core Balíček

Obsahuje základní balíčky, moduly a třídy pro Azure Machine Learning.

Mezi hlavní oblasti patří správa cílových výpočetních prostředků, vytváření/správa pracovních prostorů a experimentů a odesílání a přístupu k modelům a spouštění výstupu/protokolování.

Balíčky

compute	Tento balíček obsahuje třídy používané ke správě cílových výpočetních prostředků ve službě Azure Machine Learning. Další informace o výběru cílových výpočetních prostředků pro trénování a nasazení najdete v tématu Co jsou cílové výpočetní objekty ve službě Azure Machine Learning?
image	Obsahuje funkce pro správu imagí nasazených jako koncové body webové služby ve službě Azure Machine Learning. Tato třída je zastaralá. Environment Místo toho použijte třídu. Image se používá k nasazení Model, skriptu a přidružených souborů jako koncového bodu webové služby nebo zařízení IoT Edge. Koncový bod zpracovává příchozí žádosti o bodování a vrací předpovědi. Klíčové třídy tohoto balíčku jsou Image třída, nadřazená třída imagí služby Azure Machine Learning a odvozená ContainerImage třída pro image Dockeru a také náhled imagí, jako je FPGA. Pokud nemáte pracovní postup, který konkrétně vyžaduje použití obrázků, měli byste místo toho použít Environment třídu k definování image. Pak můžete pomocí objektu Prostředí s metodou Model deploy() nasadit model jako webovou službu. Pomocí metody Model package() můžete také vytvořit image, která se dá stáhnout do místní instalace Dockeru jako image nebo jako soubor Dockerfile. Informace o použití třídy Model najdete v tématu Nasazení modelů pomocí služby Azure Machine Learning. Informace o používání vlastních imagí najdete v tématu Nasazení modelu pomocí vlastní základní image Dockeru.
webservice	Obsahuje funkce pro nasazování modelů strojového učení jako koncových bodů webové služby ve službě Azure Machine Learning. Nasazení modelu Azure Machine Learning jako webové služby vytvoří koncový bod a rozhraní REST API. Do tohoto rozhraní API můžete odesílat data a přijímat predikce vrácené modelem. Webovou službu vytvoříte při nasazení Model nebo Image do služby Azure Container Instances (aci modul), Azure Kubernetes Service (aks modul) a koncového bodu Azure Kubernetes (AksEndpoint) nebo pole s programovatelnými hradly (FPGA). Nasazení pomocí modelu se doporučuje pro většinu případů použití, zatímco nasazení pomocí image se doporučuje pro pokročilé případy použití. Oba typy nasazení jsou podporovány ve třídách v tomto modulu.

