AdlaStep Classe
Crée une étape de pipeline Azure ML pour exécuter un script U-SQL avec Azure Data Lake Analytics.
Pour obtenir un exemple d’utilisation d’AdlaStep, consultez le notebook https://aka.ms/pl-adla.
Créez une étape de pipeline Azure ML pour exécuter un script U-SQL avec Azure Data Lake Analytics.
- Héritage
-
azureml.pipeline.core._adla_step_base._AdlaStepBaseAdlaStep
Constructeur
AdlaStep(script_name, name=None, inputs=None, outputs=None, params=None, degree_of_parallelism=None, priority=None, runtime_version=None, compute_target=None, source_directory=None, allow_reuse=True, version=None, hash_paths=None)
Paramètres
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Liste des liaisons de port d’entrée.
Liste des liaisons de port de sortie.
- degree_of_parallelism
- int
Degré de parallélisme à utiliser pour ce travail. La valeur doit être supérieure à 0. Si une valeur inférieure à 0 est définie, la valeur par défaut est 1.
- priority
- int
Valeur de priorité à utiliser pour le travail en cours. Les nombres inférieurs ont une priorité plus élevée. Par défaut, une tâche affiche une priorité de 1 000. La valeur que vous spécifiez doit être supérieure à 0.
- compute_target
- AdlaCompute, str
[Obligatoire] Calcul ADLA à utiliser pour ce travail.
- allow_reuse
- bool
Indique si l’étape doit réutiliser les résultats précédents lorsqu’elle est exécutée avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par le fait que la définition du jeu de données a changé ou pas, non par la modification éventuelle des données sous-jacentes.
- version
- str
Étiquette de version facultative pour indiquer une modification de fonctionnalité pour l’étape.
- hash_paths
- list
DÉPRÉCIÉ : n’est plus nécessaire.
Liste de chemins à hacher lors de la recherche des modifications apportées au contenu de l’étape. Si aucune modification n’est détectée, le pipeline réutilise le contenu de l’étape d’une exécution précédente. Par défaut, le contenu de source_directory
est haché (à l’exception des fichiers listés dans.amlignore ou .gitignore).
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Liste des liaisons de port d’entrée
- outputs
- list[Union[PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineAbstractOutputDataset>, OutputPortBinding]]
Liste des liaisons de port de sortie.
- degree_of_parallelism
- int
Degré de parallélisme à utiliser pour ce travail. La valeur doit être supérieure à 0. Si une valeur inférieure à 0 est définie, la valeur par défaut est 1.
- priority
- int
Valeur de priorité à utiliser pour le travail en cours. Les nombres inférieurs ont une priorité plus élevée. Par défaut, une tâche affiche une priorité de 1 000. La valeur que vous spécifiez doit être supérieure à 0.
- allow_reuse
- bool
Indique si l’étape doit réutiliser les résultats précédents lorsqu’elle est exécutée avec les mêmes paramètres. La réutilisation est activée par défaut. Si le contenu de l’étape (scripts/dépendances) ainsi que les entrées et les paramètres restent inchangés, la sortie de l’exécution précédente de cette étape est réutilisée. Lors de la réutilisation de l’étape, au lieu de soumettre le travail au calcul, les résultats de l’exécution précédente sont immédiatement mis à la disposition des étapes suivantes. Si vous utilisez des jeux de données Azure Machine Learning comme entrées, la réutilisation est déterminée par le fait que la définition du jeu de données a changé ou pas, non par la modification éventuelle des données sous-jacentes.
- version
- str
Balise de version facultative pour indiquer une modification de fonctionnalité pour l’étape.
- hash_paths
- list
DÉCONSEILLÉ : n’est plus nécessaire.
Liste de chemins à hacher lors de la recherche des modifications apportées au contenu de l’étape. Si aucune modification n’est détectée, le pipeline réutilise le contenu de l’étape d’une exécution précédente. Par défaut, le contenu de source_directory
est haché (à l’exception des fichiers répertoriés dans .amlignore ou .gitignore).
Remarques
Vous pouvez utiliser la syntaxe @@name@@ dans votre script pour faire référence aux entrées, aux sorties et aux paramètres.
Si name est le nom d’une liaison de port d’entrée ou de sortie, les occurrences de @@name@@ dans le script sont remplacées par le chemin d’accès de données réel d’une liaison de port correspondante.
Si name correspond à n’importe quelle clé dans le dictionnaire params, toutes les occurrences de @@name@@ sont remplacées par la valeur correspondante dans le dictionnaire.
AdlaStep fonctionne uniquement avec les données stockées dans le Data Lake Storage par défaut du compte Data Lake Analytics. Si les données se trouvent dans un stockage autre que celui par défaut, utilisez un DataTransferStep pour copier les données dans le stockage par défaut. Vous pouvez trouver le stockage par défaut en ouvrant votre compte Data Lake Analytics dans le portail Azure puis en accédant à l’élément « Sources de données » sous Paramètres dans le volet gauche.
L’exemple suivant montre comment utiliser AdlaStep dans un pipeline Azure Machine Learning.
adla_step = AdlaStep(
name='extract_employee_names',
script_name='sample_script.usql',
source_directory=sample_folder,
inputs=[sample_input],
outputs=[sample_output],
compute_target=adla_compute)
Un exemple complet est disponible sur https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-use-adla-as-compute-target.ipynb
Méthodes
create_node |
Crée un nœud à partir de l’étape AdlaStep et l’ajoute au graphique spécifié. Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis via cette méthode afin que l’étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail. |
create_node
Crée un nœud à partir de l’étape AdlaStep et l’ajoute au graphique spécifié.
Cette méthode n’est pas destinée à être utilisée directement. Lorsqu’un pipeline est instancié avec cette étape, Azure ML transmet automatiquement les paramètres requis via cette méthode afin que l’étape puisse être ajoutée à un graphique de pipeline qui représente le flux de travail.
create_node(graph, default_datastore, context)
Paramètres
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Magasin de données par défaut.
- context
- <xref:azureml.pipeline.core._GraphContext>
Contexte du graphique.
Retours
Objet de nœud.
Type de retour
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour