core Paket
Enthält Core-Pakete, Module und Klassen für Azure Machine Learning.
Zu den Hauptbereichen gehören das Verwalten von Computezielen, das Erstellen und Verwalten von Arbeitsbereichen und Experimenten sowie das Übermitteln von bzw. Zugreifen auf Modellausführungen und Ausführungsausgaben und -protokollierungen.
Pakete
compute |
Dieses Paket enthält die Klassen, die zum Verwalten von Computezielen in Azure Machine Learning verwendet werden. Weitere Informationen zum Auswählen von Computezielen für Training und Bereitstellung finden Sie unter Was sind Computeziele in Azure Machine Learning?. |
image |
Enthält Funktionen zum Verwalten von Images, die als Webdienstendpunkte in Azure Machine Learning bereitgestellt werden. Diese Klasse ist VERALTET. Verwenden Sie stattdessen die Environment-Klasse. Ein Image wird verwendet, um ein Model, ein Skript und zugeordnete Dateien als Webdienstendpunkt oder IoT Edgegerät bereitzustellen. Der Endpunkt verarbeitet eingehende Bewertungsanforderungen und gibt Vorhersagen zurück. Die wichtigen Klassen dieses Pakets sind die Image-Klasse, die übergeordnete Klasse von Azure Machine Learning-Images und die abgeleitete ContainerImage-Klasse für Docker-Images sowie Vorschauimages wie FPGA. Wenn Sie nicht über einen Workflow verfügen, der die Verwendung von Images erfordert, sollten Sie stattdessen die Environment-Klasse verwenden, um Ihr Image zu definieren. Anschließend können Sie das Umgebungsobjekt mit der Informationen zur Verwendung der Model-Klasse finden Sie unter Bereitstellen von Machine Learning-Modellen für Azure. Informationen zur Verwendung benutzerdefinierter Images finden Sie unter Bereitstellen eines TensorFlow-Modells mit TF Serving mithilfe eines benutzerdefinierten Containers in einem Onlineendpunkt (Vorschau). |
webservice |
Enthält Funktionen für die Bereitstellung von Machine Learning-Modellen als Webdienst-Endpunkte in Azure Machine Learning. Durch die Bereitstellung eines Azure Machine Learning-Modells als Webdienst werden ein Endpunkt und eine REST-API erstellt. Sie können Daten an diese API senden und die vom Modell zurückgegebene Vorhersage empfangen. Sie erstellen einen Webdienst, wenn Sie eine Model- oder Image-Klasse in Azure Container Instances (aci-Modul), Azure Kubernetes Service (aks-Modul) und Azure Kubernetes Endpoint (AksEndpoint) oder in Field Programmable Gate Arrays (FPGAs) bereitstellen. Die Bereitstellung mithilfe eines Modells wird für die meisten Anwendungsfälle empfohlen, während die Bereitstellung mithilfe eines Image für fortgeschrittene Anwendungsfälle empfohlen wird. Beide Bereitstellungstypen werden in den Klassen in diesem Modul unterstützt. |
Module
authentication |
Enthält Funktionen zum Verwalten verschiedener Authentifizierungstypen in Azure Machine Learning. Unterstützte Authentifizierungstypen:
Weitere Informationen zu diesen Authentifizierungsmechanismen finden Sie unter https://aka.ms/aml-notebook-auth. |
compute_target |
Enthält Funktionen für Computeziele, die nicht von Azure Machine Learning verwaltet werden. Computeziele definieren Ihre Trainings-Computeumgebung und können entweder lokale Ressourcen oder Remoteressourcen in der Cloud sein. Mit Remoteressourcen können Sie Ihre Machine Learning-Experimente problemlos vertikal oder horizontal skalieren, indem Sie die Vorteile der beschleunigten CPU- und GPU-Verarbeitung nutzen. Informationen zu Computezielen, die von Azure Machine Learning verwaltet werden, finden Sie in der ComputeTarget-Klasse. Weitere Informationen finden Sie unter Was sind Computeziele in Azure Machine Learning?. |
conda_dependencies |
