MLClient Osztály

Ügyfélosztály az Azure ML-szolgáltatásokkal való interakcióhoz.

Ezzel az ügyfélel kezelheti az Azure ML-erőforrásokat, például a munkaterületeket, a feladatokat, a modelleket stb.

Öröklődés

builtins.object

MLClient

Konstruktor

MLClient(credential: TokenCredential, subscription_id: str | None = None, resource_group_name: str | None = None, workspace_name: str | None = None, registry_name: str | None = None, **kwargs: Any)

Paraméterek

credential

TokenCredential

Kötelező

A hitelesítéshez használandó hitelesítő adatok.

subscription_id

Optional[str]

alapértelmezett érték: None

Az Azure-előfizetés azonosítója. Csak beállításjegyzék-objektumok esetén választható. Alapértelmezés szerint Nincs.

resource_group_name

Optional[str]

alapértelmezett érték: None

Az Azure-erőforráscsoport. Csak beállításjegyzék-objektumok esetén választható. Alapértelmezés szerint Nincs.

workspace_name

Optional[str]

alapértelmezett érték: None

Az ügyfélben használni kívánt munkaterület. Csak olyan műveletek esetén választható, amelyek nem munkaterület-függők. Alapértelmezés szerint Nincs.

registry_name

Optional[str]

alapértelmezett érték: None

Az ügyfélben használni kívánt beállításjegyzék. Csak olyan műveletek esetén választható, amelyek nem munkaterület-függők. Alapértelmezés szerint Nincs.

show_progress

Optional[bool]

Meghatározza, hogy megjelenjenek-e a hosszú ideig futó műveletek folyamatjelző sávjai (például az ügyfelek dönthetnek úgy, hogy False (Hamis) értékre állítja ezt az SDK-t, ha nem használják ezt az SDK-t interaktív beállításban). Alapértelmezés szerint Igaz.

enable_telemetry

Optional[bool]

Megadja, hogy engedélyezni kívánja-e a telemetriát. Ha nem Jupyter Notebook, akkor a rendszer false (hamis) értékre lesz bírálva. Alapértelmezés szerint Igaz, ha egy Jupyter Notebook.

cloud

Optional[str]

A használandó felhőnév. Alapértelmezés szerint az "AzureCloud".

Példák

Szuverén tartományok (azaz a AZURE_PUBLIC_CLOUD kivételével bármely felhő) használatakor a felhő nevét kwargs-ban kell megadnia, és alapértelmezettAzureCredential szolgáltatót kell használnia.

   from azure.ai.ml import MLClient
   from azure.identity import AzureAuthorityHosts, DefaultAzureCredential

   kwargs = {"cloud": "AzureChinaCloud"}
   ml_client = MLClient(
       subscription_id=subscription_id,
       resource_group_name=resource_group,
       credential=DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_CHINA),
       **kwargs,
   )

Metódusok

begin_create_or_update	Aszinkron módon hoz létre vagy frissít egy Azure ML-erőforrást.
create_or_update	Létrehoz vagy frissít egy Azure ML-erőforrást.
from_config	Egy meglévő Azure Machine Learning-munkaterületről származó ügyfelet ad vissza fájlkonfigurációval. Ezzel a módszerrel egyszerűen újra felhasználhatja ugyanazt a munkaterületet több Python-jegyzetfüzetben vagy -projektben. A munkaterület Azure Resource Manager (ARM) tulajdonságait a következő formátumban mentheti egy JSON-konfigurációs fájlba: { "subscription_id": "<subscription-id>", "resource_group": "<resource-group>", "workspace_name": "<workspace-name>" } Ezután ezt a módszert használhatja arra, hogy ugyanazt a munkaterületet különböző Python-jegyzetfüzetekben vagy projektekben töltse be a munkaterület ARM-tulajdonságainak újraformázása nélkül.

begin_create_or_update

Aszinkron módon hoz létre vagy frissít egy Azure ML-erőforrást.

begin_create_or_update(entity: R, **kwargs) -> LROPoller[R]

Paraméterek

entity

Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]

Kötelező

A létrehozandó vagy frissítendő erőforrás.

