core Paquet

Contient des packages, des modules et des classes principaux 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, ainsi que l’envoi et l’accès aux exécutions de modèles et l’exécution de la sortie/journalisation.

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 pour l’apprentissage et le déploiement, consultez Qu’est-ce qu’une cible de calcul dans Azure Machine Learning ?
image	Contient des fonctionnalités destinées à la gestion des images qui sont déployées en tant que points de terminaison de service Web dans Azure Machine Learning. Cette classe est DÉPRÉCIÉE. Utilisez plutôt la classe Environment. Une image est utilisée pour déployer un Model, un script et les fichiers associés en tant que point de terminaison de service Web ou périphérique IoT Edge. Le point de terminaison gère les demandes de scoring entrantes et les prédictions de retour. 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 d’aperçu comme FPGA. À moins que vous n’ayez un workflow qui nécessite spécifiquement d’utiliser des images, vous devriez utiliser la classe Environment pour définir votre image. Vous pouvez ensuite utiliser l’objet d’environnement avec la méthode Modeldeploy() pour déployer le modèle en tant que service Web. Vous pouvez également utiliser la méthode de modèle package() pour créer une image qui peut être téléchargée sur votre installation Docker locale en tant qu’image ou en tant que Dockerfile. Pour plus d’informations sur l’utilisation de la classe de modèle, 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 des fonctionnalités pour le déploiement de modèles Machine Learning en tant que points de terminaison de service web dans 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 quand vous déployez un Model ou une Image sur Azure Container Instances (module aci), Azure Kubernetes Service (module aks) et Azure Kubernetes Endpoint (AksEndpoint), ou des FPGA (field programmable gate arrays). 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 managées 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 des fonctionnalités pour gérer les dépendances de l’environnement Conda. Utilisez la classe CondaDependencies pour charger les fichiers d’environnement Conda existants et pour configurer et gérer les nouveaux environnements dans lesquels les expériences sont exécutées.
container_registry	Contient des fonctionnalités pour la gestion d’un Azure Container Registry.
databricks	Contient les fonctionnalités pour la gestion des 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 & 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 offrent un moyen de gérer la dépendance logicielle afin que les environnements contrôlés soient reproductibles avec une configuration manuelle minimale quand vous passez d’un environnement de développement local à un environnement 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 à des fins de formation et de 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 de gestion des secrets dans le coffre Key Vault associé à un espace de travail Azure Machine Learning. Ce module contient des méthodes pratiques pour ajouter, récupérer, supprimer et répertorier les secrets du coffre 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 exigences de déploiement empaqueter 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 des fonctionnalités pour définir et configurer des 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. Les autres classes de configuration du module sont accessibles via RunConfiguration.
script_run	Contient des fonctionnalités permettant de gérer les exécutions d’apprentissage 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 suivants sont pris en charge : 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 commencer à utiliser des jeux de données, consultez l’article Ajouter & 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 : Accéder aux données dans les services de stockage Azure Former des modèles avec Azure Machine Learning à l’aide de l’estimateur Créer et exécuter des pipelines Machine Learning 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 Machine Learning. Un environnement définit des packages Python, des variables d’environnement et des paramètres Docker utilisés dans les expériences Machine Learning, y compris dans 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 exclusifs à l’espace de travail dans lequel ils sont créés et 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 pour les 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 de keyvault de classe.
LinkedService	Notes 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. Initialiser 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 savoir comment les modèles sont créés, managés et consommés, consultez le tutoriel complet Entraîner un modèle de classification d’images avec des 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 la gestion des connexions de point de terminaison privées associées à un espace de travail Azure ML. Initialisez PrivateEndPoint.
PrivateEndPointConfig	Définit la configuration d’un point de terminaison privé Azure. Azure Private Endpoint est une interface réseau qui vous permet de vous connecter de façon privée et sécurisée à un service basé sur Azure Private Link. Initialisez PrivateEndPointConfig.
Run	Définit la classe de base pour toutes les exécutions d’expérimentation Azure Machine Learning. Une exécution représente l’évaluation unique d’une expérience. Les exécutions permettent de superviser l’exécution asynchrone d’une version d’évaluation, de journaliser les métriques et de stocker la sortie de la version d’évaluation, ainsi que d’analyser les résultats et les artefacts d’accès générés par la version d’évaluation. Les objets d’exécution sont créés lorsque vous envoyez un script pour effectuer la formation d’un modèle dans de nombreux scénarios dans Azure Machine Learning, y compris les exécutions HyperDrive, les exécutions Pipeline et les exécutions AutoML. Un objet d’exécution est également créé quand vous submit ou start_logging avec la classe Experiment. Pour commencer à utiliser des expériences et des exécutions, consultez Créer et gérer des environnements pour l’entraînement et le déploiement Guide pratique pour gérer les exécutions Initialisez l’objet Run.
RunConfiguration	Représente la configuration des exécutions d’expérience sur 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 effectuer l’apprentissage de votre modèle. Initialisez une RunConfiguration avec les paramètres par défaut.
ScriptRun	Fournit un accès par programme pour la gestion des exécutions de formation soumises. Une exécution soumise avec ScriptRunConfig représente une évaluation unique dans une expérience. La soumission de l’exécution renvoie un objet ScriptRun, qui peut être utilisé pour surveiller l’exécution asynchrone de l’exécution, consigner les métriques et stocker la sortie de l’exécution, ainsi que pour analyser les résultats et accéder aux artefacts générés par l’exécution. Pour vous familiariser avec les expériences et ScriptRunConf, consultez Créer et gérer des environnements pour l’entraînement et le déploiement Guide pratique pour gérer les exécutions Constructeur ScriptRun de classe.
ScriptRunConfig	Représente les informations de configuration pour la soumission d’une exécution d’apprentissage dans Azure Machine Learning. Un ScriptRunConfig regroupe les informations de configuration nécessaires pour soumettre une exécution dans Azure ML, y compris le script, la cible de calcul, l’environnement et toutes les configurations spécifiques à un travail distribué. Une fois qu’une exécution de script est configurée et envoyée avec submit, une ScriptRun est renvoyée. Constructeur ScriptRunConfig de classe.
SynapseWorkspaceLinkedServiceConfiguration	Notes 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’espace de travail 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 le instance webservice. Le constructeur Webservice récupère une représentation cloud d’un objet Webservice associé à l’espace de travail fourni. Il 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, entraîner 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 : Qu’est-ce qu’un espace de travail Azure Machine Learning ? Gérer l’accès à un espace de travail 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.

Fonctions

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	Experiment
source_directory Obligatoire	str
compute_target Obligatoire	str Objet cible de calcul à joindre.

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	Experiment Expérience contenante.
run_id Obligatoire	string 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	bool 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 ou non pour la configuration de série de tests spécifiée.

is_compute_target_prepared(experiment, source_directory, run_config)

Paramètres

Nom	Description
experiment Obligatoire	Experiment
source_directory Obligatoire	str
run_config Obligatoire	str ou RunConfiguration 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
bool	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	Experiment
source_directory Obligatoire	str
run_config Obligatoire	str ou RunConfiguration 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
ScriptRun	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	Experiment
source_directory Obligatoire	str
compute_target_name Obligatoire	str

Retours

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