JobOperations Osztály
A JobOperations egy példányát kezdeményezi
Ezt az osztályt nem szabad közvetlenül példányosítani. Ehelyett használja egy MLClient objektum jobs attribútumát.
- Öröklődés
-
azure.ai.ml._scope_dependent_operations._ScopeDependentOperationsJobOperations
Konstruktor
JobOperations(operation_scope: OperationScope, operation_config: OperationConfig, service_client_02_2023_preview: AzureMachineLearningWorkspaces, all_operations: OperationsContainer, credential: TokenCredential, **kwargs: Any)
Paraméterek
- operation_scope
- <xref:azure.ai.ml._scope_dependent_operations.OperationScope>
Hatókörváltozók egy MLClient objektum műveleti osztályaihoz.
- operation_config
- <xref:azure.ai.ml._scope_dependent_operations.OperationConfig>
Az MLClient objektum műveleti osztályainak gyakori konfigurációja.
- service_client_02_2023_preview
- <xref:azure.ai.ml._restclient.v2023_02_01_preview.AzureMachineLearningWorkspaces>
Szolgáltatásügyfél, amely lehetővé teszi a végfelhasználók számára az Azure Machine Learning-munkaterület erőforrásainak használatát.
- all_operations
- <xref:azure.ai.ml._scope_dependent_operations.OperationsContainer>
Egy MLClient objektum összes műveleti osztálya.
Metódusok
archive |
Archivál egy munkát. |
begin_cancel |
Megszakít egy feladatot. |
create_or_update |
Feladat létrehozása vagy frissítése. Ha az entitások, például a Környezet vagy a Kód beágyazott módon vannak definiálva, akkor a feladattal együtt jönnek létre. |
download |
Letölti egy feladat naplóit és kimenetét. |
get |
Lekér egy feladaterőforrást. |
list |
Felsorolja a munkaterületen lévő feladatokat. |
restore |
Archivált feladat visszaállítása. |
show_services |
Lekéri a feladat csomópontjával társított szolgáltatásokat. |
stream |
Streameli egy futó feladat naplóit. |
validate |
Megjegyzés Ez egy kísérleti módszer, és bármikor változhat. További információ: https://aka.ms/azuremlexperimental. Ellenőrzi a Feladat objektumot, mielőtt elküldené a szolgáltatást. Névtelen adategységek akkor hozhatók létre, ha beágyazott entitások vannak, például Összetevő, Környezet és Kód. Jelenleg csak a folyamatfeladatok támogatottak az ellenőrzéshez. |
archive
Archivál egy munkát.
archive(name: str) -> None
Paraméterek
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
Feladat archiválása.
ml_client.jobs.archive(name=job_name)
begin_cancel
Megszakít egy feladatot.
begin_cancel(name: str, **kwargs) -> LROPoller[None]
Paraméterek
Válaszok
Egy lekérdezés a művelet állapotának nyomon követéséhez.
Visszatérési típus
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
create_or_update
Feladat létrehozása vagy frissítése. Ha az entitások, például a Környezet vagy a Kód beágyazott módon vannak definiálva, akkor a feladattal együtt jönnek létre.
create_or_update(job: Job, *, description: str | None = None, compute: str | None = None, tags: dict | None = None, experiment_name: str | None = None, skip_validation: bool = False, **kwargs) -> Job
Paraméterek
Annak a kísérletnek a neve, amelyben a feladat létrejön. Ha nincs megadva, a feladat az "Alapértelmezett" kísérlet alatt jön létre.
- skip_validation
- bool
Megadja, hogy kihagyja-e az érvényesítést a feladat létrehozása vagy frissítése előtt. Vegye figyelembe, hogy a függő erőforrások, például a névtelen összetevők ellenőrzése nem lesz kihagyva. Alapértelmezés szerint Hamis.
Válaszok
Létrehozott vagy frissített feladat.
Visszatérési típus
Kivételek
Akkor aktiválódott, ha a feladat nem érvényesíthető sikeresen. A részletek a hibaüzenetben lesznek megadva.
Akkor jelenik meg, ha a feladateszközök (pl. Adatok, Kód, Modell, Környezet) ellenőrzése nem sikerült. A részletek a hibaüzenetben lesznek megadva.
Akkor van előállítva, ha a feladatmodell nem érvényesíthető sikeresen. A részletek a hibaüzenetben lesznek megadva.
Akkor aktiválódott, ha a Feladat objektum vagy attribútumok megfelelően lettek formázva. A részletek a hibaüzenetben lesznek megadva.
Fel van emelve, ha a helyi elérési út egy üres könyvtárra mutat.
Akkor aktiválódik, ha a Docker-motor nem érhető el a helyi feladathoz.
Példák
Új feladat létrehozása, majd a számítás frissítése.
from azure.ai.ml import load_job
created_job = ml_client.jobs.create_or_update(
name=job_name,
job=load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
),
)
download
Letölti egy feladat naplóit és kimenetét.
download(name: str, *, download_path: PathLike | str = '.', output_name: str | None = None, all: bool = False) -> None
Paraméterek
A letöltési célhelyként használni kívánt helyi elérési út. Alapértelmezés szerint a "." értékre van adva.
- all
- bool
Megadja, hogy az összes naplót és elnevezett kimenetet le kell-e tölteni. Alapértelmezés szerint Hamis.
Kivételek
Akkor jön létre, ha a feladat még nincs terminálállapotban. A részletek a hibaüzenetben lesznek megadva.
Elő van állítva, ha a naplók és kimenetek nem tölthetők le sikeresen. A részletek a hibaüzenetben lesznek megadva.
Példák
A feladat összes naplójának és nevesített kimenetének letöltése a "job-1-logs" helyi könyvtárba.
ml_client.jobs.download(name=job_name, download_path="./job-1-logs", all=True)
get
Lekér egy feladaterőforrást.
get(name: str) -> Job
Paraméterek
Válaszok
A szolgáltatásból lekért feladatobjektum.
Visszatérési típus
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Akkor jön létre, ha a névparaméter nem sztring.
Példák
Egy "iris-dataset-job-1" nevű feladat beolvasása.
retrieved_job = ml_client.jobs.get(job_name)
list
Felsorolja a munkaterületen lévő feladatokat.
list(*, parent_job_name: str | None = None, list_view_type: ListViewType = ListViewType.ACTIVE_ONLY, **kwargs) -> Iterable[Job]
Paraméterek
Ha meg van adva, csak azokat a feladatokat adja vissza, amelyek a nevesített feladat gyermekei. Alapértelmezés szerint Nincs érték, amely a munkaterület összes feladatát felsorolja.
- list_view_type
- ListViewType
Az archivált feladatok belefoglalásának/kizárásának nézettípusa. Alapértelmezés szerint ~azure.mgt.machinelearningservices.models.ListViewType.ACTIVE_ONLY, az archivált feladatok kivételével.
Válaszok
Feladatobjektumok iterátorszerű példánya.
Visszatérési típus
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
Az archivált feladatok listájának lekérése egy "iris-dataset-jobs" nevű szülőfeladatot tartalmazó munkaterületen.
from azure.ai.ml._restclient.v2023_04_01_preview.models import ListViewType
list_of_jobs = ml_client.jobs.list(parent_job_name=job_name, list_view_type=ListViewType.ARCHIVED_ONLY)
restore
Archivált feladat visszaállítása.
restore(name: str) -> None
Paraméterek
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
Archivált feladat visszaállítása.
ml_client.jobs.restore(name=job_name)
show_services
Lekéri a feladat csomópontjával társított szolgáltatásokat.
show_services(name: str, node_index: int = 0) -> Dict[str, ServiceInstance]
Paraméterek
Válaszok
Az adott csomópont feladatához társított szolgáltatások.
Visszatérési típus
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
A feladat 1. csomópontjával társított szolgáltatások lekérése.
job_services = ml_client.jobs.show_services(job_name)
stream
Streameli egy futó feladat naplóit.
stream(name: str) -> None
Paraméterek
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
Futó feladat streamelése.
running_job = ml_client.jobs.create_or_update(
load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
)
ml_client.jobs.stream(running_job.name)
validate
Megjegyzés
Ez egy kísérleti módszer, és bármikor változhat. További információ: https://aka.ms/azuremlexperimental.
Ellenőrzi a Feladat objektumot, mielőtt elküldené a szolgáltatást. Névtelen adategységek akkor hozhatók létre, ha beágyazott entitások vannak, például Összetevő, Környezet és Kód. Jelenleg csak a folyamatfeladatok támogatottak az ellenőrzéshez.
validate(job: Job, *, raise_on_failure: bool = False, **kwargs) -> ValidationResult
Paraméterek
- raise_on_failure
- bool
Megadja, hogy az ellenőrzés sikertelenségével hibát kell-e okozni. Alapértelmezés szerint Hamis.
Válaszok
Az összes talált hibát tartalmazó ValidationResult objektum.
Visszatérési típus
Kivételek
Akkor kerül elő, ha nem található a megadott nevű feladat.
Példák
PipelineJob objektum ellenőrzése és a talált hibák nyomtatása.
from azure.ai.ml import load_job
from azure.ai.ml.entities import PipelineJob
pipeline_job: PipelineJob = load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/pipeline_jobs/invalid/combo.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
print(ml_client.jobs.validate(pipeline_job).error_messages)
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: