Partager via


core Paquet

Contient les packages, modules et classes essentiels pour Azure Machine Learning.

Les principaux domaines incluent la gestion des cibles de calcul, la création et la gestion des espaces de travail et des expériences, l’envoi et l’accès aux exécutions de modèles et à la sortie et à la journalisation des exécutions.

Paquets

compute

Ce package contient les classes utilisées pour gérer les cibles de calcul dans Azure Machine Learning.

Pour plus d’informations sur le choix des cibles de calcul à des fins d’entraînement et de déploiement, consultez Qu’est-ce qu’une cible de calcul dans Azure Machine Learning ?

image

Contient des fonctionnalités permettant de gérer les images déployées en tant que points de terminaison de services web dans Azure Machine Learning.

Cette classe est DÉPRÉCIÉE. Utilisez plutôt la classe Environment.

Une image permet de déployer un Model, un script et des fichiers associés en tant que point de terminaison de service web ou appareil IoT Edge. Le point de terminaison gère les requêtes de scoring entrantes et les prédictions renvoyées. Les classes clés de ce package sont la classe Image, la classe parente des images Azure Machine Learning et la classe dérivée ContainerImage pour les images Docker, ainsi que les images en préversion telles que FPGA.

À moins de disposer d’un workflow qui nécessite spécifiquement l’utilisation d’images, utilisez plutôt la classe Environment pour définir votre image. Vous pouvez ensuite utiliser l’objet Environnement avec la Model deploy() méthode pour déployer le modèle en tant que service web. Vous pouvez également utiliser la méthode package() de Model pour créer une image qui peut être téléchargée sur votre installation Docker locale sous forme d’image ou de fichier Dockerfile.

Pour plus d’informations sur l’utilisation de la classe Model, consultez Déployer des modèles avec Azure Machine Learning.

Pour plus d’informations sur l’utilisation d’images personnalisées, consultez Déployer un modèle à l’aide d’une image de base Docker personnalisée.

webservice

Contient les fonctionnalités permettant de déployer des modèles Machine Learning en tant que points de terminaison de service web sur Azure Machine Learning.

Le déploiement d’un modèle Azure Machine Learning en tant que service web crée un point de terminaison et une API REST. Vous pouvez envoyer des données à cette API et recevoir la prédiction retournée par le modèle.

Vous créez un service Web lorsque vous déployez un Model ou un Image vers Azure Container Instances (module aci), le service Azure Kubernetes (module aks) et le point de terminaison Azure Kubernetes (AksEndpoint), ou des tableaux de grille programmables par champ (FPGA). Le déploiement à l’aide d’un modèle est recommandé pour la plupart des cas d’usage, alors que le déploiement à l’aide d’une image est recommandé pour les cas d’usage avancés. Les deux types de déploiement sont pris en charge dans les classes de ce module.

Modules

authentication

Contient des fonctionnalités pour la gestion de différents types d’authentification dans Azure Machine Learning.

Types d’authentification pris en charge :

  • Connexion interactive : mode par défaut lors de l’utilisation du kit SDK Azure Machine Learning. Utilise une boîte de dialogue interactive.
  • Interface Azure CLI : à utiliser avec le package azure-cli.
  • Principal de service : à utiliser avec les flux de travail de Machine Learning automatisé.
  • MSI : à utiliser pour les ressources avec Managed Service Identity, comme les machines virtuelles Azure.
  • Jeton Azure ML : utilisé afin d’acquérir des jetons Azure ML pour les exécutions envoyées uniquement.

Pour en savoir plus sur ces mécanismes d’authentification, consultez https://aka.ms/aml-notebook-auth.

compute_target

Contient des fonctionnalités pour les cibles de calcul non gérées par Azure Machine Learning.

Les cibles de calcul définissent votre environnement de calcul pour la formation. Il peut s’agir de ressources locales ou distantes dans le cloud. Les ressources distantes vous permettent d’effectuer facilement un scale-up ou un scale-out de votre expérimentation de formation automatique, en tirant parti des capacités de traitement du processeur et du GPU accélérées.

