Bagikan melalui

ModuleStep Kelas

  • Referensi

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
ModuleStepBase
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
nilai default: None

Modul yang digunakan dalam langkah. Berikan parameter module atau module_version, tetapi jangan keduanya.

version
str
nilai default: None

Versi modul yang digunakan dalam langkah.

module_version
ModuleVersion
nilai default: None

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]]
nilai default: None

Kamus yang memetakan nama definisi port dari ModuleVersion ke input langkah.

outputs_map
dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
nilai default: None

Kamus yang memetakan nama definisi port dari ModuleVersion ke output langkah.

compute_target
Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
nilai default: None

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
nilai default: None

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]
nilai default: None

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'

arguments
list[str]
nilai default: None

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

params
dict[str, str]
nilai default: None

Kamus pasangan nama-nilai.

name
str
nilai default: None

Nama langkah.

_workflow_provider
<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
nilai default: None

(Penggunaan internal saja.) Penyedia alur kerja.

module
Module
Diperlukan

Modul yang digunakan dalam langkah. Berikan parameter module atau module_version, tetapi jangan keduanya.

version
str
Diperlukan

Versi modul yang digunakan dalam langkah.

module_version
ModuleVersion
Diperlukan

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]]
Diperlukan

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>]]
Diperlukan

Kamus yang memetakan nama definisi port dari ModuleVersion ke output langkah.

compute_target
Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
Diperlukan

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
Diperlukan

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]
Diperlukan

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'

arguments
list[str]
Diperlukan

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

params
dict[str, str]
Diperlukan

Kamus pasangan nama-nilai.

name
str
Diperlukan

Nama langkah.

_wokflow_provider
Diperlukan

(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

graph
Graph
Diperlukan

Objek grafik untuk menambahkan node.

default_datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Diperlukan

Datastore default.

context
<xref:azureml.pipeline.core._GraphContext>
Diperlukan

Konteks grafik.

Mengembalikan

Objek node.

Tipe hasil

Node