azure.ai.ml package

Skapar ett kommandoobjekt som kan användas i en dsl.pipeline-funktion eller användas som ett fristående kommandojobb.

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

Parametrar

name: Optional[str]

Namnet på kommandojobbet eller komponenten.

description: Optional[str]

Beskrivningen av kommandot. Standardvärdet är Ingen.

tags: Optional[dict[str, str]]

Taggordlista. Taggar kan läggas till, tas bort och uppdateras. Standardvärdet är Ingen.

properties: Optional[dict[str, str]]

Jobbegenskapsordlistan. Standardvärdet är Ingen.

display_name: Optional[str]

Visningsnamnet för jobbet. Standardvärdet är ett slumpmässigt genererat namn.

command: Optional[str]

Kommandot som ska köras. Standardvärdet är Ingen.

experiment_name: Optional[str]

Namnet på experimentet som jobbet ska skapas under. Standardvärdet är aktuellt katalognamn.

environment: Optional[Union[str, Environment]]

Miljön som jobbet ska köras i.

environment_variables: Optional[dict[str, str]]

En ordlista med miljövariabelnamn och värden. Dessa miljövariabler anges i den process där användarskript körs. Standardvärdet är Ingen.

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

Konfigurationen för distribuerade jobb. Standardvärdet är Ingen.

compute: Optional[str]

Beräkningsmålet som jobbet ska köras på. Standardvärdet är standardberäkning.

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

En mappning av indatanamn till indatakällor som används i jobbet. Standardvärdet är Ingen.

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

En mappning av utdatanamn till utdatakällor som används i jobbet. Standardvärdet är Ingen.

instance_count: Optional[int]

Antalet instanser eller noder som ska användas av beräkningsmålet. Standardvärdet är 1.

instance_type: Optional[str]

Den typ av virtuell dator som ska användas av beräkningsmålet.

locations: Optional[list[str]]

Listan över platser där jobbet ska köras.

docker_args: Optional[str]

Extra argument att skicka till Docker-körningskommandot. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper. Standardvärdet är Ingen.

shm_size: Optional[str]

Storleken på Docker-containerns delade minnesblock. Detta ska vara i formatet (tal)(enhet) där talet måste vara större än 0 och enheten kan vara en av b(byte), k(kilobyte), m(megabyte) eller g(gigabyte).

timeout: Optional[int]

Talet, i sekunder, varefter jobbet avbryts.

code: Optional[Union[str, PathLike]]

Källkoden för att köra jobbet. Kan vara en lokal sökväg eller "http:", "https:" eller "azureml:"-url som pekar på en fjärrplats.

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

Identiteten som kommandojobbet ska använda när det körs på beräkning.

is_deterministic: bool

Anger om kommandot ska returnera samma utdata med samma indata. Standardvärdet är True. När Sant, om en kommandokomponent är deterministisk och har körts tidigare i den aktuella arbetsytan med samma indata och inställningar, återanvänds resultatet från ett tidigare skickat jobb när det används som en nod eller steg i en pipeline. I det scenariot används inga beräkningsresurser.

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

De interaktiva tjänsterna för noden. Standardvärdet är Ingen. Det här är en experimentell parameter och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental.

job_tier: Optional[str]

Jobbnivån. Godkända värden är "Spot", "Basic", "Standard" eller "Premium".

priority: Optional[str]

Prioriteten för jobbet på beräkningen. Godkända värden är "low", "medium" och "high". Standardvärdet är "medium".

Returer

Ett kommandoobjekt.

Returtyp

Command

Exempel

Skapa ett kommandojobb med hjälp av metoden 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")},
   )

Skapa ett batchdistributionsobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett batchdistributionsobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsa. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras till i den tolkade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil eller filsökvägsindata. Standardvärdet är "./" om källan är en indataström utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat batchdistributionsobjekt.

Returtyp

BatchDeployment

Konstruera ett batchslutpunktsobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett batchslutpunktsobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsa. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

standardvärde: None

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras till i den tolkade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil eller filsökvägsindata. Standardvärdet är "./" om källan är en indataström utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat batchslutpunktsobjekt.

Returtyp

BatchEndpoint

Läs in komponenten från lokal eller fjärransluten till en komponentfunktion.

