steps Csomag

Előre elkészített lépéseket tartalmaz, amelyek végrehajthatók az Azure Machine Learning Pipeline-ban.

Az Azure ML Pipeline lépései együtt konfigurálhatók egy olyan folyamat létrehozásához, amely egy megosztható és újrafelhasználható Azure Machine Learning-munkafolyamatot jelöl. A folyamat minden lépése konfigurálható úgy, hogy lehetővé tegye a korábbi futtatási eredmények újrafelhasználását, ha a lépés tartalma (szkriptek és függőségek), valamint a bemenetek és paraméterek változatlanok maradnak.

Az ebben a csomagban lévő osztályokat általában a csomag osztályaival core együtt használják. Az alapcsomag az adatok konfigurálására (), ütemezésére (PipelineDataSchedule) és a lépések kimenetének kezelésére szolgáló osztályokat tartalmaz (StepRun).

A csomag előre elkészített lépései a gépi tanulási munkafolyamatokban előforduló számos gyakori forgatókönyvet ismertetik. Az előre elkészített folyamatlépések első lépéseit a következő témakörben találja:

• https://aka.ms/pl-first-pipeline

• Jupyter-jegyzetfüzetek a GitHubon

Modulok

adla_step	Egy Azure ML Pipeline-lépés létrehozásához használható funkciót tartalmaz egy U-SQL-szkript Azure Data Lake Analytics való futtatásához.
automl_step	Az Automatizált gépi tanulási folyamat lépéseinek hozzáadására és kezelésére szolgáló funkciókat tartalmazza az Azure Machine Learningben.
azurebatch_step	Egy Olyan Azure ML Pipeline-lépés létrehozására használható funkciót tartalmaz, amely egy Windows-végrehajtható fájlt futtat Azure Batch.
command_step	Parancsokat futtató Azure ML Pipeline-lépés létrehozásához használható funkciókat tartalmaz.
data_transfer_step	Olyan funkciókat tartalmaz, amelyekkel létrehozhat egy Azure ML Pipeline-lépést, amely adatokat továbbít a tárolási lehetőségek között.
databricks_step	Egy Azure ML-folyamatlépés létrehozására szolgáló funkciót tartalmaz, amellyel Databricks-jegyzetfüzetet vagy Python-szkriptet futtathat a DBFS-en.
estimator_step	Olyan funkciókat tartalmaz, amelyekkel létrehozhat egy folyamatlépést, amely egy Becslőt futtat a Machine Learning-modell betanításához.
hyper_drive_step	Funtionalitást tartalmaz a hiperparaméter-finomhangolást futtató Azure ML-folyamat lépéseinek létrehozásához és kezeléséhez.
kusto_step	A Kusto-jegyzetfüzetek futtatására szolgáló Azure ML-folyamatlépések létrehozására szolgáló funkciókat tartalmaz.
module_step	Egy Azure Machine Learning Pipeline-lépés modul egy meglévő verziójával való hozzáadására használható funkciót tartalmaz.
mpi_step	Egy Azure ML Pipeline-lépés hozzáadására szolgáló funkciót tartalmaz egy MPI-feladat Machine Learning-modell betanításához való futtatásához.
parallel_run_config	A (z) konfigurálásához ParallelRunStepszükséges funkciókat tartalmazza.
parallel_run_step	Olyan funkciókat tartalmaz, amelyek a felhasználói szkript párhuzamos módban való futtatásához több AmlCompute-célon való futtatásának lépéseit tartalmazzák.
python_script_step	Python-szkriptet futtató Azure ML Pipeline-lépés létrehozásához használható funkciókat tartalmaz.
r_script_step	Az R-szkriptet futtató Azure ML Pipeline-lépés létrehozásához használható funkciókat tartalmaz.
synapse_spark_step	A Python-szkriptet futtató Azure ML Synapse-lépés létrehozásához használható funkciókat tartalmaz.

Osztályok

AdlaStep	Létrehoz egy Azure ML-folyamatlépést, amellyel U-SQL-szkriptet futtathat az Azure Data Lake Analytics. Az AdlaStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/pl-adla. Hozzon létre egy Azure ML-folyamatlépést, amellyel U-SQL-szkriptet futtathat az Azure Data Lake Analytics.
AutoMLStep	Létrehoz egy Azure ML-folyamatlépést, amely magában foglal egy automatizált gépi tanulási futtatásokat. Az AutoMLStep használatának példájáért tekintse meg a jegyzetfüzetet https://aka.ms/pl-automl. AutoMLStep inicializálása.
AutoMLStepRun	Információkat nyújt az automatizált gépi tanulási kísérletek futtatásáról és az alapértelmezett kimenetek lekérésének módszereiről. Az AutoMLStepRun osztály a futtatás részleteinek kezelésére, állapotának ellenőrzésére és lekérésére szolgál, miután egy automatizált gépi tanulási futtatást elküldtek egy folyamatban. Emellett ez az osztály a osztályon keresztüli StepRun alapértelmezett kimenetek lekérésére AutoMLStep is használható. AutoML-lépés futtatásának inicializálása.
AzureBatchStep	Létrehoz egy Azure ML-folyamatlépést a feladatok Azure Batch való elküldéséhez. Megjegyzés: Ez a lépés nem támogatja a könyvtárak és azok tartalmának feltöltését/letöltését. Az AzureBatchStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/pl-azbatch. Hozzon létre egy Azure ML-folyamatlépést a feladatok Azure Batch való elküldéséhez.
CommandStep	Hozzon létre egy Parancsot futtató Azure ML-folyamatlépést. Hozzon létre egy Parancsot futtató Azure ML-folyamatlépést.
DataTransferStep	Létrehoz egy Azure ML Pipeline-lépést, amely adatokat továbbít a tárolási lehetőségek között. A DataTransferStep olyan gyakori tárolótípusokat támogat, mint a Azure Blob Storage és az Azure Data Lake, mint források és fogadók. További információkért lásd a Megjegyzések szakaszt . A DataTransferStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/pl-data-trans. Hozzon létre egy Azure ML-folyamatlépést, amely adatokat továbbít a tárolási lehetőségek között.
DatabricksStep	Létrehoz egy Azure ML Pipeline-lépést egy DataBricks-jegyzetfüzet, Python-szkript vagy JAR csomópontként való hozzáadásához. A DatabricksStep használatára a jegyzetfüzetben https://aka.ms/pl-databrickstalál példát. Hozzon létre egy Azure ML-folyamatlépést egy DataBricks-jegyzetfüzet, Python-szkript vagy JAR csomópontként való hozzáadásához. A DatabricksStep használatára a jegyzetfüzetben https://aka.ms/pl-databrickstalál példát. :p aram python_script_name:[Kötelező] Egy Python-szkript neve a következőhöz source_directoryviszonyítva: . Ha a szkript bemeneteket és kimeneteket vesz fel, azokat a rendszer paraméterekként továbbítja a szkriptnek. Ha python_script_name meg van adva, akkor source_directory annak is meg kell lennie. Adja meg pontosan az egyiket, python_script_patha , python_script_namea vagy main_class_namea notebook_pathértéket. Ha egy DataReference objektumot ad meg bemenetként data_reference_name=input1 értékkel, és egy PipelineData objektumot kimenetként name=output1 értékkel, akkor a bemenetek és kimenetek paraméterként lesznek átadva a szkriptnek. Így fognak kinézni, és elemeznie kell a szkript argumentumait az egyes bemenetek és kimenetek elérési útjainak eléréséhez: "-input1","wasbs://test@storagename.blob.core.windows.net/test","-output1", "wasbs://test@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d22b81a2/output1" Emellett a következő paraméterek is elérhetők lesznek a szkriptben: AZUREML_RUN_TOKEN: Az Azure Machine Learning-hitelesítés AML-jogkivonata. AZUREML_RUN_TOKEN_EXPIRY: Az AML-jogkivonat lejárati ideje. AZUREML_RUN_ID: Azure Machine Learning-futtatási azonosító ehhez a futtatáshoz. AZUREML_ARM_SUBSCRIPTION: Azure-előfizetés az AML-munkaterülethez. AZUREML_ARM_RESOURCEGROUP: Azure-erőforráscsoport az Azure Machine Learning-munkaterülethez. AZUREML_ARM_WORKSPACE_NAME: Az Azure Machine Learning-munkaterület neve. AZUREML_ARM_PROJECT_NAME: Az Azure Machine Learning-kísérlet neve. AZUREML_SERVICE_ENDPOINT: Az AML-szolgáltatások végponti URL-címe. AZUREML_WORKSPACE_ID: Az Azure Machine Learning-munkaterület azonosítója. AZUREML_EXPERIMENT_ID: Az Azure Machine Learning-kísérlet azonosítója. AZUREML_SCRIPT_DIRECTORY_NAME: Könyvtár elérési útja a DBFS-ben, ahol a source_directory átmásolták. (This parameter is only populated when `python_script_name` is used. See more details below.) Amikor a DatabricksStep paraméterekkel source_directorypython_script_namefuttat egy Python-szkriptet a helyi gépről a Databricksben, a source_directory át lesz másolva a DBFS-be, és a DBFS könyvtárelérési útvonala paraméterként lesz átadva a szkriptnek a végrehajtás megkezdésekor. Ez a paraméter -AZUREML_SCRIPT_DIRECTORY_NAME címkével van ellátva. Előtagot kell hozzáadnia a "dbfs:/" sztringhez vagy a "/dbfs/" parancsot a DBFS könyvtárának eléréséhez.
EstimatorStep	ELAVULT. Létrehoz egy folyamatlépést, amely futtatható Estimator az Azure ML-modell betanításához. Hozzon létre egy Azure ML-folyamatlépést a Machine Learning-modell betanításához használható Becslő futtatásához. ELAVULT. Használja helyette az parancsot CommandStep . Példa: Gépi tanulási betanítás futtatása folyamatokban a CommandStep használatával.
HyperDriveStep	Létrehoz egy Azure ML-folyamatlépést a hyperparaméter-tunning futtatásához a Machine Learning-modell betanításához. A HyperDriveStep használatára a jegyzetfüzetben https://aka.ms/pl-hyperdrivetalál példát. Hozzon létre egy Azure ML-folyamatlépést a hyperparaméter-tunning futtatásához a Machine Learning-modell betanításához.
HyperDriveStepRun	Folyamatlépések kezelése, állapotának ellenőrzése és a futtatás részleteinek lekérése HyperDriveStep . A HyperDriveStepRun a további támogatásával biztosítja a funkcióit HyperDriveRunStepRun. A HyperDriveStepRun osztály lehetővé teszi, hogy kezelje, ellenőrizze az állapotot, és lekérje a HyperDrive-futtatás és annak összes létrehozott gyermekfuttatásának futtatási adatait. A StepRun osztály lehetővé teszi ezt a szülőfolyamat-futtatás elküldése és a folyamat által a lépésfuttatás elküldése után. HyperDriveStepRun inicializálása. A HyperDriveStepRun a további támogatásával biztosítja a funkcióit HyperDriveRunStepRun. A HyperDriveRun osztály segítségével kezelheti, ellenőrizheti az állapotot, és lekérheti a HyperDrive-futtatás és annak összes létrehozott gyermekfuttatásának futtatási adatait. A StepRun osztály lehetővé teszi ezt a szülőfolyamat-futtatás elküldése és a folyamat által a lépésfuttatás elküldése után.
KustoStep	A KustoStep lehetővé teszi, hogy Kusto-lekérdezéseket futtasson egy cél Kusto-fürtön az Azure ML Pipelinesban. Inicializálja a KustoStepet.
ModuleStep	Létrehoz egy Azure Machine Learning-folyamatlépést egy modul adott verziójának futtatásához. Module az objektumok újrafelhasználható számításokat határoznak meg, például szkripteket vagy végrehajtható fájlokat, amelyeket különböző gépi tanulási forgatókönyvekben és különböző felhasználók használhatnak. Ha egy modul adott verzióját szeretné használni egy folyamatban, hozzon létre egy ModuleStep parancsot. A ModuleStep egy olyan lépés a folyamatban, amely egy meglévőt ModuleVersionhasznál. A ModuleStep használatának példájáért tekintse meg a jegyzetfüzetet https://aka.ms/pl-modulestep. Hozzon létre egy Azure ML-folyamatlépést egy modul egy adott verziójának futtatásához.
MpiStep	Létrehoz egy Azure ML-folyamatlépést egy MPI-feladat futtatásához. Az MpiStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/pl-style-trans. Hozzon létre egy Azure ML-folyamatlépést egy MPI-feladat futtatásához. ELAVULT. Használja inkább a parancsot CommandStep . Példa: Elosztott betanítás futtatása folyamatokban a CommandStep használatával.
ParallelRunConfig	Egy objektum konfigurációját ParallelRunStep határozza meg. A ParallelRunStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/batch-inference-notebooks. Hibaelhárítási útmutató: https://aka.ms/prstsg. További referenciákat itt talál. Inicializálja a konfigurációs objektumot.
ParallelRunStep	Létrehoz egy Azure Machine Learning Pipeline-lépést nagy mennyiségű adat aszinkron és párhuzamos feldolgozásához. A ParallelRunStep használatára példaként tekintse meg a jegyzetfüzetet https://aka.ms/batch-inference-notebooks. Hibaelhárítási útmutató: https://aka.ms/prstsg. További referenciákat itt talál. Hozzon létre egy Azure ML Pipeline-lépést nagy mennyiségű adat aszinkron és párhuzamos feldolgozásához. A ParallelRunStep használatára példát a jegyzetfüzet hivatkozásában https://aka.ms/batch-inference-notebookstalál.
PythonScriptStep	Létrehoz egy Python-szkriptet futtató Azure ML Pipeline-lépést. A PythonScriptStep használatáról a jegyzetfüzetben https://aka.ms/pl-get-startedtalál példát. Hozzon létre egy Python-szkriptet futtató Azure ML Pipeline-lépést.
RScriptStep	Megjegyzés Ez egy kísérleti osztály, és bármikor változhat. További információ: https://aka.ms/azuremlexperimental. Létrehoz egy R-szkriptet futtató Azure ML Pipeline-lépést. Hozzon létre egy R-szkriptet futtató Azure ML Pipeline-lépést. ELAVULT. Használja inkább a parancsot CommandStep . Példa: R-szkriptek futtatása folyamatokban a CommandStep használatával.
SynapseSparkStep	Megjegyzés Ez egy kísérleti osztály, és bármikor változhat. További információ: https://aka.ms/azuremlexperimental. Létrehoz egy Azure ML Synapse-lépést, amely Python-szkriptet küld és hajt végre. Hozzon létre egy Azure ML Pipeline-lépést, amely Spark-feladatot futtat a Synapse Spark-készletben.