azure.ai.ml package

Erstellt ein Command-Objekt, das innerhalb einer dsl.pipeline-Funktion oder als eigenständiger Command-Auftrag verwendet werden kann.

command(*, name: str | None = None, description: str | None = None, tags: Dict | None = None, properties: Dict | None = None, display_name: str | None = None, command: str | None = None, experiment_name: str | None = None, environment: str | Environment | None = None, environment_variables: Dict | None = None, distribution: Dict | MpiDistribution | TensorFlowDistribution | PyTorchDistribution | RayDistribution | None = None, compute: str | None = None, inputs: Dict | None = None, outputs: Dict | None = None, instance_count: int | None = None, instance_type: str | None = None, locations: List[str] | None = None, docker_args: str | None = None, shm_size: str | None = None, timeout: int | None = None, code: PathLike | str | None = None, identity: ManagedIdentityConfiguration | AmlTokenConfiguration | UserIdentityConfiguration | None = None, is_deterministic: bool = True, services: Dict[str, JobService | JupyterLabJobService | SshJobService | TensorBoardJobService | VsCodeJobService] | None = None, job_tier: str | None = None, priority: str | None = None, **kwargs) -> Command

Parameter

name: Optional[str]

Der Name des Befehlsauftrags oder der -Komponente.

description: Optional[str]

Die Beschreibung des Befehls. Der Standardwert ist „None“.

tags: Optional[dict[str, str]]

Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. Der Standardwert ist „None“.

properties: Optional[dict[str, str]]

Das Auftragseigenschaftenverzeichnis. Der Standardwert ist „None“.

display_name: Optional[str]

Der Anzeigename des Auftrags. Standardmäßig wird ein zufällig generierter Name verwendet.

command: Optional[str]

Der Befehl, der ausgeführt werden soll. Der Standardwert ist „None“.

experiment_name: Optional[str]

Der Name des Experiments, unter dem der Auftrag erstellt wird. Standardmäßig wird der aktuelle Verzeichnisname verwendet.

environment: Optional[Union[str, Environment]]

Die Umgebung, in der der Auftrag ausgeführt wird.

environment_variables: Optional[dict[str, str]]

Ein Wörterbuch mit Namen und Werten von Umgebungsvariablen. Diese Umgebungsvariablen werden für den Prozess festgelegt, in dem das Benutzerskript ausgeführt wird. Der Standardwert ist „None“.

distribution: Optional[Union[dict, PyTorchDistribution, MpiDistribution, TensorFlowDistribution, RayDistribution]]

Die Konfiguration für verteilte Aufträge. Der Standardwert ist „None“.

compute: Optional[str]

Das Computeziel, auf dem der Auftrag ausgeführt wird. Standardmäßig wird Die Compute-Standardeinstellung verwendet.

inputs: Optional[dict[str, Union[Input, str, bool, int, float, <xref:Enum>]]]

Eine Zuordnung von Eingabenamen zu Eingabedatenquellen, die im Auftrag verwendet werden. Der Standardwert ist „None“.

outputs: Optional[dict[str, Union[str, Output]]]

Eine Zuordnung von Ausgabenamen zu ausgabedatenquellen, die im Auftrag verwendet werden. Der Standardwert ist „None“.

instance_count: Optional[int]

Die Anzahl der Instanzen oder Knoten, die vom Computeziel verwendet werden sollen. Der Standardwert lautet 1.

instance_type: Optional[str]

Der Typ des virtuellen Computers, der vom Computeziel verwendet werden soll.

locations: Optional[list[str]]

Die Liste der Speicherorte, an denen der Auftrag ausgeführt wird.

docker_args: Optional[str]

Zusätzliche Argumente, die an den run-Befehl von Docker übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. Der Standardwert ist „None“.

shm_size: Optional[str]

Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl)(Einheit) vorliegen, wobei die Zahl größer als 0 sein muss und die Einheit eine von b(Bytes), k(Kilobytes), m(Megabytes) oder g(Gigabytes) sein kann.

timeout: Optional[int]

Die Zahl in Sekunden, nach der der Auftrag abgebrochen wird.

code: Optional[Union[str, PathLike]]

Der Quellcode zum Ausführen des Auftrags. Dies kann ein lokaler Pfad oder eine URL mit "http:", "https:" oder "azureml:" sein, die auf einen Remotespeicherort verweist.

identity: Optional[Union[ ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Die Identität, die der Befehlsauftrag während der Ausführung auf compute verwendet.

is_deterministic: bool

Gibt an, ob der Befehl bei derselben Eingabe die gleiche Ausgabe zurückgibt. Der Standardwert ist „True“. Wenn bei True eine Befehlskomponente deterministisch ist und zuvor im aktuellen Arbeitsbereich mit den gleichen Eingaben und Einstellungen ausgeführt wurde, werden Ergebnisse aus einem zuvor übermittelten Auftrag wiederverwendet, wenn sie als Knoten oder Schritt in einer Pipeline verwendet wird. In diesem Szenario werden keine Computeressourcen verwendet.

services: Optional[dict[str, Union[JobService, JupyterLabJobService, SshJobService, TensorBoardJobService, VsCodeJobService]]]

Die interaktiven Dienste für den Knoten. Der Standardwert ist „None“. Dies ist ein experimenteller Parameter, der sich jederzeit ändern kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen.

job_tier: Optional[str]

Die Auftragsebene. Akzeptierte Werte sind "Spot", "Basic", "Standard" oder "Premium".

priority: Optional[str]

Die Priorität des Auftrags auf der Compute-Instanz. Akzeptierte Werte sind "niedrig", "mittel" und "hoch". Der Standardwert ist "medium".

Gibt zurück

Ein Command-Objekt.

Rückgabetyp

Command

Beispiele

Erstellen eines Befehlsauftrags mithilfe der methode command() builder.


   from azure.ai.ml import Input, Output, command

   train_func = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

Erstellen Sie ein Batchbereitstellungsobjekt aus der YAML-Datei.

load_batch_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> BatchDeployment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle eines Batchbereitstellungsobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Erstelltes Batchbereitstellungsobjekt.

Rückgabetyp

BatchDeployment

Erstellen Sie ein Batchendpunktobjekt aus der YAML-Datei.

load_batch_endpoint(source: str | PathLike | IO, relative_origin: str | None = None, **kwargs) -> BatchEndpoint

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle eines Batchendpunktobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Standardwert: None

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Erstelltes Batchendpunktobjekt.

Rückgabetyp

BatchEndpoint

Laden Sie die Komponente von einer lokalen oder remote in eine Komponentenfunktion.

load_component(source: str | PathLike | IO | None = None, *, relative_origin: str | None = None, **kwargs) -> CommandComponent | ParallelComponent | PipelineComponent

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Standardwert: None

Die lokale YAML-Quelle einer Komponente. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Ein Component-Objekt

Rückgabetyp

Union[CommandComponent, ParallelComponent, PipelineComponent]

Beispiele

Laden eines Component-Objekts aus einer YAML-Datei, Überschreiben seiner Version auf "1.0.2" und Remoteregistrierung.


   from azure.ai.ml import load_component

   component = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml",
       params_override=[{"version": "1.0.2"}],
   )
   registered_component = ml_client.components.create_or_update(component)

Erstellen Sie ein Computeobjekt aus einer YAML-Datei.

load_compute(source: str | PathLike | IO, *, relative_origin: str | None = None, params_override: List[Dict[str, str]] | None = None, **kwargs) -> Compute

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle einer Compute-Instanz. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: Optional[str]

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: Optional[List[Dict]]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Geladenes Computeobjekt.

Rückgabetyp

Compute

Beispiele

Laden eines Compute-Objekts aus einer YAML-Datei und Überschreiben seiner Beschreibung.


   from azure.ai.ml import load_compute

   compute = load_compute(
       "../tests/test_configs/compute/compute-vm.yaml",
       params_override=[{"description": "loaded from compute-vm.yaml"}],
   )

Erstellen Sie ein Datenobjekt aus der YAML-Datei.

load_data(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Data

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle eines Datenobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Konstruiertes Data- oder DataImport-Objekt.

Rückgabetyp

Data

Ausnahmen

ValidationException

Wird ausgelöst, wenn Daten nicht erfolgreich überprüft werden können. Details werden in der Fehlermeldung angegeben.

Erstellen Sie ein Datenspeicherobjekt aus einer YAML-Datei.

load_datastore(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Datastore

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle eines Datenspeichers. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Geladenes Datenspeicherobjekt.

Rückgabetyp

Datastore

Ausnahmen

ValidationException

Wird ausgelöst, wenn datastore nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Erstellen Sie ein Umgebungsobjekt aus der YAML-Datei.

load_environment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Environment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale YAML-Quelle einer Umgebung. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird er geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten YAML verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die auf der Yaml-Datei überschrieben werden sollen. Format: [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Konstruiertes Umgebungsobjekt.

Rückgabetyp

Environment

Ausnahmen

ValidationException

Wird ausgelöst, wenn die Umgebung nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Erstellt ein Job-Objekt aus einer YAML-Datei.

load_job(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Job

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Ein Pfad zu einer lokalen YAML-Datei oder einem bereits geöffneten Dateiobjekt, das eine Auftragskonfiguration enthält. Wenn die Quelle ein Pfad ist, wird sie geöffnet und gelesen. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen.

relative_origin: Optional[str]

Das Stammverzeichnis für die YAML. Dieses Verzeichnis wird als Ursprung zum Ableiten der relativen Speicherorte von Dateien verwendet, auf die im analysierten YAML verwiesen wird. Standardmäßig wird dasselbe Verzeichnis wie die Quelle verwendet, wenn quelle eine Datei- oder Dateipfadeingabe ist. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: Optional[list[dict]]

Parameterfelder zum Überschreiben von Werten in der YAML-Datei.

Gibt zurück

Ein geladenes Job-Objekt.

Rückgabetyp

Job

Ausnahmen

ValidationException

Wird ausgelöst, wenn Auftrag nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Beispiele

Laden eines Auftrags aus einer YAML-Konfigurationsdatei.


   from azure.ai.ml import load_job

   job = load_job(source="./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml")

Erstellt ein Model-Objekt aus einer YAML-Datei.

load_model(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Model

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Ein Pfad zu einer lokalen YAML-Datei oder einem bereits geöffneten Dateiobjekt, das eine Auftragskonfiguration enthält. Wenn die Quelle ein Pfad ist, wird sie geöffnet und gelesen. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen.

relative_origin: Optional[str]

Das Stammverzeichnis für die YAML. Dieses Verzeichnis wird als Ursprung zum Ableiten der relativen Speicherorte von Dateien verwendet, auf die im analysierten YAML verwiesen wird. Standardmäßig wird dasselbe Verzeichnis wie die Quelle verwendet, wenn quelle eine Datei- oder Dateipfadeingabe ist. Der Standardwert ist "./", wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: Optional[list[dict]]

Parameterfelder zum Überschreiben von Werten in der YAML-Datei.

Gibt zurück

Ein geladenes Model-Objekt.

Rückgabetyp

Model

Ausnahmen

ValidationException

Wird ausgelöst, wenn Auftrag nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Beispiele

Laden eines Modells aus einer YAML-Konfigurationsdatei, wobei der Name und die Versionsparameter überschrieben werden.


   from azure.ai.ml import load_model

   model = load_model(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/model/model_with_stage.yml",
       params_override=[{"name": "new_model_name"}, {"version": "1"}],
   )

Hinweis

Dies ist eine experimentelle Methode, die sich jederzeit ändern kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen.

Erstellt ein ModelPackage-Objekt aus einer YAML-Datei.

load_model_package(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> ModelPackage

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Ein Pfad zu einer lokalen YAML-Datei oder einem bereits geöffneten Dateiobjekt, das eine Auftragskonfiguration enthält. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen.

relative_origin: Optional[str]

Das Stammverzeichnis für das YAML. Dieses Verzeichnis wird als Ursprung verwendet, um die relativen Speicherorte von Dateien abzuleiten, auf die im analysierten YAML verwiesen wird. Standardmäßig wird dasselbe Verzeichnis wie die Quelle verwendet, wenn es sich bei der Quelle um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: Optional[list[dict]]

Parameterfelder zum Überschreiben von Werten in der YAML-Datei.

Gibt zurück

Ein geladenes ModelPackage-Objekt.

Rückgabetyp

ModelPackage

Ausnahmen

ValidationException

Wird ausgelöst, wenn Auftrag nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Beispiele

Laden eines ModelPackage aus einer YAML-Konfigurationsdatei.


   from azure.ai.ml import load_model_package

   model_package = load_model_package(
       "./sdk/ml/azure-ai-ml/tests/test_configs/model_package/model_package_simple.yml"
   )

Erstellen Sie ein Onlinebereitstellungsobjekt aus der Yaml-Datei.

load_online_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineDeployment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle eines Onlinebereitstellungsobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Erstelltes Onlinebereitstellungsobjekt.

Rückgabetyp

OnlineDeployment

Ausnahmen

ValidationException

Wird ausgelöst, wenn die Onlinebereitstellung nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Erstellen Sie ein Onlineendpunktobjekt aus der Yaml-Datei.

load_online_endpoint(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineEndpoint

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle eines Onlineendpunktobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Erstelltes Onlineendpunktobjekt.

Rückgabetyp

OnlineEndpoint

Ausnahmen

ValidationException

Wird ausgelöst, wenn der Onlineendpunkt nicht erfolgreich überprüft werden kann. Details werden in der Fehlermeldung angegeben.

Laden Sie ein Registrierungsobjekt aus einer yaml-Datei.

load_registry(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Registry

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle einer Registrierung. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Geladenes Registrierungsobjekt.

Rückgabetyp

Registry

Laden Sie ein Arbeitsbereichsobjekt aus einer yaml-Datei.

load_workspace(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Workspace

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle eines Arbeitsbereichs. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Geladenes Arbeitsbereichsobjekt.

Rückgabetyp

Workspace

Erstellen Sie ein Arbeitsbereichsverbindungsobjekt aus der yaml-Datei.

load_workspace_connection(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceConnection

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle eines Arbeitsbereichsverbindungsobjekts. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Erstelltes Arbeitsbereichsverbindungsobjekt.

Rückgabetyp

WorkspaceConnection

Hinweis

Dies ist eine experimentelle Methode, die sich jederzeit ändern kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen.

Laden Sie ein WorkspaceHub-Objekt aus einer yaml-Datei.

load_workspace_hub(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceHub

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Erforderlich

Die lokale Yaml-Quelle eines WorkspaceHubs. Muss entweder ein Pfad zu einer lokalen Datei oder eine bereits geöffnete Datei sein. Wenn es sich bei der Quelle um einen Pfad handelt, wird sie geöffnet und gelesen. Eine Ausnahme wird ausgelöst, wenn die Datei nicht vorhanden ist. Wenn es sich bei der Quelle um eine geöffnete Datei handelt, wird die Datei direkt gelesen, und eine Ausnahme wird ausgelöst, wenn die Datei nicht lesbar ist.

relative_origin: str

Der Ursprung, der beim Ableiten der relativen Speicherorte von Dateien verwendet werden soll, auf die im analysierten yaml verwiesen wird. Wird standardmäßig auf das Verzeichnis der eingegebenen Quelle festgelegt, wenn es sich um eine Datei- oder Dateipfadeingabe handelt. Standardmäßig wird "./" verwendet, wenn es sich bei der Quelle um eine Streameingabe ohne Namenswert handelt.

params_override: List[Dict]

Felder, die über die yaml-Datei überschrieben werden sollen. Format ist [{"field1": "value1"}, {"field2": "value2"}]

Gibt zurück

Das WorkspaceHub-Objekt wurde geladen.

Rückgabetyp

WorkspaceHub

Erstellt ein Spark-Objekt, das in einer dsl.pipeline-Funktion oder als eigenständiger Spark-Auftrag verwendet werden kann.

spark(*, experiment_name: str | None = None, name: str | None = None, display_name: str | None = None, description: str | None = None, tags: Dict | None = None, code: PathLike | str | None = None, entry: Dict[str, str] | SparkJobEntry | None = None, py_files: List[str] | None = None, jars: List[str] | None = None, files: List[str] | None = None, archives: List[str] | None = None, identity: Dict[str, str] | ManagedIdentity | AmlToken | UserIdentity | None = None, driver_cores: int | None = None, driver_memory: str | None = None, executor_cores: int | None = None, executor_memory: str | None = None, executor_instances: int | None = None, dynamic_allocation_enabled: bool | None = None, dynamic_allocation_min_executors: int | None = None, dynamic_allocation_max_executors: int | None = None, conf: Dict[str, str] | None = None, environment: str | Environment | None = None, inputs: Dict | None = None, outputs: Dict | None = None, args: str | None = None, compute: str | None = None, resources: Dict | SparkResourceConfiguration | None = None, **kwargs) -> Spark

Parameter

experiment_name: Optional[str]

Der Name des Experiments, unter dem der Auftrag erstellt wird.

name: Optional[str]

Der Name des Auftrags.

display_name: Optional[str]

Der Name der Auftragsanzeige.

description: Optional[str]

Die Beschreibung des Auftrags. Der Standardwert ist „None“.

tags: Optional[dict[str, str]]

Das Wörterbuch der Tags für den Auftrag. Tags können hinzugefügt, entfernt und aktualisiert werden. Der Standardwert ist „None“.

code

Der Quellcode zum Ausführen des Auftrags. Dies kann ein lokaler Pfad oder eine URL mit "http:", "https:" oder "azureml:" sein, die auf einen Remotespeicherort verweist.

entry: Optional[Union[dict[str, str], SparkJobEntry]]

Der Datei- oder Klasseneinstiegspunkt.

py_files: Optional[list[str]]

Die Liste der .zip-, EGG- oder PY-Dateien, die in PYTHONPATH für Python-Apps platziert werden sollen. Der Standardwert ist „None“.

jars: Optional[list[str]]

Die Liste von . JAR-Dateien, die in treiber- und executor-Klassenpfade eingeschlossen werden sollen. Der Standardwert ist „None“.

files: Optional[list[str]]

Die Liste der Dateien, die im Arbeitsverzeichnis jedes Executors abgelegt werden sollen. Der Standardwert ist „None“.

archives: Optional[list[str]]

Die Liste der Archive, die in das Arbeitsverzeichnis jedes Executors extrahiert werden sollen. Der Standardwert ist „None“.

identity: Optional[Union[ dict[str, str], ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Die Identität, die der Spark-Auftrag während der Ausführung auf Compute verwendet.

driver_cores: Optional[int]

Die Anzahl der Kerne, die nur im Clustermodus für den Treiberprozess verwendet werden sollen.

driver_memory: Optional[str]

Die Menge des Arbeitsspeichers, der für den Treiberprozess verwendet werden soll, formatiert als Zeichenfolgen mit einem Größeneinheitssuffix ("k", "m", "g" oder "t") (z. B. "512m", "2g").

executor_cores: Optional[int]

Die Anzahl von Kernen, die für jeden Executor verwendet werden soll.

executor_memory: Optional[str]

Die Menge an Arbeitsspeicher, der pro Executorprozess verwendet werden soll, formatiert als Zeichenfolgen mit einem Größeneinheitssuffix ("k", "m", "g" oder "t") (z. B. "512m", "2g").

executor_instances: Optional[int]

Die anfängliche Anzahl von Executors.

dynamic_allocation_enabled: Optional[bool]

Gibt an, ob die dynamische Ressourcenzuordnung verwendet werden soll, wodurch die Anzahl der bei dieser Anwendung registrierten Executors basierend auf der Workload hoch- und herunterskaliert wird.

dynamic_allocation_min_executors: Optional[int]

Die Untergrenze für die Anzahl der Executors, wenn die dynamische Zuordnung aktiviert ist.

dynamic_allocation_max_executors: Optional[int]

Die Obergrenze für die Anzahl der Executors, wenn die dynamische Zuordnung aktiviert ist.

conf: Optional[dict[str, str]]

Ein Wörterbuch mit vordefinierten Spark-Konfigurationsschlüsseln und -Werten. Der Standardwert ist „None“.

environment: Optional[Union[str, Environment]]

Die Azure ML-Umgebung, in der der Auftrag ausgeführt werden soll.

inputs: Optional[dict[str, Input]]

Eine Zuordnung von Eingabenamen zu Eingabedaten, die im Auftrag verwendet werden. Der Standardwert ist „None“.

outputs: Optional[dict[str, Output]]

Eine Zuordnung von Ausgabenamen zu Ausgabedaten, die im Auftrag verwendet werden. Der Standardwert ist „None“.

args: Optional[str]

Die Argumente für den Auftrag.

compute: Optional[str]

Die Computeressource, auf der der Auftrag ausgeführt wird.

resources: Optional[Union[dict, SparkResourceConfiguration]]

Die Computeressourcenkonfiguration für den Auftrag.

Gibt zurück

Ein Spark-Objekt.

Rückgabetyp

Spark

Beispiele

Erstellen einer Spark-Pipeline mit dem DSL-Pipelinedekorator


   from azure.ai.ml import Input, Output, dsl, spark
   from azure.ai.ml.constants import AssetTypes, InputOutputModes

   # define the spark task
   first_step = spark(
       code="/src",
       entry={"file": "add_greeting_column.py"},
       py_files=["utils.zip"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       args="--file_input ${{inputs.file_input}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   second_step = spark(
       code="/src",
       entry={"file": "count_by_row.py"},
       jars=["scala_project.jar"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       outputs=dict(output=Output(type="uri_folder", mode=InputOutputModes.DIRECT)),
       args="--file_input ${{inputs.file_input}} --output ${{outputs.output}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   # Define pipeline
   @dsl.pipeline(description="submit a pipeline with spark job")
   def spark_pipeline_from_builder(data):
       add_greeting_column = first_step(file_input=data)
       count_by_row = second_step(file_input=data)
       return {"output": count_by_row.outputs.output}

   pipeline = spark_pipeline_from_builder(
       data=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT),
   )

automl	Enthält automatisierte Machine Learning-Klassen für Azure Machine Learning SDKv2. Zu den Hauptbereichen gehören die Verwaltung von AutoML-Aufgaben.
constants	Dieses Paket definiert Konstanten, die in Azure Machine Learning SDKv2 verwendet werden.
data_transfer
dsl
entities	Enthält Entitäten und SDK-Objekte für Azure Machine Learning SDKv2. Zu den Hauptbereichen gehören das Verwalten von Computezielen, das Erstellen/Verwalten von Arbeitsbereichen und Aufträgen sowie das Übermitteln/Zugreifen auf Modelle, Ausführungen und Ausführen von Ausgaben/Protokollierung usw.
identity	Enthält Die Identitätskonfiguration für Azure Machine Learning SDKv2.
operations	Enthält unterstützte Vorgänge für Azure Machine Learning SDKv2. Vorgänge sind Klassen, die Logik für die Interaktion mit Back-End-Diensten enthalten, in der Regel automatisch generierter Vorgangsaufrufe.
parallel
sweep

AmlTokenConfiguration	Konfiguration der AzureML-Tokenidentität.
Input	Initialisieren Sie ein Input-Objekt.
MLClient	Eine Clientklasse für die Interaktion mit Azure ML-Diensten. Verwenden Sie diesen Client, um Azure ML-Ressourcen wie Arbeitsbereiche, Aufträge, Modelle usw. zu verwalten.
ManagedIdentityConfiguration	Konfiguration von Anmeldeinformationen für verwaltete Identitäten.
MpiDistribution	MPI-Verteilungskonfiguration.
Output
PyTorchDistribution	PyTorch-Verteilungskonfiguration.
RayDistribution	Hinweis Dies ist eine experimentelle Klasse, die jederzeit geändert werden kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen. Strahlverteilungskonfiguration.
TensorFlowDistribution	TensorFlow-Verteilungskonfiguration.
UserIdentityConfiguration	Konfiguration der Benutzeridentität.

Freigeben über

ml Paket

Pakete

Module

Klassen

Functions

command

Parameter

Gibt zurück

Rückgabetyp

Beispiele

load_batch_deployment

Parameter

Gibt zurück

Rückgabetyp

load_batch_endpoint

Parameter

Gibt zurück

Rückgabetyp

load_component

Parameter

Gibt zurück

Rückgabetyp

Beispiele

load_compute

Parameter

Gibt zurück

Rückgabetyp

Beispiele

load_data

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

load_datastore

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

load_environment

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

load_job

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

Beispiele

load_model

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

Beispiele

load_model_package

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

Beispiele

load_online_deployment

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

load_online_endpoint

Parameter

Gibt zurück

Rückgabetyp

Ausnahmen

load_registry

Parameter

Gibt zurück

Rückgabetyp

load_workspace

Parameter

Gibt zurück

Rückgabetyp