core 套件

包含 Azure Machine Learning 管線的核心功能，這些管線是可設定的機器學習工作流程。

Azure Machine Learning 管線可讓您建立可重複使用的機器學習工作流程，以作為機器學習案例的範本。 此套件包含使用 Azure ML 管線的核心功能，通常與封裝中的 steps 類別一起使用。

機器學習管線是由可排序和平行化的物件集合 PipelineStep 表示，或是在步驟之間使用明確相依性來建立。 管線步驟可用來定義 Pipeline 物件，代表要執行的工作流程。 您可以在 Jupyter Notebook 或任何其他已安裝 Azure ML SDK 的 IDE 中建立及使用管線。

Azure ML 管線可讓您專注於機器學習，而不是基礎結構。 若要開始建置管線，請參閱 https://aka.ms/pl-first-pipeline。

如需 Machine Learning 管線的優點及其與 Azure 提供之其他管線相關的詳細資訊，請參閱 什麼是 Azure Machine Learning 服務中的 ML 管線？

單元

builder	定義用來建置 Azure Machine Learning 管線的類別。 管線圖形是由管線步驟所組成， () PipelineStep 、選擇性管線數據 (PipelineData) 在每個步驟中產生或取用，以及選擇性的步驟執行順序 (StepSequence) 。
graph	定義用來建構 Azure Machine Learning 管線圖形的類別。 當您使用 PipelineStep (和衍生類別時，會針對Pipeline物件建立 Azure ML 管線圖形，) 、 PipelineData和 PipelineData 物件。 在一般使用案例中，您不需要直接使用本課程模組中的類別。 管線執行圖表是由模組節點所組成，這些節點代表數據源或步驟等基本單位。 節點可以有輸入埠和輸出埠，以及相關聯的參數。 邊緣會定義圖形中兩個節點埠之間的關聯性。
module	包含用來建立和管理 Azure Machine Learning 管線可重複使用計算單位的類別。 模組可讓您在 中 Pipeline建立計算單位，其可以有輸入、輸出，並依賴參數和環境組態來運作。 模組可以進行版本設定，並用於不同的 Azure Machine Learning 管線，與 (和衍生類別不同 PipelineStep ，) 用於一個管線中。 模組的設計目的是要重複使用於數個管線中，而且可以演進以針對不同的使用案例調整特定的計算邏輯。 管線中的步驟可用於快速反覆專案來改善演算法，一旦達到目標，演算法通常會發佈為模組以啟用重複使用。
module_step_base	包含使用 版本將步驟新增至管線的功能 Module。
pipeline	定義類別，以建立可重複使用的 Azure Machine Learning 工作流程。
pipeline_draft	定義用來管理可變動管線的類別。
pipeline_endpoint	定義用於管理管線的類別，包括版本設定和端點。
pipeline_output_dataset	包含將中繼輸出升階至 Azure Machine Learning 數據集的功能。 根據預設，管線中的元數據 (輸出) 將不會變成 Azure Machine Learning 數據集。 若要將元數據提升至 Azure Machine Learning 數據集，請在 PipelineData 類別上呼叫 as_dataset 方法以傳回 PipelineOutputFileDataset 物件。 然後，您可以從 PipelineOutputFileDataset 物件建立 PipelineOutputTabularDataset 物件。
run	定義送出管線的類別，包括用來檢查狀態和擷取執行詳細數據的類別。
schedule	定義類別，以排程 Azure Machine Learning 管線的提交。

類別

InputPortBinding	定義從來源到管線步驟輸入的系結。 InputPortBinding 可作為步驟的輸入。 來源可以是 PipelineData、 PortDataReference、 DataReference、 PipelineDataset或 OutputPortBinding。 InputPortBinding 對於指定步驟輸入的名稱很有用，如果它應該與系結對象的名稱不同， (亦即，為了避免重複的輸入/輸出名稱，或因為步驟腳本需要輸入具有特定名稱) 。 它也可以用來指定輸入的bind_mode PythonScriptStep 。 初始化 InputPortBinding。
Module	表示 Azure Machine Learning 管線中使用的計算單位。 模組是將在計算目標上執行的檔案集合，以及介面的描述。 檔案集合可以是腳本、二進位檔，或計算目標上執行所需的任何其他檔案。 模組介面描述輸入、輸出和參數定義。 它不會將它們系結至特定值或數據。 模組有與其相關聯的快照集，它會擷取為模組定義的檔案集合。 初始化模組。
ModuleVersion	表示內 Module的實際計算單位。 您不應該直接使用此類別。 請改用 類別的 Module 其中一個發佈方法。 初始化ModuleVersion。
ModuleVersionDescriptor	定義的版本和識別碼 ModuleVersion。 初始化 ModuleVersionDescriptor。
OutputPortBinding	定義管線步驟的具名輸出。 OutputPortBinding 可用來指定步驟所產生的數據類型，以及如何產生數據。 它可用來 InputPortBinding 指定步驟輸出是另一個步驟的必要輸入。 初始化 OutputPortBinding。
Pipeline	表示可當做可重複使用的 Azure Machine Learning 工作流程執行的步驟集合。 使用管線來建立和管理結合各種機器學習階段的工作流程。 每個機器學習階段，例如數據準備和模型定型，都可以由管線中的一或多個步驟所組成。 如需使用管線的原因和時機概觀，請參閱 https://aka.ms/pl-concept。 如需建構管線的概觀，請參閱 https://aka.ms/pl-first-pipeline。 初始化管線。
PipelineData	代表 Azure Machine Learning 管線中的元數據。 管線中使用的數據可由一個步驟產生，另一個步驟是提供 PipelineData 物件做為一個步驟的輸出，以及一或多個後續步驟的輸入。 請注意 ，如果您使用管線數據，請確定所使用的目錄已存在。 若要確保目錄存在，Python 範例假設您在一個管線步驟中有名為 output_folder 的輸出埠，您想要將此資料夾中的一些數據寫入相對路徑。 import os os.makedirs(args.output_folder, exist_ok=True) f = open(args.output_folder + '/relative_path/file_name', 'w+') PipelineData 會使用不再建議的數據存取和傳遞方法 DataReference 基礎，請改用 OutputFileDatasetConfig ，您可以在這裡找到範例： 使用 OutputFileDatasetConfig 的管線。 初始化 PipelineData。
PipelineDataset	做為數據集和管線的配接器。 注意 這個類別已被取代。 了解如何使用具有管線的資料集，請參閱 https://aka.ms/pipeline-with-dataset。 這是內部類別。 您不應該直接建立這個類別，而是在 Dataset 或 OutputDatasetConfig 類別上呼叫 as_* 實例方法。 做為數據集和管線的配接器。 這是內部類別。 您不應該直接建立這個類別，而是在 Dataset 或 OutputDatasetConfig 類別上呼叫 as_* 實例方法。
PipelineDraft	表示可用來提交執行和建立已發佈管線的可變管線。 使用 PipelineDrafts 逐一查看 Pipelines。 PipelineDrafts 可以從頭開始建立、另一個 PipelineDraft 或現有的管線： Pipeline、 PublishedPipeline或 PipelineRun。 初始化 PipelineDraft。
PipelineEndpoint	表示可從唯一 Pipeline 端點 URL 觸發的工作流程。 PipelineEndpoints 可用來建立 新版本， PublishedPipeline 同時維護相同的端點。 PipelineEndpoints 在工作區內唯一命名。 使用 PipelineEndpoint 物件的端點屬性，您可以使用 REST 呼叫，從外部應用程式觸發新的管線執行。 如需如何呼叫 REST 端點時進行驗證的資訊，請參閱 https://aka.ms/pl-restep-auth。 如需建立和執行機器學習管線的詳細資訊，請參閱 https://aka.ms/pl-first-pipeline。 初始化 PipelineEndpoint。
PipelineParameter	定義管線執行中的參數。 使用 PipelineParameters 來建構多種管線，稍後可以使用不同的參數值重新提交。 初始化管線參數。
PipelineRun	表示的執行 Pipeline。 這個類別可用來管理、檢查狀態，以及在提交管線執行后擷取執行詳細數據。 使用 get_steps 來擷取 StepRun 管線執行所建立的物件。 其他用途包括擷 Graph 取與管線執行相關聯的物件、擷取管線執行的狀態，以及等候執行完成。 初始化管線執行。
PipelineStep	代表 Azure Machine Learning 管線中的執行步驟。 管線是由多個管線步驟所建構，這些步驟是管線中的不同計算單位。 每個步驟都可以獨立執行，並使用隔離的計算資源。 每個步驟通常都有自己的具名輸入、輸出和參數。 PipelineStep 類別是基類，其他專為常見案例所設計之內建步驟類別繼承的基類，例如 PythonScriptStep、 DataTransferStep和 HyperDriveStep。 如需管線和 PipelineSteps 相關概觀，請參閱 什麼是 ML 管線。 初始化 PipelineStep。
PortDataReference	建立與已完成 StepRun 輸出關聯的模型數據。 PortDataReference 物件可用來下載 所產生的 StepRun輸出數據。 它也可以用來作為未來管線中的步驟輸入。 初始化 PortDataReference。
PublishedPipeline	表示要提交且沒有建構它的 Python 程式代碼的管線。 此外，PublishedPipeline 可用來重新提交 Pipeline 具有不同 PipelineParameter 值和輸入的 。 初始化 PublishedPipeline。 :p aram 端點 要提交此管線執行的 REST 端點 URL。 ：type endpoint： str :p aram total_run_steps：此管線中的步驟數目：type total_run_steps：int :p aram 工作區：已發佈管線的工作區。 ：type workspace： azureml.core.Workspace :p aram continue_on_step_failure：是否繼續執行 PipelineRun 中的其他步驟 如果步驟失敗，則預設值為 false。
Schedule	定義要提交管線的排程。 發佈管線之後，排程可用來以指定的間隔或偵測到 Blob 記憶體位置的變更時提交管線。 初始化排程。
ScheduleRecurrence	定義管線 Schedule的頻率、間隔和開始時間。 ScheduleRecurrence 也可讓您指定時區，以及週期的時數或分鐘或周數。 初始化排程週期。 它也允許指定時區，以及週期的時數或分鐘或周天。
StepRun	中的 Pipeline步驟執行。 一旦提交父管線執行，且管線已提交步驟執行，即可使用這個類別來管理、檢查狀態和擷取執行詳細數據。 初始化 StepRun。
StepRunOutput	表示管線中 建立的輸出 StepRun 。 StepRunOutput 可用來存取 PortDataReference 步驟所建立的 。 初始化 StepRunOutput。
StepSequence	代表 中的 Pipeline 步驟清單，以及執行步驟的順序。 初始化管線時，請使用 StepSequence 來建立包含特定順序執行步驟的工作流程。 初始化 StepSequence。
TrainingOutput	定義特定 PipelineSteps 的特製化輸出，以用於管線。 TrainingOutput 可讓自動化機器學習計量或模型成為 Azure Machine Learning 管線中另一個步驟所取用的步驟輸出。 可以搭配 或HyperDriveStep使用AutoMLStep。 初始化 TrainingOutput。 param model_file：要包含在輸出中的特定模型檔案。 只適用於 HyperDriveStep 。

列舉

TimeZone

列舉週期 Schedule的有效時區。