dsl Csomag
Függvények
pipeline
Hozzon létre egy folyamatot, amely a függvényben definiált összes összetevőcsomópontot tartalmazza.
pipeline(func: Callable[[P], T] | None = None, *, name: str | None = None, version: str | None = None, display_name: str | None = None, description: str | None = None, experiment_name: str | None = None, tags: Dict[str, str] | None = None, **kwargs) -> Callable[[Callable[[P], T]], Callable[[P], PipelineJob]] | Callable[[P], PipelineJob]
Paraméterek
- name
- str
A folyamatösszetevő neve, alapértelmezés szerint a függvény neve.
- version
- str
A folyamatösszetevő verziója alapértelmezés szerint "1".
- display_name
- str
A folyamatösszetevő megjelenítendő neve, alapértelmezés szerint a függvény neve.
- description
- str
Az épített folyamat leírása.
- experiment_name
- str
Annak a kísérletnek a neve, amely alatt a feladat létrejön. Ha nincs megadva, a kísérlet az aktuális könyvtárra lesz állítva.
- kwargs
- dict
További konfigurációs paraméterek szótára.
Válaszok
Bármelyik
- Dekorátor, ha a func nincs
- A díszített func
Visszatérési típus
Példák
Bemutatja, hogyan hozhat létre folyamatot ezzel a dekorátorsal.
from azure.ai.ml import load_component
from azure.ai.ml.dsl import pipeline
component_func = load_component(
source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml"
)
# Define a pipeline with decorator
@pipeline(name="sample_pipeline", description="pipeline description")
def sample_pipeline_func(pipeline_input1, pipeline_input2):
# component1 and component2 will be added into the current pipeline
component1 = component_func(component_in_number=pipeline_input1, component_in_path=uri_file_input)
component2 = component_func(component_in_number=pipeline_input2, component_in_path=uri_file_input)
# A decorated pipeline function needs to return outputs.
# In this case, the pipeline has two outputs: component1's output1 and component2's output1,
# and let's rename them to 'pipeline_output1' and 'pipeline_output2'
return {
"pipeline_output1": component1.outputs.component_out_path,
"pipeline_output2": component2.outputs.component_out_path,
}
# E.g.: This call returns a pipeline job with nodes=[component1, component2],
pipeline_job = sample_pipeline_func(
pipeline_input1=1.0,
pipeline_input2=2.0,
)
ml_client.jobs.create_or_update(pipeline_job, experiment_name="pipeline_samples", compute="cpu-cluster")
Azure SDK for Python
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: