Poznámka:
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
PLATÍ PRO:
Rozšíření Azure CLI ml v1Python SDK azureml v1
Důležité
Tento článek poskytuje informace o použití Azure Machine Learning SDK verze 1. Sada SDK v1 je od 31. března 2025 zastaralá. Podpora bude ukončena 30. června 2026. Do tohoto data můžete nainstalovat a používat sadu SDK v1. Vaše stávající pracovní postupy využívající sadu SDK v1 budou fungovat i po datu ukončení podpory. Mohou však být vystaveny bezpečnostním rizikům nebo zásadním změnám v případě změn architektury v produktu.
Doporučujeme přejít na SDK v2 před 30. červnem 2026. Další informace o sadě SDK v2 najdete v tématu Co je Azure Machine Learning CLI a Python SDK v2? a referenční informace k sadě SDK v2.
Důležité
Některé příkazy Azure CLI v tomto článku používají azure-cli-mlrozšíření (nebo v1) pro Azure Machine Learning. Podpora rozhraní příkazového řádku v1 skončila 30. září 2025. Společnost Microsoft již nebude poskytovat technickou podporu ani aktualizace této služby. Vaše stávající pracovní postupy využívající rozhraní příkazového řádku v1 budou fungovat i po datu ukončení podpory. Mohou však být vystaveny bezpečnostním rizikům nebo zásadním změnám v případě změn architektury v produktu.
Doporučujeme, abyste co nejdříve přešli na rozšíření ml, tedy v2. Další informace o rozšíření v2 najdete v tématu Rozšíření Azure Machine Learning CLI a Python SDK v2.
Kanál Azure Machine Learning je pracovní postup, který automatizuje kompletní úlohu strojového učení. Standardizuje osvědčené postupy, podporuje týmové spolupráce a zlepšuje efektivitu.
Proč jsou potřeba kanály Azure Machine Learning?
- Standardizuje operace strojového učení (MLOps) a podporuje škálovatelnou týmové spolupráci.
- Zlepšuje efektivitu trénování a snižuje náklady.
Kanál rozdělí úlohu strojového učení do kroků. Každý krok je spravovatelná komponenta, kterou je možné vyvíjet a automatizovat samostatně. Azure Machine Learning spravuje závislosti mezi kroky. Tento modulární přístup:
- Standardizuje MLOps a podporuje týmové spolupráce.
- Zlepšuje efektivitu trénování a snižuje náklady.
- Standardizuje operace strojového učení (MLOps) a podporuje škálovatelnou týmové spolupráci.
- Zlepšuje efektivitu trénování a snižuje náklady.
Standardizace praxe MLOps a podpora škálovatelné týmové spolupráce
MLOps automatizuje sestavování a nasazování modelů. Kanály tento proces zjednodušují namapováním jednotlivých kroků na konkrétní úkol, aby týmy mohly pracovat nezávisle.
Projekt může například zahrnovat shromažďování dat, přípravu, trénování, vyhodnocení a nasazení. Datoví inženýři, vědci a inženýři ML každý vlastní svůj postup. Kroky jsou nejlépe sestavené jako komponenty a pak integrované do jednoho pracovního postupu. Kanály můžou být zjednoděné, automatizované a standardizované postupy DevOps.
Efektivita trénování a snížení nákladů
Kanály také zlepšují efektivitu a snižují náklady. Opakovaně používají výstupy z nezměněných kroků a umožňují spustit každý krok na nejlepším výpočetním prostředku pro úlohu.
Osvědčené postupy začínáme
Kanál můžete sestavit několika způsoby v závislosti na výchozím bodu.
Pokud s kanály začínáte, začněte rozdělením existujícího kódu na kroky, parametrizací vstupů a zabalením všeho do kanálu.
Ke škálování použijte šablony kanálů pro běžné problémy. Aplikace Teams vytvoří fork šablony, pracuje na přiřazených krocích a podle potřeby aktualizuje jenom její část.
Díky opakovaně použitelným kanálům a komponentám můžou týmy rychle vytvářet nové pracovní postupy klonováním nebo kombinováním existujících částí.
Kanály můžete sestavovat pomocí rozhraní příkazového řádku, sady Python SDK nebo uživatelského rozhraní Návrháře.
Kterou technologii kanálu Azure mám použít?
Azure poskytuje několik typů kanálů pro různé účely:
| Scénář | Primární osoba | Nabídka Azure | Nabídka operačního systému | Kanonické potrubí | Síly |
|---|---|---|---|---|---|
| Orchestrace modelů (Strojové učení) | Datový vědec | Kanály služby Azure Machine Learning | Kanály Kubeflow | Data –> model | Distribuce, ukládání do mezipaměti, první použití kódu, opakované použití |
| Orchestrace dat (příprava dat) | Datový inženýr | Kanály Azure Data Factory | Apache Airflow | Data –> data | Přesun silného typu, aktivity zaměřené na data |
| Orchestrace kódu a aplikací (CI/CD) | Vývojář aplikací / Operace | Kanály Azure | Jenkins | Kód + model –> App/Service | Většina otevřených a flexibilních aktivit podporuje, schvalovací fronty, fáze s gatingem |
Další kroky
Kanály Azure Machine Learning přidávají hodnotu od začátku vývoje.
- Definování kanálů s využitím rozhraní příkazového řádku služby Azure Machine Learning v2
- Definování kanálů s využitím sady SDK služby Azure Machine Learning v2
- Definování kanálů s využitím návrháře
- Vyzkoušení příkladu kanálu CLI v2
- Vyzkoušení příkladu kanálu sady Python SDK v2
- Seznamte se se sadami SDK a výrazy rozhraní příkazového řádku v2, které je možné použít v kanálu.