Moduly

authentication	Obsahuje funkce pro správu různých typů ověřování ve službě Azure Machine Learning. Typy podporovaného ověřování: Interaktivní přihlášení – výchozí režim při použití sady Azure Machine Learning SDK Používá interaktivní dialog. Azure CLI – Pro použití s balíčkem azure-cli . Instanční objekt – pro použití s automatizovanými pracovními postupy strojového učení MSI – Pro použití s prostředky s podporou identity spravované služby, jako je virtuální počítač Azure. Token Azure ML – Používá se k získání tokenů Azure ML pouze pro odeslaná spuštění. Další informace o těchto mechanismech ověřování najdete v tématu https://aka.ms/aml-notebook-auth.
compute_target	Obsahuje funkce pro cílové výpočetní objekty, které nespravuje Azure Machine Learning. Cílové výpočetní objekty definují vaše výpočetní prostředí pro trénování a můžou být místní nebo vzdálené prostředky v cloudu. Vzdálené prostředky umožňují snadno vertikálně navýšit nebo vertikálně navýšit kapacitu experimentování strojového učení tím, že využívají akcelerované možnosti zpracování procesoru a GPU. Informace o cílových výpočetních objektech spravovaných službou Azure Machine Learning najdete v této ComputeTarget třídě. Další informace najdete v tématu Co jsou cílové výpočetní objekty ve službě Azure Machine Learning?
conda_dependencies	Obsahuje funkce pro správu závislostí prostředí Conda. CondaDependencies Pomocí třídy načtěte existující soubory prostředí Conda a nakonfigurujte a spravujte nová prostředí, ve kterých se experimenty spouštějí.
container_registry	Obsahuje funkce pro správu služby Azure Container Registry.
databricks	Obsahuje funkce pro správu prostředí Databricks ve službě Azure Machine Learning. Další informace o práci s Databricks ve službě Azure Machine Learning najdete v tématu Konfigurace vývojového prostředí pro Azure Machine Learning.
dataset	Spravuje interakci s datovými sadami Azure Machine Learning. Tento modul poskytuje funkce pro využívání nezpracovaných dat, správu dat a provádění akcí s daty ve službě Azure Machine Learning. Dataset Pomocí třídy v tomto modulu vytvořte datové sady spolu s funkcemi v data balíčku, které obsahují podpůrné třídy FileDataset a TabularDataset. Pokud chcete začít s datovými sadami, přečtěte si článek Přidání a registrace datových sad.
datastore	Obsahuje funkce pro správu úložišť dat ve službě Azure Machine Learning.
environment	Obsahuje funkce pro vytváření a správu reprodukovatelných prostředí ve službě Azure Machine Learning. Prostředí poskytují způsob, jak spravovat softwarovou závislost, aby řízená prostředí byla reprodukovatelná s minimální ruční konfigurací při přechodu mezi místním a distribuovanými vývojovými prostředími cloudu. Prostředí zapouzdřuje balíčky Pythonu, proměnné prostředí, nastavení softwaru pro trénovací a bodovací skripty a časy spuštění v Pythonu, Sparku nebo Dockeru. Další informace o používání prostředí pro trénování a nasazení pomocí služby Azure Machine Learning najdete v tématu Vytváření a správa opakovaně použitelných prostředí.
experiment	Obsahuje funkce používané k odesílání experimentů a správě historie experimentů ve službě Azure Machine Learning.
keyvault	Obsahuje funkce pro správu tajných kódů ve službě Key Vault přidružené k pracovnímu prostoru Azure Machine Learning. Tento modul obsahuje metody usnadnění pro přidávání, načítání, odstraňování a výpis tajných kódů ze služby Azure Key Vault přidružené k pracovnímu prostoru.
linked_service	Obsahuje funkce pro vytváření a správu propojených služeb v pracovním prostoru AML.
model	Obsahuje funkce pro správu modelů strojového učení ve službě Azure Machine Learning. Model S třídou můžete provádět následující hlavní úlohy: registrace modelu v pracovním prostoru profilování modelu, abyste porozuměli požadavkům na nasazení zabalení modelu pro použití s Dockerem Nasazení modelu do koncového bodu odvozování jako webové služby Další informace o tom, jak se modely používají, najdete v tématu Fungování služby Azure Machine Learning: Architektura a koncepty.
private_endpoint	Obsahuje funkce pro definování a konfiguraci privátních koncových bodů Azure.
profile	Obsahuje funkce pro profilaci modelů ve službě Azure Machine Learning.
resource_configuration	Obsahuje funkce pro správu konfigurace prostředků pro entity služby Azure Machine Learning.
run	Obsahuje funkce pro správu metrik experimentů a artefaktů ve službě Azure Machine Learning.
runconfig	Obsahuje funkce pro správu konfigurace spuštění experimentu ve službě Azure Machine Learning. Klíčovou třídou v tomto modulu je RunConfiguration, která zapouzdřuje informace potřebné k odeslání trénovacího spuštění v zadaném cílovém výpočetním objektu. Konfigurace zahrnuje širokou sadu definic chování, jako je použití existujícího prostředí Pythonu nebo použití prostředí Conda vytvořené ze specifikace. Další třídy konfigurace v modulu jsou přístupné prostřednictvím RunConfiguration.
script_run	Obsahuje funkce pro správu odeslaných trénovacích běhů ve službě Azure Machine Learning.
script_run_config	Obsahuje funkce pro správu konfigurace pro odesílání trénovacích běhů ve službě Azure Machine Learning.
util	Obsahuje třídu pro určení úrovně podrobností protokolování.
workspace	Obsahuje funkce pro správu pracovního prostoru, prostředek nejvyšší úrovně ve službě Azure Machine Learning. Tento modul obsahuje Workspace třídu a její metody a atributy, které umožňují spravovat artefakty strojového učení, jako jsou výpočetní cíle, prostředí, úložiště dat, experimenty a modely. Pracovní prostor je svázaný s předplatným a skupinou prostředků Azure a je primárním prostředkem pro fakturaci. Pracovní prostory podporují řízení přístupu na základě role (RBAC) Azure Resource Manageru a spřažení oblastí pro všechna data strojového učení uložená v pracovním prostoru.

