ModuleStep Třída

Vytvoří krok kanálu Služby Azure Machine Learning pro spuštění konkrétní verze modulu.

Module objekty definují opakovaně použitelné výpočty, jako jsou skripty nebo spustitelné soubory, které lze použít v různých scénářích strojového učení a pro různé uživatele. Pokud chcete v kanálu použít konkrétní verzi modulu, vytvořte modul ModuleStep. ModuleStep je krok v kanálu, který používá existující ModuleVersion.

Příklad použití ModuleStep najdete v poznámkovém bloku https://aka.ms/pl-modulestep.

Vytvořte krok kanálu Azure ML pro spuštění konkrétní verze modulu.

Konstruktor

ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)

Parametry

Name	Description
module	Module Modul použitý v kroku. Zadejte parametr module nebo module_version parametr, ale ne obojí. Default value: None
version	str Verze modulu použitého v kroku. Default value: None
module_version	ModuleVersion ModuleVersion modulu použitého v kroku. Zadejte parametr module nebo module_version parametr, ale ne obojí. Default value: None
inputs_map	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] Slovník, který mapuje názvy definic portů ModuluVersion na vstupy kroku. Default value: None
outputs_map	dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]] Slovník, který mapuje názvy definic portů ModuluVersion na výstupy kroku. Default value: None
compute_target	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z runconfigu. Může to být cílový objekt výpočetního objektu nebo název řetězce cílového výpočetního objektu v pracovním prostoru. Pokud výpočetní cíl není k dispozici v době vytváření kanálu, můžete zadat řazenou kolekci členů (název cílového výpočetního objektu, cílový typ výpočetního objektu), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine). Default value: None
runconfig	RunConfiguration Volitelná konfigurace RunConfiguration, která se má použít. RunConfiguration lze použít k určení dalších požadavků na spuštění, jako jsou závislosti conda a image Dockeru. Default value: None
runconfig_pipeline_params	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota každý s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount Default value: None
arguments	list[str] Seznam argumentů příkazového řádku pro soubor skriptu Pythonu Argumenty se doručí do cílového výpočetního objektu prostřednictvím argumentů v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, najdete v argumentech v tématu RunConfiguration Default value: None
params	dict[str, str] Slovník párů name-value. Default value: None
name	str Název kroku. Default value: None
_workflow_provider	<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider> (Pouze interní použití.) Zprostředkovatel pracovního postupu. Default value: None
module Vyžadováno	Module Modul použitý v kroku. Zadejte parametr module nebo module_version parametr, ale ne obojí.
version Vyžadováno	str Verze modulu použitého v kroku.
module_version Vyžadováno	ModuleVersion ModuleVersion modulu použitého v kroku. Zadejte parametr module nebo module_version parametr, ale ne obojí.
inputs_map Vyžadováno	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]] Slovník, který mapuje názvy definic portů ModuluVersion na vstupy kroku.
outputs_map Vyžadováno	dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]] Slovník, který mapuje názvy definic portů ModuluVersion na výstupy kroku.
compute_target Vyžadováno	Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple] Cílový výpočetní objekt, který se má použít. Pokud není zadaný, použije se cíl z runconfigu. Může to být cílový objekt výpočetního objektu nebo název řetězce cílového výpočetního objektu v pracovním prostoru. Pokud výpočetní cíl není k dispozici v době vytváření kanálu, můžete zadat řazenou kolekci členů (název cílového výpočetního objektu, cílový typ výpočetního objektu), abyste se vyhnuli načtení cílového objektu výpočetního objektu (typ AmlCompute je AmlCompute a typ RemoteCompute je VirtualMachine).
runconfig Vyžadováno	RunConfiguration Volitelná konfigurace RunConfiguration, která se má použít. RunConfiguration lze použít k určení dalších požadavků na spuštění, jako jsou závislosti conda a image Dockeru.
runconfig_pipeline_params Vyžadováno	dict[str, PipelineParameter] Přepsání vlastností runconfig za běhu pomocí párů klíč-hodnota každý s názvem vlastnosti runconfig a PipelineParameter pro danou vlastnost. Podporované hodnoty: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount
arguments Vyžadováno	list[str] Seznam argumentů příkazového řádku pro soubor skriptu Pythonu Argumenty se doručí do cílového výpočetního objektu prostřednictvím argumentů v RunConfiguration. Další podrobnosti o zpracování argumentů, jako jsou speciální symboly, najdete v argumentech v tématu RunConfiguration
params Vyžadováno	dict[str, str] Slovník párů name-value.
name Vyžadováno	str Název kroku.
_wokflow_provider Vyžadováno	(Pouze interní použití.) Zprostředkovatel pracovního postupu.

Poznámky

A Module slouží k vytvoření a správě opakovaně použitelné výpočetní jednotky kanálu Azure Machine Learning. ModuleStep je integrovaný krok ve službě Azure Machine Learning, který se používá k využívání modulu. Můžete buď definovat konkrétní modul ModuleVersion, který se má použít, nebo nechat Azure Machine Learning vyřešit, který ModuleVersion použít podle procesu řešení definovaného v části Module poznámek třídy. Pokud chcete definovat, který moduleVersion se používá v odeslaném kanálu, definujte jednu z následujících možností při vytváření modulu ModuleStep:

• Objekt ModuleVersion .

• Objekt Module a hodnota verze.

• Module Objekt bez hodnoty verze. V tomto případě se rozlišení verze může v jednotlivých odesláních lišit.

Musíte definovat mapování mezi vstupy a výstupy ModuleStep na vstupy a výstupy ModuleVersion.

Následující příklad ukazuje, jak vytvořit ModuleStep jako součást kanálu s více moduleStep objekty:

   middle_step = ModuleStep(module=module,
                            inputs_map= middle_step_input_wiring,
                            outputs_map= middle_step_output_wiring,
                            runconfig=RunConfiguration(), compute_target=aml_compute,
                            arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
                                         "--output_sum", middle_sum, "--output_product", middle_prod])

Úplná ukázka je k dispozici od https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-modulestep.ipynb

Metody

create_node

Vytvořte uzel z kroku ModuleStep a přidejte ho do zadaného grafu. Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předá parametry požadované touto metodou, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node

Vytvořte uzel z kroku ModuleStep a přidejte ho do zadaného grafu.

Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předá parametry požadované touto metodou, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.

create_node(graph, default_datastore, context)

Parametry

Name	Description
graph Vyžadováno	Graph Objekt grafu pro přidání uzlu.
default_datastore Vyžadováno	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Výchozí úložiště dat.
context Vyžadováno	<xref:azureml.pipeline.core._GraphContext> Kontext grafu

Návraty

Typ	Description
Node	Objekt uzlu.