core Paquete

Contiene paquetes, módulos y clases básicos de Azure Machine Learning.

Las áreas principales incluyen la administración de objetivos de proceso, la creación y administración de espacios de trabajo y experimentos, y el envío de las ejecuciones del modelo y los resultados y registros de las ejecuciones, y el acceso a estos.

Paquetes

compute	Este paquete contiene clases que se usan para administrar los destinos de proceso en Azure Machine Learning. Para más información sobre cómo elegir destinos de proceso para el entrenamiento y la implementación, consulte ¿Qué son los destinos de proceso en Azure Machine Learning?
image	Contiene funcionalidad para administrar imágenes que se implementan como puntos de conexión de servicio web en Azure Machine Learning. Esta clase está en DESUSO. Utilice la clase Environment en su lugar. Una imagen se usa para implementar un objeto Model, un script y los archivos asociados como un punto de conexión de servicio Web o dispositivo IoT Edge. El punto de conexión controla las solicitudes de puntuación entrantes y devuelve las predicciones. Las clases clave de este paquete son la clase Image, la clase principal de las imágenes de Azure Machine Learning y la clase ContainerImage derivada para las imágenes de Docker, así como las imágenes de vista previa como FPGA. A menos que tenga un flujo de trabajo que requiera específicamente el uso de imágenes, debe usar, en su lugar, la clase Environment para definir la imagen. A continuación, puede usar el objeto Environment con el Model deploy() método para implementar el modelo como un servicio web. También puede usar el método Model package() para crear una imagen que se puede descargar en la instalación local de Docker como una imagen o como Dockerfile. Para obtener más información sobre el uso de la clase Model, consulte Implementación de modelos con Azure Machine Learning. Para más información sobre el uso de imágenes personalizadas, consulte Implementación de un modelo con una imagen base de Docker personalizada.
webservice	Contiene funcionalidad para implementar modelos de Machine Learning como puntos de conexión de servicio web en Azure Machine Learning. La implementación de un modelo de Azure Machine Learning como un servicio web crea un punto de conexión y una API REST. Puede enviar datos a esta API y recibir la predicción que devuelve el modelo. Se crea un servicio web al implementar un elemento Model o Image en Azure Container Instances (módulo aci), Azure Kubernetes Service (módulo aks) y punto de conexión de Azure Kubernetes (AksEndpoint) o matrices de puertas programables por campo (FPGA). La implementación mediante un modelo se recomienda para la mayoría de los casos de uso, mientras que la implementación mediante una imagen se recomienda para casos de uso avanzados. Se admiten ambos tipos de implementación en las clases de este módulo.

