Environment Třída

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.

Konstruktor

Environment(name, **kwargs)

Parametry

Name	Description
name Vyžadováno	string Název prostředí. Poznámka: Nezačínejte název vašeho prostředí "Microsoft" nebo "AzureML". Předpony Microsoft a AzureML jsou vyhrazené pro kurátorovaná prostředí. Další informace o kurátorovaných prostředích najdete v tématu Vytváření a správa opakovaně použitelných prostředí.

Poznámky

Azure Machine Learning poskytuje kurátorovaná prostředí, která jsou předdefinovaná prostředí, která nabízejí dobré výchozí body pro vytváření vlastních prostředí. Kurátorovaná prostředí jsou podporována imagemi Dockeru uloženými v mezipaměti a poskytují nižší náklady na přípravu spuštění. Další informace o kurátorovaných prostředích najdete v tématu Vytváření a správa opakovaně použitelných prostředí.

Ve službě Azure Machine Learning existuje řada způsobů, jak se prostředí vytváří, včetně následujících:

• Inicializuje nový objekt prostředí.

• Použijte jednu z metod třídy Prostředí: from_conda_specification, from_pip_requirementsnebo from_existing_conda_environment.

• submit Použijte metodu třídy Experiment k odeslání spuštění experimentu bez určení prostředí, včetně objektuEstimator.

Následující příklad ukazuje, jak vytvořit instanci nového prostředí.

   from azureml.core import Environment
   myenv = Environment(name="myenv")

Prostředí můžete spravovat tak, že ho zaregistrujete. Díky tomu můžete sledovat verze prostředí a znovu je používat v budoucích spuštěních.

   myenv.register(workspace=ws)

Další ukázky práce s prostředími najdete v poznámkovém bloku Jupyter Pomocí prostředí.

Proměnné

Name	Description
Environment.databricks	Tato část nakonfiguruje závislosti knihovny azureml.core.databricks.DatabricksSection.
docker	DockerSection Tato část konfiguruje nastavení související s konečnou imagí Dockeru sestavenou podle specifikací prostředí a určuje, jestli k sestavení prostředí použít kontejnery Dockeru.
inferencing_stack_version	string Tato část určuje verzi odvozování zásobníku přidanou do image. Pokud se chcete vyhnout přidání zásobníku odvozování, nenastavujte tuto hodnotu. Platná hodnota: "latest".
python	PythonSection Tato část určuje, které prostředí Pythonu a interpret se mají použít na cílovém výpočetním prostředí.
spark	SparkSection Oddíl nakonfiguruje nastavení Sparku. Používá se pouze v případech, kdy je architektura nastavená na PySpark.
r	RSection Tato část určuje, které prostředí jazyka R se má použít pro cílové výpočetní prostředí.
version	string Verze prostředí.
asset_id	string ID aktiva. Naplní při registraci prostředí.

Metody

add_private_pip_wheel	Nahrajte soubor privátního kola pip na disku do objektu blob úložiště Azure připojeného k pracovnímu prostoru. Vyvolá výjimku, pokud v objektu blob úložiště pracovního prostoru již existuje privátní kolo pip se stejným názvem.
build	Vytvořte image Dockeru pro toto prostředí v cloudu.
build_local	Sestavte místní prostředí Dockeru nebo conda.
clone	Naklonujte objekt prostředí. Vrátí novou instanci objektu prostředí s novým názvem.
from_conda_specification	Vytvořte objekt prostředí ze souboru YAML specifikace prostředí. Pokud chcete získat soubor YAML specifikace prostředí, přečtěte si téma Správa prostředí v uživatelské příručce conda.
from_docker_build_context	Vytvoření objektu prostředí z kontextu sestavení Dockeru
from_docker_image	Vytvořte objekt prostředí ze základní image Dockeru s volitelnými závislostmi Pythonu. Vrstva Pythonu se přidá do prostředí, pokud je zadána conda_specification nebo pip_requirements. conda_specification a pip_requirements se vzájemně vylučují.
from_dockerfile	Vytvořte objekt prostředí ze souboru Dockerfile s volitelnými závislostmi Pythonu. Vrstva Pythonu se přidá do prostředí, pokud je zadána conda_specification nebo pip_requirements. conda_specification a pip_requirements se vzájemně vylučují.
from_existing_conda_environment	Vytvořte objekt prostředí vytvořený z místně existujícího prostředí Conda. Pokud chcete získat seznam existujících prostředí Conda, spusťte conda env listpříkaz . Další informace naleznete v tématu Správa prostředí v uživatelské příručce conda.
from_pip_requirements	Vytvořte objekt prostředí vytvořený ze souboru požadavků pip. Pokud není zadána pip_version , přidá se závislost odepnutého pipu.
get	Vrátí objekt prostředí. Pokud je zadán popisek, vrátí se objekt dříve označený hodnotou. Je možné zadat pouze jeden parametr verze nebo popisku. Pokud se obojí zmešká, vrátí se nejnovější verze objektu Prostředí.
get_image_details	Vrátí podrobnosti o obrázku.
label	Objekt prostředí v pracovním prostoru označte zadanými hodnotami.
list	Vrátí slovník obsahující prostředí v pracovním prostoru.
load_from_directory	Načtěte definici prostředí ze souborů v adresáři.
register	Zaregistrujte objekt prostředí ve svém pracovním prostoru.
save_to_directory	Uložte definici prostředí do adresáře ve snadno upravitelném formátu.

add_private_pip_wheel

Nahrajte soubor privátního kola pip na disku do objektu blob úložiště Azure připojeného k pracovnímu prostoru.

Vyvolá výjimku, pokud v objektu blob úložiště pracovního prostoru již existuje privátní kolo pip se stejným názvem.

static add_private_pip_wheel(workspace, file_path, exist_ok=False)

Parametry

Name	Description
workspace Vyžadováno	Workspace Objekt pracovního prostoru, který se má použít k registraci soukromého kola pip.
file_path Vyžadováno	str Cesta k místnímu kolu pip na disku, včetně přípony souboru.
exist_ok	bool Určuje, jestli se má vyvolat výjimka, pokud už kolečko existuje. Default value: False

Návraty

Typ	Description
str	Vrátí úplný identifikátor URI na nahrané kolo pip v úložišti objektů blob v Azure, které se použije v závislostech conda.

build

Vytvořte image Dockeru pro toto prostředí v cloudu.

build(workspace, image_build_compute=None)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor a jeho přidružený azure Container Registry, kde je image uložená.
image_build_compute	str Název výpočetních prostředků, ve kterém bude sestavení image probíhat Default value: None

Návraty

Typ	Description
ImageBuildDetails	Vrátí objekt podrobností sestavení image.

build_local

Sestavte místní prostředí Dockeru nebo conda.

build_local(workspace, platform=None, **kwargs)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor.
platform	str Nástupiště. Jeden z Linuxu, Windows nebo OSX. Ve výchozím nastavení se bude používat aktuální platforma. Default value: None
kwargs Vyžadováno	dict Pokročilé argumenty klíčových slov

Návraty

Typ	Description
str	Streamuje probíhající výstup Dockeru nebo conda sestavený do konzoly.

Poznámky

Následující příklady ukazují, jak vytvořit místní prostředí. Ujistěte se, že se pracovní prostor vytvoří jako platný objekt azureml.core.workspace.Workspace.

Sestavení místního prostředí Conda

   from azureml.core import Environment
   myenv = Environment(name="myenv")
   registered_env = myenv.register(workspace)
   registered_env.build_local(workspace)

Sestavení místního prostředí Dockeru

   from azureml.core import Environment
   myenv = Environment(name="myenv")
   registered_env = myenv.register(workspace)
   registered_env.build_local(workspace, useDocker=True)

Místní sestavení image Dockeru a volitelně jeho odeslání do registru kontejneru přidruženého k pracovnímu prostoru

   from azureml.core import Environment
   myenv = Environment(name="myenv")
   registered_env = myenv.register(workspace)
   registered_env.build_local(workspace, useDocker=True, pushImageToWorkspaceAcr=True)

clone

Naklonujte objekt prostředí.

Vrátí novou instanci objektu prostředí s novým názvem.

clone(new_name)

Parametry

Name	Description
new_name Vyžadováno	str Nový název prostředí

Návraty

Typ	Description
Environment	Nový objekt prostředí

from_conda_specification

Vytvořte objekt prostředí ze souboru YAML specifikace prostředí.

Pokud chcete získat soubor YAML specifikace prostředí, přečtěte si téma Správa prostředí v uživatelské příručce conda.

static from_conda_specification(name, file_path)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
file_path Vyžadováno	str Cesta k souboru YAML specifikace prostředí conda.

Návraty

Typ	Description
Environment	Objekt prostředí.

from_docker_build_context

Vytvoření objektu prostředí z kontextu sestavení Dockeru

static from_docker_build_context(name, docker_build_context)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
docker_build_context Vyžadováno	DockerBuildContext Objekt DockerBuildContext.

Návraty

Typ	Description
Environment	Objekt prostředí.

from_docker_image

Vytvořte objekt prostředí ze základní image Dockeru s volitelnými závislostmi Pythonu.

Vrstva Pythonu se přidá do prostředí, pokud je zadána conda_specification nebo pip_requirements. conda_specification a pip_requirements se vzájemně vylučují.

static from_docker_image(name, image, container_registry=None, conda_specification=None, pip_requirements=None)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
image Vyžadováno	str plně kvalifikovaný název image.
conda_specification	str conda specification file. Default value: None
container_registry	ContainerRegistry Podrobnosti o privátním úložišti kontejnerů Default value: None
pip_requirements	str pip requirements file. Default value: None

Návraty

Typ	Description
Environment	Objekt prostředí.

Poznámky

Pokud je základní image z privátního úložiště, které vyžaduje autorizaci, a autorizace není nastavená na úrovni pracovního prostoru AzureML, container_registry se vyžaduje.

from_dockerfile

Vytvořte objekt prostředí ze souboru Dockerfile s volitelnými závislostmi Pythonu.

Vrstva Pythonu se přidá do prostředí, pokud je zadána conda_specification nebo pip_requirements. conda_specification a pip_requirements se vzájemně vylučují.

static from_dockerfile(name, dockerfile, conda_specification=None, pip_requirements=None)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
dockerfile Vyžadováno	str Obsah souboru Dockerfile nebo cesta k souboru.
conda_specification	str conda specification file. Default value: None
pip_requirements	str pip requirements file. Default value: None

Návraty

Typ	Description
Environment	Objekt prostředí.

from_existing_conda_environment

Vytvořte objekt prostředí vytvořený z místně existujícího prostředí Conda.

Pokud chcete získat seznam existujících prostředí Conda, spusťte conda env listpříkaz . Další informace naleznete v tématu Správa prostředí v uživatelské příručce conda.

static from_existing_conda_environment(name, conda_environment_name)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
conda_environment_name Vyžadováno	str Název místně existujícího prostředí Conda.

Návraty

Typ	Description
Environment	Objekt prostředí nebo Žádný, pokud export souboru specifikace conda selže.

from_pip_requirements

Vytvořte objekt prostředí vytvořený ze souboru požadavků pip.

Pokud není zadána pip_version , přidá se závislost odepnutého pipu.

static from_pip_requirements(name, file_path, pip_version=None)

Parametry

Name	Description
name Vyžadováno	str Název prostředí.
file_path Vyžadováno	str Cesta k souboru požadavků pip.
pip_version	str Verze Pipu pro prostředí Conda Default value: None

Návraty

Typ	Description
Environment	Objekt prostředí.

get

Vrátí objekt prostředí.

Pokud je zadán popisek, vrátí se objekt dříve označený hodnotou. Je možné zadat pouze jeden parametr verze nebo popisku. Pokud se obojí zmešká, vrátí se nejnovější verze objektu Prostředí.

static get(workspace, name, version=None, label=None)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor, který obsahuje prostředí.
name Vyžadováno	str Název prostředí, které se má vrátit.
version	str Verze prostředí, která se má vrátit. Default value: None
label	str Hodnota popisku prostředí Default value: None

Návraty

Typ	Description
Environment	Objekt prostředí.

get_image_details

Vrátí podrobnosti o obrázku.

get_image_details(workspace)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor.

Návraty

Typ	Description
DockerImageDetails	Vrátí podrobnosti obrázku jako diktování.

label

Objekt prostředí v pracovním prostoru označte zadanými hodnotami.

static label(workspace, name, version, labels)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor
name Vyžadováno	str Název prostředí
version Vyžadováno	str Verze prostředí
labels Vyžadováno	list[str] Hodnoty pro označení prostředí pomocí

list

Vrátí slovník obsahující prostředí v pracovním prostoru.

static list(workspace)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor, ze kterého chcete zobrazit seznam prostředí.

Návraty

Typ	Description
<xref:builtin.dict>[str, Environment]	Slovník objektů prostředí.

load_from_directory

Načtěte definici prostředí ze souborů v adresáři.

static load_from_directory(path)

Parametry

Name	Description
path Vyžadováno	str Cesta ke zdrojovému adresáři

register

Zaregistrujte objekt prostředí ve svém pracovním prostoru.

register(workspace)

Parametry

Name	Description
workspace Vyžadováno	Workspace Pracovní prostor
name Vyžadováno	str

Návraty

Typ	Description
Environment	Vrátí objekt prostředí.

save_to_directory

Uložte definici prostředí do adresáře ve snadno upravitelném formátu.

save_to_directory(path, overwrite=False)

Parametry

Name	Description
path Vyžadováno	str Cesta k cílovému adresáři.
overwrite	bool Pokud by se měl přepsat existující adresář. Výchozí hodnota je false. Default value: False

Atributy

environment_variables

K nastavení proměnných modulu runtime použijte objekt azureml.core.RunConfiguration.