core Paket
Berisi paket inti, modul, dan kelas untuk Azure Machine Learning.
Area utama termasuk mengelola target komputasi, membuat/mengelola ruang kerja dan eksperimen, dan mengirimkan/mengakses eksekusi model dan menjalankan output/pengelogan.
Paket
compute |
Paket ini berisi kelas yang digunakan untuk mengelola target komputasi di Azure Machine Learning. Untuk informasi selengkapnya tentang memilih target komputasi untuk pelatihan dan penyebaran, lihat Apa yang dimaksud dengan target komputasi di Azure Machine Learning? |
image |
Berisi fungsionalitas untuk mengelola gambar yang disebarkan sebagai titik akhir layanan web di Azure Machine Learning. Kelas ini TIDAK DIGUNAKAN LAGI. Sebagai gantinya, gunakan kelas Environment. Gambar digunakan untuk menyebarkan Model, skrip, dan file yang terkait sebagai titik akhir layanan web atau perangkat Azure IoT Edge. Titik akhir menangani permintaan penilaian masuk dan prediksi pengembalian. Kelas kunci paket ini adalah kelas Image, kelas induk gambar Azure Machine Learning, dan kelas ContainerImage turunan untuk Gambar Docker serta Gambar pratinjau seperti FPGA. Kecuali Anda memiliki alur kerja yang secara khusus memerlukan penggunaan gambar, Anda sebaiknya menggunakan kelas Environment untuk menentukan gambar Anda. Kemudian Anda dapat menggunakan objek Lingkungan dengan Model Untuk informasi tentang menggunakan kelas Model, lihat Menyebarkan model dengan Azure Machine Learning. Untuk informasi tentang menggunakan gambar ubah suai, lihat Menyebarkan model menggunakan gambar dasar Docker ubah suai. |
webservice |
Berisi fungsionalitas untuk menyebarkan model pembelajaran mesin sebagai titik akhir layanan web di Azure Machine Learning. Menyebarkan model Azure Machine Learning sebagai layanan web membuat titik akhir dan REST API. Anda dapat mengirim data ke API ini dan menerima prediksi yang ditampilkan oleh model. Anda membuat layanan web saat menyebarkan Model atau Image ke Azure Container Instances (modul aci), Azure Kubernetes Service (modul aks) dan Azure Kubernetes Endpoint (AksEndpoint), atau array gerbang yang dapat diprogram di bidang (FPGA). Penyebaran menggunakan model disarankan untuk sebagian besar kasus penggunaan, sedangkan penyebaran menggunakan gambar disarankan untuk kasus penggunaan tingkat lanjut. Kedua jenis penyebaran didukung di kelas dalam modul ini. |
Modul
authentication |
Berisi fungsionalitas untuk mengelola berbagai jenis autentikasi di Azure Machine Learning. Jenis autentikasi yang didukung:
Untuk mempelajari selengkapnya tentang mekanisme autentikasi ini, lihat https://aka.ms/aml-notebook-auth. |
compute_target |
Berisi fungsionalitas untuk target komputasi yang tidak dikelola oleh Azure Machine Learning. Target komputasi menentukan lingkungan komputasi pelatihan Anda, dan dapat berupa sumber daya lokal, atau jarak jauh di cloud. Sumber daya jarak jauh memungkinkan Anda untuk meningkatkan atau mengembangkan eksperimen pembelajaran mesin Anda dengan mudah dengan memanfaatkan kemampuan pemrosesan CPU dan GPU yang dipercepat. Untuk informasi tentang target komputasi yang dikelola oleh Azure Machine Learning, lihat kelas ComputeTarget. Untuk informasi selengkapnya, lihat Apa itu target komputasi di Azure Machine Learning? |
conda_dependencies |
