Installer le kit de développement logiciel (SDK) Azure Machine Learning pour Python

Article
05/30/2023

Cet article est un guide pour les différentes options d’installation du kit de développement logiciel (SDK).

Prérequis

Python a installé la version 3.7 ou ultérieure. Pour les packages azureml-automl, utilisez uniquement la version 3.7 ou 3.8.
pip installé

Installation par défaut

Utiliser azureml-core.

pip install azureml-core

Installez ensuite les autres packages requis pour votre travail en particulier.

Installer la mise à niveau

Conseil

Nous vous recommandons de toujours conserver azureml-core à jour avec la dernière version.

Mettre à niveau à partir d’une version antérieure :

pip install --upgrade azureml-core

Vérifier la version

Vérifier la version de votre kit de développement logiciel (SDK) :

pip show azureml-core

Pour afficher tous les packages dans votre environnement :

pip list

Vous pouvez également afficher la version du kit de développement logiciel (SDK) dans Python, mais cette version n’inclut pas la version mineure.

import azureml.core
print(azureml.core.VERSION)

Pour en savoir plus sur la configuration de votre environnement de développement pour Azure Machine Learning service, consultez Configurer votre environnement de développement.

Autres packages azureml

Le kit de développement logiciel (SDK) contient de nombreux autres packages facultatifs que vous pouvez installer. Ils incluent les dépendances qui ne sont pas requises pour tous les cas d’usage et donc pas incluses dans l’installation par défaut afin d’éviter d’encombrer l’environnement. Le tableau suivant décrit les packages, leurs cas d’usage et la commande pour installer, mettre à jour & version case activée.

Package supplémentaire	Cas d’utilisation	Installer/mettre à niveau/afficher la version
`azureml-automl-core`	Contient des classes de Machine Learning automatisé principales pour Azure Machine Learning. Ce package est utilisé par azureml-train-automl-client et azureml-train-automl-runtime.	`pip install azureml-automl-core` `pip install --upgrade azureml-automl-core` `pip show azureml-automl-core`
`azureml-accel-models`	Accélère les réseaux neuronaux profonds sur des FPGA avec le service Azure ML Modèles accélérés matériellement.	`pip install azureml-accel-models` `pip install --upgrade azureml-accel-models` `pip show azureml-accel-models`
`azureml-train-automl`	Fournit des classes pour la génération et l’exécution d’expériences de Machine Learning automatisé. Installe également des packages de science des données, notamment `pandas`, `numpy` et `scikit-learn`. Si vous voulez envoyer des exécutions de ML automatisé sur un calcul à distance et que vous n’avez pas besoin d’effectuer de Machine Learning en local, nous vous recommandons d’utiliser le client léger, `azureml-train-automl-client`, package qui fait partie de `azureml-sdk`. Pour plus d’informations sur l’installation et l’utilisation du kit de développement logiciel (SDK) `automl` complet ou de son client léger, `azureml-train-automl-client`, consultez les conseils supplémentaires de cas d’utilisation. À l’instar de la norme Python, la compatibilité est assurée avec une version précédente et une version suivante, mais uniquement pour le package `azureml-train-automl` complet. Par exemple, si un modèle est formé avec le kit de développement logiciel (SDK) version 1.29.0, vous pouvez utiliser les versions du SDK comprises entre la version 1.28.0 et la version 1.30.0.	Pour l’environnement Conda local : `pip install azureml-train-automl` `pip install --upgrade azureml-train-automl` `pip install show azureml-train-automl` Client léger pour le calcul à distance : `pip install azureml-train-automl-client` `pip install --upgrade azureml-train-automl-client` `pip install show azureml-train-automl-client`
`azureml-contrib`	Installe les packages azureml-contrib-*, qui incluent des fonctionnalités expérimentales ou des fonctionnalités d’évaluation.	`pip install azureml-contrib` `pip install --upgrade azureml-contrib` `pip show azureml-contrib`
`azureml-datadrift`	Contient des fonctionnalités permettant de détecter si les données d’entraînement du modèle ont dérivé de ses données de scoring.	`pip install azureml-datadrift` `pip install --upgrade azureml-datadrift` `pip show azureml-datadrift`
`azureml-interpret`	Utilisé pour l’interprétabilité des modèles. Inclut notamment l’importance des caractéristiques et des classes pour les modèles « blackbox » (boîte noire) et « whitebox » (boîte blanche).	`pip azureml-interpret` `pip install --upgrade azureml-interpret` `pip show azureml-interpret`
`azureml-widgets`	Contient les packages, modules et classes essentiels pour Azure Machine Learning.	`pip install azureml-widgets` `pip install --upgrade azureml-widgets` `pip show azureml-widgets`
`azureml-contrib-services`	Fournit des fonctionnalités pour les scripts de score pour demander un accès HTTP brut.	`pip install azureml-contrib-services` `pip install --upgrade azureml-contrib-services` `pip show azureml-contrib-services`
`azureml-tensorboard`	Fournit des classes et des méthodes pour l’exportation de l’historique des exécutions d’expérience et le lancement de TensorBoard pour visualiser les performances et la structure des expérimentations.	`pip install azureml-tensorboard` `pip install --upgrade azureml-tensorboard` `pip show azureml-tensorboard`
`azureml-mlflow`	Contient une fonctionnalité intégrant Azure Machine Learning à MLFlow.	`pip install azureml-mlflow` `pip install --upgrade azureml-mlflow` `pip show azureml-mlflow`
`azureml-automl-runtime`	Contient des classes de Machine Learning automatisé pour lancer des exécutions dans Azure Machine Learning.	`pip install azureml-automl-runtime` `pip install --upgrade azureml-automl-runtime` `pip show azureml-automl-runtime`
`azureml-widgets`	Contient des fonctionnalités permettant d’afficher la progression des formations exécutées d’apprentissage automatique dans des notebooks Jupyter.	`pip install azureml-widgets` `pip install --upgrade azureml-widgets` `pip show azureml-widgets`
`azureml-train-restclients-hyperdrive`	Contient les classes nécessaires pour créer des HyperDriveRuns avec azureml-train-core.	`pip install azureml-train-restclients-hyperdrive` `pip install --upgrade azureml-train-restclients-hyperdrive` `pip show azureml-train-restclients-hyperdrive`
`azureml-train-core`	Contient les classes d’estimateur de base et la classe d’estimateur générique, les estimateurs utilisés dans la formation DNN (Deep Neural Network), les estimateurs utilisés dans la formation Scikit-Learn, les modules et les classes prenant en charge le paramétrage hyperparamétrique.	`pip install azureml-core` `pip install --upgrade azureml-core` `pip show azureml-core`
`azureml-train-automl-runtime`	Contient des fonctionnalités qui représentent des composants principaux de ML automatisé et d’exécution dans Azure Machine Learning.	`pip install azureml-train-automl-runtime` `pip install --upgrade azureml-train-automl-runtime` `pip show azureml-train-automl-runtime`
`azureml-train-automl-client`	Contient les packages, modules et classes essentiels pour Azure Machine Learning.	`pip install azureml-train-automl-client` `pip install --upgrade azureml-train-automl-client` `pip show azureml-train-automl-client`
`azureml-telemetry`	Ce package est utilisé pour collecter des données de télémétrie telles que les messages du journal, les métriques, les événements et les messages d’activité.	`pip install azureml-telemetry` `pip install --upgrade azureml-telemetry` `pip show azureml-telemetry`
`azureml-synapse`	Contient la commande Magic pour gérer la session Synapse et envoyer le code et le widget SparkMonitor pour surveiller la progression du travail Spark, pour Jupyter et JupyterLab.	`pip install azureml-synapse` `pip install --upgrade azureml-synapse` `pip show azureml-synapse`
`azureml-sdk`	Le package Thos est utilisé pour générer et exécuter les workflows de Machine Learning sur le service Azure Machine Learning.	`pip install azureml-sdk` `pip install --upgrade azureml-sdk` `pip show azureml-sdk`
`azureml-pipeline-steps`	Contient des étapes prédéfinies qui peuvent être exécutées dans un pipeline Azure Machine Learning.	`pip install azureml-pipeline-steps` `pip install --upgrade azureml-pipeline-steps` `pip show azureml-pipeline-steps`
`azureml-pipeline-core`	Contient les fonctionnalités de base des pipelines Azure Machine Learning, qui sont des workflows de Machine Learning configurables.	`pip install azureml-pipeline-core` `pip install --upgrade azureml-pipeline-core` `pip show azureml-pipeline-core`
`azureml-pipeline`	Ce package sert à générer, optimiser et gérer les workflows de Machine Learning.	`pip install azureml-pipeline` `pip install --upgrade azureml-pipeline` `pip show azureml-pipeline`
`azureml-opendatasets`	Contient les fonctionnalités de base des pipelines Azure Machine Learning, qui sont des workflows de Machine Learning configurables.	`pip install azureml-opendatasets` `pip install --upgrade azureml-opendatasets` `pip show azureml-opendatasets`
`azureml-interpret`	Contient les fonctionnalités permettant d’utiliser l’interprétation du modèle dans Azure Machine Learning.	`pip install azureml-interpret` `pip install --upgrade azureml-interpret` `pip show azureml-interpret`
`azureml-defaults`	Ce package est un métapaquet qui est utilisé en interne par Azure Machine Learning.	`pip install azureml-defaults` `pip install --upgrade azureml-defaults` `pip show azureml-defaults`
`azureml-dataset-runtime`	L’objectif de ce package est de coordonner les dépendances au sein des packages AzureML. Ce package est interne et n’est pas destiné à être utilisé directement.	`pip install azureml-dataset-runtime` `pip install --upgrade azureml-dataset-runtime` `pip show azureml-dataset-runtime`
`azureml-datadrift`	Contient des fonctionnalités permettant de détecter si les données d’entraînement du modèle ont dérivé de ses données de scoring.	`pip install azureml-datadrift` `pip install --upgrade azureml-datadrift` `pip show azureml-datadrift`
`azureml-contrib-server`	Ce package est un service HTTP local utilisé pour exposer un sous-ensemble des fonctionnalités fournies par le kit de développement logiciel (SDK) AzureML aux outils Visual Studio pour les extensions AI (VSCode et Visual Studio).	`pip install azureml-contrib-server` `pip install --upgrade azureml-contrib-server` `pip show azureml-contrib-server`
`azureml-contrib-run`	Ce package contient le code d’intégration de AzureML avec Mlflow.	`pip install azureml-core` `pip install --upgrade azureml-core` `pip show azureml-core`