Třídy

ComputeTarget	Abstraktní nadřazená třída pro všechny cílové výpočetní objekty spravované službou Azure Machine Learning Cílový výpočetní objekt je určený výpočetní prostředek nebo prostředí, ve kterém spouštíte trénovací skript nebo hostujete nasazení služby. Toto umístění může být váš místní počítač nebo cloudový výpočetní prostředek. Další informace najdete v tématu Co jsou cílové výpočetní objekty ve službě Azure Machine Learning? Třída ComputeTarget konstruktor. Načtení cloudové reprezentace výpočetního objektu přidruženého k poskytnutému pracovnímu prostoru Vrátí instanci podřízené třídy odpovídající určitému typu načteného výpočetního objektu.
ContainerRegistry	Definuje připojení ke službě Azure Container Registry. Konstruktor ContainerRegistry třídy.
Dataset	Představuje prostředek pro zkoumání, transformaci a správu dat ve službě Azure Machine Learning. Datová sada je odkaz na data v Datastore veřejných webových adresách URL nebo za sebou. V případě metod, které jsou v této třídě zastaralé, zkontrolujte AbstractDataset třídu pro vylepšená rozhraní API. Podporují se následující typy datových sad: Objekt TabularDataset reprezentuje data v tabulkovém formátu vytvořeném parsováním zadaného souboru nebo seznamu souborů. Objekt FileDataset odkazuje na jeden nebo několik souborů v úložištích dat nebo z veřejných adres URL. Pokud chcete začít s datovými sadami, přečtěte si článek Přidání a registrace datových sad nebo poznámkové bloky https://aka.ms/tabulardataset-samplenotebook a https://aka.ms/filedataset-samplenotebook. Inicializuje objekt Dataset. K získání datové sady, která již byla zaregistrována v pracovním prostoru, použijte metodu get.
Datastore	Představuje abstrakci úložiště nad účtem úložiště služby Azure Machine Learning. Úložiště dat jsou připojená k pracovním prostorům a používají se k ukládání informací o připojení ke službám úložiště Azure, takže na ně můžete odkazovat podle názvu a nemusíte si pamatovat informace o připojení a tajný kód použitý k připojení ke službám úložiště. Mezi podporované služby Azure Storage, které je možné zaregistrovat jako úložiště dat, patří: Kontejner objektů blob Azure Sdílená složka Azure Azure Data Lake Azure Data Lake Gen2 Azure SQL Database Azure Database for PostgreSQL Systém souborů Databricks Azure Database for MySQL Tato třída slouží k provádění operací správy, včetně registrace, výpisu, získání a odebrání úložišť dat. Úložiště dat pro každou službu se vytvářejí pomocí register* metod této třídy. Při použití úložiště dat pro přístup k datům musíte mít oprávnění pro přístup k datům, což závisí na přihlašovacích údajích registrovaných v úložišti dat. Další informace o úložištích dat a jejich použití ve strojovém učení najdete v následujících článcích: Přístup k datům ve službách Azure Storage Trénování modelů pomocí služby Azure Machine Learning s využitím odhadu Vytváření a spouštění kanálů strojového učení Získejte úložiště dat podle názvu. Toto volání provede požadavek na službu úložiště dat.
Environment	Nakonfiguruje reprodukovatelné prostředí Pythonu pro experimenty strojového učení. Prostředí definuje balíčky Pythonu, proměnné prostředí a nastavení Dockeru, které se používají v experimentech strojového učení, včetně přípravy dat, trénování a nasazení do webové služby. Prostředí se spravuje a spravuje ve službě Azure Machine Learning Workspace. Můžete aktualizovat existující prostředí a načíst verzi pro opakované použití. Prostředí jsou výhradní pro pracovní prostor, ve který se vytvářejí, a nedají se použít v různých pracovních prostorech. Další informace o prostředích najdete v tématu Vytváření a správa opakovaně použitelných prostředí. Konstruktor prostředí třídy.