Enthält Funktionen zum Verwalten von Conda-Umgebungsabhängigkeiten. Verwenden Sie die Klasse CondaDependencies, um vorhandene Conda-Umgebungsdateien zu laden sowie neue Umgebungen zu konfigurieren und zu verwalten, in denen Experimente ausgeführt werden. |
container_registry |
Enthält Funktionen zum Verwalten einer Azure Container Registry-Instanz |
databricks |
Enthält Funktionen zum Verwalten von Databricks-Umgebungen in Azure Machine Learning. Weitere Informationen zum Arbeiten mit Databricks in Azure Machine Learning finden Sie unter Einrichten einer Python-Entwicklungsumgebung für Azure Machine Learning. |
dataset |
Verwaltet die Interaktion mit Azure Machine Learning Datasets. Dieses Modul bietet Funktionen zum Verwenden von Rohdaten, Verwalten von Daten und Ausführen von Aktionen für Daten in Azure Machine Learning. Verwenden Sie die Dataset-Klasse in diesem Modul, um Datasets zusammen mit der Funktionalität im data-Paket zu erstellen, das die unterstützenden Klassen FileDataset und TabularDataset enthält. Informationen zu den ersten Schritten mit Datasets finden Sie im Artikel Hinzufügen & Registrieren von Datasets. |
datastore |
Enthält Funktionen zum Verwalten von Datenspeichern in Azure Machine Learning. |
environment |
Enthält Funktionen zum Erstellen und Verwalten reproduzierbarer Umgebungen in Azure Machine Learning. Umgebungen bieten eine Möglichkeit zur Verwaltung von Softwareabhängigkeiten, sodass kontrollierte Umgebungen mit minimaler manueller Konfiguration reproduziert werden können, wenn Sie zwischen lokalen und verteilten Cloudentwicklungsumgebungen wechseln. Umgebungen kapseln Python-Pakete, Umgebungsvariablen und Softwareeinstellungen für Trainings- und Bewertungsskripts sowie Laufzeiten für Python, Spark oder Docker. Weitere Informationen zur Verwendung von Umgebungen für Training und Bereitstellung mit Azure Machine Learning finden Sie unter Erstellen und Verwalten von wiederverwendbaren Umgebungen. |
experiment |
Enthält Funktionen zum Übermitteln von Experimenten und Verwalten des Experimentverlaufs in Azure Machine Learning. |
keyvault |
Enthält Funktionen zum Verwalten von Geheimnissen in der Azure Key Vault-Instanz, der einem Azure Machine Learning-Arbeitsbereich zugeordnet ist. Dieses Modul enthält Helfermethoden zum Hinzufügen, Abrufen, Löschen und Auflisten von Geheimnissen aus der Azure Key Vault-Instanz, die einem Arbeitsbereich zugeordnet ist. |
linked_service |
Enthält Funktionen zum Erstellen und Verwalten eines verknüpften Diensts in einem Azure Machine Learning-Arbeitsbereich. |
model |
Enthält Funktionen zur Verwaltung von Machine Learning-Modellen in Azure Machine Learning. Mit der Model-Klasse können Sie die folgenden Hauptaufgaben erledigen:
Weitere Informationen zur Verwendung von Modellen finden Sie unter Funktionsweise des Azure Machine Learning-Diensts: Architektur und Konzepte. |
private_endpoint |
Enthält Funktionen zum Definieren und Konfigurieren von privaten Azure-Endpunkten. |
profile |
Enthält Funktionalität bezüglich Profilerstellungsmodellen in Azure Machine Learning. |
resource_configuration |
Enthält Funktionalität zum Verwalten der Ressourcenkonfiguration für Azure Machine Learning-Entitäten. |
run |
Enthält FuFunktionalität zum Verwalten von Experimentmetriken und Artefakten in Azure Machine Learning. |
runconfig |
Enthält Funktionen zum Verwalten der Konfiguration von Experimentausführungen in Azure Machine Learning. Die Schlüsselklasse in diesem Modul ist RunConfiguration. Sie kapselt Informationen, die zum Übermitteln einer Trainingsausführung auf einem angegebenen Computeziel erforderlich sind. Die Konfiguration umfasst einen weiten Bereich von Verhaltensdefinitionen, z.B. die Vorgabe, ob eine vorhandene Python-Umgebung oder eine aus einer Spezifikation erstellte Conda-Umgebung verwendet werden soll. Auf andere Konfigurationsklassen im Modul wird über RunConfiguration zugegriffen. |
script_run |
Enthält Funktionalität zum Verwalten übermittelter Trainingsausführungen in Azure Machine Learning. |
script_run_config |
Enthält Funktionalität zum Verwalten der Konfiguration für das Übermitteln von Trainingsausführungen in Azure Machine Learning. |
util |
Enthält eine Klasse zum Angeben der Protokollierungsdetailebene. |
workspace |
Enthält Funktionen zum Verwalten eines Arbeitsbereichs. Dieser ist die höchste übergeordnete Ressource in Azure Machine Learning. Dieses Modul enthält die Workspace-Klasse und ihre Methoden und Attribute, mit denen Sie ML-Artefakte wie Computeziele, Umgebungen, Datenspeicher, Experimente und Modelle verwalten können. Ein Arbeitsbereich ist an ein Azure-Abonnement und eine Ressourcengruppe gebunden und spielt eine maßgebliche Rolle für die Kostenabrechnung. Arbeitsbereiche unterstützen die rollenbasierte Zugriffssteuerung (Role-Based Access Control, RBAC) von Azure Resource Manager sowie regionale Affinität für alle im Arbeitsbereich gespeicherten Machine Learning-Daten. |
Klassen
ComputeTarget |
Abstrakte übergeordnete Klasse für alle Computeziele, die von Azure Machine Learning verwaltet werden. Ein Computeziel ist eine festgelegte Computeressource/-Umgebung, in der Ihr Trainingsskript ausgeführt oder Ihre Dienstbereitstellung gehostet wird. Hierbei kann es sich um Ihren lokalen Computer oder eine cloudbasierte Computeressource handeln. Weitere Informationen finden Sie unter Was sind Computeziele in Azure Machine Learning?. ComputeTarget-Konstruktor der Klasse. Rufen Sie eine Clouddarstellung eines Compute-Objekts ab, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Gibt einen instance einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Compute-Objekts entspricht. |
ContainerRegistry |
Definiert eine Verbindung mit einer Azure Container Registry-Instanz. ContainerRegistry-Konstruktor der Klasse. |
Dataset |
Stellt eine Ressource für das Untersuchen, Transformieren und Verwalten von Daten in Azure Machine Learning dar Ein Dataset ist ein Verweis auf Daten in einem Datastore oder hinter öffentlichen Web-URLs. Für die veralteten Methoden in dieser Klasse finden Sie verbesserte APIs in der AbstractDataset-Klasse. Die folgenden Datasettypen werden unterstützt:
Informationen zu den ersten Schritten mit Datasets finden Sie im Artikel Hinzufügen & Registrieren von Datasets oder in den Notebooks https://aka.ms/tabulardataset-samplenotebook und https://aka.ms/filedataset-samplenotebook. Initialisieren Sie das Dataset-Objekt. Verwenden Sie die get-Methode, um ein Dataset abzurufen, das bereits im Arbeitsbereich registriert wurde. |
Datastore |
Stellt eine Speicherabstraktion eines Azure Machine Learning-Speicherkontos dar. Datenspeicher werden Arbeitsbereichen angefügt und zum Speichern von Verbindungsinformationen zu Azure-Speicherdiensten verwendet, sodass Sie anhand des Namens darauf verweisen können und sich nicht die Verbindungsinformationen und das Geheimnis merken müssen, die zum Herstellen einer Verbindung mit den Speicherdiensten verwendet werden. Beispiele für unterstützte Azure-Speicherdienste, die als Datenspeicher registriert werden können:
Verwenden Sie diese Klasse, um Verwaltungsvorgänge durchzuführen, einschließlich Registrieren, Auflisten, Abrufen und Entfernen von Datenspeichern.
Mit den Weitere Informationen zu Datenspeichern und deren Verwendung für das maschinelle Lernen finden Sie in den folgenden Artikeln:
Ruft einen Datenspeicher anhand des Namens ab. Dieser Aufruf sendet eine Anforderung an den Datenspeicherdienst. |
Environment |
Konfiguriert eine reproduzierbare Python-Umgebung für Experimente zum maschinellen Lernen. Eine Umgebung definiert Python-Pakete, Umgebungsvariablen und Docker-Einstellungen, die in ML-Experimenten verwendet werden, einschließlich der Datenvorbereitung, des Trainings und der Bereitstellung in einem Webdienst. Eine Umgebung wird in einem Azure Machine Learning-Workspace verwaltet und versioniert. Sie können eine vorhandene Umgebung aktualisieren und eine Version zur Wiederverwendung abrufen. Umgebungen gelten ausschließlich für den Arbeitsbereich, in dem sie erstellt werden, und können nicht in verschiedenen Arbeitsbereichen verwendet werden. Weitere Informationen zu Umgebungen finden Sie unter Erstellen und Verwalten wiederverwendbarer Umgebungen. Klassenumgebungskonstruktor. |
Experiment |
Stellt den Haupteinstiegspunkt zum Erstellen und Arbeiten mit Experimenten in Azure Machine Learning dar. Ein Experiment ist ein Container mit Tests, die aus mehreren Modellausführungen bestehen. Experimentkonstruktor. |
Image |
Definiert die abstrakte übergeordnete Klasse für Azure Machine Learning-Images. Diese Klasse ist VERALTET. Verwenden Sie stattdessen die Environment-Klasse. Bildkonstruktor. Diese Klasse ist VERALTET. Verwenden Sie stattdessen die Environment-Klasse. Der Bildkonstruktor wird verwendet, um eine Clouddarstellung eines Image-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Gibt eine instance einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Image-Objekts entspricht. |
Keyvault |
Verwaltet Geheimnisse in der einem Azure Machine Learning-Arbeitsbereich zugeordneten Azure Key Vault-Instanz. Jedem Azure Machine Learning-Arbeitsbereich ist eine Ressource namens Azure Key Vault zugeordnet. Die Keyvault-Klasse ist ein vereinfachter Wrapper des Azure Key Vault, mit dem Sie Geheimnisse im Schlüsseltresor verwalten können, einschließlich Festlegen, Abrufen, Löschen und Auflisten von Geheimnissen. Verwenden Sie die Schlüsseltresorklasse, um Geheimnisse sicher an Remoteausführungen zu übergeben, ohne vertrauliche Informationen in Klartext verfügbar zu machen. Weitere Informationen finden Sie unter Verwenden von Geheimnissen in Trainingsausführungen. Keyvault-Konstruktor der Klasse. |
LinkedService |
Hinweis Dies ist eine experimentelle Klasse, die jederzeit geändert werden kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen. Definiert eine Ressource zum Verwalten der Verknüpfung zwischen AML-Arbeitsbereich und anderen Diensten in Azure. Initialisieren Sie das LinkedService-Objekt. |
Model |
Stellt das Ergebnis des Machine Learning-Trainings dar. Ein Modell ist das Ergebnis der Ausführung (Run) eines Azure Machine Learning-Trainings oder eines anderen Modelltrainingsprozesses außerhalb von Azure. Unabhängig davon, wie das Modell erstellt wird, kann es in einem Arbeitsbereich registriert werden, wo es durch einen Namen und eine Version dargestellt wird. Mit der Model-Klasse können Sie Modelle für die Verwendung mit Docker packen und als Echtzeitendpunkt, der für Rückschlussanforderungen verwendet werden kann, bereitstellen. Ein umfassendes Tutorial, das zeigt, wie Modelle erstellt, verwaltet und genutzt werden, finden Sie unter Trainieren eines Bildklassifizierungsmodells mit MNIST-Daten und scikit-learn mit Azure Machine Learning. Modellkonstruktor. Der Model-Konstruktor wird verwendet, um eine Clouddarstellung eines Model-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Muss entweder den Namen oder die ID angeben. |
PrivateEndPoint |
Definiert einen privaten Endpunkt zum Verwalten privater Endpunktverbindungen, die einem Azure ML-Arbeitsbereich zugeordnet sind. Initialisieren Sie PrivateEndPoint. |
PrivateEndPointConfig |
Definiert die Konfiguration für einen privaten Azure-Endpunkt. Ein privater Azure-Endpunkt ist eine Netzwerkschnittstelle, die Sie mithilfe von Private Link privat und sicher mit einem Azure ML-Arbeitsbereich verbindet. Initialisieren Sie PrivateEndPointConfig. |
Run |
Definiert die Stammklasse für alle Azure Machine Learning-Experimentausführungen. Ein Run-Objekt repräsentiert die Ausführung eines einzelnen Testlauf eines Experiments. Ausführungen werden verwendet, um die asynchrone Ausführung einer Testversion zu überwachen, Metriken zu protokollieren und die Ausgabe der Testversion zu speichern sowie um die Ergebnisse zu analysieren und auf Artefakte zuzugreifen, die von der Testversion generiert wurden. Ausführungsobjekte werden erstellt, wenn Sie ein Skript übermitteln, um ein Modell in vielen verschiedenen Szenarien in Azure Machine Learning zu trainieren, einschließlich HyperDrive-Ausführungen, Pipelineausführungen und AutoML-Ausführungen. Ein Ausführungsobjekt wird auch erstellt, wenn Sie submit oder start_logging mit der Experiment-Klasse ausführen. Informationen zu den ersten Experimenten und Ausführungen finden Sie hier: Initialisieren Sie das Run-Objekt. |
RunConfiguration |
Stellt die Konfiguration für Experimentausführungen an verschiedenen Computezielen in Azure Machine Learning dar. Das RunConfiguration-Objekt kapselt die Informationen, die zum Übermitteln einer Trainingsausführung in einem Experiment erforderlich sind. In der Regel erstellen Sie ein RunConfiguration-Objekt nicht direkt, sondern erhalten eines über eine Methodenrückgabe, z. B. von der submit-Methode der Experiment-Klasse. RunConfiguration ist eine Basisumgebungskonfiguration, die auch in anderen Arten von Konfigurationsschritten verwendet wird, die davon abhängen, welchen Ausführungstyp Sie auslösen. Wenn Sie beispielsweise einen Python-Skriptschritt (PythonScriptStep) einrichten, können Sie auf das RunConfiguration-Objekt des Schritts zugreifen und Conda-Abhängigkeiten konfigurieren oder auf die Umgebungseigenschaften für die Ausführung zugreifen. Beispiele für Laufzeitkonfigurationen finden Sie unter Auswählen und Verwenden eines Computeziels zum Trainieren Ihres Modells. Initialisieren Sie eine RunConfiguration mit den Standardeinstellungen. |
ScriptRun |
Bietet programmgesteuerten Zugriff zum Verwalten übermittelter Trainingsausführungen. Eine mit ScriptRunConfig übermittelte Ausführung stellt einen einzelnen Testlauf in einem Experiment dar. Beim Übermitteln der Ausführung wird ein ScriptRun-Objekt zurückgegeben, das verwendet werden kann, um die asynchrone Verarbeitung der Ausführung zu überwachen, Metriken zu protokollieren und die Ausgabe der Ausführung zu speichern sowie Ergebnisse zu analysieren und auf von der Ausführung generierte Artefakte zuzugreifen. Informationen zu den ersten Schritten mit Experimenten und ScriptRunConf finden Sie unter Class ScriptRun-Konstruktor. |
ScriptRunConfig |
Stellt Konfigurationsinformationen zum Übermitteln einer Trainingsausführung in Azure Machine Learning dar. Eine Skriptausführungskonfiguration (ScriptRunConfig) enthält die Konfigurationsinformationen, die zum Übermitteln einer Ausführung in Azure ML erforderlich sind, einschließlich des Skripts, des Computeziels, der Umgebung und verteilter, auftragsspezifischer Konfigurationen. Wenn eine Skriptausführung konfiguriert und mit submit übermittelt wurde, wird eine Skriptausführung (ScriptRun) zurückgegeben. ScriptRunConfig-Konstruktor der Klasse. |
SynapseWorkspaceLinkedServiceConfiguration |
Hinweis Dies ist eine experimentelle Klasse, die jederzeit geändert werden kann. Unter https://aka.ms/azuremlexperimental finden Sie weitere Informationen. Definiert eine Konfiguration für verknüpfte Dienste zum Verknüpfen eines Synapse-Arbeitsbereichs. Initialisieren Sie das SynapseWorkspaceLinkedServiceConfiguration-Objekt. |
Webservice |
Definiert Basisfunktionen für die Bereitstellung von Modellen als Webdienst-Endpunkte in Azure Machine Learning. Der Webdienstkonstruktor wird verwendet, um eine Clouddarstellung eines Webservice-Objekts abzurufen, das dem bereitgestellten Workspace-Objekt zugeordnet ist. Gibt eine Instanz einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Webservice-Objekts entspricht Die Webservice-Klasse ermöglicht die Bereitstellung von Machine Learning-Modellen aus einem Model- oder Image-Objekt. Weitere Informationen zur Verwendung von Webservice finden Sie unter Bereitstellen von Modellen mit Azure Machine Learning. Initialisieren Sie den Webdienst instance. Der Webdienstkonstruktor ruft eine Clouddarstellung eines Webdienstobjekts ab, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Es wird eine instance einer untergeordneten Klasse zurückgegeben, die dem spezifischen Typ des abgerufenen Webdienstobjekts entspricht. |
Workspace |
Definiert eine Azure Machine Learning-Ressource zum Verwalten von Trainings- und Bereitstellungsartefakten Ein Arbeitsbereich ist eine grundlegende Ressource für das maschinelle Lernen in Azure Machine Learning. Sie verwenden einen Arbeitsbereich zum Experimentieren, Trainieren und Bereitstellen von Machine Learning-Modellen. Jeder Arbeitsbereich ist an ein Azure-Abonnement und eine Ressourcengruppe gebunden und verfügt über eine zugeordnete SKU. Weitere Informationen zu Arbeitsbereichen finden Sie hier: Klassenarbeitsbereichkonstruktor zum Laden eines vorhandenen Azure Machine Learning-Arbeitsbereichs. |
diagnostic_log |
Leitet Debugprotokolle an eine festgelegte Datei weiter. |
Functions
attach_legacy_compute_target
Fügt ein Computeziel an dieses Projekt an.
attach_legacy_compute_target(experiment, source_directory, compute_target)
Parameter
Name | Beschreibung |
---|---|
experiment
Erforderlich
|
|
source_directory
Erforderlich
|
|
compute_target
Erforderlich
|
Ein anzufügendes Computezielobjekt. |
Gibt zurück
Typ | Beschreibung |
---|---|
Nichts, wenn das Anfügen erfolgreich ist, andernfalls wird eine Ausnahme ausgelöst. |
get_run
Abrufen der Ausführung für dieses Experiment mit der Ausführungs-ID.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parameter
Name | Beschreibung |
---|---|
experiment
Erforderlich
|
Das enthaltende Experiment. |
run_id
Erforderlich
|
Die Ausführungs-ID. |
rehydrate
|
<xref:boolean>
Gibt an, ob das ursprüngliche Ausführungsobjekt oder nur ein Basisausführungsobjekt zurückgegeben wird. Bei „True“ gibt diese Funktion den ursprünglichen Ausführungsobjekttyp zurück. Für eine Ausführung für automatisiertes ML wird beispielsweise ein AutoMLRun-Objekt zurückgegeben, während für eine HyperDrive-Ausführung ein HyperDriveRun-Objekt zurückgegeben wird. Bei „False“ gibt die Funktion ein Run-Objekt zurück. Standardwert: True
|
clean_up
|
Wenn true, rufen Sie _register_kill_handler von run_base Standardwert: True
|
Gibt zurück
Typ | Beschreibung |
---|---|
Die übermittelte Ausführung |
is_compute_target_prepared
Überprüfen, ob das Computeziel vorbereitet ist.
Überprüft, ob das in run_config angegebene Computeziel bereits für die angegebene Laufzeitkonfiguration vorbereitet ist oder nicht.
is_compute_target_prepared(experiment, source_directory, run_config)
Parameter
Name | Beschreibung |
---|---|
experiment
Erforderlich
|
|
source_directory
Erforderlich
|
|
run_config
Erforderlich
|
str oder
RunConfiguration
Die Konfiguration der Ausführung. Dies kann eine Ausführungskonfigurationsname in Form einer Zeichenfolge oder ein azureml.core.runconfig.RunConfiguration-Objekt sein. |
Gibt zurück
Typ | Beschreibung |
---|---|
True, wenn das Computeziel vorbereitet ist. |
prepare_compute_target
Das Computeziel vorbereiten.
Installiert alle erforderlichen Pakete für eine Experimentausführung basierend auf run_config und custom_run_config.
prepare_compute_target(experiment, source_directory, run_config)
Parameter
Name | Beschreibung |
---|---|
experiment
Erforderlich
|
|
source_directory
Erforderlich
|
|
run_config
Erforderlich
|
str oder
RunConfiguration
Die Konfiguration der Ausführung. Dies kann eine Ausführungskonfigurationsname in Form einer Zeichenfolge oder ein azureml.core.runconfig.RunConfiguration-Objekt sein. |
Gibt zurück
Typ | Beschreibung |
---|---|
Ein Ausführungsobjekt |
remove_legacy_compute_target
Ein Computeziel aus dem Projekt entfernen.
remove_legacy_compute_target(experiment, source_directory, compute_target_name)
Parameter
Name | Beschreibung |
---|---|
experiment
Erforderlich
|
|
source_directory
Erforderlich
|
|
compute_target_name
Erforderlich
|
|
Gibt zurück
Typ | Beschreibung |
---|---|
Nichts, wenn das Entfernen des Computeziels erfolgreich ist, andernfalls wird eine Ausnahme ausgelöst. |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für