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

Parametrar

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

standardvärde: None

Den lokala yaml-källan för en komponent. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Ett komponentobjekt

Returtyp

Union[CommandComponent, ParallelComponent, PipelineComponent]

Exempel

Läsa in ett komponentobjekt från en YAML-fil, åsidosätta dess version till "1.0.2" och registrera det via fjärranslutning.


   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)

Konstruera ett beräkningsobjekt från en yaml-fil.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för en beräkning. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: Optional[str]

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: Optional[List[Dict]]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Inläst beräkningsobjekt.

Returtyp

Compute

Exempel

Läser in ett Compute-objekt från en YAML-fil och åsidosättar dess beskrivning.


   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"}],
   )

Konstruera ett dataobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett dataobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat data- eller DataImport-objekt.

Returtyp

Data

Undantag

ValidationException

Utlöses om data inte kan verifieras. Information kommer att anges i felmeddelandet.

Skapa ett datalagerobjekt från en yaml-fil.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett datalager. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Inläst datalagerobjekt.

Returtyp

Datastore

Undantag

ValidationException

Utlöses om datalagringen inte kan verifieras korrekt. Information kommer att anges i felmeddelandet.

Konstruera ett miljöobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för en miljö. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat miljöobjekt.

Returtyp

Environment

Undantag

ValidationException

Utlöses om det inte går att verifiera miljön. Information kommer att anges i felmeddelandet.

Konstruerar ett jobbobjekt från en YAML-fil.

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

Parametrar

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

Obligatorisk

En sökväg till en lokal YAML-fil eller ett redan öppet filobjekt som innehåller en jobbkonfiguration. Om källan är en sökväg kommer den att öppnas och läsas. Om källan är en öppen fil kommer filen att läsas direkt.

relative_origin: Optional[str]

Rotkatalogen för YAML. Den här katalogen används som ursprung för att härleda relativa platser för filer som refereras i den tolkade YAML. Standardvärdet är samma katalog som källan om källan är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: Optional[list[dict]]

Parameterfält för att skriva över värden i YAML-filen.

Returer

Ett inläst jobbobjekt.

Returtyp

Job

Undantag

ValidationException

Utlöses om jobbet inte kan verifieras. Information kommer att anges i felmeddelandet.

Exempel

Läser in ett jobb från en YAML-konfigurationsfil.


   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")

Konstruerar ett modellobjekt från en YAML-fil.

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

Parametrar

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

Obligatorisk

En sökväg till en lokal YAML-fil eller ett redan öppet filobjekt som innehåller en jobbkonfiguration. Om källan är en sökväg kommer den att öppnas och läsas. Om källan är en öppen fil kommer filen att läsas direkt.

relative_origin: Optional[str]

Rotkatalogen för YAML. Den här katalogen används som ursprung för att härleda relativa platser för filer som refereras i den tolkade YAML. Standardvärdet är samma katalog som källan om källan är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: Optional[list[dict]]

Parameterfält för att skriva över värden i YAML-filen.

Returer

Ett inläst modellobjekt.

Returtyp

Model

Undantag

ValidationException

Utlöses om jobbet inte kan verifieras. Information kommer att anges i felmeddelandet.

Exempel

Läsa in en modell från en YAML-konfigurationsfil och åsidosätta namn- och versionsparametrarna.


   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"}],
   )

Anteckning

Det här är en experimentell metod och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental.

Konstruerar ett ModelPackage-objekt från en YAML-fil.

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

Parametrar

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

Obligatorisk

En sökväg till en lokal YAML-fil eller ett redan öppet filobjekt som innehåller en jobbkonfiguration. Om källan är en sökväg kommer den att öppnas och läsas. Om källan är en öppen fil kommer filen att läsas direkt.

relative_origin: Optional[str]

Rotkatalogen för YAML. Den här katalogen används som ursprung för att härleda relativa platser för filer som refereras i den tolkade YAML. Standardvärdet är samma katalog som källan om källan är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: Optional[list[dict]]

Parameterfält för att skriva över värden i YAML-filen.

Returer

Ett inläst ModelPackage-objekt.

Returtyp

ModelPackage

Undantag

ValidationException

Utlöses om jobbet inte kan verifieras. Information kommer att anges i felmeddelandet.

