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
Nama | Deskripsi |
---|---|
module
|
Modul yang digunakan dalam langkah.
Berikan parameter Nilai default: None
|
version
|
Versi modul yang digunakan dalam langkah. Nilai default: None
|
module_version
|
ModuleVersion dari modul yang digunakan dalam langkah.
Berikan parameter 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
|
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 opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker. Nilai default: None
|
runconfig_pipeline_params
|
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
|
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
|
Kamus pasangan nama-nilai. Nilai default: None
|
name
|
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
|
Modul yang digunakan dalam langkah.
Berikan parameter |
version
Diperlukan
|
Versi modul yang digunakan dalam langkah. |
module_version
Diperlukan
|
ModuleVersion modul yang digunakan dalam langkah.
Berikan parameter |
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
|
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 opsional untuk digunakan. RunConfiguration dapat digunakan untuk menentukan persyaratan tambahan untuk eksekusi, seperti dependensi conda dan gambar Docker. |
runconfig_pipeline_params
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
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
Diperlukan
|
Kamus pasangan nama-nilai. |
name
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
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 |
---|---|
Objek node. |