core

    • Přidání zpracování chyb v get_output pro případy, kdy místní verze pandas/sklearn neodpovídají těm použitým během trénování

  • azureml-automl-runtime

    • Opravili jsme chybu, kdy iterace automatické archivace selhály s predikcí a zprávou: "Během předpovědi došlo k tichému selhání".

  • azureml-cli-common

    • Profilace mřížky odebraná ze sady SDK a už není podporovaná.

  • azureml-contrib-server

    • Aktualizace popisu balíčku pro stránku s přehledem pypi

  • azureml-core

    • Profilace mřížky odebraná ze sady SDK a už není podporovaná.
    • Snižte počet chybových zpráv, když se načtení pracovního prostoru nezdaří.
    • Nezobrazovat upozornění při selhání načítání metadat
    • Nový krok Kusto a cílový výpočetní objekt Kusto
    • Aktualizujte dokument pro parametr skladové položky. Odeberte skladovou položku v funkcích aktualizace pracovního prostoru v rozhraní příkazového řádku a sadě SDK.
    • Aktualizace popisu balíčku pro stránku s přehledem pypi
    • Aktualizovaná dokumentace pro prostředí Azure Machine Learning
    • Zveřejnění nastavení spravovaných prostředků služby pro pracovní prostor AML v sadě SDK

  • azureml-dataprep

    • Povolte oprávnění ke spuštění u souborů pro připojení datové sady.

  • azureml-mlflow

    • Aktualizace dokumentace k MLflow pro Azure Machine Learning a ukázky poznámkových bloků
    • Nová podpora projektů MLflow s back-endem služby Azure Machine Learning
    • Podpora registru modelů MLflow
    • Přidání podpory Azure RBAC pro operace AzureML-MLflow

  • azureml-pipeline-core

    • Vylepšili jsme dokumentaci metod PipelineOutputFileDataset.parse_*.
    • Nový krok Kusto a cílový výpočetní objekt Kusto
    • Poskytnutá vlastnost Swaggerurl pro entitu koncového bodu kanálu prostřednictvím daného uživatele může zobrazit definici schématu pro publikovaný koncový bod kanálu.

  • azureml-pipeline-steps

    • Nový krok Kusto a cílový výpočetní objekt Kusto

  • azureml-telemetrie

    • Aktualizace popisu balíčku pro stránku s přehledem pypi

  • azureml-train

    • Aktualizace popisu balíčku pro stránku s přehledem pypi

  • azureml-train-automl-client

    • Přidání zpracování chyb v get_output pro případy, kdy místní verze pandas/sklearn neodpovídají těm použitým během trénování

  • azureml-train-core

    • Aktualizace popisu balíčku pro stránku s přehledem pypi

2020-08-31

Azure Machine Learning SDK pro Python verze 1.13.0

• Funkce preview

  • Azureml-core s novou funkcí výstupních datových sad můžete zapisovat zpět do cloudového úložiště, včetně objektů blob, ADLS Gen1, ADLS Gen2 a FileShare. Můžete nakonfigurovat, kde se mají výstupní data, jak výstupní data (prostřednictvím připojení nebo nahrání) zaregistrovat výstupní data pro budoucí opětovné použití a sdílení a bezproblémově předávat mezilehlá data mezi kroky kanálu. To umožňuje reprodukovatelnost, sdílení, zabraňuje duplikování dat a vede k úsporám nákladů a zvýšení produktivity. Zjistěte, jak ho používat.

• Opravy chyb a vylepšení

  • azureml-automl-core
    • Přidání souboru validated_{platform}_requirements.txt pro připnutí všech závislostí pip pro AutoML.
    • Tato verze podporuje modely větší než 4 Gb.
    • Upgradované závislosti AutoML: scikit-learn (nyní 0.22.1), pandas (nyní 0.25.1), numpy (nyní 1.18.2).
  • azureml-automl-runtime
    • Nastavte horovod pro text DNN tak, aby vždy používal kompresi fp16.
    • Tato verze podporuje modely větší než 4 Gb.
    • Opravili jsme problém, kdy autoML selhalo s chybou ImportError: nejde importovat název RollingOriginValidator.
    • Upgradované závislosti AutoML: scikit-learn (nyní 0.22.1), pandas (nyní 0.25.1), numpy (nyní 1.18.2).
  • azureml-contrib-automl-dnn-forecasting
    • Upgradované závislosti AutoML: scikit-learn (nyní 0.22.1), pandas (nyní 0.25.1), numpy (nyní 1.18.2).
  • azureml-contrib-fair
    • Zadejte krátký popis pro azureml-contrib-fair.
  • azureml-contrib-pipeline-steps
    • Přidání zprávy, že tento balíček je zastaralý a uživatel by měl místo toho použít kroky azureml-pipeline-steps.
  • azureml-core
    • Přidání příkazu list key pro pracovní prostor
    • Přidání parametru značek v sadě Workspace SDK a rozhraní příkazového řádku
    • Opravili jsme chybu, kdy odesílání podřízeného spuštění s datovou sadou selhalo kvůli TypeError: can't pickle _thread.RLock objectschybě .
    • Přidání page_count výchozí/dokumentace pro seznam modelů
    • Upravte cli&SDK tak, aby přebíjel parametr adbworkspace a přidal pracovní prostor adb lin/unlink runner.
    • Oprava chyby v souboru Dataset.update, která způsobila aktualizaci nejnovější verze datové sady, nebyla volána verze aktualizace datové sady.
    • Opravte chybu v Dataset.get_by_name, která by zobrazovala značky nejnovější verze datové sady, i když byla načtena konkrétní starší verze.
  • azureml-interpret
    • Přidání výstupů pravděpodobnosti do vysvětlení skóre shap v azureml interpretuje na základě parametru shap_values_output z původního vysvětlujícího modulu.
  • azureml-pipeline-core
    • Vylepšená PipelineOutputAbstractDataset.registerdokumentace
  • azureml-train-automl-client
    • Upgradované závislosti AutoML: scikit-learn (nyní 0.22.1), pandas (nyní 0.25.1), numpy (nyní 1.18.2).
  • azureml-train-automl-runtime
    • Upgradované závislosti AutoML: scikit-learn (nyní 0.22.1), pandas (nyní 0.25.1), numpy (nyní 1.18.2).
  • azureml-train-core
    • Uživatelé teď musí zadat platnou hyperparameter_sampling arg při vytváření HyperDriveConfig. Kromě toho byla dokumentace pro HyperDriveRunConfig upravena tak, aby informovala uživatele o vyřazení HyperDriveRunConfig.
    • Vrácení výchozí verze PyTorch na verzi 1.4
    • Přidání obrázků PyTorch 1.6 & TensorFlow 2.2 a kurátorovaných prostředí

prostředí poznámkových bloků studio Azure Machine Learning (srpen aktualizace)

• Nové funkce

  • Nová cílová stránka Začínáme

• Funkce preview

  • Shromážděte funkce v poznámkových blocích. Díky funkci Shromáždit teď uživatelé můžou snadno vyčistit poznámkové bloky pomocí automatizované analýzy závislostí vašeho poznámkového bloku a zajistit, aby se zachoval základní kód, ale odebrali irelevantní části.

• Opravy chyb a vylepšení

  • Zlepšení rychlosti a spolehlivosti
  • Opravené chyby tmavého režimu
  • Opraveny chyby při posouvání výstupu
  • Ukázkové vyhledávání teď prohledá veškerý obsah všech souborů v úložišti ukázkových poznámkových bloků služby Azure Machine Learning.
  • Víceřádkové buňky R teď můžou běžet.
  • "Důvěřuji obsahu tohoto souboru" je teď automaticky zaškrtnuté po prvním spuštění.
  • Vylepšené dialogové okno řešení konfliktů s novou možností Vytvořit kopii

2020-08-17

Azure Machine Learning SDK pro Python verze 1.12.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • Přidáním parametrů image_name a image_label do modelu.package() povolte přejmenování image sestaveného balíčku.
  • azureml-automl-core
    • AutoML při úpravě obsahu při čtení vyvolá nový kód chyby z přípravy dat.
  • azureml-automl-runtime
    • Přidání upozornění pro uživatele, když data obsahují chybějící hodnoty, ale featurizace je vypnutá.
    • Oprava selhání podřízených spuštění, když jsou vypnutá data obsahující nan a featurizace.
    • AutoML při úpravě obsahu při čtení vyvolá nový kód chyby z přípravy dat.
    • Aktualizace normalizace pro prognózování metrik, které se mají provést podle agregace.
    • Vylepšený výpočet kvantových prognóz, když jsou zakázané funkce zpětného vyhledávání.
    • Opravili jsme řídké zpracování logických matic při výpočetních vysvětleních po AutoML.
  • azureml-core
    • Nová metoda run.get_detailed_status() teď zobrazuje podrobné vysvětlení aktuálního stavu spuštění. V současné době se zobrazuje jenom vysvětlení stavu Queued .
    • Přidáním parametrů image_name a image_label do modelu.package() povolte přejmenování image sestaveného balíčku.
    • Nová metoda set_pip_requirements() pro nastavení celého oddílu pip najednou CondaDependencies .
    • Povolte registraci úložiště dat ADLS Gen2 bez přihlašovacích údajů.
    • Vylepšená chybová zpráva při pokusu o stažení nebo připojení nesprávného typu datové sady
    • Aktualizujte ukázkový poznámkový blok filtru datové řady s dalšími příklady partition_timestamp, které poskytují optimalizaci filtru.
    • Změňte sadu SDK a rozhraní příkazového řádku tak, aby přijímaly id předplatného, resourceGroup, workspaceName, peConnectionName jako parametry místo ArmResourceId při odstraňování připojení privátního koncového bodu.
    • Experimentální dekorátor zobrazuje název třídy pro snadnější identifikaci.
    • Popisy prostředků uvnitř modelů se už negenerují automaticky na základě spuštění.
  • azureml-datadrift
    • Označte rozhraní API create_from_model v dataDriftDetector jako zastaralé.
  • azureml-dataprep
    • Vylepšená chybová zpráva při pokusu o stažení nebo připojení nesprávného typu datové sady
  • azureml-pipeline-core
    • Opravili jsme chybu při deserializaci grafu kanálu, který obsahuje registrované datové sady.
  • azureml-pipeline-steps
    • RScriptStep podporuje RSection z azureml.core.environment.
    • Odebrali passthru_automl_config parametr z AutoMLStep veřejného rozhraní API a převedli ho na interní pouze parametr.
  • azureml-train-automl-client
    • Odebrání místního asynchronního spravovaného prostředí se spouští z AutoML. Spuštění všech místních spuštění v prostředí, ze které bylo spuštění spuštěno.
    • Opravili jsme problémy se snímky při odesílání spuštění AutoML bez skriptů poskytovaných uživatelem.
    • Oprava selhání podřízeného spuštění, když jsou vypnutá data obsahující nan a featurizace.
  • azureml-train-automl-runtime
    • AutoML při úpravě obsahu při čtení vyvolá nový kód chyby z přípravy dat.
    • Opravili jsme problémy se snímky při odesílání spuštění AutoML bez skriptů poskytovaných uživatelem.
    • Oprava selhání podřízeného spuštění, když jsou vypnutá data obsahující nan a featurizace.
  • azureml-train-core
    • Přidání podpory pro zadání možností pip (například--extra-index-url) v souboru požadavků pip předaného parametru Estimator prostřednictvím pip_requirements_file .

2020-08-03

Azure Machine Learning SDK pro Python verze 1.11.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • Oprava architektury modelu a architektury modelu, která se nepředá v objektu spuštění v cestě registrace modelu rozhraní příkazového řádku
    • Oprava identity amlcompute cli show command to show tenant ID and principal ID
  • azureml-train-automl-client
    • Přidání get_best_child () do AutoMLRun pro načtení nejlepšího podřízeného spuštění pro spuštění AutoML bez stažení přidruženého modelu.
    • Přidání objektu ModelProxy, který umožňuje předpovědět nebo předpovědět spuštění v prostředí vzdáleného trénování bez místního stažení modelu.
    • Neošetřené výjimky v AutoML teď odkazují na známou stránku HTTP problémů, kde najdete další informace o chybách.
  • azureml-core
    • Názvy modelů můžou mít délku 255 znaků.
    • Environment.get_image_details() změnil typ návratového objektu. DockerImageDetails třída nahrazena dict, obraz podrobnosti jsou k dispozici z nových vlastností třídy. Změny jsou zpětně kompatibilní.
    • Oprava chyby pro Environment.from_pip_requirements() pro zachování struktury závislostí
    • Opravili jsme chybu, kdy log_list selhávaly, pokud se do stejného seznamu zahrnula hodnota int a double.
    • Při povolování privátního propojení u existujícího pracovního prostoru mějte na paměti, že pokud jsou k pracovnímu prostoru přidružené cílové výpočetní objekty, nebudou tyto cíle fungovat, pokud nejsou za stejnou virtuální sítí jako privátní koncový bod pracovního prostoru.
    • Volitelné as_named_input při použití datových sad v experimentech a přidání as_mount a přidání a as_download do FileDataset. Název vstupu se automaticky vygeneruje, pokud as_mount nebo as_download je volána.
  • azureml-automl-core
    • Neošetřené výjimky v AutoML teď odkazují na známou stránku HTTP problémů, kde najdete další informace o chybách.
    • Přidání get_best_child () do AutoMLRun pro načtení nejlepšího podřízeného spuštění pro spuštění AutoML bez stažení přidruženého modelu.
    • Přidání objektu ModelProxy, který umožňuje předpovědět nebo předpovědět spuštění v prostředí vzdáleného trénování bez místního stažení modelu.
  • azureml-pipeline-steps
    • Přidány enable_default_model_output a enable_default_metrics_output příznaky do AutoMLStep. Tyto příznaky lze použít k povolení nebo zakázání výchozích výstupů.

2020-07-20

Azure Machine Learning SDK pro Python verze 1.10.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Pokud se při použití AutoML předá cesta do objektu AutoMLConfig a ještě neexistuje, vytvoří se automaticky.
    • Uživatelé teď můžou určit frekvenci časových řad pro prognózování úkolů pomocí parametru freq .
  • azureml-automl-runtime
    • Pokud se při použití AutoML předá cesta do objektu AutoMLConfig a ještě neexistuje, vytvoří se automaticky.
    • Uživatelé teď můžou určit frekvenci časových řad pro prognózování úkolů pomocí parametru freq .
    • Funkce AutoML Forecasting teď podporuje průběžné vyhodnocení, které platí pro případ použití, že délka testovací nebo ověřovací sady je delší než vstupní horizont a známá y_pred hodnota se používá jako kontext prognózy.
  • azureml-core
    • Zprávy s upozorněním se vytisknou, pokud se při spuštění nestáhnou žádné soubory z úložiště dat.
    • Přidání dokumentace pro skip_validation .Datastore.register_azure_sql_database method
    • Uživatelé musí upgradovat na sadu SDK verze 1.10.0 nebo vyšší, aby vytvořili automaticky schválený privátní koncový bod. To zahrnuje prostředek poznámkového bloku, který je použitelný za virtuální sítí.
    • Zveřejnění NotebookInfo v odpovědi na získání pracovního prostoru
    • Změny volání k výpisu cílových výpočetních prostředků a úspěšné získání cílového výpočetního objektu ve vzdáleném spuštění Funkce sady SDK pro získání cílových výpočetních prostředků a výpisu cílových výpočetních prostorů teď fungují ve vzdálených spuštěních.
    • Přidejte zprávy o vyřazení do popisů tříd pro třídy azureml.core.image.
    • Vyvolání výjimky a vyčištění pracovního prostoru a závislých prostředků v případě selhání vytvoření privátního koncového bodu pracovního prostoru
    • Podpora upgradu skladové položky pracovního prostoru v metodě aktualizace pracovního prostoru
  • azureml-datadrift
    • Aktualizujte verzi matplotlib z verze 3.0.2 na 3.2.1, aby podporovala Python 3.8.
  • azureml-dataprep
    • Přidání podpory zdrojů dat webových adres URL s Range žádostí nebo Head žádostí
    • Vylepšená stabilita připojení a stahování datových sad souborů.
  • azureml-train-automl-client
    • Opravili jsme problémy související s odebráním z instalačních RequirementParseError nástrojů.
    • Použití Dockeru místo conda pro místní spuštění odeslaná pomocí příkazu "compute_target='local'"
    • Doba trvání iterace vytištěná do konzoly byla opravena. Dříve byla doba trvání iterace někdy vytištěna jako čas ukončení spuštění minus čas vytvoření spuštění. Byla opravena tak, aby odpovídala času ukončení běhu minus čas spuštění.
    • Pokud se při použití AutoML předá cesta do objektu AutoMLConfig a ještě neexistuje, vytvoří se automaticky.
    • Uživatelé teď můžou určit frekvenci časových řad pro prognózování úkolů pomocí parametru freq .
  • azureml-train-automl-runtime
    • Vylepšený výstup konzoly při selhání nejlepších vysvětlení modelu
    • Přejmenování vstupního parametru na "blocked_models" pro odebrání citlivého termínu
      • Přejmenování vstupního parametru na "allowed_models" pro odebrání citlivého termínu
    • Uživatelé teď můžou určit frekvenci časových řad pro prognózování úkolů pomocí parametru freq .

2020-07-06

Azure Machine Learning SDK pro Python verze 1.9.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Nahrazeno get_model_path() proměnnou prostředí AZUREML_MODEL_DIR v automaticky generovaném hodnoticím skriptu AutoML. Přidali jsme také telemetrii ke sledování selhání během init().
    • Odebrání možnosti zadat enable_cache jako součást autoMLConfig
    • Opravili jsme chybu, kdy spuštění mohla selhat s chybami služby během konkrétních spuštění prognózy.
    • Vylepšené zpracování chyb u konkrétních modelů během get_output
    • Oprava volání fitted_model.fit(X, y) pro klasifikaci s transformátorem y
    • Povolení přizpůsobeného přeplňování vpřed pro úlohy prognózy
    • Nová třída ForecastingParameters se používá místo prognózování parametrů ve formátu diktování.
    • Vylepšené automatické rozpoznávání prodlevy cíle
    • Přidání omezené dostupnosti multi-noded, multi-gpu distribuované featurizace s využitím BERT
  • azureml-automl-runtime
    • Prorok teď místo násobení přičte modelování sezónnosti.
    • Opravili jsme problém, kdy krátká zrnka s frekvencí odlišnou od těch z dlouhých zrn způsobovala neúspěšná spuštění.
  • azureml-contrib-automl-dnn-vision
    • Shromažďování statistik systému/gpu a průměrů protokolů pro trénování a vyhodnocování
  • azureml-contrib-mir
    • Přidání podpory příznaku enable-app-insights ve službě ManagedInferencing
  • azureml-core
    • Ověřte parametr pro tato rozhraní API tím, že povolíte vynechání ověření, pokud zdroj dat není přístupný z aktuálního výpočetního prostředí.
      • TabularDataset.time_before(end_time; include_boundary=True; validate=True)
      • TabularDataset.time_after(start_time; include_boundary=True; validate=True)
      • TabularDataset.time_recent(time_delta; include_boundary=True; validate=True)
      • TabularDataset.time_between(start_time; end_time; include_boundary=True; validate=True)
    • Přidání podpory filtrování architektury pro seznam modelů a přidání ukázky NCD AutoML do poznámkového bloku
    • Pro Datastore.register_azure_blob_container a Datastore.register_azure_file_share (pouze možnosti podporující token SAS) jsme aktualizovali řetězce dokumentace pro sas_token pole tak, aby zahrnovaly minimální požadavky na oprávnění pro typické scénáře čtení a zápisu.
    • Vyřazení parametrů _with_auth v ws.get_mlflow_tracking_uri()
  • azureml-mlflow
    • Přidání podpory pro nasazení místních modelů file:// pomocí AzureML-MLflow
    • Vyřazení parametrů _with_auth v ws.get_mlflow_tracking_uri()
  • azureml-opendatasets
    • Nedávno publikované datové sady pro sledování Covid-19 jsou teď dostupné se sadou SDK.
  • azureml-pipeline-core
    • Odhlaste se upozornění, když se jako součást závislosti pip nezahrne "azureml-defaults"
    • Vylepšení vykreslování poznámek
    • Přidání podpory pro konce řádků uvozovaných při analýze souborů s oddělovači do PipelineOutputFileDataset.
    • Třída PipelineDataset je zastaralá. Další informace najdete na webu https://aka.ms/dataset-deprecation. Naučte se používat datovou sadu s kanálem, viz https://aka.ms/pipeline-with-dataset.
  • azureml-pipeline-steps
    • Aktualizace dokumentace pro azureml-pipeline-steps
    • Přidání podpory v ParallelRunConfig load_yaml() pro uživatele, kteří definují prostředí vložená se zbytkem konfigurace nebo v samostatném souboru
  • azureml-train-automl-client.
    • Odebrání možnosti zadat enable_cache jako součást autoMLConfig
  • azureml-train-automl-runtime
    • Přidání omezené dostupnosti multi-noded, multi-gpu distribuované featurizace s BERT.
    • Přidání zpracování chyb pro nekompatibilní balíčky v automatizovaných spuštěních strojového učení založené na ADB
  • azureml-widgety
    • Aktualizace dokumentace pro azureml-widgety

