dsl Balíček

Reference

Funkce

pipeline

Sestavte kanál, který obsahuje všechny uzly komponent definovaných v této funkci.

pipeline(func: Callable[[P], T] | None = None, *, name: str | None = None, version: str | None = None, display_name: str | None = None, description: str | None = None, experiment_name: str | None = None, tags: Dict[str, str] | None = None, **kwargs) -> Callable[[Callable[[P], T]], Callable[[P], PipelineJob]] | Callable[[P], PipelineJob]

Parametry

func: FunctionType

výchozí hodnota: None

Funkce kanálu uživatele, která má být vyzdobena.

name: str

Název komponenty kanálu, ve výchozím nastavení název funkce.

version: str

Verze komponenty kanálu má výchozí hodnotu 1.

display_name: str

Zobrazovaný název komponenty kanálu, ve výchozím nastavení název funkce.

description: str

Popis sestaveného kanálu.

experiment_name: str

Název experimentu, ve které bude úloha vytvořená. Pokud je zadaný žádný, nastaví se experiment na aktuální adresář.

tags: dict[str, str]

Značky komponenty kanálu.

kwargs: dict

Slovník dalších parametrů konfigurace.

Návraty

Kteroukoli

Dekorátor, pokud je func none
Zdobený func

Návratový typ

Union[ Callable[[Callable], Callable[…, ~PipelineJob]], Callable[<xref:P>, ~PipelineJob]]

Příklady

Ukazuje, jak vytvořit kanál pomocí tohoto dekorátoru.


   from azure.ai.ml import load_component
   from azure.ai.ml.dsl import pipeline

   component_func = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml"
   )

   # Define a pipeline with decorator
   @pipeline(name="sample_pipeline", description="pipeline description")
   def sample_pipeline_func(pipeline_input1, pipeline_input2):
       # component1 and component2 will be added into the current pipeline
       component1 = component_func(component_in_number=pipeline_input1, component_in_path=uri_file_input)
       component2 = component_func(component_in_number=pipeline_input2, component_in_path=uri_file_input)
       # A decorated pipeline function needs to return outputs.
       # In this case, the pipeline has two outputs: component1's output1 and component2's output1,
       # and let's rename them to 'pipeline_output1' and 'pipeline_output2'
       return {
           "pipeline_output1": component1.outputs.component_out_path,
           "pipeline_output2": component2.outputs.component_out_path,
       }

   # E.g.: This call returns a pipeline job with nodes=[component1, component2],
   pipeline_job = sample_pipeline_func(
       pipeline_input1=1.0,
       pipeline_input2=2.0,
   )
   ml_client.jobs.create_or_update(pipeline_job, experiment_name="pipeline_samples", compute="cpu-cluster")

Sdílet prostřednictvím