ModuleStep Classe
Crée une étape de pipeline Azure Machine Learning pour exécuter une version spécifique d’un module.
Les objets Module définissent des calculs réutilisables, tels que des scripts ou des exécutables, qui peuvent être utilisés dans différents scénarios de Machine Learning et par différents utilisateurs. Pour utiliser une version de module spécifique dans un pipeline, créez un ModuleStep. Un ModuleStep est une étape de pipeline qui utilise un ModuleVersion existant.
Pour obtenir un exemple d’utilisation de ModuleStep, consultez le notebook https://aka.ms/pl-modulestep.
Créez une étape de pipeline Azure ML pour exécuter une version spécifique d’un module.
- Héritage
-
ModuleStep
Constructeur
ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)
Paramètres
- module
- Module
Module utilisé dans l’étape.
Fournissez le paramètre module
ou module_version
, mais pas les deux.
- module_version
- ModuleVersion
ModuleVersion du module utilisé dans l’étape.
Fournissez le paramètre module
ou module_version
, mais pas les deux.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Dictionnaire qui mappe les noms des définitions de port du ModuleVersion aux entrées de l’étape.
- outputs_map
- dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
Dictionnaire qui mappe les noms des définitions de port du ModuleVersion aux sorties de l’étape.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
Cible de calcul à utiliser. Si elle n’est pas spécifiée, la cible du runconfig sera utilisée. Peut être un objet cible de calcul ou le nom de chaîne d’une cible de calcul dans l’espace de travail. Éventuellement, si la cible de calcul n’est pas disponible au moment de la création du pipeline, vous pouvez spécifier un tuple de (« Compute Target Name », « Compute Target type ») pour éviter l’extraction de l’objet cible de calcul (le type AmlCompute est « AmlCompute » et le type RemoteCompute est « VirtualMachine »).
- runconfig
- RunConfiguration
RunConfiguration facultatif à utiliser. Un RunConfiguration permet de spécifier des conditions supplémentaires pour l’exécution, par exemple des dépendances conda et une image Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune comportant le nom de la propriété runconfig et le PipelineParameter de cette propriété.
Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount »
Liste des arguments de ligne de commande pour le fichier de script Python. Les arguments sont remis à la cible de calcul par le biais d’arguments dans RunConfiguration. Pour plus d’informations sur la façon de gérer des arguments tels que les symboles spéciaux, consultez les arguments dans RunConfiguration.
- _workflow_provider
- <xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
(Utilisation interne uniquement.) Fournisseur de flux de travail.
- module
- Module
Module utilisé dans l’étape.
Fournissez le paramètre module
ou module_version
, mais pas les deux.
- module_version
- ModuleVersion
ModuleVersion du module utilisé à l’étape.
Fournissez le paramètre module
ou module_version
, mais pas les deux.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]]
Dictionnaire qui mappe les noms des définitions de port du ModuleVersion aux entrées de l’étape.
- outputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]]
Dictionnaire qui mappe les noms des définitions de port du ModuleVersion aux sorties de l’étape.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
Cible de calcul à utiliser. Si elle n’est pas spécifiée, la cible du runconfig sera utilisée. Peut être un objet cible de calcul ou le nom de chaîne d’une cible de calcul dans l’espace de travail. Éventuellement, si la cible de calcul n’est pas disponible au moment de la création du pipeline, vous pouvez spécifier un tuple de (« Compute Target Name », « Compute Target type ») pour éviter l’extraction de l’objet cible de calcul (le type AmlCompute est « AmlCompute » et le type RemoteCompute est « VirtualMachine »).
- runconfig
- RunConfiguration
RunConfiguration facultatif à utiliser. Un RunConfiguration permet de spécifier des conditions supplémentaires pour l’exécution, par exemple des dépendances conda et une image Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Remplacement des propriétés runconfig au moment de l’exécution à l’aide de paires clé-valeur, chacune comportant le nom de la propriété runconfig et le PipelineParameter de cette propriété.
Valeurs prises en charge : « NodeCount », « MpiProcessCountPerNode », « TensorflowWorkerCount », « TensorflowParameterServerCount »
Liste des arguments de ligne de commande pour le fichier de script Python. Les arguments sont remis à la cible de calcul par le biais d’arguments dans RunConfiguration. Pour plus d’informations sur la façon de gérer des arguments tels que les symboles spéciaux, consultez les arguments dans RunConfiguration.
- _wokflow_provider
(Utilisation interne uniquement.) Fournisseur de flux de travail.
Remarques
Un Module est utilisé pour créer et gérer une unité de calcul réutilisable d’un pipeline Azure Machine Learning. ModuleStep est l’étape intégrée dans Azure Machine Learning utilisée pour consommer un module. Vous pouvez définir spécifiquement le ModuleVersion à utiliser ou laisser Azure Machine Learning résoudre le ModuleVersion à utiliser en suivant le processus de résolution défini dans la section Notes de la classe Module. Pour définir le ModuleVersion à utiliser dans un pipeline envoyé, définissez l’un des éléments suivants lors de la création d’un ModuleStep :
Objet ModuleVersion.
Objet Module et valeur de version.
Objet Module sans valeur de version. Dans ce cas, la résolution de version peut varier entre les envois.
Vous devez définir le mappage des entrées et sorties de ModuleStep aux entrées et sorties de ModuleVersion.
L’exemple suivant montre comment créer un ModuleStep dans le cadre d’un pipeline comportant plusieurs objets ModuleStep :
middle_step = ModuleStep(module=module,
inputs_map= middle_step_input_wiring,
outputs_map= middle_step_output_wiring,
runconfig=RunConfiguration(), compute_target=aml_compute,
arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
"--output_sum", middle_sum, "--output_product", middle_prod])
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-how-to-use-modulestep.ipynb
Méthodes
create_node |
Créez un nœud à partir de l’étape ModuleStep et ajoutez-le au graphe 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 workflow. |
create_node
Créez un nœud à partir de l’étape ModuleStep et ajoutez-le au graphe 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 workflow.
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