Mettre à niveau la gestion des modèles vers le SDK v2
Cet article fournit une comparaison des scénarios dans le SDK v1 et le SDK v2.
Créer un modèle
Kit de développement logiciel (SDK) v1
import urllib.request from azureml.core.model import Model # Register model model = Model.register(ws, model_name="local-file-example", model_path="mlflow-model/model.pkl")
SDK v2
from azure.ai.ml.entities import Model from azure.ai.ml.constants import AssetTypes file_model = Model( path="mlflow-model/model.pkl", type=AssetTypes.CUSTOM_MODEL, name="local-file-example", description="Model created from local file." ) ml_client.models.create_or_update(file_model)
Utiliser un modèle dans une expérience ou un travail
Kit de développement logiciel (SDK) v1
model = run.register_model(model_name='run-model-example', model_path='outputs/model/') print(model.name, model.id, model.version, sep='\t')
SDK v2
from azure.ai.ml.entities import Model from azure.ai.ml.constants import AssetTypes run_model = Model( path="azureml://jobs/$RUN_ID/outputs/artifacts/paths/model/", name="run-model-example", description="Model created from run.", type=AssetTypes.CUSTOM_MODEL ) ml_client.models.create_or_update(run_model)
Pour plus d’informations sur les modèles, consultez Utiliser des modèles dans Azure Machine Learning.
Mappage des fonctionnalités clés dans le SDK v1 et le SDK v2
Fonctionnalités dans le SDK v1 | Mappage approximatif dans le SDK v2 |
---|---|
Model.register | ml_client.models.create_or_update |
run.register_model | ml_client.models.create_or_update |
Model.deploy | ml_client.begin_create_or_update(blue_deployment) |
Étapes suivantes
Pour plus d’informations, consultez cette documentation :