ModuleStep Třída

Vytvoří krok kanálu Azure Machine Learning pro spuštění konkrétní verze modulu.

Module Objekty definují opakovaně použitelné výpočty, jako jsou skripty nebo spustitelné soubory, které mohou být použity v různých scénářích strojového učení a různými uživateli. Pokud chcete v kanálu použít konkrétní verzi modulu, vytvořte ModuleStep. ModuleStep je krok v kanálu, který používá existující ModuleVersion.

Příklad použití ModuluStep najdete v poznámkovém bloku https://aka.ms/pl-modulestep.

Vytvořte krok kanálu Azure ML pro spuštění konkrétní verze modulu.

Dědičnost

ModuleStepBase

ModuleStep

Konstruktor

ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)

Parametry

Name	Description
module	Module Modul použitý v kroku Zadejte buď module parametr , nebo parametr , module_version ale ne oba. Default value: None
version	str Verze modulu použitá v kroku Default value: None
module_version	ModuleVersion A ModuleVersion modulu použitého v kroku. Zadejte buď module parametr , nebo parametr , module_version ale ne oba. Default value: None
inputs_map	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Slovník, který mapuje názvy definic portů ModuleVersion na vstupy kroku. Default value: None
outputs_map	dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]] Slovník, který mapuje názvy definic portů ModuleVersion na výstupy kroku. Default value: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z runconfig. Může to být cílový objekt výpočetního objektu nebo název řetězce cílového výpočetního objektu v pracovním prostoru. Pokud cílový výpočetní objekt není při vytváření kanálu dostupný, můžete zadat řazenou kolekci členů ("cílový název výpočetního objektu", "cílový typ výpočetního objektu"), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine). Default value: None
runconfig	RunConfiguration Volitelná konfigurace RunConfiguration, která se má použít. RunConfiguration se dá použít k určení dalších požadavků pro spuštění, jako jsou závislosti Conda a image Dockeru. Default value: None
runconfig_pipeline_params	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount Default value: None
arguments	list[str] Seznam argumentů příkazového řádku pro soubor skriptu Jazyka Python. Argumenty se doručí do cílového výpočetního objektu prostřednictvím argumentů v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, najdete v tématu RunConfiguration Default value: None
params	dict[str, str] Slovník dvojic název-hodnota. Default value: None
name	str Název kroku. Default value: None
_workflow_provider	<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider> (Pouze pro interní použití.) Zprostředkovatel pracovního postupu. Default value: None
module Vyžadováno	Module Modul použitý v kroku Zadejte buď module parametr , nebo parametr , module_version ale ne oba.
version Vyžadováno	str Verze modulu použitá v kroku
module_version Vyžadováno	ModuleVersion ModuleVersion modulu použitého v kroku Zadejte buď module parametr , nebo parametr , module_version ale ne oba.
inputs_map Vyžadováno	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]] Slovník, který mapuje názvy definic portů ModuleVersion na vstupy kroku.
outputs_map Vyžadováno	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]] Slovník, který mapuje názvy definic portů ModuleVersion na výstupy kroku.
compute_target Vyžadováno	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z runconfig. Může to být cílový objekt výpočetního objektu nebo název řetězce cílového výpočetního objektu v pracovním prostoru. Pokud cílový výpočetní objekt není při vytváření kanálu dostupný, můžete zadat řazenou kolekci členů ("cílový název výpočetního objektu", "cílový typ výpočetního objektu"), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine).
runconfig Vyžadováno	RunConfiguration Volitelná konfigurace RunConfiguration, která se má použít. RunConfiguration se dá použít k určení dalších požadavků pro spuštění, jako jsou závislosti Conda a image Dockeru.
runconfig_pipeline_params Vyžadováno	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount
arguments Vyžadováno	list[str] Seznam argumentů příkazového řádku pro soubor skriptu Jazyka Python. Argumenty se doručí do cílového výpočetního objektu prostřednictvím argumentů v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, najdete v tématu RunConfiguration
params Vyžadováno	dict[str, str] Slovník dvojic název-hodnota.
name Vyžadováno	str Název kroku.
_wokflow_provider Vyžadováno	(Pouze pro interní použití.) Zprostředkovatel pracovního postupu.

Poznámky

Slouží Module k vytvoření a správě obnovitelné výpočetní jednotky kanálu služby Azure Machine Learning. ModuleStep je integrovaný krok ve službě Azure Machine Learning, který se používá k využití modulu. Můžete buď definovat konkrétní moduleVersion, která se má použít, nebo nechat Službu Azure Machine Learning vyřešit, která moduleVersion se má použít, a to podle procesu řešení definovaného Module v části poznámky třídy. Pokud chcete definovat, která verze ModuluVersion se použije v odeslaném kanálu, definujte jednu z následujících možností při vytváření moduluStep:

• Objekt ModuleVersion .

• Objekt Module a hodnota verze.

• Objekt Module bez hodnoty verze. V tomto případě se rozlišení verze může u jednotlivých odesílaných verzí lišit.

Musíte definovat mapování mezi vstupy a výstupy ModuleStep na vstupy a výstupy ModuleVersion.

Následující příklad ukazuje, jak vytvořit ModuleStep jako součást kanálu s několika objekty ModuleStep:

   middle_step = ModuleStep(module=module,
                            inputs_map= middle_step_input_wiring,
                            outputs_map= middle_step_output_wiring,
                            runconfig=RunConfiguration(), compute_target=aml_compute,
                            arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
                                         "--output_sum", middle_sum, "--output_product", middle_prod])

Úplná ukázka je k dispozici na webu https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-modulestep.ipynb

Metody

create_node

Vytvořte uzel z kroku ModuleStep a přidejte ho do zadaného grafu. Tato metoda není určena k přímému použití. Když se v tomto kroku vytvoří instance kanálu, Azure ML automaticky předá požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node

Vytvořte uzel z kroku ModuleStep a přidejte ho do zadaného grafu.

Tato metoda není určena k přímému použití. Když se v tomto kroku vytvoří instance kanálu, Azure ML automaticky předá požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node(graph, default_datastore, context)

Parametry

Name	Description
graph Vyžadováno	Graph Objekt grafu, do který chcete přidat uzel.
default_datastore Vyžadováno	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Výchozí úložiště dat.
context Vyžadováno	<xref:azureml.pipeline.core._GraphContext> Kontext grafu.

Návraty

Typ	Description
Node	Objekt uzlu.