Biblioteca cliente del paquete de Azure ML para Python: versión 1.7.2

Nos complace presentar la disponibilidad general del SDK de Python de Azure Machine Learning v2. El SDK de Python v2 presenta nuevas funcionalidades del SDK, como trabajos locales independientes, componentes reutilizables para canalizaciones e inferencia por lotes administradas en línea. El SDK de Python v2 permite pasar de tareas sencillas a complejas de forma sencilla e incremental. Esto se habilita mediante un modelo de objetos común que aporta la reutilización del concepto y la coherencia de las acciones en varias tareas. El SDK v2 comparte su base con la CLI v2, que también es de disponibilidad general.

Código | fuente Paquete (PyPI) | Paquete (Conda) | Documentación | de referencia de API | Documentación del productoMuestras

Este paquete se ha probado con Python 3.7, 3.8, 3.9 y 3.10.

Para obtener un conjunto más completo de bibliotecas de Azure, consulte https://aka.ms/azsdk/python/all

Introducción

Requisitos previos

Instalar el paquete

Instale la biblioteca cliente de Azure ML para Python con pip:

pip install azure-ai-ml
pip install azure-identity

Autenticar el cliente

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

Conceptos clave

El SDK de Python de Azure Machine Learning v2 incluye muchas características nuevas, como trabajos locales independientes, componentes reutilizables para canalizaciones e inferencia por lotes administradas y en línea. El SDK v2 aporta coherencia y facilidad de uso en todos los recursos de la plataforma. El SDK de Python v2 ofrece las siguientes funcionalidades:

  • Ejecutar trabajos independientes : ejecute una actividad discreta de ML como trabajo. Este trabajo se puede ejecutar localmente o en la nube. Actualmente se admiten los siguientes tipos de trabajos:
    • Comando: ejecute un comando (Python, R, Comando de Windows, Shell de Linux, etc.)
    • Barrido: ejecute un barrido de hiperparámetros en el comando.
  • Ejecución de varios trabajos con nuestras canalizaciones mejoradas
    • Ejecución de una serie de comandos unidos a una canalización (nuevo)
    • Componentes : ejecución de canalizaciones mediante componentes reutilizables (nuevo)
  • Uso de los modelos para la inferencia en línea administrada (nuevo)
  • Uso de los modelos para la inferencia por lotes administrada
  • Administración de recursos de AML: área de trabajo, proceso, almacenes de datos
  • Administración de recursos de AML: conjuntos de datos, entornos y modelos
  • AutoML : ejecute el entrenamiento de AutoML independiente para varias tareas de ml:
    • Clasificación (datos tabulares)
    • Regresión (datos tabulares)
    • Previsión de series temporales (datos tabulares)
    • Clasificación de imágenes (multiclase) (nuevo)
    • Clasificación de imágenes (varias etiquetas) (nuevo)
    • Detección de objetos de imagen (nuevo)
    • Segmentación de instancia de imagen (nueva)
    • Clasificación de texto de NLP (multiclase) (nuevo)
    • Clasificación de texto NLP (etiqueta múltiple) (nuevo)
    • Reconocimiento de entidades con nombre de texto NLP (NER) (nuevo)

Ejemplos

Solución de problemas

General

Los clientes de Azure ML generan excepciones definidas en Azure Core.

from azure.core.exceptions import HttpResponseError

try:
    ml_client.compute.get("cpu-cluster")
except HttpResponseError as error:
    print("Request failed: {}".format(error.message))

Registro

Esta biblioteca usa la biblioteca de registro estándar para el registro. La información básica sobre las sesiones HTTP (direcciones URL, encabezados, etc.) se registra en el nivel INFO.

El registro detallado de nivel de DEPURACIÓN, incluidos los cuerpos de solicitud/respuesta y los encabezados no aprobados, se puede habilitar en un cliente con el logging_enable argumento .

Consulte la documentación completa del registro del SDK con ejemplos aquí.

Telemetría

El SDK de Python de Azure ML incluye una característica de telemetría que recopila datos de uso y error sobre el SDK y los envía a Microsoft cuando se usa el SDK solo en un Jupyter Notebook. La telemetría no se recopilará para ningún uso del SDK de Python fuera de un Jupyter Notebook.

Los datos de telemetría ayudan al equipo del SDK a comprender cómo se usa el SDK para que se pueda mejorar y la información sobre los errores ayuda al equipo a resolver problemas y corregir errores. La característica de telemetría del SDK está habilitada de forma predeterminada para Jupyter Notebook uso y no se puede habilitar para escenarios que no son de Jupyter. Para no participar en la característica de telemetría en un escenario de Jupyter, pase enable_telemetry=False al construir el objeto MLClient.

Pasos siguientes

Contribuciones

Este proyecto agradece las contribuciones y sugerencias. La mayoría de las contribuciones requieren que acepte un Contrato de licencia para el colaborador (CLA) que declara que tiene el derecho a concedernos y nos concede los derechos para usar su contribución. Para obtener más información, visite cla.microsoft.com.

Cuando se envía una solicitud de incorporación de cambios, un bot de CLA determinará de forma automática si tiene que aportar un CLA y completar la PR adecuadamente (por ejemplo, la etiqueta, el comentario). Solo siga las instrucciones que le dará el bot. Solo será necesario que lo haga una vez en todos los repositorios con nuestro CLA.

Este proyecto ha adoptado el Código de conducta de Microsoft Open Source. Para más información, consulte las preguntas más frecuentes del código de conducta o póngase en contacto con opencode@microsoft.com si tiene cualquier otra pregunta o comentario.