Bagikan melalui


core Paket

Berisi paket inti, modul, dan kelas untuk Azure Machine Learning.

Area utama mencakup mengelola target komputasi, membuat/mengelola ruang kerja dan eksperimen, serta mengirim/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 itu 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. Gunakan kelas Environment sebagai gantinya.

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 metode Modeldeploy() untuk menyebarkan model sebagai layanan web. Anda juga dapat menggunakan metode Model package() untuk membuat gambar yang dapat diunduh ke instalasi Docker lokal Anda sebagai gambar atau sebagai Dockerfile.

Untuk informasi tentang menggunakan kelas Model, lihat Menyebarkan model dengan Azure Machine Learning.

Untuk informasi tentang menggunakan gambar kustom, lihat Menyebarkan model menggunakan gambar dasar Docker kustom.

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 menciptakan titik akhir dan REST API. Anda dapat mengirim data ke API ini serta menerima prediksi yang dikembalikan 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 sebuah model direkomendasikan untuk sebagian besar kasus penggunaan, sementara penyebaran menggunakan gambar direkomendasikan untuk kasus penggunaan lanjutan. 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:

  • Masuk Interaktif - Mode default saat menggunakan SDK Azure Machine Learning. Menggunakan dialog interaktif.
  • Azure CLI - Untuk digunakan dengan paket azure-cli.
  • Perwakilan Layanan - Untuk digunakan dengan alur kerja pembelajaran mesin otomatis.
  • MSI - Untuk digunakan dengan aset berkemampuan Identitas Layanan Terkelola seperti dengan Azure Virtual Machine.
  • Azure ML Token - Digunakan untuk memperoleh token Azure ML hanya untuk eksekusi yang dikirimkan.

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 memperluas skala 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 dan 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 di Azure Machine Learning.

Lingkungan menyediakan cara untuk mengelola dependensi perangkat lunak sehingga lingkungan yang terkontrol dapat direproduksi dengan konfigurasi manual minimal saat Anda berpindah antara lingkungan pengembangan cloud lokal dan terdistribusi. Lingkungan merangkum 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 kenyamanan untuk menambahkan, 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:

  • mendaftarkan model Anda dengan ruang kerja
  • membuat profil model Anda untuk memahami persyaratan penyebaran
  • mengemas model Anda untuk digunakan dengan Docker
  • menyebarkan model Anda ke titik akhir inferensi sebagai layanan web

Untuk informasi selengkapnya tentang cara model digunakan, lihat Cara kerja Azure Machine Learning: Arsitektur dan konsep.

private_endpoint

Berisi fungsionalitas untuk menentukan dan mengonfigurasikan 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 yang berjalan dalam Azure Machine Learning.

Kelas kunci dalam modul ini adalah RunConfiguration, yang merangkum informasi penting untuk mengirimkan pelatihan yang dijalankan 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 dan metode serta atributnya yang memungkinkan Anda mengelola artefak pembelajaran mesin seperti target komputasi, lingkungan, penyimpanan data, eksperimen, dan model. Ruang kerja terkait dengan langganan Azure dan grup sumber daya, dan merupakan sarana utama untuk tagihan. Ruang kerja mendukung kontrol akses berbasis peran (RBAC) Azure Resource Manager dan afinitas wilayah untuk semua data pembelajaran mesin yang disimpan di 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 Anda. 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:

  • TabularDataset menunjukkan data dalam format tabel yang dibuat dengan menguraikan file atau daftar file yang disediakan.

  • FileDataset mereferensikan satu atau beberapa file di datastore atau dari URL publik.

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 get.

Datastore

Menunjukkan abstraksi penyimpanan melalui akun penyimpanan Azure Machine Learning.

Penyimpanan data dilampirkan ke ruang kerja dan digunakan untuk menyimpan informasi koneksi ke layanan penyimpanan Azure sehingga Anda dapat merujuknya berdasarkan nama dan tidak perlu mengingat informasi koneksi dan rahasia yang digunakan untuk tersambung ke layanan penyimpanan.

Contoh layanan penyimpanan Azure yang didukung yang dapat didaftarkan sebagai penyimpanan data adalah:

  • Azure Blob Container

  • Azure File Share

  • Azure Data Lake

  • Azure Data Lake Gen2

  • Azure SQL Database

  • Azure Database untuk PostgreSQL

  • Sistem File Databricks

  • Azure Database untuk MySQL

Gunakan kelas ini untuk melakukan operasi manajemen, termasuk mendaftar, membuat daftar, mendapatkan, dan menghapus penyimpanan data. Penyimpanan data untuk setiap layanan dibuat dengan metode register* dari kelas ini. Saat menggunakan penyimpanan data untuk mengakses data, Anda harus memiliki izin untuk mengakses data tersebut, yang bergantung pada informasi masuk yang terdaftar di penyimpanan data.

Untuk informasi selengkapnya tentang penyimpanan data dan bagaimana penyimpanan data dapat digunakan dalam pembelajaran mesin, lihat artikel berikut:

Mendapatkan datastore berdasarkan nama. Panggilan ini akan membuat permintaan ke layanan datastore.

Environment

Mengonfigurasi lingkungan Python yang dapat direproduksi untuk eksperimen pembelajaran mesin.

Lingkungan mendefinisikan 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 diversikan dalam Azure Machine Learning Workspace. Anda dapat memperbarui lingkungan yang ada dan mengambil versi untuk digunakan kembali. Lingkungan bersifat eksklusif untuk ruang kerja tempat mereka 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 menunjukkan beberapa model eksekusi.

Konstruktor eksperimen.

Image

Menentukan kelas induk abstrak untuk Gambar Azure Machine Learning.

Kelas ini TIDAK DIGUNAKAN LAGI. Gunakan kelas Environment sebagai gantinya.

Konstruktor gambar.

Kelas ini TIDAK DIGUNAKAN LAGI. Gunakan kelas Environment sebagai gantinya.

Konstruktor gambar digunakan untuk mengambil representasi cloud dari 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 terkait. Kelas Keyvault adalah wrapper Azure Key Vault yang disederhanakan yang memungkinkan Anda mengelola rahasia di brankas kunci termasuk pengaturan, pengambilan, penghapusan, dan daftar rahasia. Gunakan kelas Keyvault untuk meneruskan rahasia ke eksekusi jarak jauh dengan aman tanpa mengekspos informasi sensitif dalam teksbersih.

Untuk informasi selengkapnya, lihat Menggunakan rahasia dalam eksekusi pelatihan.

Konstruktor Keyvault Kelas.

LinkedService

Catatan

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

Menentukan Sumber Daya untuk mengelola penautan antara ruang kerja AML dengan layanan lain di Azure.

Menginisialisasi 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 dari 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.

Titik Akhir Privat Azure adalah antarmuka jaringan yang menghubungkan Anda secara privat dan aman ke ruang kerja Azure ML dengan Private Link.

Menginisialisasi PrivateEndPointConfig.

Run

Menentukan kelas dasar untuk semua eksperimen Azure Machine Learning yang dijalankan.

Eksekusi mewakili satu percobaan sebuah eksperimen. Eksekusi digunakan untuk memantau eksekusi asinkron percobaan, metrik log dan menyimpan output percobaan, dan untuk menganalisis hasil serta mengakses artefak yang dihasilkan oleh percobaan.

Objek eksekusi dibuat saat Anda mengirimkan skrip untuk melatih model dalam berbagai skenario dalam 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 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 dari langkah tersebut dan melakukan konfigurasi dependensi Conda atau mengakses properti lingkungan untuk eksekusi.

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 eksekusi pelatihan yang dikirimkan.

Eksekusi yang dikirimkan dengan ScriptRunConfig mewakili satu percobaan dalam eksperimen. Mengirimkan eksekusi mengembalikan objek ScriptRun, yang dapat digunakan untuk memantau eksekusi asinkron dari eksekusi, metrik log dan menyimpan output dari eksekusi, dan menganalisis hasil dan mengakses artefak yang dihasilkan oleh eksekusi.

Untuk memulai eksperimen dan ScriptRunConf, lihat

Konstruktor Class ScriptRun.

ScriptRunConfig

Menunjukkan informasi konfigurasi untuk mengirimkan pelatihan yang dijalankan dalam Azure Machine Learning.

ScriptRunConfig mengemas bersama informasi konfigurasi yang diperlukan untuk mengirimkan eksekusi di Azure Machine Learning, termasuk skrip, target komputasi, lingkungan, dan konfigurasi khusus pekerjaan terdistribusi.

Setelah skrip dijalankan dikonfigurasi dan dikirimkan dengan submit, ScriptRun dikembalikan.

Konstruktor Class ScriptRunConfig.

SynapseWorkspaceLinkedServiceConfiguration

Catatan

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

Menentukan konfigurasi layanan tertaut untuk menautkan ruang kerja sinapsis.

Menginisialisasi objek SynapseWorkspaceLinkedServiceConfiguration.

Webservice

Mendefinisikan 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 Layanan Web, lihat Model penyebaran dengan Azure Machine Learning.

Menginisialisasi instans Webservice.

Konstruktor Webservice mengambil representasi cloud dari objek Webservice yang terkait dengan ruang kerja yang disediakan. Ini akan mengembalikan instans kelas anak yang sesuai dengan jenis tertentu dari objek Webservice yang diambil.

Workspace

Menentukan 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 terkait dengan langganan Azure dan grup sumber daya, dan memiliki SKU terkait.

Untuk informasi selengkapnya tentang ruang kerja, lihat:

Konstruktor Ruang Kerja Kelas untuk memuat Ruang Kerja Azure Machine Learning yang 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
str
compute_target
Diperlukan
str

Objek target komputasi yang akan dilampirkan.

Mengembalikan

Jenis Deskripsi

Tidak ada jika pelampiran berhasil, jika tidak berikan 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 mencakup.

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
Run

Eksekusi yang dikirim.

is_compute_target_prepared

Periksa apakah target komputasi disiapkan.

Memeriksa apakah target komputasi, yang ditentukan dalam run_config, sudah disiapkan atau tidak untuk konfigurasi eksekusi yang ditentukan.

is_compute_target_prepared(experiment, source_directory, run_config)

Parameter

Nama Deskripsi
experiment
Diperlukan
source_directory
Diperlukan
str
run_config
Diperlukan

Konfigurasi eksekusi. Ini bisa menjadi nama konfigurasi eksekusi, sebagai untai (karakter), 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 percobaan 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
str
run_config
Diperlukan

Eksekusi konfigurasi. Ini bisa menjadi nama konfigurasi eksekusi, sebagai untai (karakter), 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
str
compute_target_name
Diperlukan
str

Mengembalikan

Jenis Deskripsi

Tidak ada jika penghapusan target komputasi berhasil, jika tidak berikan pengecualian.