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

Nama Deskripsi
module
Module

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

nilai default: None
version
str

Versi modul yang digunakan dalam langkah.

nilai default: None
module_version
ModuleVersion

ModuleVersion dari modul yang digunakan dalam langkah. Berikan parameter module atau module_version, tetapi jangan keduanya.

nilai default: None
inputs_map
dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]

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

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

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

nilai default: None
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').

nilai default: None
runconfig
RunConfiguration

RunConfiguration opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker.

nilai default: None
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'

nilai default: None
arguments
list[str]

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

nilai default: None
params
dict[str, str]

Kamus pasangan nama-nilai.

nilai default: None
name
str

Nama langkah.

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

(Penggunaan internal saja.) Penyedia alur kerja.

nilai default: None
module
Diperlukan
Module

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

Versi modul yang digunakan dalam langkah.
module_version
Diperlukan
ModuleVersion

ModuleVersion modul yang digunakan dalam langkah. Berikan parameter module atau module_version, tetapi jangan keduanya.
inputs_map
Diperlukan
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
Diperlukan
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
Diperlukan
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
Diperlukan
RunConfiguration

RunConfiguration opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker.
runconfig_pipeline_params
Diperlukan
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'
arguments
Diperlukan
list[str]

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
Diperlukan
dict[str, str]

Kamus pasangan nama-nilai.
name
Diperlukan
str

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

Nama Deskripsi
graph
Diperlukan
Graph

Objek grafik untuk menambahkan node.
default_datastore
Diperlukan
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

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

Konteks grafik.

Mengembalikan

Jenis Deskripsi
Node

Objek node.