AzureBatchStep Kelas
Membuat langkah Alur Azure Machine Learning untuk mengirimkan pekerjaan ke Azure Batch.
Catatan: Langkah ini tidak mendukung pengunggahan/pengunduhan direktori dan kontennya.
Untuk contoh menggunakan AzureBatchStep, lihat buku catatan https://aka.ms/pl-azbatch.
Buat langkah Azure ML Pipeline untuk mengirimkan pekerjaan ke Azure Batch.
- Warisan
-
azureml.pipeline.core._azurebatch_step_base._AzureBatchStepBaseAzureBatchStep
Konstruktor
AzureBatchStep(name, create_pool=False, pool_id=None, delete_batch_job_after_finish=True, delete_batch_pool_after_finish=False, is_positive_exit_code_failure=True, vm_image_urn='urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter', run_task_as_admin=False, target_compute_nodes=1, vm_size='standard_d1_v2', source_directory=None, executable=None, arguments=None, inputs=None, outputs=None, allow_reuse=True, compute_target=None, version=None)
Parameter
- create_pool
- bool
Menunjukkan apakah akan membuat kumpulan sebelum menjalankan pekerjaan.
- pool_id
- str
[Diperlukan] ID kumpulan tempat pekerjaan berjalan. ID dapat menjadi kumpulan yang ada, atau yang akan dibuat saat pekerjaan dikirimkan.
- delete_batch_job_after_finish
- bool
Menunjukkan apakah akan menghapus pekerjaan dari akun Batch setelah selesai.
- delete_batch_pool_after_finish
- bool
Menunjukkan apakah akan menghapus kumpulan setelah pekerjaan selesai.
- is_positive_exit_code_failure
- bool
Menunjukkan apakah pekerjaan gagal jika tugas ada dengan kode positif.
- vm_image_urn
- str
Jika create_pool
True dan VM menggunakan VirtualMachineConfiguration.
Format nilai: urn:publisher:offer:sku
.
Contoh: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter
.
- run_task_as_admin
- bool
Menunjukkan apakah tugas harus berjalan dengan hak istimewa admin.
- target_compute_nodes
- int
Jika create_pool
adalah True, menunjukkan berapa banyak simpul komputasi yang akan ditambahkan ke kumpulan.
- vm_size
- str
Jika create_pool
True, menunjukkan ukuran mesin virtual dari node komputasi.
- source_directory
- str
Folder lokal yang berisi binari modul, eksekusi, rakitan, dll.
- executable
- str
[Diperlukan] Nama perintah/eksekusi yang akan dijalankan sebagai bagian dari pekerjaan.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Daftar pengikatan port input. Sebelum pekerjaan berjalan, folder dibuat untuk setiap input. File untuk setiap input akan disalin dari penyimpanan ke folder masing-masing pada node komputasi. Misalnya, jika nama input adalah input1, dan jalur relatif pada penyimpanan adalah some/relative/path/that/can/be/really/long/inputfile.txt, jalur file pada komputasi akan menjadi: ./input1/inputfile.txt. Ketika nama input lebih panjang dari 32 karakter, itu akan dipotong dan ditambahkan dengan akhiran unik sehingga nama folder dapat berhasil dibuat pada target komputasi.
Daftar pengikatan port output. Mirip dengan input, sebelum pekerjaan berjalan, folder dibuat untuk setiap output. Nama folder akan sama dengan nama output. Asumsinya adalah bahwa pekerjaan akan memasukkan output ke dalam folder itu.
- allow_reuse
- bool
Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan lagi dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
- compute_target
- BatchCompute, str
[Diperlukan] Komputasi BatchCompute tempat pekerjaan berjalan.
- version
- str
Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul.
- pool_id
- str
[Diperlukan] ID kumpulan tempat pekerjaan berjalan. ID dapat menjadi kumpulan yang ada, atau yang akan dibuat saat pekerjaan dikirimkan.
- delete_batch_job_after_finish
- bool
Menunjukkan apakah akan menghapus pekerjaan dari akun Batch setelah selesai.
- delete_batch_pool_after_finish
- bool
Menunjukkan apakah akan menghapus kumpulan setelah pekerjaan selesai.
- is_positive_exit_code_failure
- bool
Menunjukkan apakah pekerjaan gagal jika tugas ada dengan kode positif.
- vm_image_urn
- str
Jika create_pool
True dan VM menggunakan VirtualMachineConfiguration.
Format nilai: urn:publisher:offer:sku
.
Contoh: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter
.
- run_task_as_admin
- bool
Menunjukkan apakah tugas harus berjalan dengan hak istimewa admin.
- target_compute_nodes
- int
Jika create_pool
adalah True, menunjukkan berapa banyak simpul komputasi yang akan ditambahkan ke kumpulan.
- vm_size
- str
Jika create_pool
True, menunjukkan ukuran Komputer virtual dari simpul komputasi.
- source_directory
- str
Folder lokal yang berisi biner modul, dapat dieksekusi, rakitan, dll.
- executable
- str
[Diperlukan] Nama perintah/eksekusi yang akan dijalankan sebagai bagian dari pekerjaan.
- inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]]
Daftar pengikatan port input. Sebelum pekerjaan berjalan, folder dibuat untuk setiap input. File untuk setiap input akan disalin dari penyimpanan ke folder masing-masing pada node komputasi. Misalnya, jika nama input adalah input1, dan jalur relatif pada penyimpanan adalah some/relative/path/that/can/be/really/long/inputfile.txt, jalur file pada komputasi akan menjadi: ./input1/inputfile.txt. Jika nama input lebih panjang dari 32 karakter, nama tersebut akan dipotok dan ditambahkan dengan akhiran unik, sehingga nama folder dapat berhasil dibuat pada komputasi.
Daftar pengikatan port output. Mirip dengan input, sebelum pekerjaan berjalan, folder dibuat untuk setiap output. Nama folder akan sama dengan nama output. Asumsinya adalah bahwa pekerjaan akan memiliki output ke dalam folder tersebut.
- allow_reuse
- bool
Menunjukkan apakah langkah tersebut harus menggunakan kembali hasil sebelumnya saat dijalankan lagi dengan pengaturan yang sama. Penggunaan kembali diaktifkan secara default. Jika konten langkah (skrip/dependensi) serta input dan parameter tetap tidak berubah, output dari eksekusi sebelumnya dari langkah ini digunakan ulang. Saat menggunakan ulang langkah tersebut, daripada mengirimkan pekerjaan ke komputasi, hasil dari eksekusi sebelumnya segera dibuat tersedia untuk langkah selanjutnya. Jika Anda menggunakan himpunan data Azure Machine Learning sebagai input, penggunaan ulang ditentukan oleh apakah definisi himpunan data telah berubah, bukan oleh apakah data yang mendasarinya telah berubah.
- compute_target
- BatchCompute, str
[Diperlukan] Komputasi BatchCompute tempat pekerjaan berjalan.
Keterangan
Contoh berikut menunjukkan cara menggunakan AzureBatchStep dalam Alur Azure Machine Learning.
step = AzureBatchStep(
name="Azure Batch Job",
pool_id="MyPoolName", # Replace this with the pool name of your choice
inputs=[testdata],
outputs=[outputdata],
executable="azurebatch.cmd",
arguments=[testdata, outputdata],
compute_target=batch_compute,
source_directory=binaries_folder,
)
Sampel lengkap tersedia dari https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-azurebatch-to-run-a-windows-executable.ipynb
Metode
create_node |
Buat node dari langkah AzureBatch dan tambahkan ke grafik yang ditentukan. Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja. |
create_node
Buat node dari langkah AzureBatch dan tambahkan ke grafik yang ditentukan.
Metode ini tidak dimaksudkan untuk digunakan secara langsung. Ketika alur dibuat dengan langkah ini, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja.
create_node(graph, default_datastore, context)
Parameter
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Datastore default.
- context
- <xref:azureml.pipeline.core._GraphContext>
Konteks grafik.
Mengembalikan
Node yang dibuat.
Tipe hasil
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk