azure.ai.ml package

Membuat objek Perintah yang dapat digunakan di dalam fungsi dsl.pipeline atau digunakan sebagai pekerjaan Perintah mandiri.

command(*, name: str | None = None, description: str | None = None, tags: Dict | None = None, properties: Dict | None = None, display_name: str | None = None, command: str | None = None, experiment_name: str | None = None, environment: str | Environment | None = None, environment_variables: Dict | None = None, distribution: Dict | MpiDistribution | TensorFlowDistribution | PyTorchDistribution | RayDistribution | None = None, compute: str | None = None, inputs: Dict | None = None, outputs: Dict | None = None, instance_count: int | None = None, instance_type: str | None = None, locations: List[str] | None = None, docker_args: str | None = None, shm_size: str | None = None, timeout: int | None = None, code: PathLike | str | None = None, identity: ManagedIdentityConfiguration | AmlTokenConfiguration | UserIdentityConfiguration | None = None, is_deterministic: bool = True, services: Dict[str, JobService | JupyterLabJobService | SshJobService | TensorBoardJobService | VsCodeJobService] | None = None, job_tier: str | None = None, priority: str | None = None, **kwargs) -> Command

Parameter

name: Optional[str]

Nama pekerjaan atau komponen Perintah.

description: Optional[str]

Penjabaran dari Perintah. Default ke Tidak Ada.

tags: Optional[dict[str, str]]

Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui. Default ke Tidak Ada.

properties: Optional[dict[str, str]]

Kamus properti pekerjaan. Default ke Tidak Ada.

display_name: Optional[str]

Nama tampilan pekerjaan. Default ke nama yang dihasilkan secara acak.

command: Optional[str]

Perintah yang akan dijalankan. Default ke Tidak Ada.

experiment_name: Optional[str]

Nama eksperimen tempat pekerjaan akan dibuat. Default ke nama direktori saat ini.

environment: Optional[Union[str, Environment]]

Lingkungan tempat pekerjaan akan berjalan.

environment_variables: Optional[dict[str, str]]

Kamus nama dan nilai variabel lingkungan. Variabel lingkungan ini diatur pada proses saat skrip pengguna sedang dijalankan. Default ke Tidak Ada.

distribution: Optional[Union[dict, PyTorchDistribution, MpiDistribution, TensorFlowDistribution, RayDistribution]]

Konfigurasi untuk pekerjaan terdistribusi. Default ke Tidak Ada.

compute: Optional[str]

Target komputasi yang akan dijalankan pekerjaan. Default ke komputasi default.

inputs: Optional[dict[str, Union[Input, str, bool, int, float, <xref:Enum>]]]

Pemetaan nama input untuk memasukkan sumber data yang digunakan dalam pekerjaan. Default ke Tidak Ada.

outputs: Optional[dict[str, Union[str, Output]]]

Pemetaan nama output ke sumber data output yang digunakan dalam pekerjaan. Default ke Tidak Ada.

instance_count: Optional[int]

Jumlah instans atau simpul yang akan digunakan oleh target komputasi. Default ke 1.

instance_type: Optional[str]

Jenis VM yang akan digunakan oleh target komputasi.

locations: Optional[list[str]]

Daftar lokasi tempat pekerjaan akan berjalan.

docker_args: Optional[str]

Argumen tambahan untuk diteruskan ke perintah eksekusi Docker. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML. Default ke Tidak Ada.

shm_size: Optional[str]

Ukuran blok memori bersama kontainer Docker. Ini harus dalam format (number)(unit) di mana angka harus lebih besar dari 0 dan unit dapat menjadi salah satu dari b(byte), k(kilobyte), m(megabyte), atau g(gigabyte).

timeout: Optional[int]

Jumlahnya, dalam detik, setelah itu pekerjaan akan dibatalkan.

code: Optional[Union[str, PathLike]]

Kode sumber untuk menjalankan pekerjaan. Dapat berupa jalur lokal atau url "http:", "https:", atau "azureml:" yang menunjuk ke lokasi jarak jauh.

identity: Optional[Union[ ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Identitas yang akan digunakan pekerjaan perintah saat berjalan pada komputasi.

is_deterministic: bool

Menentukan apakah Perintah akan mengembalikan output yang sama dengan input yang sama. Default ke True. Ketika True, jika Komponen Perintah bersifat deterministik dan telah dijalankan sebelumnya di ruang kerja saat ini dengan input dan pengaturan yang sama, komponen tersebut akan menggunakan kembali hasil dari pekerjaan yang dikirimkan sebelumnya saat digunakan sebagai simpul atau langkah dalam alur. Dalam skenario itu, tidak ada sumber daya komputasi yang akan digunakan.

services: Optional[dict[str, Union[JobService, JupyterLabJobService, SshJobService, TensorBoardJobService, VsCodeJobService]]]

Layanan interaktif untuk simpul. Default ke Tidak Ada. Ini adalah parameter eksperimental, dan dapat berubah kapan saja. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya.

job_tier: Optional[str]

Tingkat pekerjaan. Nilai yang diterima adalah "Spot", "Basic", "Standard", atau "Premium".

priority: Optional[str]

Prioritas pekerjaan pada komputasi. Nilai yang diterima adalah "rendah", "sedang", dan "tinggi". Default ke "medium".

