ModuleStep Kelas
Membuat langkah alur Azure Machine Learning untuk menjalankan versi Modul tertentu.
objek Module menentukan komputasi yang dapat digunakan kembali, seperti skrip atau executable, yang dapat digunakan dalam skenario pembelajaran mesin yang berbeda dan oleh pengguna yang berbeda. Untuk menggunakan versi Modul tertentu dalam alur, buat ModuleStep. ModuleStep adalah langkah dalam alur yang menggunakan ModuleVersion yang sudah ada.
Untuk contoh penggunaan ModuleStep, lihat notebook https://aka.ms/pl-modulestep.
Buat langkah alur Azure ML untuk menjalankan versi Modul tertentu.
- Warisan
-
ModuleStep
Konstruktor
ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)
Parameter
- module
- Module
Modul yang digunakan dalam langkah.
Berikan parameter module
atau module_version
, tetapi jangan keduanya.
- module_version
- ModuleVersion
ModuleVersion dari modul yang digunakan dalam langkah.
Berikan parameter module
atau module_version
, tetapi jangan keduanya.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Kamus yang memetakan nama definisi port dari ModuleVersion ke input langkah.
- outputs_map
- dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
Kamus yang memetakan nama definisi port dari ModuleVersion ke output langkah.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
Target komputasi yang akan digunakan. Jika tidak ditentukan, target dari runconfig akan digunakan. Dapat berupa objek target komputasi atau nama string target komputasi di ruang kerja. Secara opsional, jika target komputasi tidak tersedia pada waktu pembuatan alur, Anda dapat menentukan tuple ('nama target komputasi', 'jenis target komputasi') untuk menghindari pengambilan objek target komputasi (jenis AmlCompute adalah 'AmlCompute' dan jenis RemoteCompute adalah 'VirtualMachine').
- runconfig
- RunConfiguration
RunConfiguration opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Pengambilalihan properti runconfig saat runtime menggunakan pasangan kunci-nilai masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut.
Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
Daftar argumen baris perintah untuk file skrip Python. Argumen akan dikirimkan ke target komputasi melalui argumen di RunConfiguration. Untuk detail selengkapnya tentang cara menangani argumen seperti simbol khusus, lihat argumen di RunConfiguration
- _workflow_provider
- <xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
(Penggunaan internal saja.) Penyedia alur kerja.
- module
- Module
Modul yang digunakan dalam langkah.
Berikan parameter module
atau module_version
, tetapi jangan keduanya.
- module_version
- ModuleVersion
ModuleVersion modul yang digunakan dalam langkah.
Berikan parameter module
atau module_version
, tetapi jangan keduanya.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]]
Kamus yang memetakan nama definisi port dari ModuleVersion ke input langkah.
- outputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]]
Kamus yang memetakan nama definisi port dari ModuleVersion ke output langkah.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
Target komputasi yang akan digunakan. Jika tidak ditentukan, target dari runconfig akan digunakan. Dapat berupa objek target komputasi atau nama string target komputasi di ruang kerja. Secara opsional, jika target komputasi tidak tersedia pada waktu pembuatan alur, Anda dapat menentukan tuple ('nama target komputasi', 'jenis target komputasi') untuk menghindari pengambilan objek target komputasi (jenis AmlCompute adalah 'AmlCompute' dan jenis RemoteCompute adalah 'VirtualMachine').
- runconfig
- RunConfiguration
RunConfiguration opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Pengambilalihan properti runconfig saat runtime menggunakan pasangan kunci-nilai masing-masing dengan nama properti runconfig dan PipelineParameter untuk properti tersebut.
Nilai yang didukung: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
Daftar argumen baris perintah untuk file skrip Python. Argumen akan dikirimkan ke target komputasi melalui argumen di RunConfiguration. Untuk detail selengkapnya tentang cara menangani argumen seperti simbol khusus, lihat argumen di RunConfiguration
- _wokflow_provider
(Penggunaan internal saja.) Penyedia alur kerja.
Keterangan
Module digunakan untuk membuat dan mengelola unit komputasi yang dapat digunakan kembali dari alur Azure Machine Learning. ModuleStep adalah langkah bawaan dalam Azure Machine Learning yang digunakan untuk memakai modul. Anda dapat menentukan secara spesifik ModuleVersion mana yang akan digunakan atau membiarkan Azure Machine Learning menyelesaikan ModuleVersion mana yang akan digunakan mengikuti proses resolusi yang ditentukan di bagian keterangan kelas Module. Untuk menentukan ModuleVersion mana yang digunakan dalam alur yang dikirimkan, tentukan salah satu hal berikut saat membuat ModuleStep:
Objek ModuleVersion.
Objek Module dan nilai versi.
Objek Module tanpa nilai versi. Dalam hal ini, resolusi versi dapat bervariasi di seluruh pengiriman.
Anda harus menentukan pemetaan antara input dan output ModuleStep ke input dan output ModuleVersion.
Contoh berikut menunjukkan cara membuat ModuleStep sebagai bagian dari alur dengan beberapa objek ModuleStep:
middle_step = ModuleStep(module=module,
inputs_map= middle_step_input_wiring,
outputs_map= middle_step_output_wiring,
runconfig=RunConfiguration(), compute_target=aml_compute,
arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
"--output_sum", middle_sum, "--output_product", middle_prod])
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-modulestep.ipynb
Metode
create_node |
Buat node dari langkah ModuleStep 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 ModuleStep 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
Objek node.
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