Atualizar etapa de execução paralela para SDK v2

No SDK v2, a "etapa de execução paralela" é consolidada no conceito de trabalho como parallel job. O trabalho paralelo mantém o mesmo objetivo de capacitar os usuários a acelerar a execução do trabalho, distribuindo tarefas repetidas em clusters de cálculo de vários nós avançados. Além da etapa de execução paralela, o trabalho paralelo v2 oferece benefícios adicionais:

• Interface flexível, que permite que o usuário defina várias entradas e saídas personalizadas para o trabalho paralelo. Você pode conectá-las a outras etapas para consumir ou gerenciar o conteúdo no script de entrada
• Simplifique o esquema de entrada, que substitui Dataset como entrada, usando o conceito do data asset v2. Você pode usar facilmente seus arquivos locais ou o URI do diretório de blob como entradas para o trabalho paralelo.
• Recursos mais avançados estão em desenvolvimento apenas no trabalho paralelo v2. Por exemplo, retome o trabalho paralelo com falha/cancelado para continuar a processar os minilotes com falha ou não processados reutilizando o resultado bem-sucedido para economizar esforço duplicado.

Para atualizar a etapa de execução paralela do SDK v1 atual para v2, você precisará fazer o seguinte

• Use parallel_run_function para criar um trabalho paralelo substituindo ParallelRunConfig e ParallelRunStep na v1.
• Fazer upgrade do seu pipeline v1 para a v2. Em seguida, invoque seu trabalho paralelo v2 como uma etapa no seu pipeline v2. Consulte como fazer upgrade do pipeline da v1 para a v2 para obter detalhes sobre o upgrade de pipeline.

Observação: o script de entrada do usuário é compatível entre a etapa de execução paralela v1 e o trabalho paralelo v2. Portanto, você pode continuar usando o mesmo entry_script.py ao fazer upgrade do seu trabalho de execução paralela.

Este artigo fornece uma comparação de cenários no SDK v1 e no SDK v2. Nos exemplos a seguir, criaremos um trabalho paralelo para prever dados de entrada em um trabalho de pipelines. Você verá como criar um trabalho paralelo e como usá-lo em um trabalho de pipeline para SDK v1 e SDK v2.

Pré-requisitos

• Preparar seu ambiente do SDK v2: Instalar o SDK v2 do Azure Machine Learning para Python
• Entenda a base do pipeline do SDK v2: Como criar um pipeline do Azure Machine Learning com o SDK v2 do Python

Criar etapa paralela

• SDK v1

  # Create the configuration to wrap the inference script
  from azureml.pipeline.steps import ParallelRunStep, ParallelRunConfig
  
  parallel_run_config = ParallelRunConfig(
      source_directory=scripts_folder,
      entry_script=script_file,
      mini_batch_size=PipelineParameter(name="batch_size_param", default_value="5"),
      error_threshold=10,
      output_action="append_row",
      append_row_file_name="mnist_outputs.txt",
      environment=batch_env,
      compute_target=compute_target,
      process_count_per_node=PipelineParameter(name="process_count_param", default_value=2),
      node_count=2
  )
  
  # Create the Parallel run step
  parallelrun_step = ParallelRunStep(
      name="predict-digits-mnist",
      parallel_run_config=parallel_run_config,
      inputs=[ input_mnist_ds_consumption ],
      output=output_dir,
      allow_reuse=False
  )
  

• SDK v2

  # parallel job to process file data
  file_batch_inference = parallel_run_function(
      name="file_batch_score",
      display_name="Batch Score with File Dataset",
      description="parallel component for batch score",
      inputs=dict(
          job_data_path=Input(
              type=AssetTypes.MLTABLE,
              description="The data to be split and scored in parallel",
          )
      ),
      outputs=dict(job_output_path=Output(type=AssetTypes.MLTABLE)),
      input_data="${{inputs.job_data_path}}",
      instance_count=2,
      mini_batch_size="1",
      mini_batch_error_threshold=1,
      max_concurrency_per_instance=1,
      task=RunFunction(
          code="./src",
          entry_script="file_batch_inference.py",
          program_arguments="--job_output_path ${{outputs.job_output_path}}",
          environment="azureml:AzureML-sklearn-0.24-ubuntu18.04-py37-cpu:1",
      ),
  )
  

Usar etapa paralela no pipeline

• SDK v1

  # Run pipeline with parallel run step
  from azureml.core import Experiment
  
  pipeline = Pipeline(workspace=ws, steps=[parallelrun_step])
  experiment = Experiment(ws, 'digit_identification')
  pipeline_run = experiment.submit(pipeline)
  pipeline_run.wait_for_completion(show_output=True)
  

• SDK v2

  @pipeline()
  def parallel_in_pipeline(pipeline_job_data_path, pipeline_score_model):
  
      prepare_file_tabular_data = prepare_data(input_data=pipeline_job_data_path)
      # output of file & tabular data should be type MLTable
      prepare_file_tabular_data.outputs.file_output_data.type = AssetTypes.MLTABLE
      prepare_file_tabular_data.outputs.tabular_output_data.type = AssetTypes.MLTABLE
  
      batch_inference_with_file_data = file_batch_inference(
          job_data_path=prepare_file_tabular_data.outputs.file_output_data
      )
      # use eval_mount mode to handle file data
      batch_inference_with_file_data.inputs.job_data_path.mode = (
          InputOutputModes.EVAL_MOUNT
      )
      batch_inference_with_file_data.outputs.job_output_path.type = AssetTypes.MLTABLE
  
      batch_inference_with_tabular_data = tabular_batch_inference(
          job_data_path=prepare_file_tabular_data.outputs.tabular_output_data,
          score_model=pipeline_score_model,
      )
      # use direct mode to handle tabular data
      batch_inference_with_tabular_data.inputs.job_data_path.mode = (
          InputOutputModes.DIRECT
      )
  
      return {
          "pipeline_job_out_file": batch_inference_with_file_data.outputs.job_output_path,
          "pipeline_job_out_tabular": batch_inference_with_tabular_data.outputs.job_output_path,
      }
  
  pipeline_job_data_path = Input(
      path="./dataset/", type=AssetTypes.MLTABLE, mode=InputOutputModes.RO_MOUNT
  )
  pipeline_score_model = Input(
      path="./model/", type=AssetTypes.URI_FOLDER, mode=InputOutputModes.DOWNLOAD
  )
  # create a pipeline
  pipeline_job = parallel_in_pipeline(
      pipeline_job_data_path=pipeline_job_data_path,
      pipeline_score_model=pipeline_score_model,
  )
  pipeline_job.outputs.pipeline_job_out_tabular.type = AssetTypes.URI_FILE
  
  # set pipeline level compute
  pipeline_job.settings.default_compute = "cpu-cluster"
  
  # run pipeline job
  pipeline_job = ml_client.jobs.create_or_update(
      pipeline_job, experiment_name="pipeline_samples"
  )
  

Mapeamento da funcionalidade de chave no SDK v1 e no SDK v2

Funcionalidade no SDK v1	Mapeamento aproximado no SDK v2
azureml.pipeline.steps.parallelrunconfig azureml.pipeline.steps.parallelrunstep	azure.ai.ml.parallel
OutputDatasetConfig	Saída
conjunto de dados as_mount	Entrada

Mapeamento de configurações e definições de trabalho paralelo

SDK v1	SDK v2	Descrição
ParallelRunConfig.environment	parallel_run_function.task.environment	Ambiente em que o trabalho de treinamento será executado.
ParallelRunConfig.entry_script	parallel_run_function.task.entry_script	Script do usuário que será executado em paralelo em vários nós.
ParallelRunConfig.error_threshold	parallel_run_function.error_threshold	O número de minilotes com falha que podem ser ignorados neste trabalho paralelo. Se a contagem do minilote com falha for maior que esse limite, o trabalho paralelo será marcado como com falha. "-1" é o número padrão, o que significa ignorar todos os minilotes com falha durante o trabalho paralelo.
ParallelRunConfig.output_action	parallel_run_function.append_row_to	Agregar todos os retornos de cada execução do minilote e gerá-lo para este arquivo. Pode fazer referência a uma das saídas do trabalho paralelo usando a expressão ${{outputs.<output_name>}}
ParallelRunConfig.node_count	parallel_run_function.instance_count	Número opcional de instâncias ou nós usados pelo destino de computação. O valor padrão é 1.
ParallelRunConfig.process_count_per_node	parallel_run_function.max_concurrency_per_instance	O paralelismo máximo de cada instância de computação.
ParallelRunConfig.mini_batch_size	parallel_run_function.mini_batch_size	Defina o tamanho de cada minilote para dividir a entrada. Se o input_data for uma pasta ou um conjunto de arquivos, esse número definirá a contagem de arquivos para cada minilote. Por exemplo: 10, 100. Se o input_data consiste em dados tabulares do mltable, esse número define o tamanho físico aproximado de cada minilote. A unidade padrão é Byte e o valor pode aceitar a cadeia de caracteres como 100 kb, 100 mb.
ParallelRunConfig.source_directory	parallel_run_function.task.code	Um caminho local ou remoto apontando para o código-fonte.
ParallelRunConfig.description	parallel_run_function.description	Uma descrição amigável do paralelo
ParallelRunConfig.logging_level	parallel_run_function.logging_level	Uma cadeia de caracteres do nome do nível de registros em log, que é definido em 'logging'. Os valores possíveis são 'WARNING', 'INFO' e 'DEBUG'. (opcional, o valor padrão é 'INFO'.) Esse valor pode ser definido por meio do PipelineParameter.
ParallelRunConfig.run_invocation_timeout	parallel_run_function.retry_settings.timeout	O tempo limite em segundos para executar a função run() personalizada. Se o tempo de execução for maior que esse limite, o minilote será anulado e marcado como um minilote com falha para disparar nova tentativa.
ParallelRunConfig.run_max_try	parallel_run_function.retry_settings.max_retries	O número de repetições quando o minilote estiver com falha ou atingir o tempo limite. Se todas as novas tentativas falharem, o minilote será marcado como falha ao ser contado pelo cálculo mini_batch_error_threshold.
ParallelRunConfig.append_row_file_name	parallel_run_function.append_row_to	Combinado com a configuração append_row_to.
ParallelRunConfig.allowed_failed_count	parallel_run_function.mini_batch_error_threshold	O número de minilotes com falha que podem ser ignorados neste trabalho paralelo. Se a contagem do minilote com falha for maior que esse limite, o trabalho paralelo será marcado como com falha. "-1" é o número padrão, o que significa ignorar todos os minilotes com falha durante o trabalho paralelo.
ParallelRunConfig.allowed_failed_percent	parallel_run_function.task.program_arguments set --allowed_failed_percent	Semelhante a "allowed_failed_count", mas essa configuração usa o percentual de minilotes com falha, em vez da contagem de falhas do minilote. O intervalo dessa configuração é [0, 100]. "100" é o número padrão, o que significa ignorar todos os minilotes com falha durante o trabalho paralelo.
ParallelRunConfig.partition_keys	Em Desenvolvimento.
ParallelRunConfig.environment_variables	parallel_run_function.environment_variables	Um dicionário de valores e nomes de variáveis de ambiente. Essas variáveis de ambiente são definidas no processo em que o script do usuário está sendo executado.
ParallelRunStep.name	parallel_run_function.name	Nome do trabalho paralelo ou componente criado.
ParallelRunStep.inputs	parallel_run_function.inputs	Um dict de entradas usado por esse paralelo.
--	parallel_run_function.input_data	Declarar os dados a serem divididos e processados com paralelo
ParallelRunStep.output	parallel_run_function.outputs	As saídas desse trabalho paralelo.
ParallelRunStep.side_inputs	parallel_run_function.inputs	Definido em conjunto com inputs.
ParallelRunStep.arguments	parallel_run_function.task.program_arguments	Os argumentos da tarefa paralela.
ParallelRunStep.allow_reuse	parallel_run_function.is_deterministic	Especifique se o paralelo retornará a mesma saída considerando a mesma entrada.

Próximas etapas

Para obter mais informações, confira esta documentação:

• Exemplos do SDK v1 da etapa de execução paralela
• Exemplos do SDK do trabalho paralelo v2