Módulos

authentication	Contiene funcionalidad para administrar diferentes tipos de autenticación en Azure Machine Learning. Tipos de autenticación admitidos: Inicio de sesión interactivo: el modo predeterminado al usar el SDK de Azure Machine Learning. Usa un cuadro de diálogo interactivo. CLI de Azure: para usar con el paquete azure-cli. Entidad de servicio: para usar con flujos de trabajo de aprendizaje automático automatizado. MSI: para usar con recursos habilitados para la identidad de servicio administrada, como con una máquina virtual de Azure. Token de Azure ML: se usa para adquirir tokens de Azure ML solo para ejecuciones enviadas. Para más información sobre estos mecanismos de autenticación, consulte https://aka.ms/aml-notebook-auth.
compute_target	Contiene funcionalidad para destinos de proceso no administrados por Azure Machine Learning. Los destinos de proceso definen el entorno de proceso de entrenamiento y pueden ser recursos locales o remotos en la nube. Los recursos remotos le permiten escalar vertical u horizontalmente con facilidad la experimentación de aprendizaje automático aprovechando las capacidades de procesamiento acelerado de CPU y GPU. Para obtener información sobre los destinos de proceso administrados por Azure Machine Learning, vea la clase ComputeTarget. Para más información, consulte ¿Qué son los destinos de proceso en Azure Machine Learning?
conda_dependencies	Contiene funcionalidad para administrar las dependencias del entorno de Conda. Use la clase CondaDependencies para cargar los archivos del entorno de Conda existentes y configurar y administrar nuevos entornos donde se ejecutan experimentos.
container_registry	Contiene funcionalidad para administrar una instancia de Azure Container Registry.
databricks	Contiene funcionalidad para administrar entornos de Databricks en Azure Machine Learning. Para más información sobre cómo trabajar con Databricks en Azure Machine Learning, consulte Configuración de un entorno de desarrollo para Azure Machine Learning.
dataset	Administra la interacción con conjuntos de datos de Azure Machine Learning. Este módulo proporciona funcionalidad para consumir datos sin procesar, administrar datos y realizar acciones en los datos de Azure Machine Learning. Use la clase Dataset de este módulo para crear conjuntos de datos junto con la funcionalidad del paquete data, que contiene las clases compatibles FileDataset y TabularDataset. Para empezar a trabajar con conjuntos de datos, consulte el artículo Agregar y registrar conjuntos de datos.
datastore	Contiene funcionalidad para administrar almacenes de datos en Azure Machine Learning.
environment	Contiene funcionalidad para crear y administrar entornos reproducibles en Azure Machine Learning. Los entornos proporcionan una manera de administrar la dependencia de software para que los entornos controlados se puedan reproducir con una configuración manual mínima al moverse entre entornos de desarrollo en la nube distribuidos y locales. Un entorno encapsula los paquetes de Python, las variables de entorno y la configuración de software para los scripts de entrenamiento y puntuación, y los tiempos de ejecución en Python, Spark o Docker. Para más información sobre el uso de entornos para el entrenamiento e implementación con Azure Machine Learning, consulte Creación y administración de entornos reutilizables.
experiment	Contiene la funcionalidad que se usa para enviar experimentos y administrar el historial de experimentos en Azure Machine Learning.
keyvault	Contiene funcionalidad para administrar los secretos en Key Vault asociados a un área de trabajo de Azure Machine Learning. Este módulo contiene métodos prácticos para agregar, recuperar, eliminar y enumerar secretos de Azure Key Vault asociados a un área de trabajo.
linked_service	Contiene funcionalidad para crear y administrar un servicio vinculado en el área de trabajo de AML.
model	Contiene funcionalidad para administrar modelos de Machine Learning en Azure Machine Learning. Con la clase Model, puede realizar las siguientes tareas principales: registrar el modelo con un área de trabajo generar el perfil del modelo para comprender los requisitos de implementación empaquetar el modelo para su uso con Docker implementar el modelo en un punto de conexión de inferencia como un servicio web Para más información sobre cómo se usan los modelos, consulte Funcionamiento de Azure Machine Learning: Arquitectura y conceptos.
private_endpoint	Contiene funcionalidad para definir y configurar puntos de conexión privados de Azure.
profile	Contiene la funcionalidad para generar perfiles de modelos en Azure Machine Learning.
resource_configuration	Contiene funcionalidad para administrar la configuración de recursos para entidades de Azure Machine Learning.
run	Contiene la funcionalidad para administrar métricas y artefactos de experimentos en Azure Machine Learning.
runconfig	Contiene la funcionalidad para administrar la configuración de ejecuciones de experimentos en Azure Machine Learning. La clase clave de este módulo es RunConfiguration, que encapsula la información necesaria para enviar una ejecución de entrenamiento en un destino de proceso especificado. Esta configuración incluye un amplio conjunto de definiciones de comportamiento como, por ejemplo, si quiere usar un entorno de Python existente o un entorno de Conda creado a partir de la especificación. El acceso a otras clases de configuración del módulo tiene lugar mediante RunConfiguration.
script_run	Contiene funcionalidad para administrar las ejecuciones de entrenamiento enviadas en Azure Machine Learning.
script_run_config	Contiene funcionalidad para administrar la configuración para enviar ejecuciones de entrenamiento en Azure Machine Learning.
util	Contiene la clase para especificar el nivel de detalle de registro.
workspace	Contiene funcionalidad para administrar un área de trabajo, el recurso de nivel superior de Azure Machine Learning. Este módulo contiene la clase Workspace y sus métodos y atributos que le permiten administrar artefactos de aprendizaje automático, como destinos de proceso, entornos, almacenes de datos, experimentos y modelos. Un área de trabajo está vinculada a una suscripción y un grupo de recursos de Azure, y es el medio principal para la facturación. Las áreas de trabajo admiten el control de acceso basado en rol (RBAC) de Azure Resource Manager y la afinidad de región para todos los datos de aprendizaje automático guardados en el área de trabajo.