Exempel

Läser in en ModelPackage från en YAML-konfigurationsfil.


   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"
   )

Skapa ett onlinedistributionsobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett onlinedistributionsobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat onlinedistributionsobjekt.

Returtyp

OnlineDeployment

Undantag

ValidationException

Utlöses om onlinedistributionen inte kan verifieras. Information kommer att anges i felmeddelandet.

Skapa ett onlineslutpunktsobjekt från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett onlineslutpunktsobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Konstruerat onlineslutpunktsobjekt.

Returtyp

OnlineEndpoint

Undantag

ValidationException

Upphöjt om onlineslutpunkten inte kan verifieras. Information kommer att anges i felmeddelandet.

Läs in ett registerobjekt från en yaml-fil.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett register. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Inläst registerobjekt.

Returtyp

Registry

Läs in ett arbetsyteobjekt från en yaml-fil.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för en arbetsyta. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Inläst arbetsyteobjekt.

Returtyp

Workspace

Skapa ett anslutningsobjekt för arbetsytan från yaml-filen.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för ett arbetsyteanslutningsobjekt. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Anslutningsobjekt för konstruerad arbetsyta.

Returtyp

WorkspaceConnection

Anteckning

Det här är en experimentell metod och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental.

Läs in ett WorkspaceHub-objekt från en yaml-fil.

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

Parametrar

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

Obligatorisk

Den lokala yaml-källan för en WorkspaceHub. Måste antingen vara en sökväg till en lokal fil eller en fil som redan är öppen. Om källan är en sökväg kommer den att vara öppen och läsas. Ett undantag utlöses om filen inte finns. Om källan är en öppen fil läses filen direkt och ett undantag utlöses om filen inte kan läsas.

relative_origin: str

Ursprunget som ska användas när du härleder de relativa platserna för filer som refereras i den parsade yamlen. Standardvärdet är den inmatade källans katalog om det är en fil- eller filsökvägsinmatning. Standardvärdet är "./" om källan är en strömindata utan namnvärde.

params_override: List[Dict]

Fält som ska skrivas över ovanpå yaml-filen. Formatet är [{"field1": "value1"}, {"field2": "value2"}]

Returer

Inläst WorkspaceHub-objekt.

Returtyp

WorkspaceHub

Skapar ett Spark-objekt som kan användas i en dsl.pipeline-funktion eller användas som ett fristående Spark-jobb.

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

Parametrar

experiment_name: Optional[str]

Namnet på experimentet som jobbet skapas under.

name: Optional[str]

Namnet på jobbet.

display_name: Optional[str]

Jobbets visningsnamn.

description: Optional[str]

Beskrivningen av jobbet. Standardvärdet är Ingen.

tags: Optional[dict[str, str]]

Ordlistan med taggar för jobbet. Taggar kan läggas till, tas bort och uppdateras. Standardvärdet är Ingen.

code

Källkoden för att köra jobbet. Kan vara en lokal sökväg eller "http:", "https:" eller "azureml:"-url som pekar på en fjärrplats.

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

Fil- eller klassinmatningspunkten.

py_files: Optional[list[str]]

Listan över .zip-, .egg- eller .py-filer som ska lagras i PYTHONPATH för Python-appar. Standardvärdet är Ingen.

jars: Optional[list[str]]

Listan över . JAR-filer som ska ingå i drivrutinen och körklassökvägarna. Standardvärdet är Ingen.

files: Optional[list[str]]

Listan över filer som ska placeras i arbetskatalogen för varje utförare. Standardvärdet är Ingen.

archives: Optional[list[str]]

Listan över arkiv som ska extraheras till arbetskatalogen för varje utförare. Standardvärdet är Ingen.

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

Den identitet som Spark-jobbet ska använda när det körs på beräkning.

driver_cores: Optional[int]

Antalet kärnor som ska användas för drivrutinsprocessen, endast i klusterläge.

driver_memory: Optional[str]

Mängden minne som ska användas för drivrutinsprocessen, formaterat som strängar med ett suffix för storleksenheter ("k", "m", "g" eller "t") (t.ex. "512m", "2g").

executor_cores: Optional[int]

Antalet kärnor som ska användas på varje utförare.

executor_memory: Optional[str]

Mängden minne som ska användas per körprocess, formaterat som strängar med ett storleksenhetssuffix ("k", "m", "g" eller "t") (t.ex. "512m", "2g").

executor_instances: Optional[int]

Det första antalet utförare.

dynamic_allocation_enabled: Optional[bool]

Om du vill använda dynamisk resursallokering, vilket skalar antalet utförare som registrerats med det här programmet upp och ned baserat på arbetsbelastningen.

dynamic_allocation_min_executors: Optional[int]

Den lägre gränsen för antalet utförare om dynamisk allokering är aktiverad.

dynamic_allocation_max_executors: Optional[int]

Den övre gränsen för antalet utförare om dynamisk allokering är aktiverat.

conf: Optional[dict[str, str]]

En ordlista med fördefinierad Nyckel och värden för Spark-konfigurationer. Standardvärdet är Ingen.

environment: Optional[Union[str, Environment]]

Azure ML-miljön som jobbet ska köras i.

inputs: Optional[dict[str, Input]]

En mappning av indatanamn till indata som används i jobbet. Standardvärdet är Ingen.

outputs: Optional[dict[str, Output]]

En mappning av utdatanamn till utdata som används i jobbet. Standardvärdet är Ingen.

args: Optional[str]

Argumenten för jobbet.

compute: Optional[str]

Beräkningsresursen som jobbet körs på.

resources: Optional[Union[dict, SparkResourceConfiguration]]

Beräkningsresurskonfigurationen för jobbet.

Returer

Ett Spark-objekt.

Returtyp

Spark

Exempel

Skapa en Spark-pipeline med hjälp av DSL-pipelinedekoratören


   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	Innehåller automatiserade maskininlärningsklasser för Azure Machine Learning SDKv2. Huvudområden är att hantera AutoML-uppgifter.
constants	Det här paketet definierar konstanter som används i Azure Machine Learning SDKv2.
data_transfer
dsl
entities	Innehåller entiteter och SDK-objekt för Azure Machine Learning SDKv2. Huvudområden är att hantera beräkningsmål, skapa/hantera arbetsytor och jobb, skicka/komma åt modell, köra och köra utdata/loggning osv.
identity	Innehåller identitetskonfiguration för Azure Machine Learning SDKv2.
operations	Innehåller åtgärder som stöds för Azure Machine Learning SDKv2. Åtgärder är klasser som innehåller logik för att interagera med serverdelstjänster, vanligtvis automatiskt genererade åtgärdsanrop.
parallel
sweep

AmlTokenConfiguration	Konfiguration av AzureML-tokenidentitet.
Input	Initiera ett indataobjekt.
MLClient	En klientklass för att interagera med Azure ML-tjänster. Använd den här klienten för att hantera Azure ML-resurser som arbetsytor, jobb, modeller och så vidare.
ManagedIdentityConfiguration	Konfiguration av autentiseringsuppgifter för hanterad identitet.
MpiDistribution	MPI-distributionskonfiguration.
Output
PyTorchDistribution	PyTorch-distributionskonfiguration.
RayDistribution	Anteckning Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental. Konfiguration av ray-distribution.
TensorFlowDistribution	TensorFlow-distributionskonfiguration.
UserIdentityConfiguration	Konfiguration av användaridentitet.

Dela via

ml Paket

Paket

Moduler

Klasser

Funktioner

command

Parametrar

Returer

Returtyp

Exempel

load_batch_deployment

Parametrar

Returer

Returtyp

load_batch_endpoint

Parametrar

Returer

Returtyp

load_component

Parametrar

Returer

Returtyp

Exempel

load_compute

Parametrar

Returer

Returtyp

Exempel

load_data

Parametrar

Returer

Returtyp

Undantag

load_datastore

Parametrar

Returer

Returtyp

Undantag

load_environment

Parametrar

Returer

Returtyp

Undantag

load_job

Parametrar

Returer

Returtyp

Undantag

Exempel

load_model

Parametrar

Returer

Returtyp

Undantag

Exempel

load_model_package

Parametrar

Returer

Returtyp

Undantag

Exempel

load_online_deployment

Parametrar

Returer

Returtyp

Undantag

load_online_endpoint

Parametrar

Returer

Returtyp

Undantag

load_registry

Parametrar

Returer

Returtyp

load_workspace

Parametrar

Returer

Returtyp