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
Nama | Deskripsi |
---|---|
name
Diperlukan
|
[Diperlukan] Nama langkahnya. |
create_pool
|
Menunjukkan apakah akan membuat kumpulan sebelum menjalankan pekerjaan. nilai default: False
|
pool_id
|
[Diperlukan] ID kumpulan tempat pekerjaan berjalan. ID dapat menjadi kumpulan yang ada, atau yang akan dibuat saat pekerjaan dikirimkan. nilai default: None
|
delete_batch_job_after_finish
|
Menunjukkan apakah akan menghapus pekerjaan dari akun Batch setelah selesai. nilai default: True
|
delete_batch_pool_after_finish
|
Menunjukkan apakah akan menghapus kumpulan setelah pekerjaan selesai. nilai default: False
|
is_positive_exit_code_failure
|
Menunjukkan apakah pekerjaan gagal jika tugas ada dengan kode positif. nilai default: True
|
vm_image_urn
|
Jika nilai default: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter
|
run_task_as_admin
|
Menunjukkan apakah tugas harus berjalan dengan hak istimewa admin. nilai default: False
|
target_compute_nodes
|
Jika nilai default: 1
|
vm_size
|
Jika nilai default: standard_d1_v2
|
source_directory
|
Folder lokal yang berisi binari modul, eksekusi, rakitan, dll. nilai default: None
|
executable
|
[Diperlukan] Nama perintah/eksekusi yang akan dijalankan sebagai bagian dari pekerjaan. nilai default: None
|
arguments
|
Argumen untuk perintah/eksekusi. nilai default: None
|
inputs
|
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. nilai default: None
|
outputs
|
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. nilai default: None
|
allow_reuse
|
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. nilai default: True
|
compute_target
|
[Diperlukan] Komputasi BatchCompute tempat pekerjaan berjalan. nilai default: None
|
version
|
Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul. nilai default: None
|
name
Diperlukan
|
[Diperlukan] Nama langkahnya. |
create_pool
Diperlukan
|
Menunjukkan apakah akan membuat kumpulan sebelum menjalankan pekerjaan. |
pool_id
Diperlukan
|
[Diperlukan] ID kumpulan tempat pekerjaan berjalan. ID dapat menjadi kumpulan yang ada, atau yang akan dibuat saat pekerjaan dikirimkan. |
delete_batch_job_after_finish
Diperlukan
|
Menunjukkan apakah akan menghapus pekerjaan dari akun Batch setelah selesai. |
delete_batch_pool_after_finish
Diperlukan
|
Menunjukkan apakah akan menghapus kumpulan setelah pekerjaan selesai. |
is_positive_exit_code_failure
Diperlukan
|
Menunjukkan apakah pekerjaan gagal jika tugas ada dengan kode positif. |
vm_image_urn
Diperlukan
|
Jika |
run_task_as_admin
Diperlukan
|
Menunjukkan apakah tugas harus berjalan dengan hak istimewa admin. |
target_compute_nodes
Diperlukan
|
Jika |
vm_size
Diperlukan
|
Jika |
source_directory
Diperlukan
|
Folder lokal yang berisi biner modul, dapat dieksekusi, rakitan, dll. |
executable
Diperlukan
|
[Diperlukan] Nama perintah/eksekusi yang akan dijalankan sebagai bagian dari pekerjaan. |
arguments
Diperlukan
|
Argumen untuk perintah/eksekusi. |
inputs
Diperlukan
|
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. |
outputs
Diperlukan
|
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
Diperlukan
|
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
Diperlukan
|
[Diperlukan] Komputasi BatchCompute tempat pekerjaan berjalan. |
version
Diperlukan
|
Tag versi opsional untuk menunjukkan perubahan fungsionalitas untuk modul. |
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
Nama | Deskripsi |
---|---|
graph
Diperlukan
|
Objek grafik untuk menambahkan node. |
default_datastore
Diperlukan
|
Datastore default. |
context
Diperlukan
|
<xref:azureml.pipeline.core._GraphContext>
Konteks grafik. |
Mengembalikan
Jenis | Deskripsi |
---|---|
Node yang dibuat. |
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