2020-06-22

Azure Machine Learning SDK pro Python verze 1.8.0

• Funkce preview

  • azureml-contrib-fairness Balíček azureml-contrib-fairness poskytuje integraci mezi opensourcovým posouzením nestrannosti a balíčkem pro zmírnění nespravedlivosti Fairlearn a studio Azure Machine Learning. Balíček zejména umožňuje, aby se řídicí panely vyhodnocení nestrannosti modelu nahrály jako součást spuštění služby Azure Machine Learning a zobrazily se v studio Azure Machine Learning

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Podpora získávání protokolů inicializačního kontejneru
    • Přidání nových příkazů rozhraní příkazového řádku pro správu computeInstance
  • azureml-automl-core
    • Uživatelé teď můžou povolit iteraci souboru zásobníku pro úlohy časových řad s upozorněním, že by mohlo dojít k převléčení.
    • Přidání nového typu výjimky uživatele, která se vyvolá, pokud došlo k manipulaci s obsahem úložiště mezipaměti
  • azureml-automl-runtime
    • Pokud uživatel zakáže funkci featurizace, není již povolen úklid tříd.
  • azureml-contrib-notebook
    • Vylepšení dokumentace k balíčku azureml-contrib-notebook
  • azureml-contrib-pipeline-steps
    • Vylepšení dokumentace balíčku azureml-contrib--pipeline-steps
  • azureml-core
    • Přidání funkcí set_connection, get_connection, list_connections, delete_connection pro zákazníka, aby fungoval s prostředkem připojení pracovního prostoru
    • Aktualizace dokumentace balíčku azureml-coore/azureml.exceptions
    • Aktualizace dokumentace balíčku azureml-core
    • Aktualizace doc třídy ComputeInstance
    • Vylepšení dokumentace k balíčku azureml-core/azureml.core.compute
    • Vylepšení dokumentace pro třídy související s webservice v azureml-core
    • Podpora úložiště dat vybraných uživatelem pro ukládání dat profilace
    • Přidání vlastnosti rozbalení a page_count pro rozhraní API seznamu modelů
    • Opravili jsme chybu, kdy odebrání vlastnosti přepsání způsoboval selhání odeslaného spuštění s chybou deserializace.
    • Opravili jsme nekonzistentní strukturu složek při stahování nebo připojování FileDataset odkazující na jeden soubor.
    • Načítání datové sady souborů parquet to_spark_dataframe je teď rychlejší a podporuje všechny datové typy Parquet a Spark SQL.
    • Podpora získávání protokolů inicializačního kontejneru
    • Spuštění AutoML se teď označí jako podřízené spuštění kroku paralelního spuštění.
  • azureml-datadrift
    • Vylepšení dokumentace k balíčku azureml-contrib-notebook
  • azureml-dataprep
    • Načítání datové sady souborů parquet to_spark_dataframe je teď rychlejší a podporuje všechny datové typy Parquet a Spark SQL.
    • Lepší zpracování paměti pro problém OutOfMemory pro to_pandas_dataframe
  • azureml-interpret
    • Upgrade azureml-interpret pro použití interpret-community verze 0.12.*
  • azureml-mlflow
    • Vylepšení dokumentace pro azureml-mlflow
    • Přidává podporu registru modelů AML s MLFlow.
  • azureml-opendatasets
    • Přidání podpory pro Python 3.8
  • azureml-pipeline-core
    • Aktualizovali PipelineDatasetjsme dokumentaci, aby bylo jasné, že se jedná o interní třídu.
    • Aktualizace ParallelRunStep tak, aby přijímaly více hodnot pro jeden argument, například: --group_column_names, Col1, Col2, Col3
    • Odebrali jsme požadavek passthru_automl_config na přechodné využití dat pomocí funkce AutoMLStep v Pipelines.
  • azureml-pipeline-steps
    • Vylepšení balíčku azureml-pipeline-steps
    • Odebrali jsme požadavek passthru_automl_config na přechodné využití dat pomocí funkce AutoMLStep v Pipelines.
  • azureml-telemetrie
    • Vylepšení dokumentace k azureml-telemetrii
  • azureml-train-automl-client
    • Opravili jsme chybu, která způsobovat, že experiment.submit() se v objektu AutoMLConfig volala dvakrát, došlo k jinému chování.
    • Uživatelé teď můžou povolit iteraci souboru zásobníku pro úlohy časových řad s upozorněním, že by mohlo dojít k převléčení.
    • Změna chování spuštění AutoML za účelem vyvolání výjimky UserErrorException, pokud služba vyvolá chybu uživatele
    • Opravili jsme chybu, která způsobovala, že se azureml_automl.log nezgenerovaly nebo chyběly protokoly při provádění experimentu AutoML ve vzdáleném cílovém výpočetním objektu.
    • U sad klasifikačních dat s nevyváženými třídami použijeme vyrovnávání hmotnosti, pokud nástroj pro úklid funkcí určí, že pro dílčí převzorkovaná data, vyrovnávání hmotnosti zvýší výkon úlohy klasifikace o určitou prahovou hodnotu.
    • Spuštění AutoML se teď označí jako podřízené spuštění kroku paralelního spuštění.
  • azureml-train-automl-runtime
    • Změna chování spuštění AutoML za účelem vyvolání výjimky UserErrorException, pokud služba vyvolá chybu uživatele
    • Spuštění AutoML se teď označí jako podřízené spuštění kroku paralelního spuštění.

2020-06-08

Azure Machine Learning SDK pro Python verze 1.7.0

• Opravy chyb a vylepšení
  • azure-cli-ml
    • Dokončili jsme odebrání profilace modelu z mir contribu vyčištěním příkazů rozhraní příkazového řádku a závislostí balíčků, profilace modelů je k dispozici v jádru.
    • Upgraduje minimální verzi Azure CLI na verzi 2.3.0.
  • azureml-automl-core
    • Lepší zpráva o výjimce v kroku featurizace fit_transform() kvůli vlastním parametrům transformátoru.
    • Přidání podpory pro více jazyků pro modely transformátoru hlubokého učení, jako je BERT v automatizovaném strojovém učení.
    • Odebrání zastaralého parametru lag_length z dokumentace
    • Byla vylepšena dokumentace k parametrům prognózy. Parametr lag_length byl zastaralý.
  • azureml-automl-runtime
    • Opravili jsme chybu vyvolanou v případě, že jeden ze sloupců kategorií je prázdný v době prognózy a testu.
    • Opravte chyby spuštění, ke které dochází, když jsou povolené funkce zpětného vyhledávání a data obsahují krátká zrnka.
    • Opravili jsme problém s chybovou zprávou indexu duplicitního času, kdy byla prodleva nebo posuvná okna nastavená na "auto".
    • Opravili jsme problém s modely Prorok a Arima u datových sad, které obsahovaly funkce zpětného vyhledávání.
    • Přidání podpory kalendářních dat před 1677-09-21 nebo po 2262-04-11 ve sloupcích jiných než datum čas v předpovědích úkolů. Vylepšené chybové zprávy
    • Byla vylepšena dokumentace k parametrům prognózy. Parametr lag_length byl zastaralý.
    • Lepší zpráva o výjimce v kroku featurizace fit_transform() kvůli vlastním parametrům transformátoru.
    • Přidání podpory pro více jazyků pro modely transformátoru hlubokého učení, jako je BERT v automatizovaném strojovém učení.
    • Operace mezipaměti, které vedou k některým chybám OSErrors, způsobí chybu uživatele.
    • Přidání kontrol pro zajištění toho, aby data trénování a ověření měla stejný počet a sadu sloupců
    • Opravili jsme problém s automaticky vygenerovaným skriptem pro bodování AutoML, když data obsahují uvozovky.
    • Povolení vysvětlení modelů AutoML Prorok a souborů, které obsahují model Prorok.
    • Nedávný problém zákazníka odhalil chybu živého webu, kdy zaznamenáváme zprávy spolu s vyrovnáváním tříd a úklidem i v případě, že logika vyrovnávání tříd není správně povolená. Odebrání těchto protokolů nebo zpráv s touto žádostí o přijetí změn
  • azureml-cli-common
    • Dokončili jsme odebrání profilace modelu z mir contribu vyčištěním příkazů rozhraní příkazového řádku a závislostí balíčků. Profilace modelů je k dispozici v jádru.
  • azureml-contrib-výztužné učení
    • Nástroj pro zátěžové testování
  • azureml-core
    • Změny dokumentace k Script_run_config.py
    • Oprava chyby při tisku výstupu rozhraní příkazového řádku pro odeslání kanálu
    • Vylepšení dokumentace pro azureml-core/azureml.data
    • Oprava potíží s načítáním účtu úložiště pomocí příkazu hdfs getconf
    • Vylepšená dokumentace k register_azure_blob_container a register_azure_file_share
  • azureml-datadrift
    • Vylepšená implementace pro zakázání a povolení monitorování posunů datových sad
  • azureml-interpret
    • V klientovi vysvětlení odeberte názvy NaNs nebo Infs před serializací JSON při nahrávání z artefaktů.
    • Aktualizace na nejnovější verzi interpretační komunity, aby se zlepšily chyby nedostatku paměti pro globální vysvětlení s mnoha funkcemi a třídami
    • Přidání true_ys volitelného parametru pro nahrání vysvětlení pro povolení dalších funkcí v uživatelském rozhraní studia
    • Vylepšení výkonu download_model_explanations() a list_model_explanations()
    • Malé úpravy poznámkových bloků, které vám pomůžou s laděním
  • azureml-opendatasets
    • Azureml-opendatasets potřebuje azureml-dataprep verze 1.4.0 nebo vyšší. Přidání upozornění při zjištění nižší verze
  • azureml-pipeline-core
    • Tato změna umožňuje uživateli poskytnout volitelný runconfig moduluVersion při volání modulu. Publish_python_script.
    • Povolení účtu uzlu může být parametr kanálu v ParallelRunStep v azureml.pipeline.steps.
  • azureml-pipeline-steps
    • Tato změna umožňuje uživateli poskytnout volitelný runconfig moduluVersion při volání modulu. Publish_python_script.
  • azureml-train-automl-client
    • Přidání podpory pro více jazyků pro modely transformátoru hlubokého učení, jako je BERT v automatizovaném strojovém učení.
    • Odebrání zastaralého parametru lag_length z dokumentace
    • Byla vylepšena dokumentace k parametrům prognózy. Parametr lag_length byl zastaralý.
  • azureml-train-automl-runtime
    • Povolení vysvětlení modelů AutoML Prorok a souborů, které obsahují model Prorok.
    • Aktualizace dokumentace pro balíčky azureml-train-automl-*
  • azureml-train-core
    • Podpora TensorFlow verze 2.1 v estimátoru PyTorch
    • Vylepšení balíčku azureml-train-core

2020-05-26

Azure Machine Learning SDK pro Python verze 1.6.0

• Nové funkce

  • azureml-automl-runtime

    • Funkce AutoML Forecasting teď podporuje prognózu zákazníků nad rámec předem zadaného maximálního horizontu bez opětovného trénování modelu. Pokud je cíl prognózy dál v budoucnu než zadaný maximální horizont, funkce forecast() stále vyvádí předpovědi bodů k pozdějšímu datu pomocí rekurzivního režimu operace. Obrázek nové funkce najdete ve složce poznámkového bloku forecasting-forecast-function v části Prognózování dál než maximální horizont.

  • azureml-pipeline-steps

    • ParallelRunStep je nyní vydán a je součástí balíčku azureml-pipeline-steps . Existující ParallelRunStep v balíčku azureml-contrib-pipeline-steps je zastaralý. Změny z verze Public Preview:
      • Přidání run_max_try volitelného konfigurovatelného parametru pro řízení maximálního volání metody spuštění pro libovolnou dávku, výchozí hodnota je 3.
      • Už se negenerují žádné parametry PipelineParameters. Následující konfigurovatelné hodnoty lze explicitně nastavit jako PipelineParameter.
        • mini_batch_size
        • node_count
        • process_count_per_node
        • logging_level
        • run_invocation_timeout
        • run_max_try
      • Výchozí hodnota pro process_count_per_node se změní na 1. Uživatel by měl tuto hodnotu vyladit pro lepší výkon. Osvědčeným postupem je nastavit počet uzlů GPU nebo procesoru.
      • ParallelRunStep nevkládá žádné balíčky, uživatel musí do definice prostředí zahrnout balíčky azureml-core a azureml-dataprep[pandas, fuse]. Pokud se s user_managed_dependencies používá vlastní image Dockeru, musí uživatel na image nainstalovat conda.

• Změny způsobující chyby

  • azureml-pipeline-steps
    • Vyřazení použití azureml.dprep.Dataflow jako platného typu vstupu pro AutoMLConfig
  • azureml-train-automl-client
    • Vyřazení použití azureml.dprep.Dataflow jako platného typu vstupu pro AutoMLConfig

• Opravy chyb a vylepšení

  • azureml-automl-core
    • Opravili jsme chybu, kdy se během get_output výzvy uživatele k downgradu klienta mohlo vytisknout upozornění.
    • Aktualizovali jsme Mac tak, aby spoléhal na cudatoolkit=9.0, protože zatím není k dispozici ve verzi 10.
    • Odebrání omezení pro modely proroka a xgboost při trénování na vzdálené výpočetní prostředky
    • Vylepšené protokolování v AutoML
    • Vylepšili jsme zpracování chyb pro vlastní funkciaturace v úlohách prognózování.
    • Přidali jsme funkce, které uživatelům umožňují zahrnout opožděné funkce pro generování prognóz.
    • Aktualizuje chybovou zprávu, aby se správně zobrazila chyba uživatele.
    • Podpora cv_split_column_names pro použití s training_data
    • Aktualizujte protokolování zprávy o výjimce a zpětné trasování.
  • azureml-automl-runtime
    • Povolte mantinely pro prognózování chybějících imputací hodnot.
    • Vylepšené protokolování v AutoML
    • Přidání jemně odstupňované zpracování chyb pro výjimky přípravy dat
    • Odebrání omezení pro modely proroka a xgboost při trénování na vzdálené výpočetní prostředky
    • azureml-train-automl-runtime a azureml-automl-runtime byly aktualizovány závislosti pro pytorch, scipya cudatoolkit. nyní podporujeme pytorch==1.4.0, scipy>=1.0.0,<=1.3.1a cudatoolkit==10.1.243.
    • Vylepšili jsme zpracování chyb pro vlastní funkciaturace v úlohách prognózování.
    • Vylepšili jsme mechanismus detekce četnosti sady dat prognózování.
    • Opravili jsme problém s trénováním modelu Prorok u některých datových sad.
    • Byla vylepšena automatická detekce maximálního horizontu během prognózy.
    • Přidali jsme funkce, které uživatelům umožňují zahrnout opožděné funkce pro generování prognóz.
    • Přidá do funkce prognózy funkce, aby bylo možné poskytovat prognózy nad rámec natrénovaného horizontu bez opětovného trénování modelu prognózy.
    • Podpora cv_split_column_names pro použití s training_data
  • azureml-contrib-automl-dnn-forecasting
    • Vylepšené protokolování v AutoML
  • azureml-contrib-mir
    • Přidání podpory pro služby Windows ve službě ManagedInferencing
    • Odebrání starých pracovních postupů MIR, jako je připojení výpočetních prostředků MIR, třída SingleModelMirWebservice – Vyčištění profilace modelu umístěného v balíčku contrib-mir
  • azureml-contrib-pipeline-steps
    • Menší oprava podpory YAML
    • ParallelRunStep se vydává pro obecnou dostupnost – azureml.contrib.pipeline.steps obsahuje oznámení o vyřazení a přesune se do azureml.pipeline.steps.
  • azureml-contrib-výztužné učení
    • Nástroj pro zátěžové testování seznamu RL
    • Estimátor RL má inteligentní výchozí hodnoty
  • azureml-core
    • Odebrání starých pracovních postupů MIR, jako je připojení výpočetních prostředků MIR, třída SingleModelMirWebservice – Vyčištění profilace modelu umístěného v balíčku contrib-mir
    • Opravili jsme informace poskytnuté uživateli v selhání profilace: zahrnovalo ID požadavku a přeformuloval zprávu tak, aby byla smysluplnější. Přidání nového pracovního postupu profilace do spouštěčů profilace
    • Vylepšili jsme text chyby při selhání spuštění datové sady.
    • Přidání podpory rozhraní příkazového řádku privátního propojení pracovního prostoru
    • Přidání volitelného parametru invalid_lines , který Dataset.Tabular.from_json_lines_files umožňuje určit, jak zpracovávat řádky obsahující neplatný kód JSON.
    • V příští verzi přestaneme vytvářet výpočetní prostředky založené na spuštění. Doporučujeme vytvořit skutečný cluster Amlcompute jako trvalý cílový výpočetní objekt a použít název clusteru jako cílový výpočetní objekt ve vaší konfiguraci spuštění. Příklad poznámkového bloku najdete tady: aka.ms/amlcomputenb
    • Vylepšené chybové zprávy při selhání spuštění datové sady
  • azureml-dataprep
    • Upozornění na upgrade verze pyarrow explicitnější.
    • Vylepšené zpracování chyb a zpráva vrácená při selhání spuštění toku dat
  • azureml-interpret
    • Aktualizace dokumentace balíčku azureml-interpret.
    • Opravené balíčky interpretability a poznámkové bloky pro kompatibilitu s nejnovější aktualizací sklearn
  • azureml-opendatasets
    • Vrátí hodnotu Žádná, pokud se nevrátí žádná data.
    • Zlepšení výkonu to_pandas_dataframe
  • azureml-pipeline-core
    • Rychlá oprava pro ParallelRunStep, kdy se přerušilo načítání z YAML
    • ParallelRunStep se vydává pro obecnou dostupnost – azureml.contrib.pipeline.steps má oznámení o vyřazení a přechází na azureml.pipeline.steps – mezi nové funkce patří: 1. Datové sady jako PipelineParameter 2 Nový parametr run_max_retry 3. Konfigurovatelný název výstupního souboru append_row
  • azureml-pipeline-steps
    • Zastaralé azureml.dprep.Dataflow jako platný typ pro vstupní data.
    • Rychlá oprava pro ParallelRunStep, kdy se přerušilo načítání z YAML
    • ParallelRunStep se vydává pro obecnou dostupnost – azureml.contrib.pipeline.steps obsahuje oznámení o vyřazení a přechází na azureml.pipeline.steps – mezi nové funkce patří:
      • Datové sady jako PipelineParameter
      • Nový parametr run_max_retry
      • Konfigurovatelný název výstupního souboru append_row
  • azureml-telemetrie
    • Aktualizujte protokolování zprávy o výjimce a zpětné trasování.
  • azureml-train-automl-client
    • Vylepšené protokolování v AutoML
    • Aktualizuje chybovou zprávu, aby se správně zobrazila chyba uživatele.
    • Podpora cv_split_column_names pro použití s training_data
    • Zastaralé azureml.dprep.Dataflow jako platný typ pro vstupní data.
    • Aktualizovali jsme Mac tak, aby spoléhal na cudatoolkit=9.0, protože zatím není k dispozici ve verzi 10.
    • Odebrání omezení pro modely proroka a xgboost při trénování na vzdálené výpočetní prostředky
    • azureml-train-automl-runtime a azureml-automl-runtime byly aktualizovány závislosti pro pytorch, scipya cudatoolkit. nyní podporujeme pytorch==1.4.0, scipy>=1.0.0,<=1.3.1a cudatoolkit==10.1.243.
    • Přidali jsme funkce, které uživatelům umožňují zahrnout opožděné funkce pro generování prognóz.
  • azureml-train-automl-runtime
    • Vylepšené protokolování v AutoML
    • Přidání jemně odstupňované zpracování chyb pro výjimky přípravy dat
    • Odebrání omezení pro modely proroka a xgboost při trénování na vzdálené výpočetní prostředky
    • azureml-train-automl-runtime a azureml-automl-runtime byly aktualizovány závislosti pro pytorch, scipya cudatoolkit. nyní podporujeme pytorch==1.4.0, scipy>=1.0.0,<=1.3.1a cudatoolkit==10.1.243.
    • Aktualizuje chybovou zprávu, aby se správně zobrazila chyba uživatele.
    • Podpora cv_split_column_names pro použití s training_data
  • azureml-train-core
    • Přidali jsme novou sadu výjimek specifických pro HyperDrive. Azureml.train.hyperdrive teď vyvolává podrobné výjimky.
  • azureml-widgety
    • Widgety Azure Machine Learning se nezobrazují v JupyterLabu

2020-05-11

Azure Machine Learning SDK pro Python verze 1.5.0

• Nové funkce

  • Funkce preview
    • azureml-contrib-výztužné učení
      • Azure Machine Learning vydává podporu preview pro výztužné učení pomocí architektury Ray . Umožňuje ReinforcementLearningEstimator trénování agentů pro výztužné učení napříč cíli výpočetních prostředků GPU a procesoru ve službě Azure Machine Learning.

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Opravuje omylem za protokolem upozornění v předchozí žádosti o přijetí změn. Protokol se použil k ladění a omylem zůstal za sebou.
    • Oprava chyby: Informování klientů o částečném selhání během profilace
  • azureml-automl-core
    • Urychlete model Prorok/AutoArima v prognózování AutoML tím, že povolíte paralelní přizpůsobení časové řady, když datové sady mají více časových řad. Pokud chcete tuto novou funkci využít, doporučujeme nastavit "max_cores_per_iteration = -1" (tj. použít všechna dostupná jádra procesoru) v AutoMLConfig.
    • Oprava chyby KeyError při tisku mantinely v rozhraní konzoly
    • Oprava chybové zprávy pro experimentation_timeout_hours
    • Zastaralé modely TensorFlow pro AutoML
  • azureml-automl-runtime
    • Oprava chybové zprávy pro experimentation_timeout_hours
    • Oprava neotříděné výjimky při pokusu o deserializaci z úložiště mezipaměti
    • Urychlete model Prorok/AutoArima v prognózování AutoML tím, že povolíte paralelní přizpůsobení časové řady, když datové sady mají více časových řad.
    • Opravili jsme prognózování s povoleným posuvným oknem v datových sadách, kde sada testů a predikcí neobsahuje z trénovací sady jednu z zrn.
    • Vylepšené zpracování chybějících dat
    • Opravili jsme problém s intervaly předpovědí během prognózování datových sad obsahujících časové řady, které nejsou v čase zarovnané.
    • Přidání lepšího ověření obrazce dat pro úlohy prognózování
    • Vylepšili jsme detekci četnosti.
    • Vytvoření lepší chybové zprávy v případě, že křížové ověření pro úlohy prognózy nelze vygenerovat.
    • Oprava rozhraní konzoly pro tisk chybějící ochranné mantinely hodnoty správně.
    • Vynucení kontrol datového typu u cv_split_indices vstupu v AutoMLConfig.
  • azureml-cli-common
    • Oprava chyby: Informování klientů o částečném selhání během profilace
  • azureml-contrib-mir
    • Přidá třídu azureml.contrib.mir.RevisionStatus, která předává informace o aktuálně nasazené revizi MIR a nejnovější verzi určenou uživatelem. Tato třída je zahrnuta v MirWebservice objektu v 'deployment_status' atributu.
    • Povolí aktualizaci webových služeb typu MirWebservice a její podřízené třídy SingleModelMirWebservice.
  • azureml-contrib-výztužné učení
    • Přidání podpory pro Ray 0.8.3
    • AmlWindowsCompute podporuje pouze soubory Azure jako připojené úložiště.
    • Přejmenování health_check_timeout na health_check_timeout_seconds
    • Opravili jsme popisy některých tříd a metod.
  • azureml-core
    • Povoleno WASB –> Převody objektů blob v cloudech Azure Government a Čína
    • Opravili jsme chybu, která umožňuje čtenářům používat příkazy az ml run CLI k získání informací o spuštění.
    • Odebrání nepotřebného protokolování během vzdálených spuštění služby Azure Machine Learning se vstupními datovými sadami
    • RCranPackage teď podporuje parametr version pro verzi balíčku CRAN.
    • Oprava chyby: Informování klientů o částečném selhání během profilace
    • Přidání zpracování plovoucích dat v evropském stylu pro azureml-core
    • Povolené funkce privátního propojení pracovního prostoru v sadě Azure Machine Learning SDK
    • Při vytváření TabularDataset pomocí from_delimited_files, můžete určit, zda prázdné hodnoty mají být načteny jako None nebo jako prázdný řetězec nastavením logického argumentu empty_as_string.
    • Přidání zpracování plovoucích dat v evropském stylu pro datové sady
    • Vylepšené chybové zprávy při selhání připojení datové sady
  • azureml-datadrift
    • Dotaz na výsledky posunu dat ze sady SDK měl chybu, která nerozlišovala minimální, maximální a střední metriky funkcí, což vedlo k duplicitním hodnotám. Tuto chybu jsme opravili předponou cíle nebo směrného plánu názvů metrik. Před: duplicitní min, max, střední hodnota. After: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
  • azureml-dataprep
    • Vylepšete zpracování prostředí Pythonu s omezeným zápisem při zajišťování závislostí .NET vyžadovaných pro doručování dat.
    • Opravili jsme vytvoření toku dat v souboru s úvodními prázdnými záznamy.
    • Přidání možností zpracování chyb podobných to_partition_iterator .to_pandas_dataframe
  • azureml-interpret
    • Omezení délky cesty vysvětlení, aby se snížila pravděpodobnost překročení limitu windows
    • Oprava řídkých vysvětlení vytvořených pomocí napodobovacího vysvětlujíče pomocí lineárního náhradního modelu.
  • azureml-opendatasets
    • Oprava problému se sloupci MNIST se parsuje jako řetězec, který by měl být int.
  • azureml-pipeline-core
    • Povolení možnosti regenerate_outputs při použití modulu, který je vložený v modulu ModuleStep.
  • azureml-train-automl-client
    • Zastaralé modely TensorFlow pro AutoML
    • Oprava povolení výpisu nepodporovaných algoritmů v místním režimu
    • Opravy dokumentace pro AutoMLConfig
    • Vynucení kontrol datového typu u cv_split_indices vstupu v AutoMLConfig.
    • Oprava potíží se selháním spuštění AutoML v show_output
  • azureml-train-automl-runtime
    • Oprava chyby v iteracích souboru, která bránila úspěšnému spuštění časového limitu stahování modelu.
  • azureml-train-core
    • Oprava překlepu ve třídě azureml.train.dnn.Nccl
    • Podpora PyTorch verze 1.5 v nástroji PyTorch Estimator
    • Oprava problému, který image architektury nejde načíst v oblasti Azure Government při použití odhadů trénovacích architektur

2020-05-04

Nové prostředí poznámkového bloku

Teď můžete vytvářet, upravovat a sdílet poznámkové bloky a soubory strojového učení přímo ve webovém prostředí studia služby Azure Machine Learning. V těchto poznámkových blocích můžete použít všechny třídy a metody dostupné v sadě Azure Machine Learning Python SDK . Začněte tím, že navštívíte poznámkové bloky Jupyter v článku pracovního prostoru .

Zavedeny nové funkce:

• Vylepšený editor (editor Monaku) používaný editorem Visual Studio Code
• Vylepšení uživatelského rozhraní nebo uživatelského rozhraní
• Panel nástrojů buňky
• Nový panel nástrojů poznámkového bloku a výpočetní ovládací prvky
• Stavový řádek poznámkového bloku
• Přepínání vloženého jádra
• Podpora jazyka R
• Vylepšení přístupnosti a lokalizace
• Paleta příkazů
• Další klávesové zkratky
• Automatické ukládání
• Zvýšení výkonu a spolehlivosti

Přístup k následujícím webovým nástrojům pro vytváření obsahu ze studia:

Webový nástroj	Popis
poznámkové bloky studio Azure Machine Learning	První vytváření ve třídě pro soubory poznámkových bloků a podpora všech operací dostupných v sadě Azure Machine Learning Python SDK.

2020-04-27

Azure Machine Learning SDK pro Python verze 1.4.0

• Nové funkce

  • Clustery AmlCompute teď podporují nastavení spravované identity v clusteru v době zřizování. Stačí zadat, jestli chcete použít identitu přiřazenou systémem nebo identitu přiřazenou uživatelem, a předat id identity pro druhou. Pak můžete nastavit oprávnění pro přístup k různým prostředkům, jako je Storage nebo ACR, tak, aby identita výpočetních prostředků byla použita k bezpečnému přístupu k datům místo přístupu založeného na tokenu, který dnes využívá AmlCompute. Další informace o parametrech najdete v našich referenčních informacích k sadě SDK.

• Změny způsobující chyby

  • Clustery AmlCompute podporovaly funkci Preview týkající se vytváření založeného na spuštění, kterou plánujeme za dva týdny přestat používat. Trvalé výpočetní cíle můžete dál vytvářet jako vždy pomocí třídy Amlcompute, ale konkrétní přístup k zadání identifikátoru "amlcompute", protože cílový výpočetní objekt v konfiguraci spuštění nebude brzy podporován.

• Opravy chyb a vylepšení

  • azureml-automl-runtime
    • Při výpočtu počtu jedinečných hodnot ve sloupci povolte podporu neschválitelného typu.
  • azureml-core
    • Vylepšili jsme stabilitu při čtení ze služby Azure Blob Storage pomocí tabulkové datové sady.
    • Vylepšená dokumentace pro grant_workspace_msi parametr pro Datastore.register_azure_blob_store.
    • Oprava chyby pro datastore.upload podporu argumentu src_dir končícího na nebo /\.
    • Přidání chybové zprávy s možností akce při pokusu o nahrání do úložiště dat služby Azure Blob Storage, které nemá přístupový klíč nebo token SAS.
  • azureml-interpret
    • Byla přidána horní mez velikosti souboru pro data vizualizace při nahraných vysvětleních.
  • azureml-train-automl-client
    • Explicitní kontrola parametrů label_column_name a weight_column_name pro AutoMLConfig tak, aby byla typu řetězec.
  • azureml-contrib-pipeline-steps
    • ParallelRunStep teď podporuje datovou sadu jako parametr kanálu. Uživatel může vytvořit kanál s ukázkovou datovou sadou a může změnit vstupní datovou sadu stejného typu (soubor nebo tabulkový) pro nové spuštění kanálu.

2020-04-13

Azure Machine Learning SDK pro Python verze 1.3.0

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Přidali jsme další telemetrii kolem operací po trénování.
    • Urychlí automatické trénování ARIMA pomocí podmíněného součtu čtverců (CSS) pro řadu délek než 100. Použitá délka se uloží jako konstanta ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/ve třídě TimeSeriesInternal ve src/azureml-automl-core/azureml/automl/core/shared/constants.py
    • Vylepšili jsme protokolování spuštění prognózování uživatelů. V protokolu se teď zobrazují další informace o tom, jaká fáze je právě spuštěná.
    • Nepovolení target_rolling_window_size nastavit na hodnoty menší než 2
  • azureml-automl-runtime
    • Vylepšili jsme chybovou zprávu zobrazenou při nalezení duplicitních časových razítek.
    • Nepovolení target_rolling_window_size nastavit na hodnoty menší než 2.
    • Opravili jsme chybu imputace prodlevy. Příčinou problému byl nedostatečný počet pozorování potřebných k sezónnímu rozkladu řady. Data typu de-seasonalized se používají k výpočtu částečné funkce automatické opravy (PACF) k určení délky prodlevy.
    • Povolené přizpůsobení featurizace účelu sloupce pro prognózování úloh pomocí konfigurace featurizace Numerické a kategorické jako účel sloupce pro prognózování úkolů se teď podporují.
    • Povolené přizpůsobení featurizace sloupců pro prognózování úloh pomocí konfigurace featurizace
    • Povolili jsme přizpůsobení imputace pro prognózování úloh pomocí konfigurace featurizace. Teď se podporuje konstantní imputace hodnot pro cílový sloupec a střední hodnotu, medián, most_frequent a imputaci konstantních hodnot pro trénovací data.
  • azureml-contrib-pipeline-steps
    • Přijmout názvy výpočetních prostředků řetězců, které se mají předat do ParallelRunConfig
  • azureml-core
    • Přidání rozhraní API Environment.clone(new_name) pro vytvoření kopie objektu prostředí
    • Environment.docker.base_dockerfile přijímá cestu k souboru. Pokud je možné přeložit soubor, obsah se načte do vlastnosti base_dockerfile prostředí.
    • Automatické resetování vzájemně se vylučujích hodnot pro base_image a base_dockerfile, když uživatel ručně nastaví hodnotu v Environment.docker
    • Přidání příznaku user_managed v RSection, který indikuje, jestli je prostředí spravované uživatelem nebo službou Azure Machine Learning.
    • Datová sada: Oprava chyby stahování datové sady, pokud cesta k datům obsahující znaky Unicode.
    • Datová sada: Vylepšený mechanismus ukládání do mezipaměti pro připojení datové sady, který respektuje požadavek na minimální místo na disku ve službě Azure Machine Learning Compute, což zabraňuje tomu, aby uzel byl nepoužitelný a způsobil zrušení úlohy.
    • Datová sada: Při přístupu k datové sadě časové řady jako datového rámce pandas přidáme index pro sloupec časové řady, který se používá k urychlení přístupu k datům založeným na časových řadách. Dříve byl index přiřazen stejnému názvu jako sloupec časového razítka, což je matoucí uživatelé, o kterém se jedná o skutečný sloupec časového razítka a který je indexem. Index teď nedáváme žádný konkrétní název, protože by se neměl používat jako sloupec.
    • Datová sada: Opravili jsme problém s ověřováním datových sad v suverénním cloudu.
    • Datová sada: Opravili jsme Dataset.to_spark_dataframe chybu u datových sad vytvořených z úložišť dat Azure PostgreSQL.
  • azureml-interpret
    • Přidání globálních skóre do vizualizace, pokud jsou hodnoty místní důležitosti zhuštěné
    • Aktualizace azureml-interpret pro použití interpret-community 0.9.*
    • Opravili jsme problém se stahováním vysvětlení, které obsahovalo zhuštěná data vyhodnocení.
    • Přidání podpory zhuštěného formátu objektu vysvětlení v AutoML
  • azureml-pipeline-core
    • Podpora výpočetní instance ComputeInstance jako cílového výpočetního objektu v kanálech
  • azureml-train-automl-client
    • Přidali jsme další telemetrii kolem operací po trénování.
    • Oprava regrese v rané fázi zastavení
    • Zastaralé azureml.dprep.Dataflow jako platný typ pro vstupní data.
    • Změna výchozího časového limitu experimentu AutoML na šest dnů
  • azureml-train-automl-runtime
    • Přidali jsme další telemetrii kolem operací po trénování.
    • Přidání řídké podpory AutoML do konce
  • azureml-opendatasets
    • Přidání další telemetrie pro monitorování služeb
    • Povolení front dooru pro zvýšení stability objektu blob

2020-03-23

Azure Machine Learning SDK pro Python verze 1.2.0

• Změny způsobující chyby

  • Podpora odstraňování pro Python 2.7

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Přidá do příkazů v rozhraní příkazového řádku "--subscription-id" az ml model/computetarget/service .
    • Přidání podpory pro předávání klíčů spravovaných zákazníkem (CMK) vault_url, key_name a key_version pro nasazení ACI
  • azureml-automl-core
    • Povolili jsme přizpůsobenou imputaci s konstantní hodnotou pro úlohy prognózování dat X i y.
    • Opravili jsme problém se zobrazením chybových zpráv pro uživatele.
  • azureml-automl-runtime
    • Opravili jsme problém s prognózováním datových sad obsahujících zrnka pouze s jedním řádkem.
    • Snížila množství paměti vyžadované úlohami prognózování.
    • Přidání lepších chybových zpráv, pokud má sloupec času nesprávný formát.
    • Povolili jsme přizpůsobenou imputaci s konstantní hodnotou pro úlohy prognózování dat X i y.
  • azureml-core
    • Přidání podpory pro načítání servicePrincipal z proměnných prostředí: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID a AZUREML_SERVICE_PRINCIPAL_PASSWORD
    • Zavedli jsme nový parametr support_multi_lineDataset.Tabular.from_delimited_filespro : Ve výchozím nastavení (support_multi_line=False), všechny konce řádků, včetně těch v hodnotách uvozových polí, budou interpretovány jako konec záznamu. Čtení dat tímto způsobem je rychlejší a optimalizovanější pro paralelní spouštění na více jádrech procesoru. Může však vést k tichému vytváření více záznamů s nesprávně zarovnanými hodnotami polí. Tato možnost by měla být nastavena True , pokud jsou soubory s oddělovači známé, že obsahují konce řádků v uvozových znachech.
    • Přidání možnosti registrace ADLS Gen2 v rozhraní příkazového řádku služby Azure Machine Learning
    • Přejmenování parametru fine_grain_timestamp na timestamp a parametr coarse_grain_timestamp na partition_timestamp pro metodu with_timestamp_columns() v TabularDataset, aby lépe odrážel použití parametrů.
    • Zvýšili jsme maximální délku názvu experimentu na 255.
  • azureml-interpret
    • Aktualizace azureml-interpret pro interpret-community 0.7.*
  • azureml-sdk
    • Změna na závislosti s kompatibilní verzí Tilde pro podporu oprav v předběžných a stabilních verzích.

2020-03-11

Azure Machine Learning SDK pro Python verze 1.1.5

• Vyřazení funkce

  • Python 2.7
    • Poslední verze pro podporu Pythonu 2.7

• Změny způsobující chyby

  • Sémantika správy verzí 2.0.0
    • Počínaje verzí 1.1 azure Machine Learning Python SDK přijímá sémantickou verzi 2.0.0. Všechny následující verze se řídí novým schématem číslování a sémantickým kontraktem správy verzí.

