DatabricksCompute Klasse
Dient zum Verwalten eines Databricks-Computeziels in Azure Machine Learning.
Azure Databricks ist eine Apache Spark-basierte Umgebung in der Azure-Cloud. Sie kann mit einer Azure Machine Learning-Pipeline als Computeziel verwendet werden. 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.
- Vererbung
-
DatabricksCompute
Konstruktor
DatabricksCompute(workspace, name)
Parameter
- workspace
- Workspace
Das Arbeitsbereichsobjekt, das das abzurufende DatabricksCompute-Objekt enthält.
Hinweise
Das folgende Beispiel veranschaulicht, wie Azure Databricks als Computeziel angefügt wird.
# Replace with your account info before running.
db_compute_name=os.getenv("DATABRICKS_COMPUTE_NAME", "<my-databricks-compute-name>") # Databricks compute name
db_resource_group=os.getenv("DATABRICKS_RESOURCE_GROUP", "<my-db-resource-group>") # Databricks resource group
db_workspace_name=os.getenv("DATABRICKS_WORKSPACE_NAME", "<my-db-workspace-name>") # Databricks workspace name
db_access_token=os.getenv("DATABRICKS_ACCESS_TOKEN", "<my-access-token>") # Databricks access token
try:
databricks_compute = DatabricksCompute(workspace=ws, name=db_compute_name)
print('Compute target {} already exists'.format(db_compute_name))
except ComputeTargetException:
print('Compute not found, will use below parameters to attach new one')
print('db_compute_name {}'.format(db_compute_name))
print('db_resource_group {}'.format(db_resource_group))
print('db_workspace_name {}'.format(db_workspace_name))
print('db_access_token {}'.format(db_access_token))
config = DatabricksCompute.attach_configuration(
resource_group = db_resource_group,
workspace_name = db_workspace_name,
access_token= db_access_token)
databricks_compute=ComputeTarget.attach(ws, db_compute_name, config)
databricks_compute.wait_for_completion(True)
Das vollständige Beispiel finden Sie unter https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-use-databricks-as-compute-target.ipynb.
Methoden
attach |
VERALTET. Verwenden Sie stattdessen die Ordnet eine vorhandene Databricks-Computeressource einem bereitgestellten Arbeitsbereich zu. |
attach_configuration |
Erstellen Sie ein Konfigurationsobjekt zum Anfügen eines Databricks-Computeziels. |
delete |
Das Löschen wird für ein DatabricksCompute-Objekt nicht unterstützt. Verwenden Sie stattdessen detach. |
deserialize |
Konvertiert ein JSON-Objekt in ein DatabricksCompute-Objekt. |
detach |
Trennt das Databricks-Objekt vom zugeordneten Arbeitsbereich. Zugrunde liegende Cloudobjekte werden nicht gelöscht, nur die Zuordnung wird entfernt. |
get_credentials |
Rufen Sie die Anmeldeinformationen für das Databricks-Ziel ab. |
refresh_state |
Führen Sie eine direkte Aktualisierung der Eigenschaften des Objekts durch. Mit dieser Methode werden die Eigenschaften basierend auf dem aktuellen Zustand des entsprechenden Cloud-Objekts aktualisiert. Sie wird in erster Linie für das manuelle Abrufen des Computezustands verwendet. |
serialize |
Konvertiert dieses DatabricksCompute-Objekt in ein serialisiertes JSON-Wörterbuch. |
attach
VERALTET. Verwenden Sie stattdessen die attach_configuration
-Methode.
Ordnet eine vorhandene Databricks-Computeressource einem bereitgestellten Arbeitsbereich zu.
static attach(workspace, name, resource_id, access_token)
Parameter
- workspace
- Workspace
Das Arbeitsbereichsobjekt, dem die Computeressource zugeordnet werden soll.
- name
- str
Name, der der Computeressource innerhalb des bereitgestellten Arbeitsbereichs zugeordnet werden soll. Muss nicht mit dem Namen der anzufügenden Computeressource übereinstimmen.
Gibt zurück
Eine DatabricksCompute-Objektdarstellung des Compute-Objekts.
Rückgabetyp
Ausnahmen
attach_configuration
Erstellen Sie ein Konfigurationsobjekt zum Anfügen eines Databricks-Computeziels.
static attach_configuration(resource_group=None, workspace_name=None, resource_id=None, access_token='')
Parameter
- resource_group
- str
Der Name der Ressourcengruppe, in der sich Databricks befindet.
Gibt zurück
Ein Konfigurationsobjekt, das beim Anfügen eines Compute-Objekts verwendet werden soll.
Rückgabetyp
Ausnahmen
delete
Das Löschen wird für ein DatabricksCompute-Objekt nicht unterstützt. Verwenden Sie stattdessen detach.
delete()
Ausnahmen
deserialize
Konvertiert ein JSON-Objekt in ein DatabricksCompute-Objekt.
static deserialize(workspace, object_dict)
Parameter
- workspace
- Workspace
Das Arbeitsbereichsobjekt, dem das DatabricksCompute-Objekt zugeordnet ist.
- object_dict
- dict
Ein JSON-Objekt, das in ein DatabricksCompute-Objekt konvertiert werden soll.
Gibt zurück
Die DatabricksCompute-Darstellung des bereitgestellten JSON-Objekts.
Rückgabetyp
Ausnahmen
Hinweise
Wenn der bereitgestellte Arbeitsbereich nicht der Arbeitsbereich ist, dem das Computeobjekt zugeordnet ist, wird eine ComputeTargetException ausgelöst.
detach
Trennt das Databricks-Objekt vom zugeordneten Arbeitsbereich.
Zugrunde liegende Cloudobjekte werden nicht gelöscht, nur die Zuordnung wird entfernt.
detach()
Ausnahmen
get_credentials
Rufen Sie die Anmeldeinformationen für das Databricks-Ziel ab.
get_credentials()
Gibt zurück
Die Anmeldeinformationen für das Databricks-Ziel.
Rückgabetyp
Ausnahmen
refresh_state
Führen Sie eine direkte Aktualisierung der Eigenschaften des Objekts durch.
Mit dieser Methode werden die Eigenschaften basierend auf dem aktuellen Zustand des entsprechenden Cloud-Objekts aktualisiert. Sie wird in erster Linie für das manuelle Abrufen des Computezustands verwendet.
refresh_state()
Ausnahmen
serialize
Konvertiert dieses DatabricksCompute-Objekt in ein serialisiertes JSON-Wörterbuch.
serialize()
Gibt zurück
Die JSON-Darstellung dieses DatabricksCompute-Objekts.
Rückgabetyp
Ausnahmen
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