Clases

ComputeTarget	Clase primaria abstracta para todos los destinos de proceso administrados por Azure Machine Learning. Un destino de proceso es un entorno o recurso de proceso en el que se ejecuta el script de entrenamiento o se hospeda la implementación del servicio web. Esta ubicación puede ser su equipo local o un recurso de proceso en la nube. Para más información, consulte ¿Qué son los destinos de proceso en Azure Machine Learning? Constructor ComputeTarget de clase. Recupere una representación en la nube de un objeto Compute asociado al área de trabajo proporcionada. Devuelve una instancia de una clase secundaria correspondiente al tipo específico del objeto Compute recuperado.
ContainerRegistry	Define una conexión a una instancia de Azure Container Registry. Constructor ContainerRegistry de clase.
Dataset	Representa un recurso para explorar, transformar y administrar datos en Azure Machine Learning. Un conjunto de datos es una referencia a los datos de un objeto Datastore o que se encuentran detrás de direcciones URL web públicas. Para ver los métodos en desuso de esta clase, consulte las API mejoradas en la clase AbstractDataset. Se admiten los siguientes tipos de conjuntos de datos: TabularDataset representa los datos en formato tabular que se crean mediante el análisis del archivo o la lista de archivos proporcionados. FileDataset hace referencia a uno o varios archivos de almacenes de archivos o direcciones URL públicas. Para empezar a trabajar con conjuntos de datos, consulte el artículo Agregar y registrar conjuntos de datos, o vea los cuadernos https://aka.ms/tabulardataset-samplenotebook y https://aka.ms/filedataset-samplenotebook. Inicialice el objeto Dataset. Para obtener un conjunto de datos que ya se ha registrado en el área de trabajo, use el método get.
Datastore	Representa una abstracción de almacenamiento en una cuenta de almacenamiento de Azure Machine Learning. Los almacenes de datos están asociados a áreas de trabajo y se usan para almacenar información de conexión en los servicios de almacenamiento de Azure para que pueda hacer referencia a ellos por nombre y no necesite recordar la información de conexión y el secreto usados para conectarse a los servicios de almacenamiento. Los siguientes son ejemplos de servicios de almacenamiento de Azure compatibles que se pueden registrar como almacenes de datos: Azure Blob Container Recurso compartido de archivos de Azure Azure Data Lake Azure Data Lake Gen2 Azure SQL Database Azure Database for PostgreSQL Sistema de archivos de Databricks Azure Database for MySQL Use esta clase para realizar operaciones de administración, como registrar, enumerar, obtener y quitar almacenes de datos. Los almacenes de datos para cada servicio se crean con los métodos register* de esta clase. Cuando se usa un almacén de datos para acceder a los datos, debe tener permiso para acceder a ellos, lo que depende de las credenciales registradas en el almacén de datos. Para más información sobre los almacenes de datos y cómo se pueden usar en el aprendizaje automático, consulte los siguientes artículos: Acceso a los datos en los servicios de almacenamiento de Azure Entrenamiento de modelos con Azure Machine Learning mediante el estimador Creación y ejecución de canalizaciones de aprendizaje automático Obtiene un almacén de datos por nombre. Esta llamada realizará una solicitud al servicio de almacén de datos.
Environment	Configura un entorno de Python reproducible para experimentos de aprendizaje automático. Un entorno define los paquetes de Python, las variables de entorno y la configuración de Docker que se usan en los experimentos de aprendizaje automático, incluida la preparación de datos, el entrenamiento y la implementación en un servicio web. Un entorno se administra y se crean sus versiones en un elemento Workspace de Azure Machine Learning. Puede actualizar un entorno existente y recuperar una versión para reutilizarla. Los entornos son exclusivos del área de trabajo en la que se crean y no se pueden usar en distintas áreas de trabajo. Para más información sobre los entornos, consulte Creación y uso de entornos de software en Azure Machine Learning. Constructor de entorno de clase.
Experiment	Representa el punto de entrada principal para crear y trabajar con experimentos en Azure Machine Learning. Un experimento es un contenedor de pruebas que representan varias ejecuciones del modelo. Constructor de experimentos.
Image	Define la clase principal abstracta de las imágenes de Azure Machine Learning. Esta clase está en DESUSO. Utilice la clase Environment en su lugar. Constructor de imagen. Esta clase está en DESUSO. Utilice la clase Environment en su lugar. El constructor image se usa para recuperar una representación en la nube de un objeto Image asociado al área de trabajo proporcionada. Devolverá una instancia de una clase secundaria correspondiente al tipo específico del objeto Image recuperado.
Keyvault	Administra los secretos almacenados en Azure Key Vault asociados a un área de trabajo de Azure Machine Learning. Cada área de trabajo de Azure Machine Learning tiene una instancia de Azure Key Vault asociada. La clase Keyvault es un contenedor simplificado de Azure Key Vault que permite administrar los secretos en el almacén de claves, incluida la configuración, recuperación, eliminación y enumeración de secretos. Usa la clase Keyvault para pasar secretos a ejecuciones remotas de forma segura sin exponer información confidencial en texto no cifrado. Para más información, consulte Uso de secretos en ejecuciones de entrenamiento. Constructor keyvault de clase.
LinkedService	Nota: Se trata de una clase experimental y puede cambiar en cualquier momento. Consulte https://aka.ms/azuremlexperimental para más información. Define un recurso para administrar la vinculación entre el área de trabajo de AML con otros servicios de Azure. Inicialice el objeto LinkedService.
Model	Representa el resultado del entrenamiento de aprendizaje automático. Un modelo es el resultado de un entrenamiento Run de Azure Machine Learning o de algún otro proceso de entrenamiento de modelos fuera de Azure. Independientemente de cómo se produzca el modelo, se puede registrar en un área de trabajo, donde se representa mediante un nombre y una versión. Con la clase Model, puede empaquetar modelos para usarlos con Docker e implementarlos como un punto de conexión en tiempo real que se puede usar para las solicitudes de inferencia. Para ver un tutorial completo en el que se muestra cómo se crean, administran y consumen modelos, consulte Tutorial: Entrenamiento e implementación de un modelo de clasificación de imágenes con un ejemplo de Jupyter Notebook. Constructor de modelos. El constructor Model se usa para recuperar una representación en la nube de un objeto Model asociado al área de trabajo proporcionada. Debe proporcionar el nombre o el identificador.
PrivateEndPoint	Define un punto de conexión privado para administrar las conexiones de punto de conexión privado asociadas a un área de trabajo Azure ML. Inicialice PrivateEndPoint.
PrivateEndPointConfig	Define la configuración de un punto de conexión privado de Azure. Un punto de conexión privado de Azure es una interfaz de red que le conecta de forma privada y segura a un área de trabajo de Azure ML con Private Link. Inicialice PrivateEndPointConfig.
Run	Define la clase base para todas las ejecuciones de experimentos de Azure Machine Learning. Una ejecución representa una prueba única de un experimento. Las ejecuciones se usan para supervisar la ejecución asincrónica de una prueba, registrar métricas y almacenar la salida de la prueba, y para analizar los resultados y acceder a los artefactos que genera la prueba. Los objetos de ejecución se crean al enviar un script para entrenar un modelo en muchos escenarios diferentes de Azure Machine Learning, entre los que se incluyen las ejecuciones de HyperDrive, las ejecuciones de canalizaciones y las de AutoML. También se crea un objeto de ejecución cuando submit o start_logging con la clase Experiment. Para empezar a trabajar con experimentos y ejecuciones, consulte los documentos siguientes: Creación y administración de entornos de entrenamiento e implementación Administración de ejecuciones Inicialice el objeto Run.
RunConfiguration	Representa la configuración de las ejecuciones de experimentos destinadas a distintos destinos de proceso en Azure Machine Learning. El objeto RunConfiguration encapsula la información necesaria para enviar una ejecución de entrenamiento en un experimento. Normalmente, no creará un objeto RunConfiguration directamente, sino que obtiene uno de un método que lo devuelve, como el método submit de la clase Experiment. RunConfiguration es una configuración de entorno base que también se usa en otros tipos de pasos de configuración que dependen del tipo de ejecución que se está desencadenando. Por ejemplo, al configurar PythonScriptStep, puede acceder al objeto RunConfiguration del paso y configurar las dependencias de Conda o acceder a las propiedades del entorno para la ejecución. Para ver ejemplos de configuraciones de ejecución, consulte Selección y uso de un destino de proceso para entrenar el modelo. Inicialice un RunConfiguration con la configuración predeterminada.
ScriptRun	Proporciona acceso mediante programación para administrar las ejecuciones de entrenamiento enviadas. Una ejecución que se envía con ScriptRunConfig representa una prueba única en un experimento. El envío de la ejecución devuelve un objeto ScriptRun, que se puede usar para supervisar la ejecución asincrónica de la ejecución, registrar métricas y almacenar la salida de la ejecución, y analizar los resultados y acceder a los artefactos que genera la ejecución. Para empezar a trabajar con experimentos y ScriptRunConf, consulte los documentos siguientes: Creación y administración de entornos de entrenamiento e implementación Administración de ejecuciones Constructor ScriptRun de clase.
ScriptRunConfig	Representa la información de configuración para enviar una ejecución de entrenamiento en Azure Machine Learning. ScriptRunConfig empaqueta juntos la información de configuración necesaria para enviar una ejecución en Azure ML, incluidos el script, el destino de proceso, el entorno y cualquier configuración distribuida específica del trabajo. Una vez configurada y enviada una ejecución de script con submit, se devuelve ScriptRun. Constructor De clase ScriptRunConfig.
SynapseWorkspaceLinkedServiceConfiguration	Nota: Se trata de una clase experimental y puede cambiar en cualquier momento. Consulte https://aka.ms/azuremlexperimental para más información. Define una configuración de servicio vinculado para vincular el área de trabajo de Synapse. Inicialice el objeto SynapseWorkspaceLinkedServiceConfiguration.
Webservice	Define la funcionalidad base para implementar modelos como puntos de conexión de servicio web en Azure Machine Learning. El constructor Webservice se usa para recuperar una representación en la nube de un objeto Webservice asociado al área de trabajo proporcionada. Se devuelve una instancia de una clase secundaria correspondiente al tipo específico del objeto Webservice recuperado. La clase Webservice permite implementar modelos de Machine Learning desde un objeto Model o Image. Para más información sobre el trabajo con Webservice, consulte Implementación de modelos con Azure Machine Learning. Inicialice la instancia del servicio web. El constructor de servicios web recupera una representación en la nube de un objeto de servicio web asociado al área de trabajo proporcionada. Devolverá una instancia de una clase secundaria correspondiente al tipo específico del objeto Webservice recuperado.
Workspace	Define un recurso de Azure Machine Learning para administrar artefactos de entrenamiento e implementación. Un área de trabajo es un recurso fundamental para el aprendizaje automático en Azure Machine Learning. Las áreas de trabajo se usan para experimentar, entrenar e implementar modelos de Machine Learning. Cada área de trabajo está vinculada a una suscripción y un grupo de recursos de Azure, y tiene una SKU asociada. Para más información sobre las áreas de trabajo, consulte: ¿Qué es un área de trabajo de Azure Machine Learning? Administración del acceso a un área de trabajo Constructor de área de trabajo de clase para cargar un área de trabajo de Azure Machine Learning existente.
diagnostic_log	Dirige los registros de depuración a un archivo especificado.

Funciones

attach_legacy_compute_target

Asocia un destino de proceso a este proyecto.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parámetros

Nombre	Description
experiment Requerido	Experiment
source_directory Requerido	str
compute_target Requerido	str Objeto de destino de proceso que se va a asociar.

Devoluciones

Tipo	Description
	None si la asociación se realiza correctamente; de lo contrario, se produce una excepción.

get_run

Obtiene la ejecución de este experimento con su identificador de ejecución.

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

Parámetros

Nombre	Description
experiment Requerido	Experiment Experimento que lo contiene.
run_id Requerido	string Identificador de la ejecución.
rehydrate	<xref:boolean> Indica si se devuelve el objeto de ejecución original o simplemente un objeto de ejecución base. Si es True, esta función devuelve el tipo de objeto de ejecución original. Por ejemplo, para una ejecución de AutoML, se devuelve un objeto AutoMLRun, mientras que para una ejecución de HyperDrive, se devuelve un objeto HyperDriveRun. Si es False, la función devuelve un objeto Run. Valor predeterminado: True
clean_up	bool Si es true, llame a _register_kill_handler desde run_base Valor predeterminado: True

Devoluciones

Tipo	Description
Run	Ejecución enviada.

is_compute_target_prepared

Comprueba si el destino de proceso está preparado.

Comprueba si el destino de proceso, especificado en run_config, ya está preparado o no para la configuración de ejecución especificada.

is_compute_target_prepared(experiment, source_directory, run_config)

Parámetros

Nombre	Description
experiment Requerido	Experiment
source_directory Requerido	str
run_config Requerido	str o RunConfiguration Configuración de la ejecución. Puede ser un nombre de configuración de ejecución, como cadena, o un objeto azureml.core.runconfig.RunConfiguration.

Devoluciones

Tipo	Description
bool	True si el destino de proceso está preparado.

prepare_compute_target

Prepara el destino de proceso.

Instala todos los paquetes necesarios para una ejecución de experimento basada en run_config y custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Parámetros

Nombre	Description
experiment Requerido	Experiment
source_directory Requerido	str
run_config Requerido	str o RunConfiguration Configuración de la ejecución. Puede ser un nombre de configuración de ejecución, como cadena, o un objeto azureml.core.runconfig.RunConfiguration.

Devoluciones

Tipo	Description
ScriptRun	Un objeto de ejecución.

remove_legacy_compute_target

Quita un destino de proceso del proyecto.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parámetros

Nombre	Description
experiment Requerido	Experiment
source_directory Requerido	str
compute_target_name Requerido	str

Devoluciones

Tipo	Description
None	None si la eliminación del destino de proceso se realiza correctamente; de lo contrario, se produce una excepción.