Pour plus d’informations sur les cibles de calcul managées par Azure Machine Learning, consultez la classe ComputeTarget. Pour plus d’informations, consultez Qu’est-ce qu’une cible de calcul dans Azure Machine Learning ?

conda_dependencies

Contient les fonctionnalités permettant de gérer les dépendances de l’environnement Conda.

Utilisez la classe CondaDependencies pour charger les fichiers d’environnement Conda existants ainsi que pour configurer et gérer les nouveaux environnements dans lesquels les expériences s’exécutent.

container_registry

Contient des fonctionnalités pour la gestion d’un registre de conteneurs Azure Container Registry.

databricks

Contient les fonctionnalités permettant de gérer les environnements Databricks dans Azure Machine Learning.

Pour plus d’informations sur l’utilisation de Databricks dans Azure Machine Learning, consultez Configurer un environnement de développement pour Azure Machine Learning.

dataset

Gère l’interaction avec les jeux de données Azure Machine Learning.

Ce module fournit des fonctionnalités permettant de consommer des données brutes, de gérer les données et d’effectuer des actions sur les données dans Azure Machine Learning. Utilisez la classe Dataset de ce module pour créer des jeux de données, ainsi que les fonctionnalités du package data, qui contient les classes complémentaires FileDataset et TabularDataset.

Pour commencer à utiliser des jeux de données, consultez l’article Ajouter et inscrire des jeux de données.

datastore

Contient des fonctionnalités pour la gestion des magasins de données dans Azure Machine Learning.

environment

Contient des fonctionnalités pour la création et la gestion des environnements reproductibles dans Azure Machine Learning.

Les environnements permettent de gérer les dépendances logicielles de manière à ce que les environnements contrôlés soient reproductibles avec une configuration manuelle minimale lorsque vous passez d’un environnement de développement local à un environnement de développement cloud distribué. Un environnement encapsule des packages Python, des variables d’environnement, des paramètres logiciels pour les scripts de formation et de scoring ainsi que des temps d’exécution sur Python, Spark ou Docker. Pour plus d’informations sur l’utilisation des environnements pour l’apprentissage et le déploiement avec Azure Machine Learning, consultez Créer et gérer des environnements réutilisables.

experiment

Contient les fonctionnalités utilisées pour soumettre des expériences et gérer l’historique des expérimentations dans Azure Machine Learning.

keyvault

Contient les fonctionnalités permettant de gérer les secrets dans le coffre de clés associé à un espace de travail Azure Machine Learning.

Ce module contient des méthodes pratiques qui permettent d’ajouter, de récupérer, de supprimer et de lister les secrets du coffre de clés Azure Key Vault associé à un espace de travail.

linked_service

Contient des fonctionnalités de création et de gestion d’un service lié dans un espace de travail AML.

model

Contient les fonctionnalités de gestion des modèles Machine Learning dans Azure Machine Learning.

Avec la classe Model, vous pouvez effectuer les tâches principales suivantes :

  • inscrire votre modèle avec un espace de travail
  • profiler votre modèle pour comprendre les impératifs de déploiement
  • packager votre modèle pour une utilisation avec Docker
  • déployer votre modèle sur un point de terminaison d’inférence en tant que service web

Pour plus d’informations sur l’utilisation des modèles, consultez Fonctionnement d’Azure Machine Learning : architecture et concepts.

private_endpoint

Contient les fonctionnalités permettant de définir et de configurer les points de terminaison privés Azure.

profile

Contient les fonctionnalités de profilage des modèles dans Azure Machine Learning.

resource_configuration

Contient des fonctionnalités pour la gestion de la configuration des ressources pour les entités Azure Machine Learning.

run

Contient des fonctionnalités permettant de gérer les métriques et les artefacts d’expériences dans Azure Machine Learning.

runconfig

Contient les fonctionnalités permettant de gérer la configuration des exécutions d’expériences dans Azure Machine Learning.