Berisi fungsionalitas untuk mengelola dependensi lingkungan conda. Gunakan kelas CondaDependencies untuk memuat file lingkungan conda yang ada dan mengonfigurasi serta mengelola lingkungan baru tempat eksperimen dijalankan. |
container_registry |
Berisi fungsionalitas untuk mengelola Azure Container Registry. |
databricks |
Berisi fungsionalitas untuk mengelola lingkungan Databricks di Azure Machine Learning. Untuk informasi selengkapnya tentang bekerja dengan Databricks di Azure Machine Learning, lihat Mengonfigurasi lingkungan pengembangan untuk Azure Machine Learning. |
dataset |
Mengelola interaksi dengan Himpunan Data Azure Machine Learning. Modul ini menyediakan fungsionalitas untuk menggunakan data mentah, mengelola data, dan melakukan tindakan pada data dalam Azure Machine Learning. Gunakan kelas Dataset dalam modul ini untuk membuat himpunan data bersama dengan fungsionalitas dalam paket data, yang berisi kelas pendukung FileDataset dan TabularDataset. Untuk mulai menggunakan himpunan data, lihat artikel Menambahkan & mendaftarkan himpunan data. |
datastore |
Berisi fungsionalitas untuk mengelola penyimpanan data di Azure Machine Learning. |
environment |
Berisi fungsionalitas untuk membuat dan mengelola lingkungan yang dapat direproduksi dalam Azure Machine Learning. Lingkungan menyediakan cara untuk mengelola dependensi perangkat lunak sehingga lingkungan terkontrol dapat direproduksi dengan konfigurasi manual minimal saat Anda berpindah antara lingkungan pengembangan cloud lokal dan terdistribusi. Lingkungan menyertakan paket Python, variabel lingkungan, pengaturan perangkat lunak untuk skrip pelatihan dan penilaian, dan durasi di Python, Spark, atau Docker. Untuk informasi selengkapnya tentang menggunakan lingkungan untuk pelatihan dan penyebaran dengan Azure Machine Learning, lihat Membuat dan mengelola lingkungan yang dapat digunakan kembali. |
experiment |
Berisi fungsionalitas yang digunakan untuk mengirimkan eksperimen dan mengelola riwayat eksperimen di Azure Machine Learning. |
keyvault |
Berisi fungsionalitas untuk mengelola rahasia di Azure Key Vault yang terkait dengan ruang kerja Azure Machine Learning. Modul ini berisi metode praktis untuk menambah, mengambil, menghapus, dan mencantumkan rahasia dari Azure Key Vault yang terkait dengan ruang kerja. |
linked_service |
Berisi fungsionalitas untuk membuat dan mengelola layanan tertaut di ruang kerja AML. |
model |
Berisi fungsionalitas untuk mengelola model pembelajaran mesin di Azure Machine Learning. Dengan kelas Model, Anda dapat menyelesaikan tugas utama berikut:
Untuk informasi selengkapnya tentang cara model digunakan, lihat Cara kerja Azure Machine Learning: Arsitektur dan konsep. |
private_endpoint |
Berisi fungsionalitas untuk menentukan dan mengonfigurasi Titik Akhir Privat Azure. |
profile |
Berisi fungsionalitas untuk model pembuatan profil di Azure Machine Learning. |
resource_configuration |
Berisi fungsionalitas untuk mengelola konfigurasi sumber daya entitas Azure Machine Learning. |
run |
Berisi fungsionalitas untuk mengelola metrik dan artefak eksperimen di Azure Machine Learning. |
runconfig |
Berisi fungsionalitas untuk mengelola konfigurasi eksperimen berjalan dalam Azure Machine Learning. Kelas kunci dalam modul ini adalah RunConfiguration, yang merangkum informasi penting untuk mengirimkan eksekusi pelatihan pada target komputasi tertentu. Konfigurasi ini mencakup serangkaian definisi perilaku yang luas, seperti apakah akan menggunakan lingkungan Python yang ada atau menggunakan lingkungan Conda yang dibangun dari spesifikasi. Kelas konfigurasi lain dalam modul diakses melalui RunConfiguration. |
script_run |
Berisi fungsionalitas untuk mengelola pelatihan eksekusi yang dikirimkan di Azure Machine Learning. |
script_run_config |
Berisi fungsionalitas untuk mengelola konfigurasi untuk mengirimkan eksekusi pelatihan di Azure Machine Learning. |
util |
Berisi kelas untuk menentukan tingkat detail pengelogan. |
workspace |
Berisi fungsionalitas untuk mengelola ruang kerja, sumber daya tingkat atas di Azure Machine Learning. Modul ini berisi kelas Workspace serta metode dan atributnya yang memungkinkan Anda mengelola artefak pembelajaran mesin seperti target komputasi, lingkungan, penyimpanan data, eksperimen, dan model. Ruang kerja terikat ke langganan Azure dan grup sumber daya, dan merupakan sarana utama untuk penagihan. Ruang kerja mendukung kontrol akses berbasis peran (RBAC) Azure Resource Manager dan afinitas wilayah untuk semua data pembelajaran mesin yang disimpan dalam ruang kerja. |
Kelas
ComputeTarget |
Kelas induk abstrak untuk semua target komputasi yang dikelola oleh Azure Machine Learning. Target komputasi adalah sumber daya/lingkungan komputasi yang ditunjuk tempat Anda menjalankan skrip pelatihan atau meng-hosting penyebaran layanan. Lokasi ini mungkin merupakan mesin lokal Anda atau sumber daya komputasi berbasis cloud. Untuk informasi selengkapnya, lihat Apa itu target komputasi di Azure Machine Learning? Konstruktor Class ComputeTarget. Ambil representasi cloud dari objek Komputasi yang terkait dengan ruang kerja yang disediakan. Mengembalikan instans kelas anak yang sesuai dengan jenis tertentu dari objek Komputasi yang diambil. |
ContainerRegistry |
Menentukan koneksi ke Azure Container Registry. Konstruktor Class ContainerRegistry. |
Dataset |
Menunjukkan sumber daya untuk menjelajahi, mengubah, dan mengelola data dalam Azure Machine Learning. Dataset adalah referensi ke data di dalam Datastore atau di belakang url web publik. Untuk metode yang tidak digunakan lagi di kelas ini, periksa kelas AbstractDataset untuk API yang ditingkatkan. Jenis Himpunan Data berikut didukung:
Untuk mulai menggunakan himpunan data, lihat artikel Menambahkan & mendaftarkan himpunan data, atau lihat buku catatan https://aka.ms/tabulardataset-samplenotebook dan https://aka.ms/filedataset-samplenotebook. Menginisialisasi objek Himpunan Data. Untuk mendapatkan Himpunan Data yang telah terdaftar di ruang kerja, gunakan metode dapatkan. |
Datastore |
Menunjukkan abstraksi penyimpanan melalui akun penyimpanan Azure Machine Learning. Datastore dilampirkan ke ruang kerja dan digunakan untuk menyimpan informasi koneksi ke layanan penyimpanan Azure sehingga Anda dapat merujuknya dengan nama serta tidak perlu mengingat informasi koneksi dan rahasia yang digunakan untuk terhubung ke layanan penyimpanan. Contoh layanan penyimpanan Azure yang didukung yang dapat didaftarkan sebagai datastore adalah:
Gunakan kelas ini untuk melakukan operasi manajemen, termasuk mendaftar, membuat daftar, mendapatkan, dan menghapus datastore.
Datastore untuk setiap layanan dibuat dengan metode Untuk informasi lebih lanjut tentang datastore dan bagaimana datastore dapat digunakan dalam pembelajaran mesin, lihat artikel berikut: Mendapatkan datastore berdasarkan nama. Panggilan ini akan membuat permintaan ke layanan datastore. |
Environment |
Konfigurasikan lingkungan Python yang dapat direproduksi untuk eksperimen pembelajaran mesin. Lingkungan menentukan paket Python, variabel lingkungan, dan pengaturan Docker yang digunakan dalam eksperimen pembelajaran mesin, termasuk dalam penyiapan data, pelatihan, dan penyebaran ke layanan web. Lingkungan dikelola dan ditetapkan versinya dalam Azure Machine Learning Workspace. Anda dapat memperbarui lingkungan yang ada dan mengambil versi untuk digunakan kembali. Lingkungan bersifat eksklusif untuk ruang kerja tempatnya dibuat dan tidak dapat digunakan di ruang kerja yang berbeda. Untuk informasi selengkapnya tentang lingkungan, lihat Membuat dan mengelola lingkungan yang dapat digunakan kembali. Konstruktor Lingkungan Kelas. |
Experiment |
Menunjukkan titik masuk utama untuk membuat dan bekerja dengan eksperimen dalam Azure Machine Learning. Eksperimen adalah kontainer percobaan yang mewakili beberapa model eksekusi. Konstruktor eksperimen. |
Image |
Menentukan kelas induk abstrak untuk Gambar Azure Machine Learning. Kelas ini TIDAK DIGUNAKAN LAGI. Sebagai gantinya, gunakan kelas Environment. Konstruktor gambar. Kelas ini TIDAK DIGUNAKAN LAGI. Sebagai gantinya, gunakan kelas Environment. Konstruktor gambar digunakan untuk mengambil representasi cloud objek Gambar yang terkait dengan ruang kerja yang disediakan. Akan mengembalikan instans kelas anak yang sesuai dengan jenis tertentu dari objek Gambar yang diambil. |
Keyvault |
Mengelola rahasia yang disimpan di Azure Key Vault yang terkait dengan ruang kerja Azure Machine Learning. Setiap ruang kerja Azure Machine Learning memiliki Azure Key Vault yang terkait. Kelas Keyvault adalah wrapper Azure Key Vault sederhana yang memungkinkan Anda mengelola rahasia di brankas kunci termasuk pengaturan, pengambilan, penghapusan, dan pembuatan daftar rahasia. Gunakan kelas Keyvault untuk meneruskan rahasia ke eksekusi jarak jauh dengan aman tanpa memperlihatkan informasi sensitif dalam teks biasa. Untuk informasi selengkapnya, lihat Menggunakan rahasia dalam eksekusi pelatihan. Konstruktor Keyvault Kelas. |
LinkedService |
Catatan Ini adalah kelas eksperimen, dan dapat berubah sewaktu-waktu. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya. Menentukan Sumber Daya untuk mengelola penautan antara ruang kerja Azure Machine Learning dengan layanan lain di Azure. Inisialisasi objek LinkedService. |
Model |
Menunjukkan hasil pelatihan pembelajaran mesin. Model adalah hasil dari pelatihan Azure Machine Learning Run atau beberapa proses pelatihan model lainnya di luar Azure. Terlepas dari bagaimana model dihasilkan, model ini dapat didaftarkan di ruang kerja, yang ditunjukkan oleh sebuah nama dan versi. Dengan kelas Model, Anda dapat mengemas model untuk digunakan dengan Docker dan menyebarkannya sebagai titik akhir real time yang dapat digunakan untuk permintaan inferensi. Untuk tutorial secara menyeluruh yang menunjukkan bagaimana model dibuat, dikelola, dan digunakan, lihat Melatih model klasifikasi gambar dengan data MNIST dan scikit-learn menggunakan Azure Machine Learning. Konstruktor model. Konstruktor Model digunakan untuk mengambil representasi cloud objek Model yang terkait dengan ruang kerja yang disediakan. Harus memberikan nama atau ID. |
PrivateEndPoint |
Menentukan titik akhir privat untuk mengelola koneksi titik akhir privat yang terkait dengan ruang kerja Azure Machine Learning. Menginisialisasi PrivateEndPoint. |
PrivateEndPointConfig |
Menentukan konfigurasi untuk Titik Akhir Privat Azure. Azure Private Endpoint adalah antarmuka jaringan yang menghubungkan Anda secara privat dan aman ke ruang kerja Azure Machine Learning dengan Private Link. Inisialisasi PrivateEndPointConfig. |
Run |
