Aggiornare le esecuzioni locali a SDK v2

Le esecuzioni locali sono simili sia in V1 che in V2. Usare la stringa "local" quando si imposta la destinazione di calcolo in entrambe le versioni.

Questo articolo fornisce un confronto tra scenari in SDK v1 e SDK v2.

Inviare un'esecuzione locale

• SDK v1

  from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig
  
  # connect to the workspace
  ws = Workspace.from_config()
  
  # define and configure the experiment
  experiment = Experiment(workspace=ws, name='day1-experiment-train')
  config = ScriptRunConfig(source_directory='./src',
                              script='train.py',
                              compute_target='local')
  
  # set up pytorch environment
  env = Environment.from_conda_specification(
      name='pytorch-env',
      file_path='pytorch-env.yml')
  config.run_config.environment = env
  
  run = experiment.submit(config)
  
  aml_url = run.get_portal_url()
  print(aml_url)
  

• SDK v2

  #import required libraries
  from azure.ai.ml import MLClient, command
  from azure.ai.ml.entities import Environment
  from azure.identity import DefaultAzureCredential
  
  #connect to the workspace
  ml_client = MLClient.from_config(DefaultAzureCredential())
  
  # set up pytorch environment
  env = Environment(
      image='mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04',
      conda_file='pytorch-env.yml',
      name='pytorch-env'
  )
  
  # define the command
  command_job = command(
      code='./src',
      command='train.py',
      environment=env,
      compute='local',
  )
  
  returned_job = ml_client.jobs.create_or_update(command_job)
  returned_job
  

Mapping delle funzionalità chiave in SDK v1 e SDK v2

Funzionalità in SDK v1	Mapping approssimativo in SDK v2
experiment.submit	MLCLient.jobs.create_or_update

Passaggi successivi

• Eseguire il training di modelli con Azure Machine Learning