Experiment	Představuje hlavní vstupní bod pro vytváření a práci s experimenty ve službě Azure Machine Learning. Experiment je kontejner zkušebních verzí , který představuje více spuštění modelu. Konstruktor experimentu
Image	Definuje abstraktní nadřazenou třídu pro image Azure Machine Learning. Tato třída je zastaralá. Environment Místo toho použijte třídu. Konstruktor image Tato třída je zastaralá. Environment Místo toho použijte třídu. Konstruktor image se používá k načtení cloudové reprezentace objektu Image přidruženého k poskytnutému pracovnímu prostoru. Vrátí instanci podřízené třídy odpovídající určitému typu načteného objektu Image.
Keyvault	Spravuje tajné kódy uložené ve službě Azure Key Vault přidružené k pracovnímu prostoru Azure Machine Learning. Každý pracovní prostor Azure Machine Learning má přidruženou službu Azure Key Vault. Třída Keyvault je zjednodušená obálka služby Azure Key Vault, která umožňuje spravovat tajné kódy v trezoru klíčů, včetně nastavení, načítání, odstraňování a výpisu tajných kódů. Třída Keyvault slouží k bezpečnému předávání tajných kódů vzdáleným spuštěním bez zveřejnění citlivých informací v prostém textu. Další informace najdete v tématu Použití tajných kódů v trénovacích spuštěních. Konstruktor keyvault třídy.
LinkedService	Poznámka: Jedná se o experimentální třídu a může se kdykoli změnit. Další informace najdete tady: https://aka.ms/azuremlexperimental. Definuje prostředek pro správu propojení mezi pracovním prostorem AML s jinými službami v Azure. Inicializace objektu LinkedService
Model	Představuje výsledek trénování strojového učení. Model je výsledkem trénování Run služby Azure Machine Learning nebo jiného procesu trénování modelu mimo Azure. Bez ohledu na to, jak se model vytváří, je možné ho zaregistrovat v pracovním prostoru, kde je reprezentován názvem a verzí. Pomocí třídy Model můžete modely zabalit pro použití s Dockerem a nasadit je jako koncový bod v reálném čase, který se dá použít k odvozování požadavků. Kompletní kurz ukazující, jak se modely vytvářejí, spravují a využívají, najdete v tématu Trénování modelu klasifikace obrázků s daty MNIST a scikit-learn pomocí azure Machine Learning. Konstruktor modelu Konstruktor modelu slouží k načtení cloudové reprezentace objektu modelu přidruženého k poskytnutému pracovnímu prostoru. Musí zadat název nebo ID.
PrivateEndPoint	Definuje privátní koncový bod pro správu připojení privátních koncových bodů přidružených k pracovnímu prostoru Azure ML. Inicializace PrivateEndPointu
PrivateEndPointConfig	Definuje konfiguraci privátního koncového bodu Azure. Privátní koncový bod Azure je síťové rozhraní, které vás soukromě a bezpečně připojuje k pracovnímu prostoru Azure ML pomocí služby Private Link. Inicializace PrivateEndPointConfig
Run	Definuje základní třídu pro všechna spuštění experimentu Azure Machine Learning. Spuštění představuje jednu zkušební verzi experimentu. Spuštění se používají k monitorování asynchronního spuštění zkušební verze, metrik protokolů a ukládání výstupu zkušební verze a k analýze výsledků a přístupových artefaktů generovaných zkušební verzí. Objekty spuštění se vytvoří, když odešlete skript pro trénování modelu v mnoha různých scénářích ve službě Azure Machine Learning, včetně spuštění HyperDrivu, spuštění kanálu a spuštění AutoML. Objekt Spustit se vytvoří také vy submit nebo start_logging s Experiment třídou. Pokud chcete začít s experimenty a spuštěními, přečtěte si téma Vytváření a správa prostředí pro trénování a nasazení Správa spuštění Inicializace objektu Spustit
RunConfiguration	Představuje konfiguraci spuštění experimentu, která cílí na různé cílové výpočetní objekty ve službě Azure Machine Learning. Objekt RunConfiguration zapouzdřuje informace potřebné k odeslání trénovacího spuštění v experimentu. Obvykle nevytvoříte objekt RunConfiguration přímo, ale získáte ho z metody, která ji vrátí, například submit metodu Experiment třídy. RunConfiguration je základní konfigurace prostředí, která se používá také v jiných typech kroků konfigurace, které závisí na tom, jaký typ spuštění spouštíte. Například při nastavování PythonScriptStepmůžete získat přístup k objektu RunConfiguration kroku a nakonfigurovat závislosti Conda nebo přistupovat k vlastnostem prostředí pro spuštění. Příklady spuštění konfigurací najdete v tématu Výběr a použití cílového výpočetního objektu k trénování modelu. Inicializace RunConfiguration s výchozím nastavením
ScriptRun	Poskytuje programový přístup ke správě odeslaných trénovacích běhů. Spuštění odeslané s ScriptRunConfig jednou zkušební verzí v experimentu. Odeslání spuštění vrátí objekt ScriptRun, který se dá použít k monitorování asynchronního spuštění spuštění, metrik protokolu a ukládání výstupu spuštění a analýze výsledků a artefaktů přístupu vygenerovaných spuštěním. Pokud chcete začít s experimenty a ScriptRunConf, přečtěte si téma Vytváření a správa prostředí pro trénování a nasazení Správa spuštění Třída ScriptRun konstruktor.
ScriptRunConfig	Představuje konfigurační informace pro odeslání trénovacího spuštění ve službě Azure Machine Learning. A ScriptRunConfig packages together the configuration information needed to submit a run in Azure ML, including the script, compute target, environment, and any distributed job-specific configs. Jakmile se skript nakonfiguruje a odešle pomocí příkazu submit, ScriptRun vrátí se hodnota. Třída ScriptRunConfig konstruktor.
SynapseWorkspaceLinkedServiceConfiguration	Poznámka: Jedná se o experimentální třídu a může se kdykoli změnit. Další informace najdete tady: https://aka.ms/azuremlexperimental. Definuje konfiguraci propojené služby pro propojení pracovního prostoru Synapse. Inicializace objektu SynapseWorkspaceLinkedServiceConfiguration
Webservice	Definuje základní funkce pro nasazování modelů jako koncových bodů webové služby ve službě Azure Machine Learning. Konstruktor webové služby slouží k načtení cloudové reprezentace objektu webové služby přidruženého k poskytnutému pracovnímu prostoru. Vrátí instanci podřízené třídy odpovídající určitému typu načteného objektu WebService. Třída Webservice umožňuje nasadit modely strojového učení z objektu nebo objektu Model Image . Další informace o práci s webovou službou najdete v tématu Nasazení modelů pomocí služby Azure Machine Learning. Inicializuje instanci webové služby. Konstruktor webservice načte cloudovou reprezentaci objektu webové služby přidruženého k poskytnutému pracovnímu prostoru. Vrátí instanci podřízené třídy odpovídající určitému typu načteného objektu webservice.
Workspace	Definuje prostředek služby Azure Machine Learning pro správu artefaktů trénování a nasazení. Pracovní prostor je základním prostředkem pro strojové učení ve službě Azure Machine Learning. Pracovní prostor slouží k experimentování, trénování a nasazování modelů strojového učení. Každý pracovní prostor je svázaný s předplatným Azure a skupinou prostředků a má přidruženou skladovou položku. Další informace o pracovních prostorech najdete tady: Co je pracovní prostor Azure Machine Learning? Správa přístupu k pracovnímu prostoru Konstruktor pracovního prostoru třídy pro načtení existujícího pracovního prostoru služby Azure Machine Learning
diagnostic_log	Směruje protokoly ladění do zadaného souboru.

Funkce

attach_legacy_compute_target

Připojí k tomuto projektu cílový výpočetní objekt.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parametry

Name	Description
experiment Vyžadováno	Experiment
source_directory Vyžadováno	str
compute_target Vyžadováno	str Cílový objekt výpočetního objektu, který se má připojit.

Návraty

Typ	Description
	Pokud je připojení úspěšné, v opačném případě vyvolá výjimku.

get_run

Získejte spuštění pro tento experiment s ID spuštění.

get_run(experiment, run_id, rehydrate=True, clean_up=True)

Parametry

Name	Description
experiment Vyžadováno	Experiment Obsahující experiment.
run_id Vyžadováno	string ID spuštění.
rehydrate	<xref:boolean> Určuje, zda je vrácen původní objekt spuštění nebo pouze základní objekt spuštění. Pokud je true, vrátí tato funkce původní typ objektu spuštění. Například pro spuštění AutoMLRun AutoML se vrátí objekt, zatímco pro spuštění HyperDriveRun HyperDrivu se vrátí objekt. Pokud je false, vrátí funkce Run objekt. Default value: True
clean_up	bool Pokud je pravda, zavolejte _register_kill_handler z run_base Default value: True

Návraty

Typ	Description
Run	Odeslané spuštění.

is_compute_target_prepared

Zkontrolujte, jestli je cílový výpočetní objekt připravený.

Zkontroluje, jestli je cílový výpočetní objekt zadaný v run_config již připravený pro zadanou konfiguraci spuštění.

is_compute_target_prepared(experiment, source_directory, run_config)

Parametry

Name	Description
experiment Vyžadováno	Experiment
source_directory Vyžadováno	str
run_config Vyžadováno	str nebo RunConfiguration Konfigurace spuštění. Může to být název konfigurace spuštění, jako řetězec nebo objekt azureml.core.runconfig.RunConfiguration.

Návraty

Typ	Description
bool	Pravda, pokud je cílový výpočetní objekt připravený.

prepare_compute_target

Připravte cílový výpočetní objekt.

Nainstaluje všechny požadované balíčky pro spuštění experimentu na základě run_config a custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Parametry

Name	Description
experiment Vyžadováno	Experiment
source_directory Vyžadováno	str
run_config Vyžadováno	str nebo RunConfiguration Konfigurace spuštění. Může to být název konfigurace spuštění, jako řetězec nebo objekt azureml.core.runconfig.RunConfiguration.

Návraty

Typ	Description
ScriptRun	Spustit objekt

remove_legacy_compute_target

Odeberte z projektu cílový výpočetní objekt.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parametry

Name	Description
experiment Vyžadováno	Experiment
source_directory Vyžadováno	str
compute_target_name Vyžadováno	str

Návraty

Typ	Description
None	Žádná, pokud je odebrání cílového výpočetního objektu úspěšné, jinak vyvolá výjimku.