Menentukan kelas dasar untuk semua eksperimen Azure Machine Learning yang dijalankan. Eksekusi mewakili satu percobaan dari sebuah percobaan. Eksekusi digunakan untuk memantau eksekusi eksperimen asinkron, mencatat metrik dan menyimpan output eksperimen, dan untuk menganalisis hasil dan mengakses artefak yang dihasilkan oleh eksperimen. Objek eksekusi dibuat saat Anda mengirimkan skrip untuk melatih model dalam beberapa skenario berbeda di Azure Machine Learning, termasuk eksekusi HyperDrive, eksekusi Alur, dan eksekusi AutoML. Objek Eksekusi juga dibuat saat Anda submit atau start_logging dengan kelas Experiment. Untuk memulai dengan eksperimen dan eksekusi, lihat Menginisialisasi objek Jalankan. |
RunConfiguration |
Menunjukkan konfigurasi untuk eksekusi eksperimen yang menargetkan target komputasi yang berbeda dalam Azure Machine Learning. Objek RunConfiguration merangkum informasi penting untuk mengirimkan eksekusi pelatihan dalam percobaan. Biasanya, Anda tidak akan membuat objek RunConfiguration secara langsung tetapi mendapatkannya dari metode yang menampilkannya, seperti metode submit dari kelas Experiment. RunConfiguration adalah konfigurasi lingkungan dasar yang juga digunakan dalam jenis langkah konfigurasi lain yang bergantung pada jenis eksekusi yang Anda picu. Misalnya, saat menyiapkan PythonScriptStep, Anda dapat mengakses objek RunConfiguration langkah dan mengonfigurasi dependensi Conda atau mengakses properti lingkungan untuk eksekusi tersebut. Untuk contoh konfigurasi eksekusi, lihat Memilih dan menggunakan target komputasi untuk melatih model Anda. Menginisialisasi RunConfiguration dengan pengaturan default. |
ScriptRun |
Menyediakan akses terprogram untuk mengelola pelatihan yang dikirimkan. Eksekusi yang dikirimkan dengan ScriptRunConfig mewakili satu percobaan dalam sebuah eksperimen. Mengirimkan eksekusi akan menampilkan objek ScriptRun, yang dapat digunakan untuk memantau eksekusi asinkron dari eksekusi tersebut, mencatat metrik dan menyimpan output dari eksekusi tersebut, serta menganalisis hasil dan mengakses artefak yang dihasilkan oleh eksekusi tersebut. Untuk memulai eksperimen dan ScriptRunConf, lihat Konstruktor Class ScriptRun. |
ScriptRunConfig |
Tunjukkan informasi konfigurasi untuk mengirimkan eksekusi pelatihan di Azure Machine Learning. ScriptRunConfig membuat paket informasi konfigurasi yang diperlukan untuk mengirimkan eksekusi di Azure Machine Learning, termasuk skrip, target komputasi, lingkungan, serta semua konfigurasi khusus pekerjaan yang terdistribusi. Setelah skrip dijalankan dikonfigurasi dan dikirimkan dengan submit, ScriptRun dikembalikan. Konstruktor Class ScriptRunConfig. |
SynapseWorkspaceLinkedServiceConfiguration |
Catatan Ini adalah kelas eksperimen, dan dapat berubah sewaktu-waktu. Lihat https://aka.ms/azuremlexperimental untuk mengetahui informasi selengkapnya. Menentukan konfigurasi layanan tertaut untuk menautkan ruang kerja sinapsis. Inisialisasi objek SynapseWorkspaceLinkedServiceConfiguration. |
Webservice |
Tentukan fungsionalitas dasar untuk menyebarkan model sebagai titik akhir layanan web di Azure Machine Learning. Konstruktor layanan web digunakan untuk mengambil representasi cloud dari objek Layanan web yang diasosiasikan dengan Ruang kerja yang disediakan. Mengembalikan instans kelas turunan yang sesuai dengan jenis tertentu dari objek Layanan web yang diambil. Kelas Layanan web memungkinkan untuk menyebarkan model pembelajaran mesin dari objek Model atau Image. Untuk informasi selengkapnya tentang bekerja dengan Webservice, lihat Menyebarkan model dengan Azure Machine Learning. Menginisialisasi instans Webservice. Konstruktor Webservice mengambil representasi cloud dari objek Layanan Web yang terkait dengan ruang kerja yang disediakan. Ini akan mengembalikan instans kelas anak yang sesuai dengan jenis tertentu dari objek Webservice yang diambil. |
Workspace |
Mendefinisikan sumber daya Azure Machine Learning untuk mengelola artefak pelatihan dan penyebaran. Ruang Kerja adalah sumber daya dasar untuk pembelajaran mesin di Azure Machine Learning. Anda menggunakan ruang kerja untuk bereksperimen, melatih, dan menyebarkan model pembelajaran mesin. Setiap ruang kerja terikat ke langganan Azure dan grup sumber daya, serta memiliki SKU terkait. Untuk informasi selengkapnya tentang ruang kerja, lihat: Konstruktor Ruang Kerja Kelas untuk memuat Ruang Kerja Azure Pembelajaran Mesin yang sudah ada. |
diagnostic_log |
Mengarahkan log debug ke file tertentu. |
Fungsi
attach_legacy_compute_target
Melampirkan target komputasi ke proyek ini.
attach_legacy_compute_target(experiment, source_directory, compute_target)
Parameter
Nama | Deskripsi |
---|---|
experiment
Diperlukan
|
|
source_directory
Diperlukan
|
|
compute_target
Diperlukan
|
Objek target komputasi yang akan dilampirkan. |
Mengembalikan
Jenis | Deskripsi |
---|---|
Bernilai None jika proses pelampiran berhasil, jika sebaliknya, akan menghasilkan pengecualian. |
get_run
Dapatkan eksekusi untuk eksperimen ini dengan ID eksekusinya.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parameter
Nama | Deskripsi |
---|---|
experiment
Diperlukan
|
Eksperimen yang terkandung. |
run_id
Diperlukan
|
ID eksekusi. |
rehydrate
|
<xref:boolean>
Menunjukkan apakah objek eksekusi asli dikembalikan atau hanya objek eksekusi dasar. Jika True, fungsi ini mengembalikan jenis objek eksekusi asli. Misalnya, untuk eksekusi AutoML, objek AutoMLRun dikembalikan, sedangkan untuk eksekusi HyperDrive, objek HyperDriveRun dikembalikan. Jika False, fungsi mengembalikan objek Run. Nilai default: True
|
clean_up
|
Jika true, panggil _register_kill_handler dari run_base Nilai default: True
|
Mengembalikan
Jenis | Deskripsi |
---|---|
Eksekusi yang dikirim. |
is_compute_target_prepared
Periksa target komputasi yang disiapkan.
Memeriksa apakah target komputasi yang ditentukan dalam run_config sudah disiapkan atau belum untuk konfigurasi eksekusi yang ditentukan.
is_compute_target_prepared(experiment, source_directory, run_config)
Parameter
Nama | Deskripsi |
---|---|
experiment
Diperlukan
|
|
source_directory
Diperlukan
|
|
run_config
Diperlukan
|
str atau
RunConfiguration
Konfigurasi yang dijalankan. Ini bisa menjadi nama konfigurasi yang dijalankan, sebagai string, atau objek azureml.core.runconfig.RunConfiguration. |
Mengembalikan
Jenis | Deskripsi |
---|---|
True, jika target komputasi disiapkan. |
prepare_compute_target
Siapkan target komputasi.
Menginstal semua paket yang diperlukan untuk eksperimen yang dijalankan berdasarkan run_config dan custom_run_config.
prepare_compute_target(experiment, source_directory, run_config)
Parameter
Nama | Deskripsi |
---|---|
experiment
Diperlukan
|
|
source_directory
Diperlukan
|
|
run_config
Diperlukan
|
str atau
RunConfiguration
Konfigurasi yang dijalankan. Ini bisa menjadi nama konfigurasi yang dijalankan, sebagai string, atau objek azureml.core.runconfig.RunConfiguration. |
Mengembalikan
Jenis | Deskripsi |
---|---|
Objek eksekusi |
remove_legacy_compute_target
Menghapus target komputasi dari proyek.
remove_legacy_compute_target(experiment, source_directory, compute_target_name)
Parameter
Nama | Deskripsi |
---|---|
experiment
Diperlukan
|
|
source_directory
Diperlukan
|
|
compute_target_name
Diperlukan
|
|
Mengembalikan
Jenis | Deskripsi |
---|---|
Bernilai None jika penghapusan target komputasi berhasil, jika sebaliknya akan menghasilkan pengecualian. |