ModuleStep Clase
Crea un paso de canalización de Azure Machine Learning para ejecutar una versión específica de un módulo.
Los objetos Module definen cálculos reutilizables, como scripts o ejecutables, que se pueden usar en diferentes escenarios de aprendizaje automático y por usuarios diferentes. Para usar una versión específica de un módulo en una canalización, cree un paso ModuleStep. ModuleStep es un paso en la canalización que usa una clase ModuleVersion existente.
Para obtener un ejemplo del uso de ModuleStep, consulte el cuaderno https://aka.ms/pl-modulestep.
Cree un paso de canalización de Azure ML para ejecutar una versión específica de un módulo.
- Herencia
-
ModuleStep
Constructor
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)
Parámetros
- module
- Module
El módulo usado en el paso.
Proporcione el parámetro module
o module_version
, pero no ambos.
- module_version
- ModuleVersion
ModuleVersion del módulo usado en el paso.
Proporcione el parámetro module
o module_version
, pero no ambos.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Un diccionario que asigna los nombres de las definiciones de puerto de ModuleVersion a las entradas del paso.
- outputs_map
- dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
Un diccionario que asigna los nombres de las definiciones de puerto de ModuleVersion a las salidas del paso.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
El destino de proceso que se usará. Si no se especifica, se usará el destino de runconfig. Puede ser un objeto de destino de proceso o el nombre de cadena de un destino de proceso en el área de trabajo. Opcionalmente, si el destino de proceso no está disponible en el momento de la creación de la canalización, puede especificar una tupla de ("nombre de destino de proceso", "tipo de destino de proceso") para evitar capturar el objeto de destino de proceso (el tipo AmlCompute es "AmlCompute" y el tipo RemoteCompute es "VirtualMachine").
- runconfig
- RunConfiguration
Una clase RunConfiguration opcional que se usará. Se puede usar RunConfiguration para especificar requisitos adicionales para la ejecución, como las dependencias de Conda y una imagen de Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Una invalidación de las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada una con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad.
Valores admitidos: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
Lista de argumentos de línea de comandos para el archivo de script de Python. Los argumentos se entregarán al destino de proceso a través de argumentos en RunConfiguration. Para obtener más información sobre cómo controlar argumentos como símbolos especiales, vea los argumentos en RunConfiguration
- _workflow_provider
- <xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
(Solo uso interno). Proveedor de flujo de trabajo.
- module
- Module
El módulo usado en el paso.
Proporcione el parámetro module
o module_version
, pero no ambos.
- module_version
- ModuleVersion
ModuleVersion del módulo usado en el paso.
Proporcione el parámetro module
o module_version
, pero no ambos.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]]
Un diccionario que asigna los nombres de las definiciones de puerto de ModuleVersion a las entradas del paso.
- outputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]]
Un diccionario que asigna los nombres de las definiciones de puerto de ModuleVersion a las salidas del paso.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
El destino de proceso que se usará. Si no se especifica, se usará el destino de runconfig. Puede ser un objeto de destino de proceso o el nombre de cadena de un destino de proceso en el área de trabajo. Opcionalmente, si el destino de proceso no está disponible en el momento de la creación de la canalización, puede especificar una tupla de ("nombre de destino de proceso", "tipo de destino de proceso") para evitar capturar el objeto de destino de proceso (el tipo AmlCompute es "AmlCompute" y el tipo RemoteCompute es "VirtualMachine").
- runconfig
- RunConfiguration
Una clase RunConfiguration opcional que se usará. Se puede usar RunConfiguration para especificar requisitos adicionales para la ejecución, como las dependencias de Conda y una imagen de Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Una invalidación de las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada una con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad.
Valores admitidos: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
Lista de argumentos de línea de comandos para el archivo de script de Python. Los argumentos se entregarán al destino de proceso a través de argumentos en RunConfiguration. Para obtener más información sobre cómo controlar argumentos como símbolos especiales, vea los argumentos en RunConfiguration
- _wokflow_provider
(Solo uso interno). Proveedor de flujo de trabajo.
Comentarios
Se usa Module para crear y administrar una unidad de cálculo que se puede volver a usar de una canalización de Azure Machine Learning. ModuleStep es el paso integrado en Azure Machine Learning se usa para consumir un módulo. Puede definir específicamente qué ModuleVersion usar o dejar que Azure Machine Learning resuelva qué ModuleVersion usar siguiendo el proceso de resolución definido en la sección de comentarios de la clase Module. Para definir qué ModuleVersion se usa en una canalización enviada, defina una de las siguientes opciones al crear un paso ModuleStep:
Un objeto ModuleVersion.
Un objeto Module y un valor de versión.
Un objeto Module sin un valor de versión. En este caso, la resolución de versiones puede variar entre envíos.
Debe definir la asignación entre las entradas y salidas de ModuleStep a las entradas y salidas de ModuleVersion.
En el ejemplo siguiente se muestra cómo crear un ModuleStep como parte de la canalización con varios objetos ModuleStep:
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])
El ejemplo completo está disponible en https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-modulestep.ipynb.
Métodos
create_node |
Cree un nodo a partir del paso ModuleStep y agréguelo al gráfico especificado. No se debe llamar a este método directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que ese paso se pueda agregar a un gráfico de canalización que represente el flujo de trabajo. |
create_node
Cree un nodo a partir del paso ModuleStep y agréguelo al gráfico especificado.
No se debe llamar a este método directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que ese paso se pueda agregar a un gráfico de canalización que represente el flujo de trabajo.
create_node(graph, default_datastore, context)
Parámetros
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
El almacén de datos predeterminado.
- context
- <xref:azureml.pipeline.core._GraphContext>
El contexto del grafo.
Devoluciones
El objeto de nodo.
Tipo de valor devuelto
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de