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Změňte název příkazu rozhraní příkazového řádku koncového bodu z příkazu az ml endpoint aks na az ml endpoint real time pro zajištění konzistence.
    • Aktualizace pokynů k instalaci rozhraní příkazového řádku pro stabilní a experimentální větev CLI
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
  • azureml-automl-core
    • Povolili jsme odvozování režimu Batch (trvá více řádků jednou) pro modely AutoML ONNX.
    • Vylepšili jsme detekci četnosti datových sad, chybějících dat nebo obsahujících nepravidelné datové body.
    • Přidali jsme možnost odebrat datové body, které nevyhovují dominantní frekvenci.
    • Změna vstupu konstruktoru tak, aby se seznam možností použil možnosti imputace pro odpovídající sloupce.
    • Protokolování chyb bylo vylepšeno.
  • azureml-automl-runtime
    • Opravili jsme problém s chybou, která se zobrazila v testovací sadě, pokud se v trénovací sadě nezobrazuje agregační sada.
    • Odebrání požadavku y_query během bodování služby prognózy
    • Opravili jsme problém s prognózováním, kdy sada dat obsahuje krátká zrnka s dlouhými časovými mezerami.
    • Opravili jsme problém, kdy je zapnutý automatický maximální horizont a sloupec kalendářních dat obsahuje kalendářní data ve formě řetězců. Správné převody a chybové zprávy byly přidány, pokud převod na datum není možný
    • Použití nativních NumPy a SciPy pro serializaci a deserializaci mezilehlých dat pro FileCacheStore (používá se pro místní spuštění AutoML)
    • Opravili jsme chybu, kdy se neúspěšná podřízená spuštění mohla zaseknout ve spuštěném stavu.
    • Zvýšená rychlost featurizace.
    • Opravili jsme kontrolu četnosti při vyhodnocování. Teď úlohy prognózování nevyžadují striktní ekvivalenci frekvence mezi trénovací a testovací sadou.
    • Změna vstupu konstruktoru tak, aby se seznam možností použil možnosti imputace pro odpovídající sloupce.
    • Opravili jsme chyby související s výběrem typu prodlevy.
    • Opravili jsme neutříděnou chybu vyvolanou u datových sad, která měla zrnka s jedním řádkem.
    • Opravili jsme problém s pomalým zjišťováním četnosti.
    • Opraví chybu při zpracování výjimek AutoML, která způsobila skutečnou příčinu selhání trénování nahrazením AtributError.
  • azureml-cli-common
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
  • azureml-contrib-mir
    • Přidá funkce ve třídě MirWebservice pro načtení přístupového tokenu.
    • Použití ověřování tokenů pro MirWebservice ve výchozím nastavení během volání MirWebservice.run() – aktualizovat pouze v případě selhání volání
    • Nasazení webové služby Mir teď vyžaduje správné skladové položky [Standard_DS2_v2, Standard_F16, Standard_A2_v2] místo [Ds2v2, A2v2 a F16].
  • azureml-contrib-pipeline-steps
    • Volitelný parametr side_inputs přidán do ParallelRunStep. Tento parametr lze použít k připojení složky v kontejneru. Aktuálně podporované typy jsou DataReference a PipelineData.
    • Parametry předané v ParallelRunConfig je možné přepsat předáním parametrů kanálu. Nové parametry kanálu podporované aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count a aml_process_count_per_node jsou již součástí dřívější verze).
  • azureml-core
    • Nasazené webové služby Azure Machine Learning se teď standardně protokolují INFO . To je možné řídit nastavením AZUREML_LOG_LEVEL proměnné prostředí v nasazené službě.
    • Sada Python SDK používá službu zjišťování k použití koncového bodu api místo kanálů.
    • Prohození na nové trasy ve všech voláních sady SDK
    • Změna směrování volání modeluManagementService na novou jednotnou strukturu.
      • Byla veřejně dostupná metoda aktualizace pracovního prostoru.
      • Přidání parametru image_build_compute v metodě aktualizace pracovního prostoru, aby uživatel mohl aktualizovat výpočetní prostředky pro sestavení image.
    • Přidání zpráv o vyřazení do starého pracovního postupu profilace Opravili jsme omezení procesoru a paměti profilace.
    • Přidání RSection jako součásti prostředí pro spouštění úloh R
    • Přidání ověření pro Dataset.mount vyvolání chyby v případě, že zdroj datové sady není přístupný nebo neobsahuje žádná data.
    • Přidání --grant-workspace-msi-access jako další parametr pro rozhraní příkazového řádku úložiště dat pro registraci kontejneru objektů blob v Azure, který umožňuje zaregistrovat kontejner objektů blob, který je za virtuální sítí.
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
    • Opravili jsme problém v aks.py _deploy.
    • Ověřuje integritu nahrávaných modelů, aby nedocházelo k selhání tichého úložiště.
    • Uživatel teď může při opětovném vygenerování klíčů pro webové služby zadat hodnotu ověřovacího klíče.
    • Opravili jsme chybu, kdy se velká písmena nedají použít jako vstupní název datové sady.
  • výchozí hodnoty azureml
    • azureml-dataprepbude nyní nainstalován jako součást .azureml-defaults K připojení datových sad už není potřeba instalovat přípravu dat[fuse] ručně na cílové výpočetní objekty.
  • azureml-interpret
    • Aktualizace azureml-interpret pro interpret-community 0.6.*
    • Aktualizace azureml-interpret tak, aby závisela na interpret-community 0.5.0
    • Přidání výjimek ve stylu azureml do azureml-interpret
    • Oprava serializace DeepScoringExplainer pro modely keras
  • azureml-mlflow
    • Přidání podpory suverénních cloudů do azureml.mlflow
  • azureml-pipeline-core
    • Poznámkový blok dávkového vyhodnocování kanálu teď používá ParallelRunStep.
    • Opravili jsme chybu, kdy se výsledky PythonScriptStepu navzdory změně seznamu argumentů nesprávně použily.
    • Přidání možnosti nastavit typ sloupců při volání metod parse_* PipelineOutputFileDataset
  • azureml-pipeline-steps
    • Přesunuli jsme azureml-pipeline-steps balíčekAutoMLStep. Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
    • Přidání příkladu dokumentace pro datovou sadu jako vstup PythonScriptStep
  • azureml-tensorboard
    • Aktualizace azureml-tensorboard pro podporu TensorFlow 2.0
    • Zobrazení správného čísla portu při použití vlastního portu TensorBoardu ve výpočetní instanci
  • azureml-train-automl-client
    • Opravili jsme problém, kdy se některé balíčky mohly nainstalovat ve vzdálených spuštěních v nesprávných verzích.
    • Opravili jsme problém s přepsáním featurizationConfig, který filtruje vlastní konfiguraci featurizace.
  • azureml-train-automl-runtime
    • Opravili jsme problém s detekcí četnosti ve vzdálených spuštěních.
    • Přesunuli jsme balíček AutoMLStepazureml-pipeline-steps . Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Podpora PyTorch verze 1.4 v nástroji PyTorch Estimator

2020-03-02

Azure Machine Learning SDK pro Python verze 1.1.2rc0 (předběžná verze)

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Povolili jsme odvozování režimu Batch (trvá více řádků jednou) pro modely AutoML ONNX.
    • Vylepšili jsme detekci četnosti datových sad, chybějících dat nebo obsahujících nepravidelné datové body.
    • Přidali jsme možnost odebrat datové body, které nevyhovují dominantní frekvenci.
  • azureml-automl-runtime
    • Opravili jsme problém s chybou, která se zobrazila v testovací sadě, pokud se v trénovací sadě nezobrazuje agregační sada.
    • Odebrání požadavku y_query během bodování služby prognózy
  • azureml-contrib-mir
    • Přidá funkce ve třídě MirWebservice pro načtení přístupového tokenu.
  • azureml-core
    • Nasazené webové služby Azure Machine Learning se teď standardně protokolují INFO . To je možné řídit nastavením AZUREML_LOG_LEVEL proměnné prostředí v nasazené službě.
    • Opravte iteraci Dataset.get_all , aby se vrátily všechny datové sady zaregistrované v pracovním prostoru.
    • Zlepšení chybové zprávy při předání neplatného typu argumentu path rozhraní API pro vytváření datových sad
    • Sada Python SDK používá službu zjišťování k použití koncového bodu api místo kanálů.
    • Přepnutí na nové trasy ve všech voláních sady SDK
    • Změní směrování volání modeluManagementService do nové sjednocené struktury.
      • Byla veřejně dostupná metoda aktualizace pracovního prostoru.
      • Přidání parametru image_build_compute v metodě aktualizace pracovního prostoru, aby uživatel mohl aktualizovat výpočetní prostředky pro sestavení image
    • Přidání zpráv o vyřazení do starého pracovního postupu profilace Oprava omezení procesoru a paměti profilace
  • azureml-interpret
    • aktualizace azureml-interpret pro interpret-community 0.6.*
  • azureml-mlflow
    • Přidání podpory suverénních cloudů do azureml.mlflow
  • azureml-pipeline-steps
    • Přesunuto AutoMLStep do pole azureml-pipeline-steps package. Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
  • azureml-train-automl-client
    • Opravili jsme problém, kdy se některé balíčky mohly nainstalovat ve vzdálených spuštěních v nesprávných verzích.
  • azureml-train-automl-runtime
    • Opravili jsme problém s detekcí četnosti ve vzdálených spuštěních.
    • Přesunuto AutoMLStep do pole azureml-pipeline-steps package. Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Přesunuto AutoMLStep do pole azureml-pipeline-steps package. Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.

2020-02-18

Azure Machine Learning SDK pro Python verze 1.1.1rc0 (předběžná verze)

• Opravy chyb a vylepšení
  • azure-cli-ml
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
  • azureml-automl-core
    • Protokolování chyb bylo vylepšeno.
  • azureml-automl-runtime
    • Opravili jsme problém s prognózováním, kdy sada dat obsahuje krátká zrnka s dlouhými časovými mezerami.
    • Opravili jsme problém, kdy je zapnutý automatický maximální horizont a sloupec kalendářních dat obsahuje kalendářní data ve formě řetězců. Přidali jsme správný převod a rozumnou chybu, pokud převod na datum není možný.
    • Použití nativních NumPy a SciPy pro serializaci a deserializaci mezilehlých dat pro FileCacheStore (používá se pro místní spuštění AutoML)
    • Opravili jsme chybu, kdy se neúspěšná podřízená spuštění mohla zaseknout ve spuštěném stavu.
  • azureml-cli-common
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
  • azureml-core
    • Přidání --grant-workspace-msi-access jako další parametr pro rozhraní příkazového řádku úložiště dat pro registraci kontejneru objektů blob v Azure, který umožňuje zaregistrovat kontejner objektů blob, který je za virtuální sítí
    • Profilace jedné instance byla opravena, aby se vytvořilo doporučení a bylo dostupné v základní sadě SDK.
    • Opravili jsme problém v aks.py _deploy
    • Ověřuje integritu nahrávaných modelů, aby nedocházelo k selhání tichého úložiště.
  • azureml-interpret
    • Přidání výjimek ve stylu azureml do azureml-interpret
    • Oprava serializace DeepScoringExplainer pro modely keras
  • azureml-pipeline-core
    • Poznámkový blok dávkového vyhodnocování kanálu teď používá ParallelRunStep.
  • azureml-pipeline-steps
    • Přesunuli jsme balíček AutoMLStepazureml-pipeline-steps . Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
  • azureml-contrib-pipeline-steps
    • Volitelný parametr side_inputs přidán do ParallelRunStep. Tento parametr lze použít k připojení složky v kontejneru. Aktuálně podporované typy jsou DataReference a PipelineData.
  • azureml-tensorboard
    • Aktualizace azureml-tensorboard pro podporu TensorFlow 2.0
  • azureml-train-automl-client
    • Opravili jsme problém s přepsáním featurizationConfig, který filtruje vlastní konfiguraci featurizace.
  • azureml-train-automl-runtime
    • Přesunuli jsme balíček AutoMLStepazureml-pipeline-steps . Zastaralá uvnitř AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Podpora PyTorch verze 1.4 v nástroji PyTorch Estimator

2020-02-04

Azure Machine Learning SDK pro Python verze 1.1.0rc0 (předběžná verze)

• Změny způsobující chyby

  • Sémantika správy verzí 2.0.0
    • Počínaje verzí 1.1 azure Machine Learning Python SDK přijímá sémantickou verzi 2.0.0. Všechny následující verze se řídí novým schématem číslování a sémantickým kontraktem správy verzí.

• Opravy chyb a vylepšení

  • azureml-automl-runtime
    • Zvýšená rychlost featurizace.
    • Opravili jsme kontrolu četnosti při vyhodnocování. Teď v úlohách prognózování nevyžadujeme striktní ekvivalenci frekvence mezi trénovací a testovací sadou.
  • azureml-core
    • Uživatel teď může při opětovném vygenerování klíčů pro webové služby zadat hodnotu ověřovacího klíče.
  • azureml-interpret
    • Aktualizace azureml-interpret tak, aby závisela na interpret-community 0.5.0
  • azureml-pipeline-core
    • Opravili jsme chybu, kdy se výsledky PythonScriptStepu navzdory změně seznamu argumentů nesprávně použily.
  • azureml-pipeline-steps
    • Přidání příkladu dokumentace pro datovou sadu jako vstup PythonScriptStep
  • azureml-contrib-pipeline-steps
    • Parametry předané v ParallelRunConfig je možné přepsat předáním parametrů kanálu. Nové parametry kanálu podporované aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count a aml_process_count_per_node jsou již součástí dřívější verze).

2020-01-21

Azure Machine Learning SDK pro Python verze 1.0.85

• Nové funkce

  • azureml-core

    • Získání aktuálního omezení využití jádra a kvóty pro prostředky AmlCompute v daném pracovním prostoru a předplatném

  • azureml-contrib-pipeline-steps

    • Povolení předávání tabulkových datových sad jako mezilehlých výsledků z předchozího kroku do parallelrunstep

• Opravy chyb a vylepšení

  • azureml-automl-runtime
    • Odebrání požadavku y_query sloupce v požadavku na nasazenou službu prognózování.
    • "y_query" byl odebrán z oddílu žádosti o servis dominickova orange juice notebooku.
    • Opravili jsme chybu, která bránila prognózování nasazených modelů, která fungovala na datových sadách se sloupci data a času.
    • Přidání Korelačního koeficientu Matthews jako klasifikační metriky pro binární i vícetřídovou klasifikaci
  • azureml-contrib-interpret
    • Odebrané vysvětlující texty z azureml-contrib-interpretovat, protože vysvětlení textu bylo přesunuto do úložiště interpretovaného textu, které bude vydáno brzy.
  • azureml-core
    • Datová sada: Využití souborových datových sad už nezávisí na numpy a knihovně pandas, které se mají nainstalovat v prostředí Python env.
    • Změna LocalWebservice.wait_for_deployment() pro kontrolu stavu místního kontejneru Dockeru před pokusem o odeslání příkazu ping na koncový bod stavu, což výrazně snižuje dobu potřebnou k nahlášení neúspěšného nasazení.
    • Opravili jsme inicializaci interní vlastnosti použité v LocalWebservice.reload() při vytvoření objektu služby z existujícího nasazení pomocí konstruktoru LocalWebservice().
    • Upravená chybová zpráva pro objasnění
    • Přidání nové metody s názvem get_access_token() do AksWebservice, která vrátí objekt AksServiceAccessToken, který obsahuje přístupový token, aktualizaci po časovém razítku, vypršení platnosti u časového razítka a typu tokenu.
    • Zastaralá existující metoda get_token() v AksWebservice, protože nová metoda vrátí všechny informace, které tato metoda vrátí.
    • Upravený výstup příkazu az ml service get-access-token Přejmenování tokenu pro accessToken a refreshBy a refreshAfter. Přidání vlastností expiryOn a tokenType
    • Oprava get_active_runs
  • azureml-explain-model
    • aktualizace shap na 0.33.0 a interpret-community na 0.4.*
  • azureml-interpret
    • aktualizace shap na 0.33.0 a interpret-community na 0.4.*
  • azureml-train-automl-runtime
    • Přidání Korelačního koeficientu Matthews jako klasifikační metriky pro binární i vícetřídovou klasifikaci
    • Vyřazení příznaku předběžného zpracování z kódu a nahrazení featurizací -featurization je ve výchozím nastavení zapnuté.

2020-01-06

Azure Machine Learning SDK pro Python verze 1.0.83

• Nové funkce

  • Datová sada: Přidejte dvě možnosti on_error a out_of_range_datetimeto_pandas_dataframe selhání, pokud data mají chybové hodnoty místo jejich Nonevyplnění .
  • Pracovní prostor: Přidání příznaku hbi_workspace pro pracovní prostory s citlivými daty, která umožňují další šifrování a zakazují pokročilou diagnostiku pracovních prostorů. Přidali jsme také podporu pro přenesení vlastních klíčů pro přidruženou instanci cmk_keyvault Služby Azure Cosmos DB zadáním parametrů resource_cmk_uri při vytváření pracovního prostoru, který při zřizování pracovního prostoru vytvoří instanci služby Azure Cosmos DB ve vašem předplatném. Další informace najdete v části Věnované šifrování dat ve službě Azure Cosmos DB.

• Opravy chyb a vylepšení

  • azureml-automl-runtime
    • Opravili jsme regresi, která způsobovala vyvolání chyby TypeError při spuštění AutoML ve verzích Pythonu nižších než 3.5.4.
  • azureml-core
    • Byla opravena chyba datastore.upload_files relativní cesty, která nezačíná ./ s tím, že se nepovedlo použít.
    • Přidání zpráv o vyřazení pro všechny cesty kódu třídy image
    • Oprava vytváření adres URL správy modelů pro Microsoft Azure provozované společností 21Vianet
    • Opravili jsme problém, kdy se modely používající source_dir nepodařilo zabalit pro Azure Functions.
    • Přidání možnosti pro Environment.build_local() pro nasdílení image do registru kontejneru pracovního prostoru Azure Machine Learning
    • Aktualizovali jsme sadu SDK tak, aby používala novou knihovnu tokenů v Azure Synapse zpětně kompatibilním způsobem.
  • azureml-interpret
    • Opravili jsme chybu, kdy se nevrátilo žádné vysvětlení ke stažení. Teď vyvolá výjimku, odpovídající chování jinde.
  • azureml-pipeline-steps
    • Nepovolení předání DatasetConsumptionConfigparametru 's inputsEstimator, když Estimator se použije v objektu EstimatorStep.
  • azureml-sdk
    • Přidání klienta AutoML do balíčku azureml-sdk, který umožňuje odeslání vzdálených spuštění AutoML bez instalace celého balíčku AutoML.
  • azureml-train-automl-client
    • Oprava zarovnání výstupu konzoly pro spuštění AutoML
    • Opravili jsme chybu, kdy na vzdáleném amlcompute mohla být nainstalována nesprávná verze knihovny pandas.

2019-12-23

Azure Machine Learning SDK pro Python verze 1.0.81

• Opravy chyb a vylepšení
  • azureml-contrib-interpret
    • odložit závislost shap za účelem interpretace komunity z azureml-interpret
  • azureml-core
    • Cílový výpočetní objekt je teď možné zadat jako parametr pro odpovídající objekty konfigurace nasazení. Jedná se konkrétně o název cílového výpočetního objektu, do které se má nasadit, nikoli do objektu sady SDK.
    • Přidání informací CreatedBy do objektů modelu a služby Je možné získat přístup k through.created_by
    • Opravili jsme containerImage.run(), který správně nenastavil port HTTP kontejneru Dockeru.
    • Volitelné azureml-dataprep pro az ml dataset register příkaz rozhraní příkazového řádku
    • Opravili jsme chybu, která způsobovala, že TabularDataset.to_pandas_dataframe se nesprávně vracela do alternativní čtečky a vytiskla upozornění.
  • azureml-explain-model
    • odložit závislost shap za účelem interpretace komunity z azureml-interpret
  • azureml-pipeline-core
    • Přidání nového kroku NotebookRunnerStepkanálu pro spuštění místního poznámkového bloku jako kroku v kanálu
    • Odebrání zastaralých funkcí get_all pro PublishedPipelines, Schedules a PipelineEndpoints
  • azureml-train-automl-client
    • Začalo se ukončovat data_script jako vstup do AutoML.

2019-12-09

Azure Machine Learning SDK pro Python verze 1.0.79

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Odebrání funkce FeaturizationConfig, která se má protokolovat
      • Aktualizovali jsme protokolování tak, aby se protokoloval pouze "auto"/"off"/"customized".
  • azureml-automl-runtime
    • Byla přidána podpora pro knihovnu pandas. Řady a pandas. Kategorický pro detekci datového typu sloupce Dříve se podporovala pouze numpy.ndarray.
      • Přidali jsme související změny kódu pro správné zpracování typu kategorického typu.
    • Bylo vylepšeno rozhraní funkce prognózy: parametr y_pred byl volitelný. -Byly vylepšeny docstringy.
  • azureml-contrib-dataset
    • Opravili jsme chybu, kdy se nedala připojit označená datová sada.
  • azureml-core
    • Oprava chyby pro Environment.from_existing_conda_environment(name, conda_environment_name). Uživatel může vytvořit instanci prostředí, která je přesnou replikou místního prostředí.
    • Ve výchozím nastavení se změnily metody datových sad souvisejících s časovými řadami na include_boundary=True výchozí hodnotu.
  • azureml-train-automl-client
    • Opravili jsme problém, kdy se při zobrazení výstupu netiskly výsledky ověření na false.

2019-11-25

Azure Machine Learning SDK pro Python verze 1.0.76

• Změny způsobující chyby

  • Problémy s upgradem Azureml-AutoML
    • Upgrade na azureml-train-automl>=1.0.76 z azureml-train-automl<1.0.76 může způsobit částečné instalace, což způsobí selhání některých importů AutoML. Pokud chcete tento problém vyřešit, můžete spustit instalační skript nalezený na adrese https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Nebo pokud používáte pip přímo, můžete:
      • "pip install --upgrade azureml-train-automl"
      • "pip install --ignore-installed azureml-train-automl-client"
    • nebo můžete před upgradem odinstalovat starou verzi.
      • "pip uninstall azureml-train-automl"
      • "pip install azureml-train-automl"

• Opravy chyb a vylepšení

  • azureml-automl-runtime
    • AutoML teď při výpočtu průměrných skalárních metrik pro úlohy binární klasifikace bere v úvahu třídy true i false.
    • Přesunuli jste strojové učení a trénovací kód v AzureML-AutoML-Core do nového balíčku AzureML-AutoML-Runtime.
  • azureml-contrib-dataset
    • Při volání to_pandas_dataframe na datovou sadu s popiskem s možností stahování teď můžete určit, jestli chcete přepsat existující soubory, nebo ne.
    • Při volání nebo drop_columns v důsledku vyřazení keep_columns sloupce časové řady, popisku nebo obrázku se pro datovou sadu zahodí i odpovídající funkce.
    • Opravili jsme problém s zavaděčem pytorch pro úlohu rozpoznávání objektů.
  • azureml-contrib-interpret
    • Odebraný widget řídicího panelu vysvětlení z azureml-contrib-interpret, změněný balíček tak, aby odkazoval na nový v interpret_community
    • Aktualizace verze interpret-community na 0.2.0
  • azureml-core
    • Zlepšení výkonu workspace.datasets.
    • Přidání možnosti registrace úložiště dat azure SQL Database pomocí ověřování uživatelským jménem a heslem
    • Oprava načítání RunConfigurations z relativních cest
    • Při volání nebo drop_columns v důsledku vyřazení keep_columns sloupce časové řady se pro datovou sadu zahodí i odpovídající funkce.
  • azureml-interpret
    • aktualizovaná verze interpret-community na 0.2.0
  • azureml-pipeline-steps
    • Zdokumentované podporované hodnoty pro runconfig_pipeline_params kroky kanálu azure machine learning
  • azureml-pipeline-core
    • Přidání možnosti rozhraní příkazového řádku pro stažení výstupu ve formátu JSON pro příkazy kanálu
  • azureml-train-automl
    • Rozdělení AzureML-Train-AutoML do dvou balíčků, klientského balíčku AzureML-Train-AutoML-Client a trénovacího balíčku ML AzureML-Train-AutoML-Runtime
  • azureml-train-automl-client
    • Přidali jsme tenkého klienta pro odesílání experimentů AutoML, aniž byste museli instalovat závislosti strojového učení místně.
    • Opravili jsme protokolování automaticky zjištěných prodlev, velikostí posuvných oken a maximálních horizontů ve vzdálených spuštěních.
  • azureml-train-automl-runtime
    • Přidání nového balíčku AutoML pro izolaci komponent strojového učení a modulu runtime od klienta
  • azureml-contrib-train-rl
    • Přidání podpory zpětnovazebního učení v sadě SDK
    • Přidání podpory AmlWindowsCompute v RL SDK

2019-11-11

Azure Machine Learning SDK pro Python verze 1.0.74

• Funkce preview

  • azureml-contrib-dataset
    • Po importu datové sady azureml-contrib-dataset můžete místo vytvoření označené datové sady volat Dataset.Labeled.from_json_lines._Labeled .
    • Při volání to_pandas_dataframe na datovou sadu s popiskem s možností stahování teď můžete určit, jestli chcete přepsat existující soubory, nebo ne.
    • Při volání nebo drop_columns v důsledku vyřazení keep_columns sloupce časové řady, popisku nebo obrázku se pro datovou sadu zahodí i odpovídající funkce.
    • Opravili jsme problémy se zavaděčem PyTorch při volání dataset.to_torchvision().

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Přidání profilace modelu do rozhraní příkazového řádku preview
    • Opravuje zásadní změnu ve službě Azure Storage, což způsobuje selhání rozhraní příkazového řádku služby Azure Machine Learning.
    • Přidání typu Load Balanceru do MLC pro typy AKS
  • azureml-automl-core
    • Opravili jsme problém s detekcí maximálního horizontu v časových řadách, kdy chyběly hodnoty a více zrn.
    • Opravili jsme problém se selháními při generování rozdělení křížového ověřování.
    • Tuto část nahraďte zprávou ve formátu Markdownu, která se zobrazí v poznámkách k verzi: -Vylepšené zpracování krátkých zrn v sadách dat prognózy.
    • Opravili jsme problém s maskováním některých uživatelských informací během protokolování. - Vylepšené protokolování chyb během předpovědí.
    • Přidání psutilu jako závislosti conda do automaticky generovaného souboru nasazení yml
  • azureml-contrib-mir
    • Opravuje zásadní změnu ve službě Azure Storage, což způsobuje selhání rozhraní příkazového řádku služby Azure Machine Learning.
  • azureml-core
    • Opravili jsme chybu, která způsobila, že modely nasazené ve službě Azure Functions generovaly 500 s.
    • Opravili jsme problém, kdy se na snímky nepoužádá soubor amlignore.
    • Přidání nového rozhraní API amlcompute.get_active_runs, který vrátí generátor pro spuštění a zařazení do fronty na daném amlcompute.
    • Přidání typu Load Balanceru do MLC pro typy AKS
    • Přidání append_prefix logického parametru pro download_files v run.py a download_artifacts_from_prefix v artifacts_client Tento příznak se používá k selektivnímu zploštění cesty k souboru původu, takže do output_directory se přidá pouze název souboru nebo složky.
    • Oprava problému s deserializací u run_config.yml použití datové sady
    • Při volání nebo drop_columns v důsledku vyřazení keep_columns sloupce časové řady se pro datovou sadu zahodí i odpovídající funkce.
  • azureml-interpret
    • Aktualizace verze interpret-community na 0.1.0.3
  • azureml-train-automl
    • Opravili jsme problém, kdy automl_step nemusely tisknout problémy s ověřováním.
    • Opravili jsme register_model, aby bylo úspěšné i v případě, že prostředí modelu místně chybí závislosti.
    • Opravili jsme problém, kdy některá vzdálená spuštění nebyla povolená dockerem.
    • Přidejte protokolování výjimky, která způsobuje předčasné selhání místního spuštění.
  • azureml-train-core
    • Zvažte resume_from spuštění ve výpočtu automatizovaného ladění hyperparametrů s nejlepším podřízeným spuštěním.
  • azureml-pipeline-core
    • Oprava zpracování parametrů v konstrukci argumentů kanálu.
    • Přidání popisu kanálu a parametru yaml typu kroku
    • Nový formát yaml pro krok kanálu a přidání upozornění na vyřazení pro starý formát

2019-11-04

Webové prostředí

Cílová stránka https://ml.azure.com pracovního prostoru pro spolupráci byla vylepšena a přejmenována na studio Azure Machine Learning.

V sadě Studio můžete trénovat, testovat, nasazovat a spravovat prostředky služby Azure Machine Learning, jako jsou datové sady, kanály, modely, koncové body a další.

Přístup k následujícím webovým nástrojům pro vytváření obsahu ze studia:

Webový nástroj	Popis
Poznámkový virtuální počítač (Preview)	Plně spravovaná cloudová pracovní stanice
Automatizované strojové učení (Preview)	Žádné zkušenosti s kódem pro automatizaci vývoje modelů strojového učení
Návrhář	Nástroj pro modelování strojového učení, který se dříve označuje jako vizuální rozhraní, přetahování myší

Vylepšení návrháře služby Azure Machine Learning

• Dříve označované jako vizuální rozhraní
• 11 nových modulů , včetně doporučovačů, klasifikátorů a nástrojů pro trénování, včetně přípravy funkcí, křížového ověřování a transformace dat.

R SDK

Datoví vědci a vývojáři umělé inteligence používají sadu Azure Machine Learning SDK pro R k vytváření a spouštění pracovních postupů strojového učení pomocí služby Azure Machine Learning.

Sada Azure Machine Learning SDK pro R používá reticulate balíček k vytvoření vazby se sadou Python SDK. Díky přímé vazbě k Pythonu umožňuje sada SDK pro R přístup k základním objektům a metodám implementovaným v sadě Python SDK z libovolného prostředí jazyka R, které zvolíte.

Mezi hlavní funkce sady SDK patří:

• Správa cloudových prostředků pro monitorování, protokolování a organizaci experimentů strojového učení
• Trénování modelů pomocí cloudových prostředků, včetně trénování modelů akcelerovaných gpu
• Nasaďte modely jako webové služby ve službě Azure Container Instances (ACI) a Azure Kubernetes Service (AKS).

Kompletní dokumentaci najdete na webu balíčku.

Integrace služby Azure Machine Learning s Event Gridem

Azure Machine Learning je teď poskytovatelem prostředků pro Event Grid. Události strojového učení můžete nakonfigurovat prostřednictvím webu Azure Portal nebo Azure CLI. Uživatelé můžou vytvářet události pro dokončení spuštění, registraci modelu, nasazení modelu a zjištěný posun dat. Tyto události je možné směrovat do obslužných rutin událostí podporovaných službou Event Grid za účelem spotřeby. Další podrobnosti najdete v článcích o schématu událostí strojového učení a kurzech.

2019-10-31

Azure Machine Learning SDK pro Python verze 1.0.72

• Nové funkce

  • Přidání monitorování datových sad prostřednictvím balíčku azureml-datadrift , což umožňuje monitorování datových sad časových řad pro posun dat nebo jiné statistické změny v průběhu času. Výstrahy a události je možné aktivovat, pokud jsou zjištěny odchylky nebo jsou splněny jiné podmínky pro data. Podrobnosti najdete v naší dokumentaci.

  • Oznamujeme dvě nové edice (označované také jako SKU zaměnitelně) ve službě Azure Machine Learning. V této verzi teď můžete vytvořit pracovní prostor Basic nebo Enterprise Azure Machine Learning. Ve výchozím nastavení jsou všechny existující pracovní prostory nastaveny na edici Basic a kdykoli můžete přejít na web Azure Portal nebo do studia a upgradovat pracovní prostor. Pracovní prostor Basic nebo Enterprise můžete vytvořit z webu Azure Portal. Další informace najdete v naší dokumentaci . V sadě SDK je možné určit edici pracovního prostoru pomocí vlastnosti sku vašeho objektu pracovního prostoru.

  • Provedli jsme také vylepšení služby Azure Machine Learning Compute – kromě zobrazení diagnostických protokolů pro ladění teď můžete zobrazit metriky pro vaše clustery (například celkový počet uzlů, spuštěné uzly, celková kvóta jader) ve službě Azure Monitor. Kromě toho můžete také zobrazit aktuálně spuštěné nebo ve frontě spuštěné v clusteru a podrobnosti, jako jsou IP adresy různých uzlů v clusteru. Můžete je zobrazit buď na portálu, nebo pomocí odpovídajících funkcí v sadě SDK nebo rozhraní příkazového řádku.

  • Funkce preview

    • Vydáváme podporu preview pro šifrování disků vašeho místního SSD ve službě Azure Machine Learning Compute. Vytvořte lístek technické podpory, abyste získali vaše předplatné, aby bylo možné tuto funkci použít.
    • Public Preview odvozování služby Azure Machine Learning Batch Azure Machine Learning Batch Inference cílí na velké úlohy odvození, které nejsou citlivé na čas. Dávkové odvozování poskytuje nákladově efektivní škálování výpočetních prostředků odvozování s nepřesná propustností pro asynchronní aplikace. Je optimalizovaná pro vysoce propustnost, fire-and-forget odvozování nad velkými kolekcemi dat.
    • azureml-contrib-dataset
      • Povolené funkce pro datovou sadu s popiskem

      import azureml.core
      from azureml.core import Workspace, Datastore, Dataset
      import azureml.contrib.dataset
      from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask
      
      # create a labeled dataset by passing in your JSON lines file
      dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)
      
      # download or mount the files in the `image_url` column
      dataset.download()
      dataset.mount()
      
      # get a pandas dataframe
      from azureml.data.dataset_type_definitions import FileHandlingOption
      dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
      dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)
      
      # get a Torchvision dataset
      dataset.to_torchvision()
      

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Rozhraní příkazového řádku teď podporuje balení modelů.
    • Přidání rozhraní příkazového řádku datové sady Další informace najdete na adrese: az ml dataset --help.
    • Přidání podpory pro nasazování a balení podporovaných modelů (ONNX, scikit-learn a TensorFlow) bez instance InferenceConfig.
    • Přidání příznaku přepsání pro nasazení služby (ACI a AKS) v sadě SDK a rozhraní příkazového řádku Pokud je tato služba za předpokladu, stávající službu přepíše, pokud již existuje název služby. Pokud služba neexistuje, vytvoří novou službu.
    • Modely je možné zaregistrovat ve dvou nových architekturách: Onnx a TensorFlow. – Registrace modelu přijímá ukázková vstupní data, ukázková výstupní data a konfiguraci prostředků pro model.
  • azureml-automl-core
    • Trénování iterace by se spustila v podřízeném procesu pouze v případech, kdy jsou nastavena omezení modulu runtime.
    • Přidali jsme mantinely pro prognózování úkolů, abyste zkontrolovali, jestli zadaný max_horizon způsobí problém s pamětí na daném počítači nebo ne. Pokud ano, zobrazí se zpráva o zábradlí.
    • Přidání podpory složitých frekvencí, jako jsou dva roky a jeden měsíc. - Byla přidána srozumitelná chybová zpráva, pokud nelze zjistit frekvenci.
    • Přidání výchozích hodnot Azureml k automatickému vygenerovanému prostředí Conda za účelem řešení selhání nasazení modelu
    • Povolit převod mezilehlých dat v kanálu Azure Machine Learning na tabulkovou datovou sadu a jejich použití AutoMLStep
    • Implementovaná aktualizace účelu sloupce pro streamování
    • Implementovali jsme aktualizaci parametrů transformátoru pro Imputer a HashOneHotEncoder pro streamování.
    • Do chybových zpráv ověření jsme přidali aktuální velikost dat a minimální požadovanou velikost dat.
    • Aktualizovali jsme minimální požadovanou velikost dat pro křížové ověření, aby se zajistilo minimálně dva vzorky v každém ověřovacím přeložení.
  • azureml-cli-common
    • Rozhraní příkazového řádku teď podporuje balení modelů.
    • Modely je možné zaregistrovat ve dvou nových architekturách: Onnx a TensorFlow.
    • Registrace modelu přijímá ukázková vstupní data, ukázková výstupní data a konfiguraci prostředků pro model.
  • azureml-contrib-gbdt
    • Oprava kanálu verze poznámkového bloku
    • Přidání upozornění pro cílový výpočetní objekt mimo AmlCompute, který nepodporujeme
    • Přidání estimátoru LightGMB do balíčku azureml-contrib-gbdt
  • azureml-core
    • Rozhraní příkazového řádku teď podporuje balení modelů.
    • Přidání upozornění na vyřazení z provozu pro zastaralá rozhraní API datové sady Viz oznámení o změně rozhraní API datové sady na adrese https://aka.ms/tabular-dataset.
    • Pokud je datová sada zaregistrovaná, změňte Dataset.get_by_id tak, aby vracela název registrace a verzi.
    • Opravte chybu, kterou ScriptRunConfig s datovou sadou jako argument nelze opakovaně použít k odeslání spuštění experimentu.
    • Datové sady načtené během spuštění se sledují a dají se zobrazit na stránce podrobností spuštění nebo voláním run.get_details() po dokončení spuštění.
    • Povolit převod mezilehlých dat v kanálu Azure Machine Learning na tabulkovou datovou sadu a jejich použití AutoMLStep
    • Přidání podpory pro nasazování a balení podporovaných modelů (ONNX, scikit-learn a TensorFlow) bez instance InferenceConfig.
    • Přidání příznaku přepsání pro nasazení služby (ACI a AKS) v sadě SDK a rozhraní příkazového řádku Pokud je tato služba za předpokladu, stávající službu přepíše, pokud již existuje název služby. Pokud služba neexistuje, vytvoří novou službu.
    • Modely je možné zaregistrovat ve dvou nových architekturách: Onnx a TensorFlow. Registrace modelu přijímá ukázková vstupní data, ukázková výstupní data a konfiguraci prostředků pro model.
    • Přidání nového úložiště dat pro Azure Database for MySQL Přidání příkladu pro použití služby Azure Database for MySQL v dataTransferStep v kanálech Azure Machine Learning
    • Přidání funkcí pro přidání a odebrání značek z experimentů Přidání funkcí pro odebrání značek ze spuštění
    • Přidání příznaku přepsání pro nasazení služby (ACI a AKS) v sadě SDK a rozhraní příkazového řádku Pokud je tato služba za předpokladu, stávající službu přepíše, pokud již existuje název služby. Pokud služba neexistuje, vytvoří novou službu.
  • azureml-datadrift
    • Přesunuto z azureml-contrib-datadrift do azureml-datadrift
    • Přidání podpory pro monitorování datových sad časových řad pro odchylky a další statistické míry
    • Nové metody create_from_model() a create_from_dataset()DataDriftDetector třídy. Metoda create() je zastaralá.
    • Úpravy vizualizací v Pythonu a uživatelském rozhraní v studio Azure Machine Learning
    • Podpora týdenního a měsíčního plánování monitorování kromě denního monitorování datových sad.
    • Podpora backfill of data monitor metrics to analyze historical data for dataset monitor.
    • Různé opravy chyb
  • azureml-pipeline-core
    • Azureml-dataprep už není potřeba k odeslání spuštění kanálu služby Azure Machine Learning ze souboru kanálu yaml .
  • azureml-train-automl
    • Přidání výchozích hodnot Azureml k automatickému vygenerovanému prostředí Conda za účelem řešení selhání nasazení modelu
    • Vzdálené trénování AutoML teď zahrnuje výchozí hodnoty azureml, které umožňují opakované použití trénovacího env pro odvozování.
  • azureml-train-core
    • Přidání podpory PyTorch 1.3 v PyTorch nástroji pro odhad

2019-10-21

Vizuální rozhraní (Preview)

• Vizuální rozhraní služby Azure Machine Learning (Preview) bylo přepracováno tak, aby běželo v kanálech Azure Machine Learning. Kanály (dříve označované jako experimenty) vytvořené ve vizuálním rozhraní jsou teď plně integrované se základním prostředím služby Azure Machine Learning.

  • Jednotné prostředí správy s prostředky sady SDK
  • Správa verzí a sledování pro modely, kanály a koncové body vizuálního rozhraní
  • Přepracované uživatelské rozhraní
  • Přidání nasazení dávkového odvození
  • Přidání podpory služby Azure Kubernetes Service (AKS) pro cíle odvozování výpočetních prostředků
  • Nový pracovní postup vytváření kanálů krok v Pythonu
  • Nová cílová stránka pro nástroje pro vytváření vizuálů

• Nové moduly

  • Použití matematické operace
  • Použití transformace SQL
  • Hodnoty klipů
  • Shrnutí dat
  • Import z SQL Database

2019-10-14

Azure Machine Learning SDK pro Python verze 1.0.69

• Opravy chyb a vylepšení
  • azureml-automl-core
    • Omezení vysvětlení modelu tak, aby se nejlépe spustilo místo výpočetních vysvětlení pro každé spuštění. Provedení této změny chování pro místní, vzdálené a ADB
    • Přidání podpory pro vysvětlení modelů na vyžádání pro uživatelské rozhraní
    • Přidání nástroje psutil jako závislosti automl a zahrnutí nástroje psutil jako závislosti conda v amlcompute.
    • Opravili jsme problém s heuristickými prodlevami a velikostmi posuvných oken u sad dat prognózy, z nichž některé řady můžou způsobovat lineární chyby algebra.
      • Přidání tisku pro heuristicky určené parametry v běhech prognózy
  • azureml-contrib-datadrift
    • Přidání ochrany při vytváření výstupních metrik v případě, že posun na úrovni datové sady není v první části.
  • azureml-contrib-interpret
    • Balíček azureml-contrib-explain-model byl přejmenován na azureml-contrib-interpret.
  • azureml-core
    • Přidání rozhraní API pro zrušení registrace datových sad dataset.unregister_all_versions()
    • Balíček azureml-contrib-explain-model byl přejmenován na azureml-contrib-interpret.
  • azureml-core
    • Přidání rozhraní API pro zrušení registrace datových sad Dataset.unregister_all_versions().
    • Přidání rozhraní API datové sady pro kontrolu času změny dat dataset.data_changed_time.
    • Schopnost využívat FileDataset vstupy a TabularDataset jako vstupy PythonScriptStepEstimatorStepa HyperDriveStep v kanálu Azure Machine Learning
    • FileDataset.mount Vylepšili jsme výkon složek s velkým počtem souborů.
    • Schopnost využívat FileDataset a TabularDataset jako vstupy pro PythonScriptStep, EstimatorStep a HyperDriveStep v kanálu Azure Machine Learning.
    • Výkon FileDataset.u složek s velkým počtem souborů bylo vylepšeno připojení().
    • Přidání adresy URL ke známým doporučením chyb v podrobnostech o spuštění
    • Opravili jsme chybu v run.get_metrics, kdy požadavky selhaly, pokud by spuštění mělo příliš mnoho podřízených položek.
    • Opravili jsme chybu v run.get_metrics , kdy požadavky selhaly, pokud by spuštění mělo příliš mnoho podřízených položek.
    • Přidání podpory pro ověřování v clusteru Arcadia
    • Vytvoření objektu experimentu získá nebo vytvoří experiment v pracovním prostoru Služby Azure Machine Learning pro sledování historie spuštění. ID experimentu a archivovaný čas se vyplní v objektu Experiment při vytváření. Příklad: experiment = Experiment(pracovní prostor; "Nový experiment") experiment_id = experiment.id archive() a opětovná aktivace() jsou funkce, které lze volat v experimentu, aby se experiment skryl a obnovil, aby se experiment zobrazoval v uživatelském prostředí nebo vrátil ve výchozím nastavení v volání k výpisu experimentů. Pokud se vytvoří nový experiment se stejným názvem jako archivovaný experiment, můžete archivovaný experiment při opětovné aktivaci přejmenovat předáním nového názvu. Existuje pouze jeden aktivní experiment s daným názvem. Příklad: experiment1 = Experiment(pracovní prostor; "Aktivní experiment") experiment1.archive() # Vytvořte nový aktivní experiment se stejným názvem jako archivovaný. experiment2. = Experiment(pracovní prostor; "Aktivní experiment") experiment1.reactivate(new_name="Předchozí aktivní experiment") Seznam statických metod v experimentu může použít filtr názvů a filtr ViewType. Hodnoty ViewType jsou "ACTIVE_ONLY", "ARCHIVED_ONLY" a "ALL"Příklad: archived_experiments = Experiment.list( pracovní prostor, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace; name="First Experiment"; view_type="ALL")
    • Podpora používání prostředí pro nasazení modelu a aktualizace služeb
  • azureml-datadrift
    • Atribut show třídy DataDriftDector už nepodporuje volitelný argument "with_details". Atribut show představuje pouze koeficient posunu dat a příspěvek posunu dat sloupců funkcí.
    • Změny chování atributu DataDriftDetector get_output:
      • Vstupní parametr start_time, end_time nejsou povinné;
      • Při zadávání konkrétních start_time nebo end_time s určitým run_id ve stejném vyvolání dojde k výjimce chyby hodnoty, protože se vzájemně vylučují.
      • Při zadávání konkrétních start_time a/nebo end_time se vrátí pouze výsledky plánovaných spuštění;
      • Parametr daily_latest_only je zastaralý.
    • Podpora načítání výstupů posunu dat založených na datových sadách
  • azureml-explain-model
    • Přejmenuje balíček AzureML-explain-model na AzureML-interpret a zachová starý balíček pro zpětnou kompatibilitu.
    • Oprava automl chyby s nezpracovanými vysvětleními nastavenými na úlohu klasifikace místo regrese ve výchozím nastavení při stahování z ExplanationClient
    • Přidání podpory pro ScoringExplainer přímé vytvoření pomocí MimicWrapper
  • azureml-pipeline-core
    • Vylepšený výkon při vytváření velkých kanálů
  • azureml-train-core
    • Přidání podpory TensorFlow 2.0 v estimátoru TensorFlow
  • azureml-train-automl

    • Vytvoření objektu experimentu získá nebo vytvoří experiment v pracovním prostoru Služby Azure Machine Learning pro sledování historie spuštění. ID experimentu a archivovaný čas se vyplní v objektu Experiment při vytváření. Příklad:

      experiment = Experiment(workspace, "New Experiment")
      experiment_id = experiment.id
      

      archive() a reactivate() jsou funkce, které se dají volat v experimentu, aby se experiment skryl a obnovil, aby se v uživatelském prostředí zobrazoval nebo vrátil ve výchozím nastavení v volání experimentů se seznamem. Pokud se vytvoří nový experiment se stejným názvem jako archivovaný experiment, můžete archivovaný experiment při opětovné aktivaci přejmenovat předáním nového názvu. Existuje pouze jeden aktivní experiment s daným názvem. Příklad:

      experiment1 = Experiment(workspace, "Active Experiment")
      experiment1.archive()
      # Create new active experiment with the same name as the archived.
      experiment2 = Experiment(workspace, "Active Experiment")
      experiment1.reactivate(new_name="Previous Active Experiment")
      

      Seznam statických metod () v experimentu může použít filtr názvů a filtr ViewType. Hodnoty ViewType jsou "ACTIVE_ONLY", "ARCHIVED_ONLY" a "ALL". Příklad:

      archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
      all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
      

    • Podpora používání prostředí pro nasazení modelu a aktualizace služeb

  • azureml-datadrift
    • Atribut show Třídy DataDriftDetector již nepodporuje volitelný argument "with_details". Atribut show představuje pouze koeficient posunu dat a příspěvek posunu dat sloupců funkcí.
    • Funkce DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-time-none-run-id-none-) chování:
      • Vstupní parametr start_time, end_time nejsou povinné;
      • Vstup specifický start_time nebo end_time s určitým run_id ve stejném vyvolání vede k výjimce chyby hodnoty, protože se vzájemně vylučují;
      • Při zadávání konkrétních start_time a/nebo end_time se vrátí pouze výsledky plánovaných spuštění;
      • Parametr daily_latest_only je zastaralý.
    • Podpora načítání výstupů posunu dat založených na datových sadách
  • azureml-explain-model
    • Přidání podpory pro bodováníExplainer pro vytvoření přímo pomocí MimicWrapperu
  • azureml-pipeline-core
    • Vylepšili jsme výkon při vytváření velkých kanálů.
  • azureml-train-core
    • Přidání podpory TensorFlow 2.0 v estimátoru TensorFlow
  • azureml-train-automl
    • Nadřazené spuštění už nebude neúspěšné, když se iterace instalace nezdaří, protože orchestrace se o ni už postará.
    • Přidání podpory local-dockeru a local-conda pro experimenty AutoML
    • Přidání podpory local-dockeru a local-conda pro experimenty AutoML

2019-10-08

Nové webové prostředí (Preview) pro pracovní prostory Služby Azure Machine Learning

Karta Experiment na novém portálu pracovního prostoru byla aktualizována, aby datoví vědci mohli experimenty monitorovat výkonnějším způsobem. Můžete prozkoumat následující funkce:

• Metadata experimentů pro snadné filtrování a řazení seznamu experimentů
• Zjednodušené a výkonné stránky s podrobnostmi experimentu, které umožňují vizualizovat a porovnávat spuštění
• Nový návrh pro spouštění stránek podrobností pro pochopení a monitorování trénovacích běhů

2019-09-30

Azure Machine Learning SDK pro Python verze 1.0.65

• Nové funkce

  • Přidání kurátorovaných prostředí Tato prostředí jsou předem nakonfigurovaná s knihovnami pro běžné úlohy strojového učení a byly předbuildovány a uloženy v mezipaměti jako image Dockeru pro rychlejší spouštění. Ve výchozím nastavení se zobrazí v seznamu prostředí pracovního prostoru s předponou AzureML.
  • Přidání kurátorovaných prostředí Tato prostředí jsou předem nakonfigurovaná s knihovnami pro běžné úlohy strojového učení a byly předbuildovány a uloženy v mezipaměti jako image Dockeru pro rychlejší spouštění. Ve výchozím nastavení se zobrazí v seznamu prostředí pracovního prostoru s předponou AzureML.

• azureml-train-automl

• azureml-train-automl

  • Přidání podpory převodu ONNX pro ADB a HDI

• Funkce preview

  • azureml-train-automl

  • azureml-train-automl

    • Podporovaný BERT a BiLSTM jako textový featurizátor (jenom Preview)
    • Podporované přizpůsobení featurizace pro parametry sloupce a transformátoru (pouze preview)
    • Podporované nezpracované vysvětlení, když uživatel během trénování povolí vysvětlení modelu (jenom Preview)
    • Přidání Proroka pro timeseries prognózování jako natrénovatelného kanálu (jenom Preview)

  • azureml-contrib-datadrift

    • Balíčky přemísťované z azureml-contrib-datadrift do azureml-datadrift; balíček contrib bude odebrán v budoucí verzi.

• Opravy chyb a vylepšení

  • azureml-automl-core
    • Zavedení funkce FeaturizationConfig pro AutoMLConfig a AutoMLBaseSettings
    • Zavedení funkce FeaturizationConfig pro AutoMLConfig a AutoMLBaseSettings
      • Přepsat účel sloupce pro featurizaci s daným sloupcem a typem funkce
      • Přepsání parametrů transformátoru
    • Přidání zprávy o vyřazení pro explain_model() a retrieve_model_explanations()
    • Přidání proroka jako natrénovatelného kanálu (jenom Preview)
    • Přidání zprávy o vyřazení pro explain_model() a retrieve_model_explanations().
    • Přidali jsme Proroka jako natrénovatelný kanál (jenom Preview).
    • Byla přidána podpora automatické detekce cílových prodlev, velikosti posuvného okna a maximálního horizontu. Pokud je jedna z target_lags, target_rolling_window_size nebo max_horizon nastavena na hodnotu "auto", použije se heuristika k odhadu hodnoty odpovídajícího parametru na základě trénovacích dat.
    • Oprava prognózování v případě, že sada dat obsahuje jeden sloupcový interval, je toto agregační interval číselného typu a mezi trénovací a testovací sadou je mezera.
    • Oprava chybové zprávy o duplicitním indexu ve vzdáleném spuštění v úlohách prognózování
    • Opraveno prognózování v případě, že sada dat obsahuje jeden sloupcový agregační interval, jedná se o číselný typ a mezi trénovací a testovací sadou je mezera.
    • Opravili jsme chybovou zprávu o duplicitním indexu ve vzdáleném spuštění v úlohách prognózování.
    • Přidání mantinely pro kontrolu, jestli je datová sada nevyrovnaná nebo ne. Pokud ano, zpráva o zábradlí se zapíše do konzoly.
  • azureml-core
    • Přidání možnosti načtení adresy URL SAS pro model v úložišti prostřednictvím objektu modelu Příklad: model.get_sas_url()
    • Zavedení run.get_details()['datasets'] získání datových sad přidružených k odeslanému spuštění
    • Přidejte rozhraní API Dataset.Tabular.from_json_lines_files pro vytvoření tabulkové datové sady ze souborů ŘÁDKŮ JSON. Další informace o těchto tabulkových datech v souborech JSON Lines v tabulkové datové sadě najdete v tomto článku, kde najdete dokumentaci.
    • Přidání dalších polí velikosti virtuálního počítače (disk s operačním systémem, počet GPU) do funkce supported_vmsizes ()
    • Přidání dalších polí do funkce list_nodes () pro zobrazení spuštění, privátní a veřejné IP adresy, portu atd.
    • Možnost zadat nové pole během zřizování clusteru –-remotelogin_port_public_access, která se dá nastavit na povolenou nebo zakázanou v závislosti na tom, jestli chcete ponechat port SSH otevřený nebo uzavřený při vytváření clusteru. Pokud ho nezadáte, služba chytře otevře nebo zavře port v závislosti na tom, jestli nasazujete cluster uvnitř virtuální sítě.
  • azureml-explain-model
  • azureml-core
    • Přidání možnosti načtení adresy URL SAS pro model v úložišti prostřednictvím objektu modelu Příklad: model.get_sas_url()
    • Zavedení spuštěníget_details['datasets'] pro získání datových sad přidružených k odeslanému spuštění
    • Přidat rozhraní API Dataset.Tabular.from_json_lines_files() pro vytvoření tabulkové datové sady ze souborů řádků JSON. Další informace o těchto tabulkových datech v souborech JSON Lines v tabulkové sadě TabularDataset najdetehttps://aka.ms/azureml-data v dokumentaci.
    • Přidání dalších polí velikosti virtuálního počítače (disk s operačním systémem, počet GPU) do funkce supported_vmsizes()
    • Přidání dalších polí do funkce list_nodes() pro zobrazení spuštění, privátní a veřejné IP adresy, portu atd.
    • Možnost zadat nové pole během zřizování clusteru, které je možné nastavit na povolenou nebo zakázanou v závislosti na tom, jestli chcete ponechat port SSH otevřený nebo uzavřený při vytváření clusteru. Pokud ho nezadáte, služba se chytře otevře nebo zavře port v závislosti na tom, jestli nasazujete cluster uvnitř virtuální sítě.
  • azureml-explain-model
    • Vylepšená dokumentace pro výstupy vysvětlení ve scénáři klasifikace.
    • Přidali jsme možnost nahrát předpovězené hodnoty y do vysvětlení příkladů vyhodnocení. Odemkne užitečnější vizualizace.
    • Přidání vlastnosti explainer do MimicWrapper pro povolení získání základní MimicExplainer.
  • azureml-pipeline-core
    • Přidání poznámkového bloku pro popis modulu, ModuleVersion a ModuleStep
  • azureml-pipeline-steps
    • Přidání RScriptStep pro podporu spouštění skriptů R prostřednictvím kanálu AML
    • Opravili jsme parsování parametrů metadat v AzureBatchStep, které způsobovaly chybovou zprávu "Přiřazení parametru SubscriptionId není zadané".
  • azureml-train-automl
    • Podporované training_data, validation_data, label_column_name weight_column_name jako formát vstupu dat
    • Přidání zprávy o vyřazení pro explain_model() a retrieve_model_explanations()
  • azureml-pipeline-core
    • Přidání poznámkového bloku pro popis modulu, [ModuleVersion a ModuleStep
  • azureml-pipeline-steps
    • Přidání RScriptStep pro podporu spouštění skriptů R prostřednictvím kanálu AML
    • Oprava parsování parametrů metadat v části [AzureBatchStep, která způsobovala chybovou zprávu " přiřazení parametru SubscriptionId není zadané".
  • azureml-train-automl
    • Podporované training_data, validation_data, label_column_name weight_column_name jako formát zadávání dat.
    • Přidání zprávy o vyřazení pro explain_model() a retrieve_model_explanations().

2019-09-16

Azure Machine Learning SDK pro Python verze 1.0.62

• Nové funkce

  • Zavedli jsme timeseries vlastnost v tabulkové datové sadě. Tato vlastnost umožňuje snadné filtrování časových razítek na data tabulkové datové sady, jako je například přebírání všech dat mezi časovým rozsahem nebo nejnovějšími daty. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb příklad poznámkového bloku.

  • Povolené trénování s tabulkovou datovou sadou a FileDataset.

  • azureml-train-core

    • Přidání Nccl a Gloo podpora v estimátoru PyTorch

• Opravy chyb a vylepšení

  • azureml-automl-core
    • Zastaralá nastavení AutoML lag_length a LaggingTransformer.
    • Oprava správného ověření vstupních dat, pokud jsou zadaná ve formátu toku dat
    • Upravte fit_pipeline.py tak, aby vygeneroval json grafu a nahrál do artefaktů.
    • Vykreslení grafu pomocí userrunCytoscape.
  • azureml-core
    • Znovu se zobrazilo zpracování výjimek v kódu ADB a v případě nového zpracování chyb proveďte změny.
    • Přidání automatického ověřování MSI pro virtuální počítače poznámkového bloku
    • Opravili jsme chybu, kdy se kvůli neúspěšným opakovaným pokusům mohlo nahrát poškozené nebo prázdné modely.
    • Opravili jsme chybu, kdy DataReference se DataReference při změně režimu změnil název (například při volání as_upload, as_downloadnebo as_mount).
    • Make mount_point and target_path optional for FileDataset.mount and FileDataset.download.
    • Výjimka, že sloupec časového razítka nelze najít, je vyvolána, pokud se rozhraní API související s časovými serials volá bez přiřazení sloupce časového razítka nebo se zahodí sloupce s časovým razítkem nebo se zahodí sloupce s časovým razítkem.
    • Sloupce časových řad by měly být přiřazeny sloupci, jehož typ je Date, jinak se očekává výjimka.
    • Časové serials sloupce, které přiřazují rozhraní API with_timestamp_columns, můžou převzít název sloupce s časovým razítkem bez jemné/hrubé časové razítko, který vymaže dříve přiřazené sloupce časového razítka.
    • Výjimka bude vyvolána, když se zahodí hrubá agregační nebo jemně odstupňovaná hodnota časového razítka s údaji pro uživatele, že vyřazení lze provést buď po vyloučení sloupce časového razítka v seznamu, nebo volání with_time_stamp s hodnotou None pro uvolnění sloupců časového razítka.
    • Výjimka bude vyvolána, když buď hrubý agregační nebo jemně odstupňovaný sloupec časového razítka není zahrnutý v seznamu zachovat sloupce s údaji pro uživatele, že uchovávání je možné provést buď po zahrnutí sloupce časového razítka v seznamu zachovat sloupec, nebo volání with_time_stamp s hodnotou None pro uvolnění sloupců časového razítka.
    • Přidání protokolování pro velikost registrovaného modelu
  • azureml-explain-model
    • Opraveno upozornění vytištěné do konzoly, když není nainstalovaný balíček Pythonu pro balení: Použití starší než podporované verze lightgbm, upgradujte prosím na verzi vyšší než 2.2.1.
    • Oprava vysvětlení modelu stahování s horizontálním dělením pro globální vysvětlení s mnoha funkcemi
    • Oprava napodobení chybějících inicializačních příkladů při vysvětlení výstupu
    • Oprava neměnné chyby u nastavených vlastností při nahrávání s klientem vysvětlení pomocí dvou různých typů modelů
    • Přidání parametru get_raw k bodování explainer.explain(), aby jeden vysvětlující modul pro vyhodnocování mohl vrátit hodnoty zkonstruované i nezpracované.
  • azureml-train-automl
    • Zavedla veřejná rozhraní API z AutoML pro podpůrné vysvětlení automl z vysvětlení sady SDK – novější způsob podpory vysvětlení AutoML oddělením featurizace AutoML a vysvětlením sady SDK – integrovaná podpora nezpracovaných vysvětlení z azureml explain SDK pro modely AutoML.
    • Odebrání výchozích hodnot Azureml z prostředí pro vzdálené trénování
    • Změna výchozího umístění úložiště mezipaměti ze FileCacheStore založeného na úložišti AzureFileCacheStore pro AutoML v cestě kódu Azure Databricks.
    • Oprava správného ověření vstupních dat, pokud jsou zadaná ve formátu toku dat
  • azureml-train-core

    • Vráceno source_directory_data_store vyřazení.

    • Přidání možnosti přepsání nainstalovaných verzí balíčků Azureml

    • Přidání podpory souboru Dockerfile v environment_definition parametru v odhadovačích

    • Zjednodušené distribuované trénovací parametry v odhadovačích

      from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
      

2019-09-09

Nové webové prostředí (Preview) pro pracovní prostory Služby Azure Machine Learning

Nové webové prostředí umožňuje datovým vědcům a datovým inženýrům dokončit kompletní životní cyklus strojového učení od předběžného nasazení a vizualizace dat až po trénování a nasazování modelů v jednom umístění.

Klíčové funkce:

Pomocí tohoto nového rozhraní služby Azure Machine Learning teď můžete:

• Správa poznámkových bloků nebo propojení s Jupyterem
• Spouštění experimentů automatizovaného strojového učení
• Vytváření datových sad z místních souborů, úložišť dat a webových souborů
• Prozkoumání a příprava datových sad pro vytvoření modelu
• Monitorování posunu dat pro modely
• Zobrazení nedávných prostředků z řídicího panelu

V době této verze jsou podporovány následující prohlížeče: Chrome, Firefox, Safari a Microsoft Edge Preview.

Známé problémy:

1. Aktualizujte prohlížeč, pokud se zobrazí chyba Něco se nepovedlo. Při probíhajícím nasazení došlo k chybě při načítání souborů bloků dat.

2. V poznámkových blocích a souborech a souborech nejde odstranit ani přejmenovat. Během verze Public Preview můžete k provádění operací s aktualizacemi souborů použít uživatelské rozhraní Jupyter nebo terminál na virtuálním počítači poznámkového bloku. Vzhledem k tomu, že se jedná o připojený síťový systém souborů, všechny změny, které uděláte na virtuálním počítači poznámkového bloku, se okamžitě projeví v pracovním prostoru poznámkového bloku.

3. Připojení SSH k virtuálnímu počítači poznámkového bloku:

   1. Vyhledejte klíče SSH vytvořené během instalace virtuálního počítače. Nebo vyhledejte klíče v pracovním prostoru > Azure Machine Learning a otevřete kartu > Výpočty a vyhledejte virtuální počítač poznámkového bloku v seznamu > a otevřete jeho vlastnosti: zkopírujte klíče z dialogového okna.
   2. Naimportujte tyto veřejné a privátní klíče SSH do místního počítače.
   3. Použijte je k připojení SSH k virtuálnímu počítači poznámkového bloku.

2019-09-03

Azure Machine Learning SDK pro Python verze 1.0.60

• Nové funkce

  • Zavedli jsme FileDataset, která odkazuje na jeden nebo více souborů v úložištích dat nebo veřejných adresách URL. Soubory můžou mít libovolný formát. FileDataset poskytuje možnost stahovat nebo připojovat soubory k výpočetním prostředkům.
  • Přidání podpory YAML kanálu pro PythonScript Step, Adla Step, Databricks Step, DataTransferStep a AzureBatch Step

• Opravy chyb a vylepšení

  • azureml-automl-core

    • AutoArima je teď navrhnoutelný kanál jenom pro verzi Preview.
    • Vylepšené hlášení chyb pro prognózování
    • Vylepšili jsme protokolování pomocí vlastních výjimek místo obecných v úlohách prognózy.
    • Odebrali jsme kontrolu max_concurrent_iterations, aby byl menší než celkový počet iterací.
    • Modely AutoML teď vrací výjimka AutoMLExceptions.
    • Tato verze zlepšuje výkon spouštění místních spuštění automatizovaného strojového učení.

  • azureml-core

    • Představte si Dataset.get_all(pracovní prostor), který vrací slovník TabularDataset objektů a FileDataset klíčů podle názvu registrace.

    workspace = Workspace.from_config()
    all_datasets = Dataset.get_all(workspace)
    mydata = all_datasets['my-data']
    

    • Zavést parition_format jako argument do Dataset.Tabular.from_delimited_files a Dataset.Tabular.from_parquet.files. Informace o oddílu každé cesty k datům se extrahují do sloupců na základě zadaného formátu. {column_name} vytvoří sloupec řetězce a {column_name:y/MM/dd/HH/mm/ss} vytvoří sloupec datetime, kde 'yyyy', 'MM', 'dd', 'HH', 'mm' a 'ss' se použijí k extrakci roku, měsíce, dne, hodiny, minuty a sekundy pro typ datetime. Partition_format musí začínat od pozice prvního klíče oddílu až do konce cesty k souboru. Například vzhledem k cestě .. /USA/2019/01/01/data.csv' kde je oddíl podle země/oblasti a času, partition_format='/{Country}/{PartitionDate:yy/MM/dd}/data.csv' vytvoří sloupec řetězce Country s hodnotou USA a sloupcem datetime PartitionDate s hodnotou 2019-01-01.01.

      workspace = Workspace.from_config()
      all_datasets = Dataset.get_all(workspace)
      mydata = all_datasets['my-data']
      

    • Zavést partition_format jako argument do Dataset.Tabular.from_delimited_files a Dataset.Tabular.from_parquet.files. Informace o oddílu každé cesty k datům se extrahují do sloupců na základě zadaného formátu. {column_name} vytvoří sloupec řetězce a {column_name:y/MM/dd/HH/mm/ss} vytvoří sloupec datetime, kde 'yyyy', 'MM', 'dd', 'HH', 'mm' a 'ss' se použijí k extrakci roku, měsíce, dne, hodiny, minuty a sekundy pro typ datetime. Partition_format musí začínat od pozice prvního klíče oddílu až do konce cesty k souboru. Například vzhledem k cestě .. /USA/2019/01/01/data.csv' kde je oddíl podle země/oblasti a času, partition_format='/{Country}/{PartitionDate:yy/MM/dd}/data.csv' vytvoří sloupec řetězce Country s hodnotou USA a sloupcem datetime PartitionDate s hodnotou 2019-01-01.01.

    • to_csv_files a to_parquet_files metody byly přidány do TabularDataset. Tyto metody umožňují převod mezi a a TabularDatasetFileDataset převodem dat na soubory zadaného formátu.

    • Při ukládání souboru Dockerfile vygenerovaného modelem.package() se automaticky přihlaste k registru základní image.

    • "gpu_support" již není nutné; AML teď automaticky rozpozná a použije rozšíření nvidia docker, když je k dispozici. V budoucí verzi se odebere.

    • Přidání podpory pro vytváření, aktualizaci a používání PipelineDrafts

    • Tato verze zlepšuje výkon spouštění místních spuštění automatizovaného strojového učení.

    • Uživatelé můžou dotazovat metriky z historie spuštění podle názvu.

    • Vylepšili jsme protokolování pomocí vlastních výjimek místo obecných v úlohách prognózy.

  • azureml-explain-model

    • Přidání parametru feature_maps do nového MimicWrapperu, který uživatelům umožňuje získat nezpracované vysvětlení funkcí.
    • Nahrávání datových sad je teď ve výchozím nastavení vypnuté pro nahrání vysvětlení a můžete je znovu povolit pomocí upload_datasets=True.
    • Přidání parametrů filtrování "is_law" do seznamu vysvětlení a funkcí pro stažení
    • Přidá metodu get_raw_explanation(feature_maps) do objektů globálního i místního vysvětlení.
    • Přidání kontroly verze do lightgbm s tištěným upozorněním, pokud je pod podporovanou verzí
    • Optimalizované využití paměti při dávkování vysvětlení
    • Modely AutoML teď vrací výjimka AutoMLExceptions.

  • azureml-pipeline-core

    • Přidání podpory pro vytváření, aktualizaci a používání PipelineDrafts – je možné použít k udržování proměnlivých definic kanálů a interaktivnímu použití ke spuštění

  • azureml-train-automl

    • Vytvořená funkce pro instalaci konkrétních verzí gpu podporujících pytorch v1.1.0, cuda toolkit 9.0, pytorch-transformers, které je nutné k povolení BERT/ XLNet ve vzdáleném prostředí modulu runtime Pythonu.

  • azureml-train-core

    • Předčasné selhání některých chyb definice prostoru hyperparametrů přímo v sadě SDK místo na straně serveru.

Azure Machine Learning Data Prep SDK verze 1.1.14

• Opravy chyb a vylepšení
  • Povolili jsme zápis do ADLS/ADLSGen2 pomocí nezpracované cesty a přihlašovacích údajů.
  • Opravili jsme chybu, která způsobovala, že nefungovala include_path=True pro read_parquet.
  • Byla opravena chyba způsobená to_pandas_dataframe() výjimkou Neplatná hodnota vlastnosti: hostSecret.
  • Opravili jsme chybu, kdy se v režimu Sparku nedala číst soubory v DBFS.

2019-08-19

Azure Machine Learning SDK pro Python verze 1.0.57

• Nové funkce

  • Je povoleno TabularDataset využívat automatizované strojové učení( Automatizované strojové učení). Další informace najdete TabularDatasetv tématuhttps://aka.ms/azureml/howto/createdatasets.

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Teď můžete aktualizovat certifikát TLS/SSL pro bodovací koncový bod nasazený v clusteru AKS pro certifikát Microsoftu vygenerovaný i zákaznický certifikát.
  • azureml-automl-core
    • Opravili jsme problém v AutoML, kdy se řádky s chybějícími popisky neodebraly správně.
    • Vylepšené protokolování chyb v AutoML; úplné chybové zprávy budou nyní vždy zapsány do souboru protokolu.
    • AutoML aktualizovalo připnutí balíčku tak, aby zahrnovalo azureml-defaults, azureml-explain-modela azureml-dataprep. AutoML už nebude upozorňovat na neshody balíčků (s výjimkou azureml-train-automl balíčku).
    • Opravili jsme problém, kdy timeseries rozdělení cv byla nerovná, což způsobovalo selhání výpočtu přihrádky.
    • Když jsme spustili souborovou iteraci pro typ trénování křížového ověřování, měli jsme potíže se stažením modelů natrénovaných na celé datové sadě, měli jsme nekonzistence mezi váhami modelu a modely, které byly předány do hlasovacího souboru.
    • Byla opravena chyba vyvolaná při trénování a/nebo ověřovacích popiscích (y a y_valid) ve formě datového rámce pandas, ale ne jako pole numpy.
    • Opravili jsme problém s úlohami prognózování, kdy v logických sloupcích vstupních tabulek došlo k chybě Žádné.
    • Povolit uživatelům AutoML, aby při prognózování zahodilo trénovací řadu, která není dostatečně dlouhá. – Povolí uživatelům AutoML, aby při prognózování zahodí zrnka z testovací sady, která v trénovací sadě neexistuje.
  • azureml-core
    • Opravili jsme problém s řazením parametrů blob_cache_timeout.
    • Přidání externích typů výjimek pro přizpůsobení a transformaci systémových chyb
    • Přidání podpory tajných kódů služby Key Vault pro vzdálená spuštění azureml.core.keyvault.Keyvault Přidejte třídu pro přidání, získání a výpis tajných kódů z trezoru klíčů přidruženého k vašemu pracovnímu prostoru. Podporované operace jsou:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.keyvault.Keyvault.set_secret(název, hodnota)
      • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
      • azureml.core.keyvault.Keyvault.get_secret(název)
      • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
      • azureml.core.keyvault.Keyvault.list_secrets()
      • Další metody získání výchozího klíče a získání tajných kódů během vzdáleného spuštění:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.run.Run.get_secret(název)
      • azureml.core.run.Run.get_secrets(secrets_list)
    • Přidání dalších parametrů přepsání pro příkaz rozhraní příkazového řádku pro submit-hyperdrive
    • Zvýšení spolehlivosti volání rozhraní API rozšiřuje opakování na běžné výjimky knihoven požadavků.
    • Přidání podpory pro odesílání spuštění ze odeslaného spuštění
    • Opravili jsme problém s vypršením platnosti tokenu SAS v FileWatcheru, který způsoboval, že se soubory přestaly nahrávat po vypršení jejich počátečního tokenu.
    • Podpora importu souborů HTTP csv/tsv v sadě SDK pythonu datové sady
    • Zastaralá metoda Workspace.setup(). Upozornění zobrazené uživatelům navrhuje místo toho použít create() nebo get()/from_config().
    • Přidali jsme Environment.add_private_pip_wheel(), což umožňuje nahrávat privátní vlastní balíčky whlPythonu do pracovního prostoru a bezpečně je používat k sestavení/materializaci prostředí.
    • Teď můžete aktualizovat certifikát TLS/SSL pro bodovací koncový bod nasazený v clusteru AKS pro certifikát Microsoftu vygenerovaný i zákaznický certifikát.
  • azureml-explain-model
    • Přidání parametru pro přidání ID modelu do vysvětlení při nahrání
    • Přidání is_raw označování do vysvětlení v paměti a nahrání
    • Přidali jsme podporu a testy pytorchu pro balíček azureml-explain-model.
  • azureml-opendatasets
    • Podpora zjišťování a protokolování automatického testovacího prostředí
    • Přidání tříd pro získání populace USA podle okresu a zip.
  • azureml-pipeline-core
    • Přidání vlastnosti popisku do definic vstupního a výstupního portu
  • azureml-telemetrie
    • Opravili jsme nesprávnou konfiguraci telemetrie.
  • azureml-train-automl
    • Opravili jsme chybu, kdy při selhání instalace se při spuštění instalačního programu nezaprotokolovala do pole chyby, a proto nebyla uložena v nadřazené spuštění chyby.
    • Opravili jsme problém v AutoML, kdy se řádky s chybějícími popisky neodebraly správně.
    • Umožňuje uživatelům AutoML vynechat trénovací řady, které nejsou dostatečně dlouhé při prognózování.
    • Povolit uživatelům AutoML, aby při prognózování zahodí zrna z testovací sady, která v trénovací sadě neexistuje.
    • Teď AutoMLStep prochází automl konfigurací do back-endu, aby se zabránilo problémům se změnami nebo přidáním nových parametrů konfigurace.
    • Ochrana dat AutoML je teď ve verzi Public Preview. Po trénování se uživateli zobrazí sestava Data Guardrail (pro úlohy klasifikace a regrese) a bude k ní mít přístup také prostřednictvím rozhraní API sady SDK.
  • azureml-train-core
    • Přidání podpory torch 1.2 v nástroji PyTorch Estimator.
  • azureml-widgety
    • Vylepšené konfuzní maticové grafy pro trénování klasifikace

Azure Machine Learning Data Prep SDK verze 1.1.12

• Nové funkce

  • Seznamy řetězců se teď dají předávat jako vstup do read_* metod.

• Opravy chyb a vylepšení

  • read_parquet Výkon se zlepšil při spuštění ve Sparku.
  • Opravili jsme problém, kdy column_type_builder se nepovedlo v jednom sloupci s nejednoznačnými formáty kalendářních dat.

portál Azure

• Funkce Preview
  • Streamování protokolů a výstupních souborů je teď k dispozici pro stránky podrobností o spuštění. Soubory se aktualizují v reálném čase, když je zapnutý přepínač náhledu.
  • Možnost nastavit kvótu na úrovni pracovního prostoru je vydána ve verzi Preview. Kvóty AmlCompute se přidělují na úrovni předplatného, ale teď vám umožňuje distribuovat tuto kvótu mezi pracovní prostory a přidělit ji pro spravedlivé sdílení a zásady správného řízení. Stačí kliknout na okno Využití a kvóty v levém navigačním panelu pracovního prostoru a vybrat kartu Konfigurovat kvóty . Abyste mohli nastavit kvóty na úrovni pracovního prostoru, musíte být správcem předplatného, protože se jedná o operaci mezi pracovními prostory.

2019-08-05

Azure Machine Learning SDK pro Python verze 1.0.55

• Nové funkce

  • Ověřování na základě tokenu je teď podporováno pro volání koncového bodu bodování nasazeného v AKS. Nadále podporujeme aktuální ověřování založené na klíči a uživatelé můžou současně používat jeden z těchto mechanismů ověřování.
  • Možnost zaregistrovat úložiště objektů blob, které je za virtuální sítí (VNet) jako úložiště dat.

• Opravy chyb a vylepšení

  • azureml-automl-core
    • Opravili jsme chybu, která způsobovala, že velikost ověření rozdělení CV je malá a výsledkem je špatně předpovězené a skutečné grafy pro regresi a prognózování.
    • Protokolování úloh prognózování na vzdálených spuštěních se zlepšilo, nyní je uživateli k dispozici komplexní chybová zpráva, pokud spuštění selhalo.
    • Opravili jsme chyby příznaku Timeseries preprocesoru True.
    • Provedli jsme několik chybových zpráv pro prognózování ověření dat, které jsou vhodnější.
    • Snížení spotřeby paměti spuštění AutoML vyřazením datových sad nebo opožděným načítáním datových sad, zejména mezi procesem
  • azureml-contrib-explain-model
    • Přidání příznaku model_task vysvětlujících, aby uživatel mohl přepsat výchozí logiku automatického odvozování pro typ modelu
    • Změny widgetu: Automaticky se instaluje bez contribdalší nbextension instalace/povolení – vysvětlení podpory s globální důležitostí funkcí (například Permutative)
    • Změny řídicího beeswarm panelu: – Krabicové grafy a housle kromě beeswarm vykreslení na souhrnné stránce – Rychlejší přetváření grafu na posuvníku Top -k – užitečná zpráva s vysvětlením, jak se počítá top-k – Užitečné přizpůsobitelné zprávy místo grafů, když nejsou k dispozici data
  • azureml-core
    • Přidání metody Model.package() pro vytvoření imagí Dockeru a souborů Dockerfile, které zapouzdřují modely a jejich závislosti.
    • Aktualizace místních webových služeb tak, aby přijímaly inferenceConfigs obsahující objekty prostředí.
    • Oprava Modelu.register() pro vytváření neplatných modelů při '.' (pro aktuální adresář) se předává jako parametr model_path.
    • Přidejte Run.submit_child, funkce zrcadlí Experiment.submit při zadávání spuštění jako nadřazeného podřízeného spuštění.
    • Podpora možností konfigurace z Model.register v Run.register_model
    • Možnost spouštět úlohy JAR v existujícím clusteru
    • Nyní podporuje parametry instance_pool_id a cluster_log_dbfs_path.
    • Přidání podpory pro použití objektu prostředí při nasazování modelu do webové služby Objekt Prostředí je nyní možné poskytnout jako součást objektu InferenceConfig.
    • Přidání mapování appinsifht pro nové oblasti – centralus – westus – northcentralus
    • Byla přidána dokumentace pro všechny atributy ve všech třídách úložiště dat.
    • Přidání parametru blob_cache_timeout do Datastore.register_azure_blob_container.
    • Přidání metod save_to_directory a load_from_directory do azureml.core.environment.Environment.
    • Do rozhraní příkazového řádku jsme přidali příkazy az ml environment download a az ml environment register.
    • Byla přidána metoda Environment.add_private_pip_wheel.
  • azureml-explain-model
    • Přidání sledování datových sad do vysvětlení pomocí služby Dataset (Preview)
    • Zmenšená výchozí velikost dávky při streamování globálních vysvětlení z 10 tisíc na 100.
    • Přidání příznaku model_task vysvětlujících, aby uživatel mohl přepsat výchozí logiku automatického odvozování pro typ modelu.
  • azureml-mlflow
    • Opravili jsme chybu v mlflow.azureml.build_image, kdy se ignorovaly vnořené adresáře.
  • azureml-pipeline-steps
    • Přidání možnosti spouštění úloh JAR v existujícím clusteru Azure Databricks
    • Přidání podpory instance_pool_id a parametrů cluster_log_dbfs_path pro krok DatabricksStep
    • Přidání podpory parametrů kanálu v kroku DatabricksStep
  • azureml-train-automl
    • Přidáno docstrings pro soubory související se souborem souboru.
    • Aktualizace dokumentů na vhodnější jazyk a max_cores_per_iterationmax_concurrent_iterations
    • Protokolování úloh prognózování na vzdálených spuštěních se zlepšilo, nyní je uživateli k dispozici komplexní chybová zpráva, pokud spuštění selhalo.
    • Odebrání get_data z poznámkového bloku kanálu automlstep
    • dataprep Podpora byla zahájena v automlstepsystému .

Azure Machine Learning Data Prep SDK verze 1.1.10

• Nové funkce
  • Teď můžete požádat o provedení konkrétních kontrol (například histogram, bodový graf atd.) pro konkrétní sloupce.
  • Přidání argumentu paralelizace do append_columns. Pokud je pravda, data se načtou do paměti, ale spouštění běží paralelně; Pokud je false, provádění je streamování, ale jednovláknové.

2019-07-23

Azure Machine Learning SDK pro Python verze 1.0.53

• Nové funkce

  • Automatizované strojové učení teď podporuje trénování modelů ONNX ve vzdáleném cílovém výpočetním objektu.
  • Azure Machine Learning teď poskytuje možnost pokračovat v trénování z předchozího spuštění, kontrolního bodu nebo souborů modelu.
    • Naučte se používat estimátory k obnovení trénování z předchozího spuštění.

• Opravy chyb a vylepšení

  • azure-cli-ml
    • Příkazy rozhraní příkazového řádku "nasazení modelu" a "aktualizace služby" teď přijímají parametry, konfigurační soubory nebo kombinaci těchto dvou. Parametry mají přednost před atributy v souborech.
    • Popis modelu je teď možné aktualizovat po registraci.
  • azureml-automl-core
    • Aktualizujte závislost NimbusML na verzi 1.2.0 (aktuální nejnovější verze).
    • Přidání podpory pro estimátory a kanály NimbusML, které se mají použít v rámci estimátorů AutoML.
    • Oprava chyby v postupu výběru souboru, který zbytečně rozrůstal výsledný soubor i v případě, že skóre zůstala konstantní.
    • Povolte opakované použití některých featurizací napříč rozděleními CV pro úlohy prognózování. Tím se zrychlí doba běhu instalačního programu přibližně faktorem n_cross_validations pro nákladné featurizace, jako jsou prodlevy a posuvná okna.
    • Řešení problému v případě, že časový rozsah není v knihovně pandas podporovaný. Teď vytvoříme dataException, pokud je čas menší než pd. Timestamp.min nebo větší než pd. Timestamp.max
    • Prognózování teď umožňuje různé frekvence ve trénovacích a testovacích sadách, pokud je lze zarovnat. Například "čtvrtletní začátek v lednu" a "čtvrtletní začátek v říjnu" lze zarovnat.
    • Vlastnost "parameters" byla přidána do TimeSeriesTransformer.
    • Odeberte staré třídy výjimek.
    • V úlohách target_lags prognózování teď parametr přijímá jednu celočíselnou hodnotu nebo seznam celých čísel. Pokud je zadané celé číslo, vytvoří se pouze jedna prodleva. Pokud je seznam zadaný, provedou se jedinečné hodnoty prodlev. target_lags=[1, 2, 2, 4] vytvoří prodlevy jedné, dvou a čtyř období.
    • Opravte chybu týkající se ztráty typů sloupců po transformaci (propojená chyba);
    • Umožňuje model.forecast(X, y_query), aby y_query byl typ objektu, který na začátku obsahuje none(s) (#459519).
    • Přidání očekávaných hodnot do automl výstupu
  • azureml-contrib-datadrift
    • Vylepšení ukázkových poznámkových bloků, včetně přepnutí na azureml-opendatasets místo azureml-contrib-opendatasets a vylepšení výkonu při rozšiřování dat
  • azureml-contrib-explain-model
    • Oprava argumentu transformací pro vysvětlovač LIME pro nezpracovanou důležitost funkcí v balíčku azureml-contrib-explain-model
    • Přidání segmentací do vysvětlení obrázků v vysvětlení obrázků pro balíček AzureML-contrib-explain-model
    • Přidání podpory řídkých scipy pro LimeExplainer
    • Přidáno batch_size do napodobení vysvětlující, kdy include_local=False, pro streamování globálních vysvětlení v dávkách za účelem zlepšení doby provádění DecisionTreeExplainableModel
  • azureml-contrib-featureengineering
    • Oprava pro volání set_featurizer_timeseries_params(): Změna typu hodnoty diktování a kontrola hodnoty null – Přidání poznámkového bloku pro timeseries featurizátor
    • Aktualizujte závislost NimbusML na verzi 1.2.0 (aktuální nejnovější verze).
  • azureml-core
    • Přidání možnosti připojení úložišť dat DBFS v rozhraní příkazového řádku služby Azure Machine Learning
    • Opravili jsme chybu při nahrávání úložiště dat, kdy se vytvořila prázdná složka, pokud target_path byla spuštěna /
    • Opravili jsme deepcopy problém v ServicePrincipalAuthentication.
    • Do rozhraní příkazového řádku jsme přidali příkazy az ml environment show a az ml environment list.
    • Prostředí teď podporují zadávání base_dockerfile jako alternativu k již sestaveným base_image.
    • Nepoužívané nastavení RunConfiguration auto_prepare_environment bylo označeno jako zastaralé.
    • Popis modelu je teď možné aktualizovat po registraci.
    • Oprava chyby: Odstranění modelu a image teď poskytuje další informace o načítání nadřazených objektů, které na nich závisejí, pokud odstranění selže kvůli nadřazené závislosti.
    • Opravili jsme chybu, která vytiskla prázdnou dobu trvání pro nasazení, ke kterým dochází při vytváření pracovního prostoru pro některá prostředí.
    • Vylepšené výjimky selhání při vytváření pracovního prostoru Uživatelé tak nevidí možnost Nejde vytvořit pracovní prostor. Nepodařilo se najít..." jako zprávu a místo toho se zobrazí skutečná chyba při vytváření.
    • Přidání podpory ověřování tokenů ve webových službách AKS
    • Přidejte get_token() metodu do Webservice objektů.
    • Přidání podpory rozhraní příkazového řádku pro správu datových sad strojového učení
    • Datastore.register_azure_blob_container Teď volitelně trvá blob_cache_timeout hodnotu (v sekundách), která konfiguruje parametry připojení blobfuse tak, aby umožňovaly vypršení platnosti mezipaměti pro toto úložiště dat. Výchozí hodnota není časový limit, například při čtení objektu blob, zůstane v místní mezipaměti, dokud se úloha nedokončí. Většina úloh dává přednost tomuto nastavení, ale některé úlohy potřebují číst více dat z velké datové sady, než se vejdou do jejich uzlů. U těchto úloh vám ladění tohoto parametru pomůže úspěšně. Při ladění tohoto parametru je potřeba dbát na to, aby nastavení příliš nízké hodnoty mohlo vést k nízkému výkonu, protože data použitá v epochě můžou vypršet, než se znovu použije. Všechna čtení se provádějí z úložiště objektů blob nebo sítě, nikoli z místní mezipaměti, což negativně ovlivňuje dobu trénování.
    • Popis modelu je teď možné po registraci správně aktualizovat.
    • Odstranění modelu a obrázku teď poskytuje další informace o nadřazených objektech, které na nich závisejí, což způsobí selhání odstranění.
    • Zlepšení využití prostředků vzdálených spuštění pomocí azureml.mlflow
  • azureml-explain-model
    • Oprava argumentu transformací pro vysvětlovač LIME pro nezpracovanou důležitost funkcí v balíčku azureml-contrib-explain-model
    • add scipy sparse support for LimeExplainer
    • přidání obálky lineárního vysvětlení obrazce a další úroveň tabulkového vysvětlení pro vysvětlení lineárních modelů
    • pro napodobení vysvětlení v knihovně modelů, opravená chyba při include_local=False pro řídký vstup dat
    • přidání očekávaných hodnot do automl výstupu
    • Oprava důležitosti permutace, když transformace argumentu zadaného pro získání nezpracované důležitosti funkcí
    • přidáno batch_size k napodobování vysvětlující, kdy include_local=False, pro streamování globálních vysvětlení v dávkách za účelem zlepšení doby provádění DecisionTreeExplainableModel
    • pro knihovnu vysvětlení modelů, opravené vysvětlení blackboxu, kde je pro predikci vyžadován vstup datového rámce pandas
    • Opravili jsme chybu, kdy explanation.expected_values se někdy místo seznamu s plovoucí desetinou čárkou vrátila plovoucí hodnota.
  • azureml-mlflow
    • Zlepšení výkonu mlflow.set_experiment(experiment_name)
    • Oprava chyby při použití InteractiveLoginAuthentication pro tracking_uri mlflow
    • Zlepšení využití prostředků vzdálených spuštění pomocí azureml.mlflow
    • Vylepšení dokumentace balíčku azureml-mlflow
    • Oprava chyby, ve které by mlflow.log_artifacts("my_dir") ukládaly artefakty my_dir/<artifact-paths> místo <artifact-paths>
  • azureml-opendatasets
    • Připnutí pyarrow na opendatasets staré verze (<0.14.0) kvůli nově zavedenému problému s pamětí.
    • Přesuňte datové sady azureml-contrib-opendatasets do azureml-opendatasets.
    • Povolte registraci otevřených tříd datových sad do pracovního prostoru Azure Machine Learning a bezproblémové používání funkcí datové sady AML.
    • Vylepšete NoaaIsdWeather výkon v jiné verzi než SPARK výrazně.
  • azureml-pipeline-steps
    • Úložiště dat DBFS je nyní podporováno pro vstupy a výstupy v DatabricksStep.
    • Aktualizovaná dokumentace ke kroku služby Azure Batch týkající se vstupů a výstupů
    • V AzureBatchStep se změnila výchozí hodnota delete_batch_job_after_finish na true.
  • azureml-telemetrie
    • Přesuňte datové sady azureml-contrib-opendatasets do azureml-opendatasets.
    • Povolte registraci otevřených tříd datových sad do pracovního prostoru Azure Machine Learning a bezproblémové používání funkcí datové sady AML.
    • Vylepšete NoaaIsdWeather výkon v jiné verzi než SPARK výrazně.
  • azureml-train-automl
    • Aktualizovaná dokumentace k get_output tak, aby odrážela skutečný návratový typ a poskytla další poznámky k načtení vlastností klíče.
    • Aktualizujte závislost NimbusML na verzi 1.2.0 (aktuální nejnovější verze).
    • přidání očekávaných hodnot do automl výstupu
  • azureml-train-core
    • Řetězce se teď přijímají jako cíl výpočetních prostředků pro automatizované ladění hyperparametrů.
    • Nepoužívané nastavení RunConfiguration auto_prepare_environment bylo označeno jako zastaralé.

Azure Machine Learning Data Prep SDK verze 1.1.9

• Nové funkce

  • Přidání podpory pro čtení souboru přímo z adresy URL http nebo https

• Opravy chyb a vylepšení

  • Vylepšená chybová zpráva při pokusu o čtení datové sady Parquet ze vzdáleného zdroje (která se v současné době nepodporuje).
  • Opravili jsme chybu při zápisu do formátu souboru Parquet v ADLS Gen2 a aktualizaci názvu kontejneru ADLS Gen2 v cestě.

2019-07-09

Vizuální rozhraní

• Funkce preview
  • Přidání modulu Execute R Script (Spustit skript jazyka R) ve vizuálním rozhraní

Azure Machine Learning SDK pro Python verze 1.0.48

• Nové funkce

  • azureml-opendatasets
    • azureml-contrib-opendatasets je nyní k dispozici jako azureml-opendatasets. Starý balíček může stále fungovat, ale doporučujeme používat sady azureml-opendatasets , které se posunou vpřed, aby se zlepšily možnosti a vylepšení.
    • Tento nový balíček umožňuje registrovat otevřené datové sady jako datovou sadu v pracovním prostoru Azure Machine Learning a používat libovolné funkce, které sada dat nabízí.
    • Zahrnuje také stávající funkce, jako je využívání otevřených datových sad jako datové rámce Pandas/SPARK, a spojení umístění pro některé datové sady, jako je počasí.

• Funkce preview

  • HyperDriveConfig teď může přijímat objekt kanálu jako parametr pro podporu ladění hyperparametrů pomocí kanálu.

• Opravy chyb a vylepšení

  • azureml-train-automl
    • Opravili jsme chybu týkající se ztráty typů sloupců po transformaci.
    • Opravili jsme chybu, která umožňovala y_query být typem objektu, který na začátku obsahoval none(s).
    • Opravili jsme problém v postupu výběru souboru, který zbytečně rozrůstal výsledný soubor, i když skóre zůstala konstantní.
    • Opravili jsme problém s povolením list_models a blokováním nastavení list_models v autoMLStepu.
    • Opravili jsme problém, který bránil použití předběžného zpracování, když se autoML používalo v kontextu kanálů Azure Machine Learning.
  • azureml-opendatasets
    • Přesunuli jsme datové sady azureml-contrib-opendatasets do azureml-opendatasets.
    • Povolené otevřené třídy datových sad pro registraci do pracovního prostoru Azure Machine Learning a bezproblémové používání funkcí datové sady AML.
    • Vylepšení NoaaIsdWeather výrazně vylepšuje výkon v jiné verzi než SPARK.
  • azureml-explain-model
    • Aktualizace online dokumentace pro objekty interpretovatelnosti
    • Přidáno batch_size k napodobení vysvětlující, kdy include_local=False, pro streamování globálních vysvětlení v dávkách za účelem zlepšení doby provádění DecisionTreeExplainableModel pro knihovnu vysvětlitelnosti modelu.
    • Opravili jsme problém, kdy explanation.expected_values se někdy místo seznamu s plovoucí desetinou čárkou vrátila plovoucí hodnota.
    • Přidání očekávaných hodnot do automl výstupu pro napodobovací vysvětlení v knihovně modelů
    • Opravili jsme důležitost permutačních funkcí, když byly argumenty transformace zadané k získání nezpracované důležitosti funkcí.
  • azureml-core
    • Přidali jsme možnost připojit úložiště dat DBFS v rozhraní příkazového řádku služby Azure Machine Learning.
    • Opravili jsme problém s nahráním úložiště dat, kdy se vytvořila prázdná složka, pokud target_path byla spuštěna /.
    • Povolené porovnání dvou datových sad
    • Model a odstranění image teď poskytují další informace o načítání nadřazených objektů, které na nich závisejí, pokud odstranění selže kvůli nadřazené závislosti.
    • Vyřazení nepoužívaného nastavení RunConfiguration v auto_prepare_environment
  • azureml-mlflow
    • Vylepšené využití prostředků vzdálených spuštění, která používají azureml.mlflow.
    • Vylepšili jsme dokumentaci balíčku azureml-mlflow.
    • Opravili jsme problém, kdy mlflow.log_artifacts("my_dir") ukládaly artefakty v části "my_dir/artifact-paths" místo "artifact-paths".
  • azureml-pipeline-core
    • Parametr hash_paths pro všechny kroky kanálu je zastaralý a v budoucnu se odebere. Ve výchozím nastavení je obsah source_directory hashovaný (s výjimkou souborů uvedených v .amlignore nebo .gitignore)
    • Pokračování v vylepšování modulu a moduleStep pro podporu modulů specifických pro výpočetní prostředky, přípravy na integraci RunConfiguration a dalších změn, které umožňují odemknout využití modulu specifického pro výpočetní prostředky v kanálech.
  • azureml-pipeline-steps
    • AzureBatchStep: Vylepšená dokumentace ke vstupům a výstupům
    • AzureBatchStep: Změna výchozí hodnoty delete_batch_job_after_finish na true.
  • azureml-train-core
    • Řetězce se teď přijímají jako cílový výpočetní objekt pro automatizované ladění hyperparametrů.
    • Vyřazení nepoužívaného nastavení RunConfiguration v auto_prepare_environment
    • Zastaralé parametry conda_dependencies_file_path a pip_requirements_file_path ve prospěch conda_dependencies_file a pip_requirements_file v uvedeném pořadí.
  • azureml-opendatasets
    • Vylepšete NoaaIsdWeather výkon v jiné verzi než SPARK výrazně.

2019-04-26

Vydali jsme sadu Azure Machine Learning SDK pro Python verze 1.0.33.

• Hardwarové modely služby Azure Machine Learning s akcelerovanými modely na FPGA jsou obecně dostupné.
  • Balíček azureml-accel-models teď můžete použít k:
    • Trénování váhy podporované hluboké neurální sítě (ResNet 50, ResNet 152, DenseNet-121, VGG-16 a SSD-VGG)
    • Použití transferového učení s podporovaným DNN
    • Registrace modelu ve službě Správa modelů a kontejnerizace modelu
    • Nasazení modelu na virtuální počítač Azure s FPGA v clusteru Azure Kubernetes Service (AKS)
  • Nasazení kontejneru na serverové zařízení Azure Stack Edge
  • Hodnocení dat pomocí koncového bodu gRPC pomocí této ukázky

Automatizované strojové učení

• Úklid funkcí umožňující dynamické přidávání featurizers pro optimalizaci výkonu Nové featurizers: vkládání práce, váha důkazů, kódování cílů, kódování textu, vzdálenost clusteru

• Inteligentní CV pro zpracování trénů a platných rozdělení v rámci automatizovaného strojového učení

• Málo změn optimalizace paměti a zlepšení výkonu za běhu

• Vylepšení výkonu v vysvětlení modelu

• Převod modelu ONNX pro místní spuštění

• Přidání podpory podvzorkování

• Inteligentní zastavení, pokud nejsou definována žádná kritéria ukončení

• Skládané soubory

• Prognózování časové řady

  • Nová funkce predikce prognózy
  • U dat časových řad teď můžete použít křížové ověřování se zaváděním zdroje.
  • Přidání nové funkce pro konfiguraci prodlev časových řad
  • Přidání nových funkcí pro podporu agregačních funkcí se zajištěním provozu
  • Nové zjišťování svátků a featurizátor při definování kódu země/oblasti v nastavení experimentu

• Azure Databricks

  • Povolené prognózování časových řad a vysvětlení možností interpretace a modelu
  • Teď můžete experimenty automatizovaného strojového učení zrušit a obnovit (pokračovat).
  • Přidání podpory pro zpracování s více jádry

MLOps

• Místní nasazení a ladění pro bodovací kontejnery
  Model ML teď můžete nasadit místně a rychle iterovat v souborech bodování a závislostech, aby se zajistilo, že se chovají podle očekávání.

• Zavedená inferenceConfig & Model.deploy()
  Nasazení modelu teď podporuje zadání zdrojové složky se vstupním skriptem, který je stejný jako RunConfig. Nasazení modelu se navíc zjednodušilo na jeden příkaz.

• Sledování referencí Gitu
  Zákazníci už nějakou dobu požadují základní funkce integrace Gitu, protože pomáhají udržovat kompletní záznam auditu. Implementovali jsme sledování napříč hlavními entitami ve službě Azure Machine Learning pro metadata související s Gitem (úložiště, potvrzení, čistý stav). Tyto informace budou automaticky shromažďovány sadou SDK a rozhraním příkazového řádku.

• Služba profilace a ověřování modelů
  Zákazníci si často stěžují na potíže s správnou velikostí výpočetních prostředků spojených se službou odvozování. S naší službou profilace modelů může zákazník poskytnout ukázkové vstupy a profilujeme 16 různých konfigurací procesoru a paměti, abychom zjistili optimální velikost nasazení.

• Používání vlastní základní image pro odvozování
  Další běžnou stížností bylo obtížné přejít z experimentování na odvozování závislostí sdílení RE. Díky naší nové funkci sdílení základních imagí teď můžete znovu použít základní image, závislosti a všechny experimentování pro odvozování. Tím by se měla urychlit nasazení a snížit mezeru mezi vnitřní a vnější smyčkou.

• Vylepšené prostředí generování schématu Swaggeru
  Naše předchozí metoda generování Swaggeru byla náchylná k chybám a nebylo možné ji automatizovat. Máme nový in-line způsob generování schémat swagger z jakékoli funkce Pythonu prostřednictvím dekorátorů. Tento kód je opensourcový a náš protokol generování schématu není propojený s platformou Azure Machine Learning.

• Rozhraní příkazového řádku služby Azure Machine Learning je obecně dostupné (GA)
  Modely je teď možné nasadit pomocí jediného příkazu rozhraní příkazového řádku. Máme společnou zpětnou vazbu zákazníků, že nikdo nenasazuje model ML z poznámkového bloku Jupyter. Referenční dokumentace k rozhraní příkazového řádku byla aktualizována.

2019-04-22

Vydali jsme sadu Azure Machine Learning SDK pro Python verze 1.0.30.

Zavedli PipelineEndpoint jsme přidání nové verze publikovaného kanálu při zachování stejného koncového bodu.

2019-04-15

portál Azure

• Teď můžete znovu odeslat existující skript spuštěný na existujícím vzdáleném výpočetním clusteru.
• Teď můžete spustit publikovaný kanál s novými parametry na kartě Kanály.
• Podrobnosti o spuštění teď podporují nový prohlížeč souborů snímků. Po odeslání konkrétního spuštění můžete zobrazit snímek adresáře. Můžete si také stáhnout poznámkový blok odeslaný a spustit spuštění.
• Teď můžete zrušit nadřazená spuštění z webu Azure Portal.

2019-04-08

Azure Machine Learning SDK pro Python verze 1.0.23

• Nové funkce
  • Sada Azure Machine Learning SDK teď podporuje Python 3.7.
  • Estimátory DNN služby Azure Machine Learning teď poskytují integrovanou podporu více verzí. Například TensorFlow estimátor teď přijímá framework_version parametr a uživatelé můžou zadat verzi 1.10 nebo 1.12. Seznam verzí podporovaných vaší aktuální verzí sady SDK získáte voláním get_supported_versions() požadované třídy architektury (například TensorFlow.get_supported_versions()). Seznam verzí podporovaných nejnovější verzí sady SDK najdete v dokumentaci nástroje pro odhad DNN.

2019-03-25

Azure Machine Learning SDK pro Python verze 1.0.21

• Nové funkce
  • Metoda azureml.core.Run.create_children umožňuje vytvoření několika podřízených spuštění s jedním voláním s nízkou latencí.

2019-03-11

Azure Machine Learning SDK pro Python verze 1.0.18

• Změny
  • Balíček azureml-tensorboard nahrazuje azureml-contrib-tensorboard.
  • V této verzi můžete při vytváření nastavit uživatelský účet ve spravovaném výpočetním clusteru (amlcompute). To lze provést předáním těchto vlastností v konfiguraci zřizování. Další podrobnosti najdete v referenční dokumentaci k sadě SDK.

Azure Machine Learning Data Prep SDK verze 1.0.17

• Nové funkce

  • Teď podporuje přidání dvou číselných sloupců k vygenerování výsledného sloupce pomocí jazyka výrazů.

• Opravy chyb a vylepšení

  • Vylepšili jsme dokumentaci a kontrolu parametrů pro random_split.

2019-02-27

Azure Machine Learning Data Prep SDK verze 1.0.16

• Oprava chyby
  • Opravili jsme problém s ověřováním instančního objektu, který způsoboval změna rozhraní API.

2019-02-25

Azure Machine Learning SDK pro Python verze 1.0.17

• Nové funkce

  • Azure Machine Learning teď poskytuje prvotřídní podporu pro oblíbený chainer architektury DNN. Použití Chainer uživatelů třídy může snadno trénovat a nasazovat modely Chainer.
    • Naučte se spouštět ladění hyperparametrů pomocí Chaineru pomocí HyperDrivu.
  • Kanály služby Azure Machine Learning přidaly možnost aktivovat spuštění kanálu na základě úprav úložiště dat. Poznámkový blok plánu kanálu se aktualizuje, aby tuto funkci představil.

• Opravy chyb a vylepšení

  • Přidali jsme podporu v kanálech Azure Machine Learning pro nastavení vlastnosti source_directory_data_store na požadované úložiště dat (například úložiště objektů blob) v RunConfigurations , které jsou součástí PythonScriptStep. Ve výchozím nastavení kroky používají úložiště souborů Azure jako záložní úložiště dat, což může narazit na problémy s omezováním při souběžné provádění velkého počtu kroků.

portál Azure

• Nové funkce
  • Nové prostředí editoru přetahování tabulek pro sestavy Uživatelé mohou přetáhnout sloupec ze studna do oblasti tabulky, kde se zobrazí náhled tabulky. Sloupce je možné změnit jejich uspořádání.
  • Nový prohlížeč souborů protokolů
  • Odkazy na spuštění, výpočty, modely, image a nasazení experimentů na kartě Aktivity

Další kroky

Přečtěte si přehled služby Azure Machine Learning.