La classe clé dans ce module est RunConfiguration. Elle encapsule les informations nécessaires pour soumettre une exécution de formation sur une cible de calcul spécifique. La spécification comprend un vaste ensemble de définitions de comportement, par exemple, s’il faut utiliser un environnement Python existant ou utiliser un environnement Conda créé à partir des spécifications.

D’autres classes de configuration du module sont accessibles via RunConfiguration.

script_run

Contient les fonctionnalités permettant de gérer les exécutions de formation soumises dans Azure Machine Learning.

script_run_config

Contient des fonctionnalités permettant de gérer la configuration de la soumission d’exécutions de formation dans Azure Machine Learning.

util

Contient une classe pour spécifier le niveau de détail de journalisation.

workspace

Contient des fonctionnalités pour la gestion d’un espace de travail, la ressource de niveau supérieur dans Azure Machine Learning.

Ce module contient la classe Workspace, ses méthodes et attributs qui vous permettent de gérer les artefacts de Machine Learning comme les cibles de calcul, les environnements, les magasins de données, les expériences et les modèles. Un espace de travail est lié à un abonnement Azure et à un groupe de ressources. Il s’agit du moyen principal pour la facturation. Les espaces de travail prennent en charge le contrôle d’accès en fonction du rôle (RBAC) Azure Resource Manager et l’affinité de région pour toutes les données de Machine Learning enregistrées dans l’espace de travail.

Classes

ComputeTarget

Classe parente abstraite pour toutes les cibles de calcul managées par Azure Machine Learning.

Une cible de calcul est un environnement/une ressource de calcul où vous exécutez votre script d’entraînement ou hébergez votre déploiement de service. Cet emplacement peut être votre machine locale ou une ressource de calcul basée sur le cloud. Pour plus d’informations, consultez Qu’est-ce qu’une cible de calcul dans Azure Machine Learning ?

Constructeur ComputeTarget de classe.

Récupérez une représentation cloud d’un objet Compute associé à l’espace de travail fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Compute récupéré.

ContainerRegistry

Définit une connexion à un registre de conteneurs Azure Container Registry.

Constructeur ContainerRegistry de classe.

Dataset

Représente une ressource permettant d’explorer, de transformer et de gérer les données dans Azure Machine Learning.

Un jeu de données est une référence à des données dans un Datastore ou derrière des URL web publiques.

Pour les méthodes déconseillées dans cette classe, consultez la classe AbstractDataset afin d’obtenir les API améliorées.

Les types de jeux de données pris en charge sont les suivants :

  • TabularDataset représente les données sous forme de tableau en analysant le fichier ou la liste de fichiers fournis.

  • FileDataset fait référence à des fichiers uniques ou multiples dans vos magasins de données ou vos URL publiques.

Pour bien démarrer avec les jeux de données, consultez l’article Ajouter et inscrire des jeux de données, ou consultez les notebooks https://aka.ms/tabulardataset-samplenotebook et https://aka.ms/filedataset-samplenotebook.

Initialisez l’objet Dataset.

Pour obtenir un jeu de données qui a déjà été inscrit auprès de l’espace de travail, utilisez la méthode get.

Datastore

Représente une abstraction de stockage sur un compte de stockage Azure Machine Learning.

Les magasins de données sont joints à des espaces de travail et sont utilisés pour stocker les informations de connexion aux services de stockage Azure afin que vous puissiez y faire référence par leur nom et qu’il ne soit pas nécessaire de mémoriser les informations de connexion et le secret utilisés pour la connexion aux services de stockage.

Voici des exemples de services de stockage Azure pris en charge qui peuvent être enregistrés en tant que magasins de données :

  • Conteneur d’objets blob Azure

  • Partage de fichiers Azure

  • Azure Data Lake

  • Azure Data Lake Gen2

  • Azure SQL Database

  • Azure Database pour PostgreSQL

  • Système de fichiers Databricks

  • Azure Database pour MySQL

Utilisez cette classe pour effectuer des opérations de gestion, notamment pour inscrire, répertorier, récupérer et supprimer des magasins de données. Les magasins de données de chaque service sont créés avec les méthodes register* de cette classe. Quand vous utilisez un magasin de données pour accéder aux données, vous devez avoir l’autorisation d’accéder à ces données. Cela dépend des informations d’identification inscrites auprès du magasin de données.

Pour plus d’informations sur les magasins de données et sur la façon dont ils peuvent être utilisés pour le Machine Learning, consultez les articles suivants :

Obtient un magasin de données par nom. Cet appel effectue une demande au service de magasin de données.

Environment

Configure un environnement Python reproductible pour les expériences de machine learning.

Un environnement définit les packages Python, les variables d’environnement et les paramètres Docker utilisés dans les expériences de Machine Learning, notamment pour la préparation des données, la formation et le déploiement sur un service web. Un environnement est managé et versionné dans un Workspace Azure Machine Learning. Vous pouvez mettre à jour un environnement existant et récupérer une version à réutiliser. Les environnements sont propres à l’espace de travail dans lequel ils sont créés. Ils ne peuvent pas être utilisés dans différents espaces de travail.

Pour plus d’informations sur les environnements, consultez Créer et gérer des environnements réutilisables.

Constructeur d’environnement de classe.

Experiment

Représente le point d’entrée principal pour la création et l’utilisation d’expériences dans Azure Machine Learning.

Une expérience est un conteneur d’ essais qui représentent plusieurs exécutions de modèles.

Constructeur d’expérience.

Image

Définit la classe parente abstraite des images Azure Machine Learning.

Cette classe est DÉPRÉCIÉE. Utilisez plutôt la classe Environment.

Constructeur d’image.

Cette classe est DÉPRÉCIÉE. Utilisez plutôt la classe Environment.

Le constructeur d’image est utilisé pour récupérer une représentation cloud d’un objet Image associé à l’espace de travail fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Image récupéré.

Keyvault

Gère les secrets stockés dans le coffre Azure Key Vault associé à un espace de travail Azure Machine Learning.

Chaque espace de travail Azure Machine Learning est associé à un coffre Azure Key Vault. La classe Keyvault est un wrapper simplifié du coffre Azure Key Vault qui vous permet de gérer les secrets du coffre de clés, notamment la définition, la récupération, la suppression et la création de listes de secrets. Utilisez la classe Keyvault pour transmettre des secrets aux exécutions distantes en toute sécurité sans exposer les informations sensibles en texte clair.

Pour plus d’informations, consultez Utiliser les secrets dans les exécutions d’apprentissage.

Constructeur Keyvault de classe.

LinkedService

Remarque

Il s’agit d’une classe expérimentale, qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental.

Définit une ressource pour la gestion de la liaison entre un espace de travail AML et d’autres services sur Azure.

Initialisez l’objet LinkedService.

Model

Représente le résultat de la formation Machine Learning.

Un modèle est le résultat d’une formation Azure Machine Learning Run ou d’un autre processus de formation de modèle en dehors d’Azure. Quelle que soit la façon dont le modèle est produit, il peut être inscrit dans un espace de travail, où il est représenté par un nom et une version. Avec la classe Model, vous pouvez empaqueter des modèles à utiliser avec Docker et les déployer en tant que point de terminaison en temps réel qui peut être utilisé pour les demandes d’inférence.

Pour obtenir un tutoriel de bout en bout sur la façon dont les modèles sont créés, gérés et consommés, consultez Former un modèle de classification d’image avec les données MNIST et scikit-learn via Azure Machine Learning.

Constructeur de modèle.

Le constructeur model est utilisé pour récupérer une représentation cloud d’un objet Model associé à l’espace de travail fourni. Doit fournir le nom ou l’ID.

PrivateEndPoint

Définit un point de terminaison privé pour gérer les connexions du point de terminaison privé associées à un espace de travail Azure ML.

Initialisez PrivateEndPoint.

PrivateEndPointConfig

Définit la configuration d’un point de terminaison privé Azure.

Un point de terminaison privé Azure est une interface réseau qui vous connecte de manière privée et sécurisée à un espace de travail Azure ML avec Private Link.

Initialisez PrivateEndPointConfig.

Run

Définit la classe de base pour toutes les exécutions d’expériences Azure Machine Learning.

Une exécution représente un seul essai d’une expérience. Les exécutions permettent de surveiller l’exécution asynchrone d’un essai, de journaliser les métriques et de stocker la sortie de l’essai, ainsi que d’analyser les résultats et d’accéder aux artefacts générés par l’essai.

Les objets d’exécution sont créés quand vous soumettez un script pour entraîner un modèle dans de nombreux scénarios différents dans Azure Machine Learning, notamment pour les exécutions HyperDrive, les exécutions de pipeline et les exécutions AutoML. Un objet Run est également créé lorsque vous utilisez submit ou start_logging avec la classe Experiment.

Pour bien démarrer avec les expériences et les exécutions, consultez

Initialisez l’objet Run.

RunConfiguration

Représente la configuration des exécutions d’expérience ciblant différentes cibles de calcul dans Azure Machine Learning.

L’objet RunConfiguration encapsule les informations nécessaires pour soumettre une exécution de formation dans une expérience. En général, vous ne créez pas d’objet RunConfiguration directement. Vous l’obtenez à partir d’une méthode qui le renvoie, comme la méthode submit de la classe Experiment.

RunConfiguration est une configuration d’environnement de base, également utilisée dans d’autres types d’étapes de configuration qui dépendent du type d’exécution que vous déclenchez. Par exemple, lorsque vous configurez une étape PythonScriptStep, vous pouvez accéder à l’objet RunConfiguration de l’étape, et configurer des dépendances Conda ou accéder aux propriétés d’environnement de l’exécution.

Pour obtenir des exemples de configurations d’exécution, consultez Sélectionner et utiliser une cible de calcul pour former votre modèle.

Initialisez une RunConfiguration avec les paramètres par défaut.

ScriptRun

Fournit un accès programmatique pour la gestion des exécutions d’entraînement soumises.

Une exécution soumise avec ScriptRunConfig représente un seul essai dans une expérience. L’envoi de l’exécution retourne un objet ScriptRun, qui permet d’effectuer le monitoring de l’exécution asynchrone, de journaliser les métriques et de stocker la sortie de l’exécution. Il permet également d’analyser les résultats et d’accéder aux artefacts générés par l’exécution.

Pour bien démarrer avec les expériences et ScriptRunConf, consultez

Constructeur ScriptRun de classe.

ScriptRunConfig

Représente les informations de configuration pour l’envoi d’une exécution d’entraînement dans Azure Machine Learning.

Un ScriptRunConfig regroupe les informations de configuration nécessaires à l’envoi d’une exécution dans Azure ML, notamment le script, la cible de calcul, l’environnement et toutes les configurations propres à un travail distribué.

Une fois qu’une exécution de script est configurée et envoyée avec submit, un ScriptRun est retourné.

Constructeur ScriptRunConfig de classe.

SynapseWorkspaceLinkedServiceConfiguration

Remarque

Il s’agit d’une classe expérimentale, qui peut changer à tout moment. Pour plus d’informations, consultez https://aka.ms/azuremlexperimental.

Définit une configuration de service lié pour la liaison de l’espace de travail synapse.

Initialisez l’objet SynapseWorkspaceLinkedServiceConfiguration.

Webservice

Définit les fonctionnalités de base pour le déploiement de modèles en tant que points de terminaison de service web sur Azure Machine Learning.