Mengembalikan

Objek Perintah.

Tipe hasil

Command

Contoh

Membuat Pekerjaan Perintah menggunakan metode penyusun command().


   from azure.ai.ml import Input, Output, command

   train_func = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

Buat objek penyebaran batch dari file yaml.

load_batch_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> BatchDeployment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal objek penyebaran batch. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang dimasukkan jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Membangun objek penyebaran batch.

Tipe hasil

BatchDeployment

Buat objek titik akhir batch dari file yaml.

load_batch_endpoint(source: str | PathLike | IO, relative_origin: str | None = None, **kwargs) -> BatchEndpoint

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal objek titik akhir batch. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

nilai default: None

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang dimasukkan jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek titik akhir batch yang dibangun.

Tipe hasil

BatchEndpoint

Muat komponen dari lokal atau jarak jauh ke fungsi komponen.

load_component(source: str | PathLike | IO | None = None, *, relative_origin: str | None = None, **kwargs) -> CommandComponent | ParallelComponent | PipelineComponent

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

nilai default: None

Sumber yaml lokal komponen. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek Komponen

Tipe hasil

Union[CommandComponent, ParallelComponent, PipelineComponent]

Contoh

Memuat objek Komponen dari file YAML, mengganti versinya menjadi "1.0.2", dan mendaftarkannya dari jarak jauh.


   from azure.ai.ml import load_component

   component = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml",
       params_override=[{"version": "1.0.2"}],
   )
   registered_component = ml_client.components.create_or_update(component)

Buat objek komputasi dari file yaml.

load_compute(source: str | PathLike | IO, *, relative_origin: str | None = None, params_override: List[Dict[str, str]] | None = None, **kwargs) -> Compute

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal komputasi. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: Optional[str]

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: Optional[List[Dict]]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek komputasi yang dimuat.

Tipe hasil

Compute

Contoh

Memuat objek Komputasi dari file YAML dan mengesampingkan deskripsinya.


   from azure.ai.ml import load_compute

   compute = load_compute(
       "../tests/test_configs/compute/compute-vm.yaml",
       params_override=[{"description": "loaded from compute-vm.yaml"}],
   )

Buat objek data dari file yaml.

load_data(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Data

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal objek data. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek Data atau DataImport yang Dibuat.

Tipe hasil

Data

Pengecualian

ValidationException

Dimunculkan jika Data tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Buat objek datastore dari file yaml.

load_datastore(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Datastore

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal datastore. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek datastore yang dimuat.

Tipe hasil

Datastore

Pengecualian

ValidationException

Dimunculkan jika Datastore tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Buat objek lingkungan dari file yaml.

load_environment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Environment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal lingkungan. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek lingkungan yang dibangun.

Tipe hasil

Environment

Pengecualian

ValidationException

Dimunculkan jika Lingkungan tidak dapat berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Membuat objek Pekerjaan dari file YAML.

load_job(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Job

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Jalur ke file YAML lokal atau objek file yang sudah terbuka yang berisi konfigurasi pekerjaan. Jika sumbernya adalah jalur, sumber akan dibuka dan dibaca. Jika sumbernya adalah file terbuka, file akan dibaca secara langsung.

relative_origin: Optional[str]

Direktori akar untuk YAML. Direktori ini akan digunakan sebagai asal untuk menyimpulkan lokasi relatif file yang direferensikan dalam YAML yang diurai. Default ke direktori yang sama dengan sumber jika sumber adalah input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: Optional[list[dict]]

Bidang parameter untuk menimpa nilai dalam file YAML.

Mengembalikan

Objek Pekerjaan yang dimuat.

Tipe hasil

Job

Pengecualian

ValidationException

Dimunculkan jika Pekerjaan tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Contoh

Memuat Pekerjaan dari file konfigurasi YAML.


   from azure.ai.ml import load_job

   job = load_job(source="./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml")

Membuat objek Model dari file YAML.

load_model(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Model

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Jalur ke file YAML lokal atau objek file yang sudah terbuka yang berisi konfigurasi pekerjaan. Jika sumbernya adalah jalur, sumber akan dibuka dan dibaca. Jika sumbernya adalah file terbuka, file akan dibaca secara langsung.

relative_origin: Optional[str]

Direktori akar untuk YAML. Direktori ini akan digunakan sebagai asal untuk menyimpulkan lokasi relatif file yang direferensikan dalam YAML yang diurai. Default ke direktori yang sama dengan sumber jika sumber adalah input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: Optional[list[dict]]

Bidang parameter untuk menimpa nilai dalam file YAML.

Mengembalikan

Objek Model yang dimuat.

Tipe hasil

Model

Pengecualian

ValidationException

Dimunculkan jika Pekerjaan tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Contoh

Memuat Model dari file konfigurasi YAML, mengesampingkan parameter nama dan versi.


   from azure.ai.ml import load_model

   model = load_model(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/model/model_with_stage.yml",
       params_override=[{"name": "new_model_name"}, {"version": "1"}],
   )

Catatan

Ini adalah metode eksperimental, dan dapat berubah kapan saja. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya.

Membuat objek ModelPackage dari file YAML.

load_model_package(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> ModelPackage

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Jalur ke file YAML lokal atau objek file yang sudah terbuka yang berisi konfigurasi pekerjaan. Jika sumbernya adalah jalur, sumber akan dibuka dan dibaca. Jika sumbernya adalah file terbuka, file akan dibaca secara langsung.

relative_origin: Optional[str]

Direktori akar untuk YAML. Direktori ini akan digunakan sebagai asal untuk menyimpulkan lokasi relatif file yang direferensikan dalam YAML yang diurai. Default ke direktori yang sama dengan sumber jika sumber adalah input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: Optional[list[dict]]

Bidang parameter untuk menimpa nilai dalam file YAML.

Mengembalikan

Objek ModelPackage yang dimuat.

Tipe hasil

ModelPackage

Pengecualian

ValidationException

Dimunculkan jika Pekerjaan tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Contoh

Memuat ModelPackage dari file konfigurasi YAML.


   from azure.ai.ml import load_model_package

   model_package = load_model_package(
       "./sdk/ml/azure-ai-ml/tests/test_configs/model_package/model_package_simple.yml"
   )

Buat objek penyebaran online dari file yaml.

load_online_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineDeployment

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal objek penyebaran online. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Membangun objek penyebaran online.

Tipe hasil

OnlineDeployment

Pengecualian

ValidationException

Dimunculkan jika Penyebaran Online tidak dapat berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Buat objek titik akhir online dari file yaml.

load_online_endpoint(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineEndpoint

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal dari objek titik akhir online. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek titik akhir online yang dibangun.

Tipe hasil

OnlineEndpoint

Pengecualian

ValidationException

Dimunculkan jika Titik Akhir Online tidak berhasil divalidasi. Detail akan diberikan dalam pesan kesalahan.

Muat objek registri dari file yaml.

load_registry(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Registry

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal registri. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek registri yang dimuat.

Tipe hasil

Registry

Muat objek ruang kerja dari file yaml.

load_workspace(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Workspace

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal ruang kerja. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek ruang kerja yang dimuat.

Tipe hasil

Workspace

Buat objek koneksi ruang kerja dari file yaml.

load_workspace_connection(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceConnection

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal objek koneksi ruang kerja. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek koneksi ruang kerja yang dibangun.

Tipe hasil

WorkspaceConnection

Catatan

Ini adalah metode eksperimental, dan dapat berubah kapan saja. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya.

Muat objek WorkspaceHub dari file yaml.

load_workspace_hub(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceHub

Parameter

source: Union[<xref:PathLike>, str, TextIOWrapper]

Diperlukan

Sumber yaml lokal WorkspaceHub. Harus berupa jalur ke file lokal, atau file yang sudah dibuka. Jika sumbernya adalah jalur, sumber akan terbuka dan dibaca. Pengecualian dimunculkan jika file tidak ada. Jika sumber adalah file terbuka, file akan dibaca secara langsung, dan pengecualian dimunculkan jika file tidak dapat dibaca.

relative_origin: str

Asal yang akan digunakan saat menyimpulkan lokasi relatif file yang direferensikan dalam yaml yang diurai. Default ke direktori sumber yang diinput jika merupakan input jalur file atau file. Default ke "./" jika sumbernya adalah input aliran tanpa nilai nama.

params_override: List[Dict]

Bidang yang akan ditimpa di atas file yaml. Formatnya adalah [{"field1": "value1"}, {"field2": "value2"}]

Mengembalikan

Objek WorkspaceHub yang dimuat.

Tipe hasil

WorkspaceHub

Membuat objek Spark yang dapat digunakan di dalam fungsi dsl.pipeline atau digunakan sebagai pekerjaan Spark mandiri.

spark(*, experiment_name: str | None = None, name: str | None = None, display_name: str | None = None, description: str | None = None, tags: Dict | None = None, code: PathLike | str | None = None, entry: Dict[str, str] | SparkJobEntry | None = None, py_files: List[str] | None = None, jars: List[str] | None = None, files: List[str] | None = None, archives: List[str] | None = None, identity: Dict[str, str] | ManagedIdentity | AmlToken | UserIdentity | None = None, driver_cores: int | None = None, driver_memory: str | None = None, executor_cores: int | None = None, executor_memory: str | None = None, executor_instances: int | None = None, dynamic_allocation_enabled: bool | None = None, dynamic_allocation_min_executors: int | None = None, dynamic_allocation_max_executors: int | None = None, conf: Dict[str, str] | None = None, environment: str | Environment | None = None, inputs: Dict | None = None, outputs: Dict | None = None, args: str | None = None, compute: str | None = None, resources: Dict | SparkResourceConfiguration | None = None, **kwargs) -> Spark

Parameter

experiment_name: Optional[str]

Nama eksperimen tempat pekerjaan akan dibuat.

name: Optional[str]

Nama pekerjaan.

display_name: Optional[str]

Nama tampilan pekerjaan.

description: Optional[str]

Deskripsi dari pekerjaan. Default ke Tidak Ada.

tags: Optional[dict[str, str]]

Kamus tag untuk pekerjaan tersebut. Tag dapat ditambahkan, dihapus, dan diperbarui. Default ke Tidak Ada.

code

Kode sumber untuk menjalankan pekerjaan. Dapat berupa jalur lokal atau url "http:", "https:", atau "azureml:" yang menunjuk ke lokasi jarak jauh.

entry: Optional[Union[dict[str, str], SparkJobEntry]]

Titik entri file atau kelas.

py_files: Optional[list[str]]

Daftar file .zip, .egg, atau .py untuk ditempatkan di aplikasi PYTHONPATH untuk Python. Default ke Tidak Ada.

jars: Optional[list[str]]

Daftar . File JAR untuk disertakan pada classpath driver dan eksekutor. Default ke Tidak Ada.

files: Optional[list[str]]

Daftar file yang akan ditempatkan di direktori kerja setiap pelaksana. Default ke Tidak Ada.

archives: Optional[list[str]]

Daftar arsip yang akan diekstraksi ke dalam direktori kerja setiap pelaksana. Default ke Tidak Ada.

identity: Optional[Union[ dict[str, str], ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Identitas yang akan digunakan pekerjaan Spark saat berjalan pada komputasi.

driver_cores: Optional[int]

Jumlah inti yang digunakan untuk proses driver, hanya dalam mode kluster.

driver_memory: Optional[str]

Jumlah memori yang digunakan untuk proses driver, diformat sebagai string dengan akhiran unit ukuran ("k", "m", "g" atau "t") (misalnya "512m", "2g").

executor_cores: Optional[int]

Jumlah inti yang digunakan pada setiap eksekutor.

executor_memory: Optional[str]

Jumlah memori yang akan digunakan per proses pelaksana, diformat sebagai string dengan akhiran unit ukuran ("k", "m", "g" atau "t") (misalnya "512m", "2g").

executor_instances: Optional[int]

Jumlah awal pelaksana.

dynamic_allocation_enabled: Optional[bool]

Apakah akan menggunakan alokasi sumber daya dinamis, yang menskalakan jumlah pelaksana yang terdaftar dengan aplikasi ini naik dan turun berdasarkan beban kerja.

dynamic_allocation_min_executors: Optional[int]

Batas bawah untuk jumlah pelaksana jika alokasi dinamis diaktifkan.

dynamic_allocation_max_executors: Optional[int]

Batas atas untuk jumlah pelaksana jika alokasi dinamis diaktifkan.

conf: Optional[dict[str, str]]

Kamus dengan kunci dan nilai konfigurasi Spark yang telah ditentukan sebelumnya. Default ke Tidak Ada.

environment: Optional[Union[str, Environment]]

Lingkungan Azure ML untuk menjalankan pekerjaan.

inputs: Optional[dict[str, Input]]

Pemetaan nama input untuk memasukkan data yang digunakan dalam pekerjaan. Default ke Tidak Ada.

outputs: Optional[dict[str, Output]]

Pemetaan nama output ke data output yang digunakan dalam pekerjaan. Default ke Tidak Ada.

args: Optional[str]

Argumen untuk pekerjaan tersebut.

compute: Optional[str]

Sumber daya komputasi tempat pekerjaan berjalan.

resources: Optional[Union[dict, SparkResourceConfiguration]]

Konfigurasi sumber daya komputasi untuk pekerjaan tersebut.

Mengembalikan

Objek Spark.

Tipe hasil

Spark

Contoh

Membangun alur Spark menggunakan dekorator alur DSL


   from azure.ai.ml import Input, Output, dsl, spark
   from azure.ai.ml.constants import AssetTypes, InputOutputModes

   # define the spark task
   first_step = spark(
       code="/src",
       entry={"file": "add_greeting_column.py"},
       py_files=["utils.zip"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       args="--file_input ${{inputs.file_input}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   second_step = spark(
       code="/src",
       entry={"file": "count_by_row.py"},
       jars=["scala_project.jar"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       outputs=dict(output=Output(type="uri_folder", mode=InputOutputModes.DIRECT)),
       args="--file_input ${{inputs.file_input}} --output ${{outputs.output}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   # Define pipeline
   @dsl.pipeline(description="submit a pipeline with spark job")
   def spark_pipeline_from_builder(data):
       add_greeting_column = first_step(file_input=data)
       count_by_row = second_step(file_input=data)
       return {"output": count_by_row.outputs.output}

   pipeline = spark_pipeline_from_builder(
       data=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT),
   )

automl	Berisi kelas pembelajaran mesin otomatis untuk Azure Machine Learning SDKv2. Area utama termasuk mengelola tugas AutoML.
constants	Paket ini mendefinisikan konstanta yang digunakan dalam Azure Machine Learning SDKv2.
data_transfer
dsl
entities	Berisi entitas dan objek SDK untuk Azure Machine Learning SDKv2. Area utama termasuk mengelola target komputasi, membuat/mengelola ruang kerja dan pekerjaan, dan mengirimkan/mengakses model, menjalankan dan menjalankan output/pengelogan, dll.
identity	Berisi Konfigurasi Identitas untuk Azure Machine Learning SDKv2.
operations	Berisi operasi yang didukung untuk Azure Machine Learning SDKv2. Operasi adalah kelas yang berisi logika untuk berinteraksi dengan layanan backend, biasanya panggilan operasi yang dihasilkan secara otomatis.
parallel
sweep

AmlTokenConfiguration	Konfigurasi identitas Token AzureML.
Input	Menginisialisasi objek Input.
MLClient	Kelas klien untuk berinteraksi dengan layanan Azure ML. Gunakan klien ini untuk mengelola sumber daya Azure ML seperti ruang kerja, pekerjaan, model, dan sebagainya.
ManagedIdentityConfiguration	Konfigurasi kredensial Identitas Terkelola.
MpiDistribution	Konfigurasi distribusi MPI.
Output
PyTorchDistribution	Konfigurasi distribusi PyTorch.
RayDistribution	Catatan Ini adalah kelas eksperimental, dan dapat berubah kapan saja. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya. Konfigurasi distribusi sinar.
TensorFlowDistribution	Konfigurasi distribusi TensorFlow.
UserIdentityConfiguration	Konfigurasi identitas pengguna.

ml Paket

Paket

Modul

Kelas

Fungsi

command

Parameter

Mengembalikan

Tipe hasil

Contoh

load_batch_deployment

Parameter

Mengembalikan

Tipe hasil

load_batch_endpoint

Parameter

Mengembalikan

Tipe hasil

load_component

Parameter

Mengembalikan

Tipe hasil

Contoh

load_compute

Parameter

Mengembalikan

Tipe hasil

Contoh

load_data

Parameter

Mengembalikan

Tipe hasil

Pengecualian

load_datastore

Parameter

Mengembalikan

Tipe hasil

Pengecualian

load_environment

Parameter

Mengembalikan

Tipe hasil

Pengecualian

load_job

Parameter

Mengembalikan

Tipe hasil

Pengecualian

Contoh

load_model

Parameter

Mengembalikan

Tipe hasil

Pengecualian

Contoh

load_model_package

Parameter

Mengembalikan

Tipe hasil

Pengecualian

Contoh

load_online_deployment

Parameter

Mengembalikan

Tipe hasil

Pengecualian

load_online_endpoint

Parameter

Mengembalikan

Tipe hasil

Pengecualian

load_registry

Parameter

Mengembalikan

Tipe hasil

load_workspace

Parameter

Mengembalikan

Tipe hasil

load_workspace_connection