`azureml-contrib-reinforcementlearning`	Contient les fonctionnalités permettant de créer une cible de calcul Windows dans Azure Machine Learning.	`pip install azureml-contrib-reinforcementlearning` `pip install --upgrade azureml-contrib-reinforcementlearning` `pip show azureml-contrib-reinforcementlearning`
`azureml-contrib-pipeline-steps`	Contient des modules et des classes pour les étapes spécialisées du pipeline Azure Machine Learning et la configuration associée.	`pip install azureml-contrib-pipeline-steps` `pip install --upgrade azureml-contrib-pipeline-steps` `pip show azureml-contrib-pipeline-steps`
`azureml-contrib-notebook`	Contient des extensions pour l’utilisation des notebooks Jupyter dans Azure Machine Learning.	`pip install azureml-contrib-notebook` `pip install --upgrade azureml-contrib-notebook` `pip show azureml-contrib-notebook`
`azureml-contrib-gbdt`	Ce package contient l’estimateur LightGBM.	`pip install azureml-contrib-gbdt` `pip install --upgrade azureml-contrib-gbdt` `pip show azureml-contrib-gbdt`
`azureml-contrib-functions`	Contient les fonctionnalités d’empaquetage de modèles Azure Machine Learning pour le déploiement sur Azure Functions.	`pip install azureml-contrib-functions` `pip install --upgrade azureml-contrib-functions` `pip show azureml-contrib-functions`
`azureml-contrib-fairness`	Ce package prend en charge l’utilisation de tableaux de bord d’évaluation d’impartialité dans Azure Machine Learning Studio.	`pip install azureml-contrib-fairness` `pip install --upgrade azureml-contrib-fairness` `pip show azureml-contrib-fairness`
`azureml-contrib-dataset`	Contient des fonctionnalités spécialisées permettant d’utiliser des objets de jeu de données dans Azure Machine Learning.	`pip install azureml-contrib-dataset` `pip install --upgrade azureml-contrib-dataset` `pip show azureml-contrib-dataset`
`azureml-contrib-automl-pipeline-steps`	Contient des étapes prédéfinies qui peuvent être exécutées dans un pipeline Azure Machine Learning.	`pip install azureml-contrib-automl-pipeline-steps` `pip install --upgrade azureml-contrib-automl-pipeline-steps` `pip show azureml-contrib-automl-pipeline-steps`
`azureml-contrib-automl-dnn-vision`	Ce package est destiné uniquement à être utilisé par des scripts générés par le système AutoML. Pour l’installer dans Windows, les packages « torch » et « torchvision » doivent être installés séparément avant ce package.	`pip install azureml-contrib-automl-dnn-vision` `pip install --upgrade azureml-contrib-automl-dnn-vision` `pip show azureml-contrib-automl-dnn-vision`
`azureml-contrib-automl-dnn-forecasting`	Package commun d’extension Azure ML CLI. Commun à azure-cli-ml et azure-cli-ml-preview.	`pip install azureml-contrib-automl-dnn-forecasting` `pip install --upgrade azureml-contrib-automl-dnn-forecasting` `pip show azureml-contrib-automl-dnn-forecasting`
`azureml-contrib-aisc`	AzureML Contrib pour la cible de calcul du super ordinateur AzureML AI. AISCCompute est une infrastructure de calcul AI managée, qui peut être attachée à un espace de travail par l’administrateur du cluster.	`pip install azureml-contrib-aisc` `pip install --upgrade azureml-contrib-aisc` `pip show azureml-contrib-aisc`
`azureml-cli-common`	Package commun d’extension Azure ML CLI. Commun à azure-cli-ml et azure-cli-ml-preview.	`pip install azureml-cli-common` `pip install --upgrade azureml-cli-common` `pip show azureml-cli-common`
`azureml-automl-dnn-nlp`	Ce package est destiné uniquement à être utilisé par des scripts générés par le système AutoML.	`pip install azureml-automl-dnn-nlp` `pip install --upgrade azureml-automl-dnn-nlp` `pip show azureml-automl-dnn-nlp`
`azureml-accel-models`	Accélère les réseaux neuronaux profonds sur des FPGA avec le service Azure ML Modèles accélérés matériellement.	`pip install azureml-accel-models` `pip install --upgrade azureml-accel-models` `pip show azureml-accel-models`
`azureml-inference-server-http`	Ce package active le développement local, l’intégration CI/CD et les itinéraires de serveur.	`pip install azureml-inference-server-http` `pip install --upgrade azureml-inference-server-http` `pip show azureml-inference-server-http`
`azure-ml-component`	Ce package contient des fonctionnalités pour la création et la gestion de composants Azure Machine Learning et pour la création et l’envoi de pipelines à l’aide de composants.	`pip install azure-ml-component` `pip install --upgrade azure-ml-component` `pip show azure-ml-component`
`azureml-pipeline-wrapper`	Ce package contient des fonctionnalités pour la création et la gestion de modules Azure Machine Learning et pour la création et l’envoi de pipelines à l’aide de modules.	`pip install azureml-pipeline-wrapper` `pip install --upgrade azureml-pipeline-wrapper` `pip show azureml-pipeline-wrapper`
`azureml-designer-cv-modules`	Modules pour prétraiter et transformer des images (par exemple rogner, remplir ou redimensionner).	`pip install azureml-designer-cv-modules` `pip install --upgrade azureml-designer-cv-modules` `pip show azureml-designer-cv-modules`
`azureml-designer-pytorch-modules`	Modules pour la formation et l’inférence de modèles de classification d’image basés sur l’infrastructure pytorch.	`pip install azureml-designer-pytorch-modules` `pip install --upgrade azureml-designer-pytorch-modules` `pip show azureml-designer-pytorch-modules`
`azureml-designer-vowpal-wabbit-modules`	Modules pour la formation et l’inférence de modèles basés sur l’infrastructure Vowpal Wabbit.	`pip install azureml-designer-vowpal-wabbit-modules` `pip install --upgrade azureml-designer-vowpal-wabbit-modules` `pip show azureml-designer-vowpal-wabbit-modules`
`azureml-designer-classic-modules`	Divers modules pour le traitement des données, la formation du modèle, l’inférence et l’évaluation.	`pip install azureml-designer-classic-modules` `pip install --upgrade azureml-designer-classic-modules` `pip show azureml-designer-classic-modules`
`azureml-designer-recommender-modules`	Modules de modèles de recommandation de formation et d’inférence basés sur un réseau neuronal profond.	`pip install azureml-designer-recommender-modules` `pip install --upgrade azureml-designer-recommender-modules` `pip show azureml-designer-recommender-modules`
`azureml-designer-internal`	Fonctionnalités internes fournies pour les modules intégrés.	`pip install azureml-designer-internal` `pip install --upgrade azureml-designer-internal` `pip show azureml-designer-internal`
`azureml-designer-core`	Fonctionnalités principales pour la définition de type de données, l’E/S de données et les fonctions fréquemment utilisées.	`pip install azureml-designer-core` `pip install --upgrade azureml-designer-core` `pip show azureml-designer-core`
`azureml-designer-datatransform-modules`	Modules pour transformer le jeu de données, par exemple en appliquant des opérations mathématiques, des requêtes SQL, en découpant des valeurs hors norme ou en générant un rapport statistique.	`pip install azureml-designer-datatransform-modules` `pip install --upgrade azureml-designer-datatransform-modules` `pip show azureml-designer-datatransform-modules`
`azureml-designer-dataio-modules`	Modules permettant de charger des données dans le concepteur Azure Machine Learning et d’écrire des données dans le stockage sur le cloud.	`pip install azureml-designer-dataio-modules` `pip install --upgrade azureml-designer-dataio-modules` `pip show azureml-designer-dataio-modules`
`azureml-designer-serving`	Fournit des fonctionnalités permettant d’appeler des modules intégrés dans le service de déploiement.	`pip install azureml-designer-serving` `pip install --upgrade azureml-designer-serving` `pip show azureml-designer-serving`
`azureml-contrib-datadrift`	Contient des fonctionnalités pour la détection de la dérive de données pour différents jeux de données utilisés pour le Machine Learning, y compris les jeux de données de formation et le jeu de données de scoring.	`pip install azureml-contrib-datadrift` `pip install --upgrade azureml-contrib-datadrift` `pip show azureml-contrib-datadrift`
`azureml-contrib-explain-model`	Contient des fonctionnalités expérimentales pour le package azureml-explain-model, qui offre un large éventail de services pour l’interprétabilité du modèle Machine Learning.	`pip install azureml-contrib-explain-model` `pip install --upgrade azureml-contrib-explain-model` `pip show azureml-contrib-explain-model`
`azureml-contrib-opendatasets`	Ce package fournit un ensemble d’API permettant de consommer Azure Open Datasets.	`pip install azureml-contrib-opendatasets` `pip install --upgrade azureml-contrib-opendatasets` `pip show azureml-contrib-opendatasets`
`azureml-train-widgets`	Contient des widgets pour Jupyter Notebooks, afin d’effectuer un suivi visuel de vos exécutions.	`pip install azureml-train-widgets` `pip install --upgrade azureml-train-widgets` `pip show azureml-train-widgets`

Pour plus d’informations sur les packages ci-dessus, consultez AzureML sur pypi.

Conseils supplémentaires de cas d’utilisation

Si votre cas d’utilisation est décrit ci-dessous, notez les conseils et les actions suggérées.

Cas d’utilisation	Assistance
Utilisation de `automl`	Installez le `azureml-train-automl`kit de développement logiciel (SDK)complet dans un nouvel environnement Python 64 bits. Un nouvel environnement 64 bits est requis en raison d’une dépendance sur l’infrastructure LightGBM. Ce package installe et épingle des versions spécifiques des packages de science des données à des fins de compatibilité, ce qui nécessite un environnement propre. Le package du client léger, `azureml-train-automl-client`, n’installe pas de packages de science des données supplémentaires ou nécessite un environnement Python propre. Nous vous recommandons `azureml-train-automl-client` si vous voulez uniquement soumettre des exécutions de ML automatisé à un calcul distant et que vous n’avez pas besoin d’envoyer des exécutions locales ou de télécharger votre modèle en local. La compatibilité avec une version précédente et une version suivante est uniquement assurée pour les modèles formés avec le package `azureml-train-automl` complet. Par exemple, si un modèle est formé avec le kit de développement logiciel (SDK) version 1.29.0, vous pouvez utiliser les versions du SDK comprises entre la version 1.28.0 et la version 1.30.0.
Utilisation d’Azure Databricks	Dans l’environnement Azure Databricks, utilisez les sources de bibliothèque détaillées dans ce guide pour l’installation du kit de développement logiciel (SDK). Consultez également ces conseils pour plus d’informations sur l’utilisation du kit de développement logiciel (SDK) Azure Machine Learning pour Python sur Azure Databricks.
Utilisation d’Azure Data Science Virtual Machine	Le kit SDK Python est préinstallé sur les machines Azure DSVM créées après le 27 septembre 2018.
Exécution des didacticiels ou notebooks Azure Machine Learning.	Si vous utilisez une version du kit de développement logiciel (SDK) antérieure à celle mentionnée dans le didacticiel ou le notebook, vous devez mettre à niveau votre kit de développement logiciel (SDK). Certaines fonctionnalités des didacticiels et des notebooks peuvent nécessiter des packages Python supplémentaires, tels que `matplotlib`,`scikit-learn` ou `pandas`. Les instructions de chaque didacticiel et notebook vous indiquent les packages requis.

Dépannage

Installation de pip : il n’est pas garanti que les dépendances soient cohérentes avec l’installation monoligne :

Il s’agit d’une limitation connue de pip, car il ne dispose pas d’un outil de résolution des dépendances fonctionnel lorsque vous effectuez une installation à partir d’une ligne unique. La première dépendance unique est la seule qu’il examine.

Dans le code suivant, azureml-datadrift et azureml-train-automl sont tous deux installés à l’aide d’une installation pip monoligne.
```
  pip install azureml-datadrift, azureml-train-automl
```
Pour cet exemple, supposons que azureml-datadrift nécessite une version > 1.0 et que azureml-train-automl nécessite une version < 1.2. Si la dernière version de azureml-datadrift est 1.3, les deux packages sont mis à niveau vers la version 1.3, indépendamment de la nécessité d’une version antérieure pour le package azureml-train-automl.

Pour vous assurer que les versions appropriées sont installées pour vos packages, installez-les en utilisant plusieurs lignes de commande comme dans le code suivant. L’ordre n’est pas un problème ici, puisque pip passe explicitement à une version antérieure dans le cadre de l’appel de ligne suivant. Ainsi, les dépendances de version appropriées sont appliquées.
```
   pip install azureml-datadrift
   pip install azureml-train-automl 
```

L’installation du package d’explication n’est pas garantie durant l’installation de azureml-train-automl-client :

Durant une exécution AutoML distante avec activation des explications du modèle, vous verrez le message d’erreur « Installez le package azureml-explain-model pour les explications du modèle ». Ce problème est connu. Pour contourner ce problème, suivez l’une des étapes ci-dessous :

Installez azureml-explain-model en local.

    pip install azureml-explain-model

Désactivez entièrement la fonctionnalité d’explicabilité en passant model_explainability=False dans la configuration AutoML.

    automl_config = AutoMLConfig(task = 'classification',
                           path = '.',
                           debug_log = 'automated_ml_errors.log',
                           compute_target = compute_target,
                           run_configuration = aml_run_config,
                           featurization = 'auto',
                           model_explainability=False,
                           training_data = prepped_data,
                           label_column_name = 'Survived',
                           **automl_settings)

Erreurs Panda : généralement visibles pendant l’expérience AutoML :

Quand vous configurez manuellement votre environnement à l’aide de pip, vous pouvez remarquer des erreurs (en particulier de Pandas) en raison de l’installation de versions de package non prises en charge.

Par exemple : ModuleNotFoundError: No module named 'pandas.core.internals.managers'; 'pandas.core.internals' is not a package

Pour éviter ce type d’erreur, installez le Kit de développement logiciel (SDK) AutoML à l’aide de la commande automl_setup.cmd :
1. Ouvrez une invite Anaconda et clonez le référentiel GitHub pour un ensemble d’exemples de notebooks.
```
git clone https://github.com/Azure/MachineLearningNotebooks.git
```
1. Accédez au dossier how-to-use-azureml/automated-machine-learning où les exemples de notebooks ont été extraits, puis exécutez :
```
automl_setup
```
KeyError: « brand » lors de l’exécution d’AutoML sur une capacité de calcul locale ou dans un cluster Azure Databricks

Si un nouvel environnement a été créé après le 10 juin 2020 à l’aide du kit de développement logiciel (SDK) 1.7.0 ou version antérieure, la formation peut échouer avec cette erreur en raison d’une mise à jour dans le package py-cpuinfo. (Les environnements créés jusqu’au 10 juin 2020 inclus ne sont pas affectés, tout comme les expériences exécutées sur une capacité de calcul distante, car des images de formation mises en cache sont utilisées.) Pour contourner ce problème, prenez l’une des deux mesures suivantes :
- Mettez à jour la version du kit de développement logiciel (SDK) vers 1.8.0 ou une version ultérieure (py-cpuinfo revient alors à la version antérieure, soit 5.0.0) :
```
pip install --upgrade azureml-sdk[automl]
```
- Passez à la version antérieure de py-cpuinfo, soit 5.0.0 :
```
pip install py-cpuinfo==5.0.0
```
Message d’erreur : Impossible de désinstaller « PyYAML »

Kit SDK Azure Machine Learning pour Python : PyYAML est un projet installé distutils. Par conséquent, nous ne pouvons pas déterminer avec précision les fichiers qui lui appartiennent en cas de désinstallation partielle. Pour poursuivre l’installation du kit de développement logiciel (SDK) en ignorant cette erreur, utilisez :
```
pip install --upgrade azureml-sdk[notebooks,automl] --ignore-installed PyYAML
```
Échec de l’installation du SDK Azure Machine Learning avec une exception : ModuleNotFoundError : Absence du module nommé « ruamel »ou « ImportError » : Absence du module nommé « ruamel.yaml »

Ce problème se produit pendant l’installation du SDK Azure Machine Learning pour Python sur le pip le plus récent (> 20.1.1) dans l’environnement de base Conda pour toutes les versions publiées du SDK Azure Machine Learning pour Python. Reportez-vous aux solutions de contournement suivantes :
- Évitez d’installer le SDK Python dans l’environnement de base conda. Créez plutôt votre environnement conda et installez le SDK dans cet environnement utilisateur nouvellement créé. Le pip le plus récent devrait fonctionner dans ce nouvel environnement conda.
- Pour créer des images dans docker, où vous ne pouvez pas quitter l’environnement de base Conda, épinglez le pip <= 20.1.1 dans le fichier docker.
```
conda install -c r -y conda python=3.8 pip=20.1.1
```

Étapes suivantes

Essayez de suivre les étapes suivantes pour savoir comment utiliser le kit de développement logiciel (SDK) Azure Machine Learning service pour Python :

Lisez la présentation du SDK Python Azure Machine Learning pour en savoir plus sur les classes de clé et les modèles de conception avec des exemples de code.
Suivez le didacticiel Azure Machine Learning Bien démarrer avec Python pour commencer à créer des expériences et des modèles.