Le constructeur Webservice permet de récupérer une représentation cloud d’un objet Webservice associé à l’objet Workspace fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Webservice récupéré. La classe Webservice permet de déployer des modèles Machine Learning à partir d’un objet Model ou Image.

Pour plus d’informations sur l’utilisation de Webservice, consultez Déployer des modèles avec Azure Machine Learning.

Initialisez l’instance webservice.

Le constructeur Webservice récupère une représentation cloud d’un objet Webservice associé à l’espace de travail fourni. Elle retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Webservice récupéré.

Workspace

Définit une ressource Azure Machine Learning pour la gestion des artefacts d’entraînement et de déploiement.

Un espace de travail est une ressource fondamentale pour le Machine Learning dans Azure Machine Learning. Vous utilisez un espace de travail pour expérimenter, effectuer la formation et déployer des modèles Machine Learning. Chaque espace de travail est lié à un abonnement Azure et à un groupe de ressources. Il est également associé à une référence SKU.

Pour plus d’informations sur les espaces de travail, consultez :

Constructeur d’espace de travail de classe pour charger un espace de travail Azure Machine Learning existant.

diagnostic_log

Dirige les journaux de débogage vers un fichier spécifié.

Functions

attach_legacy_compute_target

Attache une cible de calcul à ce projet.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Paramètres

Nom Description
experiment
Obligatoire
source_directory
Obligatoire
str
compute_target
Obligatoire
str

Objet cible de calcul à attacher.

Retours

Type Description

Si l’attachement est réussi, la valeur est None. Dans le cas contraire, une exception est levée.

get_run

Obtient l’exécution de cette expérience avec son ID d’exécution.

get_run(experiment, run_id, rehydrate=True, clean_up=True)

Paramètres

Nom Description
experiment
Obligatoire

Expérience contenante.

run_id
Obligatoire

ID d’exécution.

rehydrate
<xref:boolean>

Indique si l’objet d’exécution d’origine ou simplement un objet d’exécution de base est retourné. Si la valeur est True, cette fonction retourne le type d’objet d’exécution d’origine. Par exemple, pour une exécution AutoML, un objet AutoMLRun est retourné, tandis que pour une exécution Hyperdrive, un objet HyperDriveRun est retourné.

Si la valeur est False, la fonction retourne un objet Run.

Valeur par défaut: True
clean_up

Si la valeur est true, appelez _register_kill_handler à partir de run_base

Valeur par défaut: True

Retours

Type Description
Run

Exécution soumise.

is_compute_target_prepared

Vérifie si la cible de calcul est préparée.

Vérifie si la cible de calcul, spécifiée dans run_config, est déjà préparée pour la configuration de série de tests spécifiée.

is_compute_target_prepared(experiment, source_directory, run_config)

Paramètres

Nom Description
experiment
Obligatoire
source_directory
Obligatoire
str
run_config
Obligatoire

Configuration d’exécution. Il peut s’agir d’un nom de configuration de série de tests sous forme de chaîne, ou d’un objet azureml.core.runconfig.RunConfiguration.

Retours

Type Description

True si la cible de calcul est préparée.

prepare_compute_target

Prépare la cible de calcul.

Installe tous les packages requis pour une exécution d’expérience basée sur run_config et custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Paramètres

Nom Description
experiment
Obligatoire
source_directory
Obligatoire
str
run_config
Obligatoire

Configuration d’exécution. Il peut s’agir d’un nom de configuration de série de tests sous forme de chaîne, ou d’un objet azureml.core.runconfig.RunConfiguration.

Retours

Type Description

Objet d’exécution

remove_legacy_compute_target

Supprime une cible de calcul du projet.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Paramètres

Nom Description
experiment
Obligatoire
source_directory
Obligatoire
str
compute_target_name
Obligatoire
str

Retours

Type Description

La valeur est None si la suppression de la cible de calcul est réussie, sinon lève une exception.