azureml-pipeline-steps Paquete

  • Referencia

Paquetes

steps

Contiene pasos creados previamente que se pueden ejecutar en una canalización de Azure Machine Learning.

Los pasos de Azure ML Pipeline se pueden configurar conjuntamente para construir una canalización, que representa un flujo de trabajo Azure Machine Learning compartido y reutilizable. Cada paso de una canalización se puede configurar para permitir la reutilización de los resultados de ejecución anteriores si el contenido del paso (scripts y dependencias), así como las entradas y los parámetros permanecen sin cambios.

Las clases de este paquete se usan normalmente junto con las clases del paquete core. El paquete principal contiene clases para configurar datos (PipelineData), programar (Schedule) y administrar la salida de los pasos (StepRun).

Los pasos creados previamente en este paquete abarcan muchos escenarios comunes que se encuentran en los flujos de trabajo de aprendizaje automático. Para empezar a trabajar con los pasos de canalización creados previamente, consulte:

Módulos

adla_step

Contiene la funcionalidad para crear un paso de canalización de Azure ML para ejecutar un script de U-SQL con Azure Data Lake Analytics.
automl_step

Contiene funcionalidad para agregar y administrar un paso de canalización de aprendizaje automático automatizado en Azure Machine Learning.
azurebatch_step

Contiene funcionalidad para crear un paso de canalización de Azure Machine Learning que ejecuta un archivo ejecutable de Windows en Azure Batch.
command_step

Contiene funcionalidad para crear un paso de Azure ML Pipeline que ejecuta comandos.
data_transfer_step

Contiene funcionalidad para crear un paso de canalización de Azure ML que transfiere datos entre opciones de almacenamiento.
databricks_step

Contiene funcionalidad para crear un paso de canalización de Azure Machine Learning para ejecutar un cuaderno de Databricks o un script de Python en DBFS.
estimator_step

Contiene funcionalidad para crear un paso de canalización que ejecuta un estimador para el entrenamiento del modelo de Machine Learning.
hyper_drive_step

Contiene funcionalidad para crear y administrar pasos de Azure ML Pipeline que ejecutan el ajuste de hiperparámetros.
kusto_step

Contiene funcionalidad para crear un paso de canalización de Azure Machine Learning que ejecuta un cuaderno de Kusto.
module_step

Contiene funcionalidad para agregar un paso de canalización de Azure Machine Learning mediante una versión existente de un módulo.
mpi_step

Contiene funcionalidad para agregar un paso de canalización de Azure ML para ejecutar un trabajo de MPI para el aprendizaje de modelos de Machine Learning.
parallel_run_config

Contiene la funcionalidad para configurar una clase ParallelRunStep.
parallel_run_step

Contiene funcionalidad para agregar un paso para ejecutar el script de usuario en modo paralelo en varios destinos de AmlCompute.
python_script_step

Contiene funcionalidad para crear un paso de Azure ML Pipeline que ejecuta un script de Python.
r_script_step

Contiene funcionalidad para crear un paso de canalización de Azure Machine Learning que ejecuta el script de R.
synapse_spark_step

Contiene funcionalidad para crear un paso de Azure ML Synapse que ejecuta un script de Python.