Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
ÉRVÉNYES:
Azure CLI ml-bővítmény v1Python SDK azureml v1
Fontos
Ez a cikk az Azure Machine Learning SDK v1 használatával kapcsolatos információkat tartalmaz. Az SDK v1 2025. március 31-étől elavult. A támogatás 2026. június 30-án megszűnik. Addig a dátumig telepítheti és használhatja az SDK 1-et. Az SDK v1-et használó meglévő munkafolyamatok a támogatási idő lejárta után is működni fognak. A termék architekturális változásai esetén azonban biztonsági kockázatoknak vagy kompatibilitástörő változásoknak lehetnek kitéve.
Javasoljuk, hogy 2026. június 30-a előtt váltson át az SDK v2-be. További információ az SDK v2-ről: Mi az Az Azure Machine Learning CLI és a Python SDK v2? című témakör, valamint az SDK v2 referenciája.
Fontos
A cikkben szereplő Azure CLI-parancsok némelyike az azure-cli-mlAzure Machine Learning bővítményét vagy v1-et használja. A CLI v1 támogatása 2025. szeptember 30-án véget ért. A Microsoft a továbbiakban nem nyújt technikai támogatást vagy frissítéseket ehhez a szolgáltatáshoz. A cli v1-et használó meglévő munkafolyamatok a támogatás megszűnését követően is működni fognak. A termék architekturális változásai esetén azonban biztonsági kockázatoknak vagy kompatibilitástörő változásoknak lehetnek kitéve.
Javasoljuk, hogy a lehető leghamarabb váltsa át a ml(vagy v2) bővítményt. További információ a v2-bővítményről: Azure Machine Learning CLI-bővítmény és Python SDK v2.
Az Azure Machine Learning-folyamat egy olyan munkafolyamat, amely automatizál egy teljes gépi tanulási feladatot. Szabványosítja az ajánlott eljárásokat, támogatja a csapatmunkát, és javítja a hatékonyságot.
Miért van szükség Azure Machine Learning-folyamatokra?
- Szabványosítja a gépi tanulási műveleteket (MLOps), és támogatja a skálázható csapatmunkát
- Javítja a betanítás hatékonyságát és csökkenti a költségeket
Egy folyamat lépésekre bontja a gépi tanulási feladatokat. Minden lépés egy kezelhető összetevő, amely külön fejleszthető és automatizálható. Az Azure Machine Learning kezeli a lépések közötti függőségeket. Ez a moduláris megközelítés:
- Szabványosítja az MLOps-t, és támogatja a csapatmunkát
- Javítja a betanítás hatékonyságát és csökkenti a költségeket
- Szabványosítja a gépi tanulási műveleteket (MLOps), és támogatja a skálázható csapatmunkát
- Javítja a betanítás hatékonyságát és csökkenti a költségeket
Az MLOps gyakorlatának szabványosítása és a skálázható csapatmunka támogatása
Az MLOps automatizálja a modellek készítését és üzembe helyezését. A folyamatok leegyszerűsítik ezt a folyamatot azáltal, hogy az egyes lépéseket egy adott tevékenységhez társítják, így a csapatok egymástól függetlenül dolgozhatnak.
Egy projekt például tartalmazhat adatgyűjtést, előkészítést, betanítást, kiértékelést és üzembe helyezést. Az adatmérnökök, a tudósok és az ml-mérnökök mindegyike saját lépésekkel rendelkezik. A lépések legjobban összetevőkként vannak felépítve, majd egyetlen munkafolyamatba integrálva. A folyamatok a DevOps-eljárások által verziószámozottak, automatizálhatók és szabványosíthatók.
A képzés hatékonysága és költségcsökkentése
A folyamatok emellett javítják a hatékonyságot és csökkentik a költségeket. Újra felhasználják a változatlan lépések kimeneteit, és lehetővé teszik, hogy minden lépést a tevékenység legjobb számítási erőforrásán futtasson.
Első lépések – ajánlott eljárások
A folyamatokat a kiindulási ponttól függően többféleképpen is létrehozhatja.
Ha még nem ismerkedik a folyamatokkal, először ossza fel a meglévő kódot lépésekre, paraméterezi a bemeneteket, és csomagoljon be mindent egy folyamatba.
A méretezéshez használjon folyamatsablonokat a gyakori problémákhoz. A Teams elágaz egy sablont, dolgozik a hozzárendelt lépéseken, és szükség szerint csak a részüket frissíti.
Az újrafelhasználható folyamatok és összetevők használatával a csapatok gyorsan létrehozhatnak új munkafolyamatokat a meglévő elemek klónozásával vagy kombinálásával.
Folyamatokat a parancssori felület, a Python SDK vagy a Tervező felhasználói felület használatával hozhat létre.
Melyik Azure-folyamattechnológiát érdemes használni?
Az Azure többféle típusú folyamatot biztosít különböző célokra:
| Eset | Elsődleges személy | Azure-ajánlat | OSS-ajánlat | Kanonikus cső | Erősségeit |
|---|---|---|---|---|---|
| Modell vezénylése (Gépi tanulás) | Adattudós | Azure Machine Learning-folyamatok | Kubeflow-folyamatok | Adatok –> Modell | Terjesztés, gyorsítótárazás, kódelső, újrafelhasználás |
| Adatvezénylés (Adatelőkészítés) | Adatszakértő | Azure Data Factory-folyamatok | Apache Airflow | Adatok –> Adatok | Erősen gépelt mozgás, adatközpontú tevékenységek |
| Kód és alkalmazás vezénylése (CI/CD) | Alkalmazásfejlesztő / Ops | Azure-folyamatok | Jenkins | Code + Model –> App/Service | A legtöbb nyitott és rugalmas tevékenységtámogatás, jóváhagyási üzenetsorok, fázisok a gatinggel |
Következő lépések
Az Azure Machine Learning-folyamatok a fejlesztés kezdetétől értéket adnak hozzá.
- Folyamatok definiálása az Azure Machine Learning v2-es parancssori felületével (CLI)
- Folyamatok definiálása az Azure Machine Learning v2-es szoftverfejlesztői készletével (SDK)
- Folyamatok definiálása a Tervezővel
- Példa a CLI v2-folyamat kipróbálására
- Példa a Python SDK v2-folyamatra
- Ismerje meg a folyamatokban használható SDK- és CLI v2-kifejezéseket .