Schemat YAML zadania potoku interfejsu wiersza polecenia (wersja 2)

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure ml w wersji 2 (bieżąca)

Źródłowy schemat JSON można znaleźć pod adresem https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json.

Uwaga

Składnia YAML szczegółowo w tym dokumencie jest oparta na schemacie JSON dla najnowszej wersji rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Ta składnia jest gwarantowana tylko do pracy z najnowszą wersją rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Schematy dla starszych wersji rozszerzeń można znaleźć pod adresem https://azuremlschemasprod.azureedge.net/.

Składnia YAML

Klucz	Type	Opis	Dozwolone wartości	Domyślna wartość
$schema	string	Schemat YAML. Jeśli używasz rozszerzenia programu VS Code usługi Azure Machine Learning do tworzenia pliku YAML, możesz wywołać uzupełnianie schematu i zasobów, jeśli znajdziesz $schema go w górnej części pliku.
type	const	Wymagany. Typ zadania.	pipeline
name	string	Nazwa zadania. Musi być unikatowa we wszystkich zadaniach w obszarze roboczym. W przypadku pominięcia usługa Azure Machine Learning automatycznie wygeneruje identyfikator GUID dla nazwy.
display_name	string	Nazwa wyświetlana zadania w interfejsie użytkownika programu Studio. Może nie być unikatowa w obszarze roboczym. W przypadku pominięcia usługa Azure Machine Learning automatycznie ocenia identyfikator przymiotnika z możliwością odczytu przez człowieka dla nazwy wyświetlanej.
experiment_name	string	Organizuj zadanie pod nazwą eksperymentu. Rekord uruchamiania każdego zadania jest zorganizowany w ramach odpowiedniego eksperymentu na karcie "Eksperymenty" w studio. W przypadku pominięcia usługa Azure Machine Learning domyślnie określa experiment_name nazwę katalogu roboczego, w którym utworzono zadanie.
tags	obiekt	Słownik tagów zadania.
settings	obiekt	Ustawienia domyślne zadania potoku. Odwiedź stronę Atrybuty settings klucza , aby uzyskać zestaw konfigurowalnych właściwości.
jobs	obiekt	Wymagany. Słownik zestawu poszczególnych zadań do uruchomienia jako kroków w potoku. Te zadania są uznawane za podrzędne zadania nadrzędnego potoku. Klucz jest nazwą kroku w kontekście zadania potoku. Ta nazwa różni się od unikatowej nazwy zadania podrzędnego. Wartość jest specyfikacją zadania, która może być zgodna ze schematem zadania polecenia lub schematem zadania zamiatania. Obecnie w potoku można uruchamiać tylko zadania poleceń i zadania zamiatania. Nowsze wersje będą obsługiwać inne typy zadań.
inputs	obiekt	Słownik danych wejściowych zadania potoku. Klucz jest nazwą danych wejściowych w kontekście zadania. Wartość jest wartością wejściową. Dane wejściowe pojedynczego zadania kroku w potoku mogą odwoływać się do tych danych wejściowych potoku za pomocą ${{ parent.inputs.<input_name> }} wyrażenia . Aby uzyskać więcej informacji na temat powiązania danych wejściowych kroku potoku z danymi wejściowymi zadania potoku najwyższego poziomu, odwiedź stronę Składnia wyrażeń dla powiązań danych wejściowych i wyjściowych między krokami zadania potoku.
inputs.<input_name>	liczba, liczba całkowita, wartość logiczna, ciąg lub obiekt	Jedna z wartości literału (typu liczba, liczba całkowita, wartość logiczna lub ciąg) lub obiekt zawierający specyfikację danych wejściowych zadania.
outputs	obiekt	Słownik konfiguracji wyjściowych zadania potoku. Klucz jest nazwą danych wyjściowych w kontekście zadania. Wartość to konfiguracja danych wyjściowych. Dane wyjściowe pojedynczego zadania kroku w potoku mogą odwoływać się do tych danych wyjściowych potoku za pomocą ${{ parents.outputs.<output_name> }} wyrażenia . Aby uzyskać więcej informacji na temat powiązania danych wyjściowych kroku potoku z danymi wyjściowymi zadania potoku najwyższego poziomu, odwiedź stronę Składnia wyrażeń dla powiązań danych wejściowych i wyjściowych między krokami w zadaniu potoku.
outputs.<output_name>	obiekt	Obiekt można pozostawić pusty. W takim przypadku domyślnie dane wyjściowe będą typu , a usługa Azure Machine Learning wygeneruje lokalizację wyjściową dla danych wyjściowych uri_folderna podstawie tej ścieżki templatized: {settings.datastore}/azureml/{job-name}/{output-name}/. Pliki do katalogu wyjściowego zostaną zapisane za pośrednictwem instalacji odczytu i zapisu. Aby określić inny tryb wyjściowy, podaj obiekt zawierający specyfikację danych wyjściowych zadania.
identity	obiekt	Tożsamość jest używana do uzyskiwania dostępu do danych. Może to być userIdentityConfiguration, ManagedIdentityConfiguration lub None. Jeśli jest to userIdentityConfiguration, tożsamość osoby przesyłającej zadanie będzie używana do uzyskiwania dostępu do danych wejściowych i zapisu wyników do folderu wyjściowego, w przeciwnym razie zostanie użyta tożsamość zarządzana docelowego obiektu obliczeniowego.

settings Atrybuty klucza

Klucz	Type	Opis	Domyślna wartość
default_datastore	string	Nazwa magazynu danych, który ma być używany jako domyślny magazyn danych dla zadania potoku. Ta wartość musi być odwołaniem do istniejącego magazynu danych w obszarze roboczym przy użyciu azureml:<datastore-name> składni. Wszystkie dane wyjściowe zdefiniowane we outputs właściwości nadrzędnego zadania potoku lub podrzędnych kroków są przechowywane w tym magazynie danych. W przypadku pominięcia dane wyjściowe są przechowywane w magazynie danych obiektów blob obszaru roboczego.
default_compute	string	Nazwa docelowego obiektu obliczeniowego, który ma być używany jako domyślny obiekt obliczeniowy dla wszystkich kroków w potoku. Obliczenia zdefiniowane na poziomie kroku zastępują to domyślne obliczenia dla tego konkretnego kroku. Wartość default_compute musi być odwołaniem do istniejącego środowiska obliczeniowego w obszarze roboczym przy użyciu azureml:<compute-name> składni.
continue_on_step_failure	boolean	To ustawienie określa, co się stanie, jeśli krok w potoku zakończy się niepowodzeniem. Domyślnie potok będzie nadal działać, nawet jeśli jeden krok zakończy się niepowodzeniem. Oznacza to, że wszystkie kroki, które nie zależą od kroku, który zakończył się niepowodzeniem, nadal będą wykonywane. Jeśli jednak zmienisz to ustawienie na Fałsz, cały potok przestanie działać, a wszystkie aktualnie uruchomione kroki zostaną anulowane, jeśli jeden krok zakończy się niepowodzeniem.	True
force_rerun	boolean	Czy wymusić ponowne uruchomienie całego potoku. Domyślna wartość to False. Oznacza to, że domyślnie potok próbuje ponownie użyć danych wyjściowych poprzedniego zadania, jeśli spełnia kryteria ponownego użycia. Jeśli zostanie ustawiona wartość True, wszystkie kroki w potoku zostaną uruchomione ponownie.	False

Dane wejściowe zadania

Klucz	Type	Opis	Dozwolone wartości	Domyślna wartość
type	string	Typ danych wejściowych zadania. Określ uri_file dane wejściowe wskazujące jedno źródło plików lub uri_folder dane wejściowe wskazujące źródło folderu. Aby uzyskać więcej informacji, odwiedź stronę Dowiedz się więcej o dostępie do danych.	uri_file, , uri_folder, , mltablemlflow_model	uri_folder
path	string	Ścieżka do danych do użycia jako dane wejściowe. Można to określić na kilka sposobów: - Ścieżka lokalna do pliku lub folderu źródła danych, np. path: ./iris.csv. Dane są przekazywane podczas przesyłania zadania. — Identyfikator URI ścieżki chmury do pliku lub folderu, który ma być używany jako dane wejściowe. Obsługiwane typy identyfikatorów URI to azureml, , httpswasbs, abfss, adl. Aby uzyskać więcej informacji na temat używania formatu identyfikatora azureml:// URI, odwiedź stronę Podstawowa składnia yaml. — Istniejący zarejestrowany zasób danych usługi Azure Machine Learning do użycia jako dane wejściowe. Aby odwołać się do zarejestrowanego zasobu danych, użyj azureml:<data_name>:<data_version> składni lub azureml:<data_name>@latest (aby odwołać się do najnowszej wersji tego zasobu danych), np. path: azureml:cifar10-data:1 lub path: azureml:cifar10-data@latest.
mode	string	Tryb dostarczania danych do docelowego obiektu obliczeniowego. W przypadku instalacji tylko do odczytu (ro_mount) dane będą używane jako ścieżka instalacji. Folder jest instalowany jako folder, a plik jest instalowany jako plik. Usługa Azure Machine Learning rozpoznaje dane wejściowe ścieżki instalacji. W download przypadku trybu dane są pobierane do docelowego obiektu obliczeniowego. Usługa Azure Machine Learning rozpoznaje dane wejściowe pobranej ścieżki. W przypadku tylko adresu URL lokalizacji przechowywania artefaktu danych lub artefaktów zamiast instalowania lub pobierania samych danych użyj direct trybu . Spowoduje to przekazanie adresu URL lokalizacji magazynu jako danych wejściowych zadania. W takim przypadku ponosisz pełną odpowiedzialność za obsługę poświadczeń w celu uzyskania dostępu do magazynu.	ro_mount, , downloaddirect	ro_mount

Dane wyjściowe zadania

Klucz	Type	Opis	Dozwolone wartości	Domyślna wartość
type	string	Typ danych wyjściowych zadania. Dla domyślnego uri_folder typu dane wyjściowe odpowiadają folderowi.	uri_file, , uri_folder, , mltablemlflow_model	uri_folder
mode	string	Tryb dostarczania pliku wyjściowego lub plików do magazynu docelowego. W przypadku trybu instalacji odczytu i zapisu (rw_mount) katalog wyjściowy będzie katalogiem zainstalowanym. W trybie przekazywania zapisywane pliki są przekazywane na końcu zadania.	rw_mount, upload	rw_mount

Konfiguracje tożsamości

UserIdentityConfiguration

Klucz	Type	Opis	Dozwolone wartości
type	const	Wymagany. Typ tożsamości.	user_identity

ManagedIdentityConfiguration

Klucz	Type	Opis	Dozwolone wartości
type	const	Wymagany. Typ tożsamości.	managed lub managed_identity

Uwagi

Za pomocą az ml job polecenia można zarządzać zadaniami usługi Azure Machine Learning.

Przykłady

Zapoznaj się z przykładami repozytorium GitHub, aby zapoznać się z przykładami. Poniżej przedstawiono kilka z poniższych elementów:

YAML: potok hello

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline
display_name: hello_pipeline
jobs:
  hello_job:
    command: echo "hello"
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    compute: azureml:cpu-cluster
  world_job:
    command: echo "world"
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    compute: azureml:cpu-cluster

YAML: zależność wejściowa/wyjściowa

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline
display_name: hello_pipeline_io
jobs:
  hello_job:
    command: echo "hello" && echo "world" > ${{outputs.world_output}}/world.txt
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    compute: azureml:cpu-cluster
    outputs:
      world_output:
  world_job:
    command: cat ${{inputs.world_input}}/world.txt
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    compute: azureml:cpu-cluster
    inputs:
      world_input: ${{parent.jobs.hello_job.outputs.world_output}}

YAML: typowe ustawienia zadania potoku

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline
display_name: hello_pipeline_settings

settings:
  default_datastore: azureml:workspaceblobstore
  default_compute: azureml:cpu-cluster
jobs:
  hello_job:
    command: echo 202204190 & echo "hello"
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
  world_job:
    command: echo 202204190 & echo "hello"
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest

YAML: dane wejściowe najwyższego poziomu i zastępowanie typowych ustawień zadania potoku

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline
display_name: hello_pipeline_abc
settings:
    default_compute: azureml:cpu-cluster
  
inputs:
  hello_string_top_level_input: "hello world"
jobs:
  a:
    command: echo hello ${{inputs.hello_string}}
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    inputs:
      hello_string: ${{parent.inputs.hello_string_top_level_input}}
  b:
    command: echo "world" >> ${{outputs.world_output}}/world.txt
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    outputs:
      world_output:
  c:
    command: echo ${{inputs.world_input}}/world.txt
    environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
    inputs:
      world_input: ${{parent.jobs.b.outputs.world_output}}

Następne kroki

• Instalowanie i używanie interfejsu wiersza polecenia (wersja 2)
• Tworzenie potoków uczenia maszynowego przy użyciu składników