Válaszok

Az erőforrás a létrehozási/frissítési művelet után.

Visszatérési típus

LROPoller[Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]]

create_or_update

Létrehoz vagy frissít egy Azure ML-erőforrást.

create_or_update(entity: T, **kwargs) -> T

Paraméterek

entity

Union[Job , Model, Environment, Component , Datastore]

Kötelező

A létrehozandó vagy frissítendő erőforrás.

Válaszok

A létrehozott vagy frissített erőforrás.

Visszatérési típus

Union[Job, Model , Environment, Component, Datastore]

from_config

Egy meglévő Azure Machine Learning-munkaterületről származó ügyfelet ad vissza fájlkonfigurációval.

Ezzel a módszerrel egyszerűen újra felhasználhatja ugyanazt a munkaterületet több Python-jegyzetfüzetben vagy -projektben. A munkaterület Azure Resource Manager (ARM) tulajdonságait a következő formátumban mentheti egy JSON-konfigurációs fájlba:

   {
       "subscription_id": "<subscription-id>",
       "resource_group": "<resource-group>",
       "workspace_name": "<workspace-name>"
   }

Ezután ezt a módszert használhatja arra, hogy ugyanazt a munkaterületet különböző Python-jegyzetfüzetekben vagy projektekben töltse be a munkaterület ARM-tulajdonságainak újraformázása nélkül.

from_config(credential: TokenCredential, *, path: PathLike | str | None = None, file_name=None, **kwargs) -> MLClient

Paraméterek

credential

TokenCredential

Kötelező

A munkaterület hitelesítőadat-objektuma.

path

Optional[Union[PathLike, str]]

A konfigurációs fájl vagy a kezdőkönyvtár elérési útja a konfigurációs fájl megkereséséhez. Alapértelmezés szerint Nincs, ami azt jelzi, hogy a rendszer az aktuális könyvtárat fogja használni.

file_name

Optional[str]

A konfigurációs fájl neve, amelyet akkor kell keresni, ha az elérési út könyvtár elérési útja. Alapértelmezés szerint "config.json".

cloud

Optional[str]

A használandó felhőnév. Alapértelmezés szerint az "AzureCloud".

Válaszok

Egy meglévő Azure ML-munkaterület ügyfele.

Visszatérési típus

MLClient

Kivételek

ValidationException

Akkor van előállítva, ha a "config.json" vagy file_name felül van bírálva, nem található a könyvtárban. A részletek a hibaüzenetben lesznek megadva.

Példák

MLClient létrehozása egy "config.json" nevű fájlból az "src" könyvtárban.

   from azure.ai.ml import MLClient

   client = MLClient.from_config(credential=DefaultAzureCredential(), path="./sdk/ml/azure-ai-ml/samples/src")

MLClient létrehozása egy "team_workspace_configuration.json" nevű fájlból az aktuális könyvtárban.

   from azure.ai.ml import MLClient

   client = MLClient.from_config(
       credential=DefaultAzureCredential(),
       file_name="./sdk/ml/azure-ai-ml/samples/team_workspace_configuration.json",
   )

Attribútumok

batch_deployments

Kötegelt üzembe helyezéssel kapcsolatos műveletek gyűjteménye.

Válaszok

Kötegelt üzembehelyezési műveletek.

Visszatérési típus

BatchDeploymentOperations

batch_endpoints

Kötegelt végponttal kapcsolatos műveletek gyűjteménye.

Válaszok

Batch-végpont műveletei

Visszatérési típus

BatchEndpointOperations

components

Összetevővel kapcsolatos műveletek gyűjteménye.

Válaszok

Összetevő-műveletek.

Visszatérési típus

ComponentOperations

compute

Számítási műveletek gyűjteménye.

Válaszok

Számítási műveletek

Visszatérési típus

ComputeOperations

connections

Munkaterület-kapcsolattal kapcsolatos műveletek gyűjteménye.

Válaszok

Munkaterület-kapcsolatok műveletei

Visszatérési típus

WorkspaceConnectionsOperations

data

Az adatokkal kapcsolatos műveletek gyűjteménye.

Válaszok

Adatműveletek.

Visszatérési típus

DataOperations

datastores

Adattárhoz kapcsolódó műveletek gyűjteménye.

Válaszok

Adattárműveletek.

Visszatérési típus

DatastoreOperations

environments

Környezettel kapcsolatos műveletek gyűjteménye.

Válaszok

Környezeti műveletek.

Visszatérési típus

EnvironmentOperations

feature_sets

további információért aka.ms/azuremlexperimental.

Funkciókészlettel kapcsolatos műveletek gyűjteménye.

Válaszok

FeatureSet-műveletek

Visszatérési típus

FeatureSetOperations

feature_store_entities

további információért aka.ms/azuremlexperimental.

A funkciótároló entitásokkal kapcsolatos műveleteinek gyűjteménye.

Válaszok

FeatureStoreEntity műveletek

Visszatérési típus

FeatureStoreEntityOperations

feature_stores

további információért aka.ms/azuremlexperimental.

Funkciótárolóval kapcsolatos műveletek gyűjteménye.

Válaszok

FeatureStore-műveletek

Visszatérési típus

FeatureStoreOperations

jobs

Feladatokkal kapcsolatos műveletek gyűjteménye.

Válaszok

Feladatműveletek

Visszatérési típus

JobOperations

models

Modellhez kapcsolódó műveletek gyűjteménye.

Válaszok

Modellműveletek

Visszatérési típus

ModelOperations

online_deployments

Online üzembe helyezéssel kapcsolatos műveletek gyűjteménye.

Válaszok

Online üzembehelyezési műveletek

Visszatérési típus

OnlineDeploymentOperations

online_endpoints

Online végponttal kapcsolatos műveletek gyűjteménye.

Válaszok

Online végpontműveletek

Visszatérési típus

OnlineEndpointOperations

registries

további információért aka.ms/azuremlexperimental.

A beállításjegyzékhez kapcsolódó műveletek gyűjteménye.

Válaszok

Regisztrációs adatbázis műveletei

Visszatérési típus

RegistryOperations

resource_group_name

Kérje le egy MLClient-objektum erőforráscsoport-nevét.

Válaszok

Egy Azure-erőforráscsoport neve.

Visszatérési típus

str

schedules

Ütemezéssel kapcsolatos műveletek gyűjteménye.

Válaszok

Műveletek ütemezése.

Visszatérési típus

ScheduleOperations

subscription_id

Kérje le egy MLClient objektum előfizetés-azonosítóját.

Válaszok

Azure-előfizetési azonosító.

Visszatérési típus

str

workspace_hubs

további információért aka.ms/azuremlexperimental.

Munkaterület-központtal kapcsolatos műveletek gyűjteménye.

Válaszok

Központi műveletek

Visszatérési típus

<xref:HubOperations>

workspace_name

Annak a munkaterületnek a neve, ahol a munkaterülettől függő műveletek lesznek végrehajtva.

Válaszok

Az alapértelmezett munkaterület neve.

Visszatérési típus

Optional[str]

workspace_outbound_rules

Munkaterület kimenő szabályával kapcsolatos műveletek gyűjteménye.

Válaszok

Munkaterület kimenő szabályműveleti

Visszatérési típus

WorkspaceOutboundRuleOperations

workspaces

Munkaterülettel kapcsolatos műveletek gyűjteménye.

Válaszok

Munkaterület-műveletek

Visszatérési típus

WorkspaceOperations

R

R = ~R

T

T = ~T