Mettre à niveau les exécutions locales vers le Kit de développement logiciel (SDK) v2
Les exécutions locales sont similaires dans V1 et V2. Utilisez la chaîne « local » lors de la définition de la cible de calcul dans l’une ou l’autre version.
Cet article fournit une comparaison des scénarios dans le SDK v1 et le SDK v2.
Envoyer une exécution locale
Kit de développement logiciel (SDK) v1
from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig # connect to the workspace ws = Workspace.from_config() # define and configure the experiment experiment = Experiment(workspace=ws, name='day1-experiment-train') config = ScriptRunConfig(source_directory='./src', script='train.py', compute_target='local') # set up pytorch environment env = Environment.from_conda_specification( name='pytorch-env', file_path='pytorch-env.yml') config.run_config.environment = env run = experiment.submit(config) aml_url = run.get_portal_url() print(aml_url)
SDK v2
#import required libraries from azure.ai.ml import MLClient, command from azure.ai.ml.entities import Environment from azure.identity import DefaultAzureCredential #connect to the workspace ml_client = MLClient.from_config(DefaultAzureCredential()) # set up pytorch environment env = Environment( image='mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04', conda_file='pytorch-env.yml', name='pytorch-env' ) # define the command command_job = command( code='./src', command='train.py', environment=env, compute='local', ) returned_job = ml_client.jobs.create_or_update(command_job) returned_job
Mappage des fonctionnalités clés dans le SDK v1 et le SDK v2
Fonctionnalités dans le SDK v1 | Mappage approximatif dans le SDK v2 |
---|---|
experiment.submit | MLCLient.jobs.create_or_update |