Note sulla versione di Azure Machine Learning Python SDK

In questo articolo vengono fornite informazioni sulle versioni di Azure Machine Learning Python SDK. Per il contenuto di riferimento completo dell'SDK, visitare la pagina di riferimento principale di Azure Machine Learning per Python .

Feed RSS: è possibile ricevere una notifica quando questa pagina viene aggiornata copiando e incollando l'URL seguente nel lettore di feed: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2023-05-20

Azure Machine Learning SDK per Python v1.51.0

• azureml-automl-core
  • L'attività di previsione autoML supporta ora la previsione in sequenza e il supporto parziale per le previsioni quantile per le serie temporali gerarchiche (HTS).
  • Non consentito l'uso di set di dati non tabulari ai clienti per gli scenari di classificazione (multiclasse e multi-etichetta)
• azureml-automl-dnn-nlp
  • Non consentito l'uso di set di dati non tabulari ai clienti per gli scenari di classificazione (multiclasse e multi-etichetta)
• azureml-contrib-automl-pipeline-steps
  • L'attività di previsione autoML supporta ora la previsione in sequenza e il supporto parziale per le previsioni quantile per le serie temporali gerarchiche (HTS).
• azureml-fsspec
  • Sostituisce tutti gli errori causati dall'utente in MLTable & FSSpec con un userErrorException personalizzato importato da azureml-dataprep.
• azureml-interpret
  • aggiornamento del pacchetto azureml-interpret per interpretare la community 0.29.*
• azureml-pipeline-core
  • Correzione pipeline_version che non ha effetto quando si chiama pipeline_endpoint.submit().
• azureml-train-automl-client
  • L'attività di previsione autoML supporta ora la previsione in sequenza e il supporto parziale per le previsioni quantile per le serie temporali gerarchiche (HTS).
• azureml-train-automl-runtime
  • L'attività di previsione autoML supporta ora la previsione in sequenza e il supporto parziale per le previsioni quantile per le serie temporali gerarchiche (HTS).
• mltable
  • Le varianti di codifica aggiuntive come utf-8 sono ora supportate durante il caricamento di file MLTable.
  • Sostituisce tutti gli errori causati dall'utente in MLTable & FSSpec con un userErrorException personalizzato importato da azureml-dataprep.

2023-04-10

Azure Machine Learning SDK per Python v1.50.0

• azureml-contrib-automl-dnn-forecasting
  • Aggiunta del supporto per la previsione in base a quantili specificati per i modelli TCN.
• azureml-responsibleai
  • aggiornamento dell'ambiente comune e del pacchetto azureml-responsibleai a raiwidgets e responsabileai 0.26.0
• azureml-train-automl-runtime
  • Correzione della gestione di MLTable per lo scenario di test del modello
• azureml-training-tabulare
  • Aggiunta di quantile come parametro nel metodo forecast_quantile.

2023-03-01

Annuncio della fine del supporto per i pacchetti Python 3.7 in Azure Machine Learning SDK v1

• Deprecazione delle funzionalità
  • Deprecare Python 3.7 come runtime supportato per i pacchetti SDK v1
    • Il 4 dicembre 2023, Azure Machine Learning smetterà ufficialmente di supportare i pacchetti Python 3.7 per SDK v1 e deprecarlo come runtime supportato. Per altre informazioni, leggere la pagina relativa ai criteri di supporto della versione di Azure SDK per Python
    • A partire dalla data di deprecazione del 4 dicembre 2023, i pacchetti di Azure Machine Learning SDK v1 non riceveranno più patch di sicurezza e altri aggiornamenti per il runtime di Python 3.7.
    • Le versioni correnti di Python 3.7 per Azure Machine Learning SDK v1 funzioneranno comunque. Tuttavia, per continuare a ricevere aggiornamenti della sicurezza e rimanere qualificati per assistenza tecnica, Azure Machine Learning consiglia vivamente di spostare gli script e le dipendenze in una versione supportata del runtime Python.
    • Come runtime per i file di Azure Machine Learning SDK v1, è consigliabile usare Python versione 3.8 o successiva.
    • Inoltre, i pacchetti Azure Machine Learning SDK v1 basati su Python 3.7 non saranno più qualificati per assistenza tecnica.
    • Usare il supporto di Azure Machine Learning per contattare microsoft se si verificano problemi.

2023-13-02

Azure Machine Learning SDK per Python v1.49.0

• Modifiche di rilievo
  • A partire da v1.49.0 e versioni successive, gli algoritmi AutoML seguenti non saranno supportati.
    • Regressione: FastLinearRegressor, OnlineGradientDescentRegressor
    • Classificazione: AveragedPerceptronClassifier.
  • Usare v1.48.0 o versioni successive per continuare a usare questi algoritmi.
• Correzioni e miglioramenti dei bug
  • azureml-automl-dnn-nlp
    • I log per visualizzare i valori finali applicati alle impostazioni del modello e dell'iperparametro in base ai valori predefiniti e ai valori specificati dall'utente.
  • azureml-contrib-automl-dnn-forecasting
    • Le metriche non scalabili per TCNForecaster rifletteranno ora i valori dell'ultimo periodo.
    • Gli oggetti visivi dell'orizzonte di previsione per il set di training e il set di test sono ora disponibili durante l'esecuzione dell'esperimento di training TCN.
    • Le esecuzioni non avranno più esito negativo a causa dell'errore "Impossibile calcolare le metriche TCN". Il messaggio di avviso che indica che "Il calcolo della metrica di previsione ha generato un errore, segnalando punteggi peggiori" verrà comunque registrato. Viene invece generata un'eccezione quando si riscontra la perdita di convalida inf/nan per più di due volte consecutivamente con un messaggio "Modello non valido, il training TCN non è convergente". I clienti devono essere consapevoli del fatto che i modelli caricati possono restituire valori nan/inf come stime durante l'inferenza dopo questa modifica.
  • azureml-core
    • La creazione dell'area di lavoro di Azure Machine Learning usa Application Insights basato su Log Analytics in preparazione della deprecazione di Application Insights classica. Gli utenti che desiderano usare le risorse classiche di Application Insights possono comunque specificare il proprio per portare quando si crea un'area di lavoro di Azure Machine Learning.
  • azureml-interpret
    • aggiornamento del pacchetto azureml-interpret per interpretare la community 0.28.*
  • azureml-mlflow
    • Aggiornamento del client azureml-mlflow con supporto iniziale per MLflow 2.0
  • azureml-responsibleai
    • aggiornamento del pacchetto azureml-responsibleai e dei notebook in raiwidgets e responsabile v0.24.0
  • azureml-sdk
    • azureml-sdk e azureml-train-automl-client supportano ora Python versione 3.10
  • azureml-train-automl-client
    • azureml-sdk e azureml-train-automl-client supportano ora Python versione 3.10
  • azureml-train-automl-runtime
    • Pulire y mancante prima del training
    • Pulire i valori nan o vuoti della colonna di destinazione per scenari non di streaming
    • Gli oggetti visivi di previsione per il set di test sono ora disponibili durante l'esecuzione dell'esperimento di training.
  • azureml-train-core
    • Aggiunta del supporto al cliente per fornire l'ID di esecuzione personalizzato per le esecuzioni di hyperdrive
  • azureml-train-restclients-hyperdrive
    • Aggiunta del supporto al cliente per fornire l'ID di esecuzione personalizzato per le esecuzioni di hyperdrive

2022-12-05

Azure Machine Learning SDK per Python v1.48.0

• Modifiche di rilievo

  • Il supporto di Python 3.6 è stato deprecato per i pacchetti di Azure Machine Learning SDK.

• Correzioni e miglioramenti dei bug

  • azureml-core
    • Gli account di archiviazione creati come parte della creazione dell'area di lavoro ora impostano l'accesso pubblico BLOB per essere disabilitato per impostazione predefinita
  • azureml-responsibleai
    • Aggiornamento del pacchetto azureml-responsibleai e dei notebook per raiwidgets e pacchetti responsabili v0.23.0
    • Aggiunta del modello serializzatore e modello pyfunc al pacchetto azureml-responsibleai per salvare e recuperare facilmente i modelli
  • azureml-train-automl-runtime
    • Aggiunta di docstring per i parametri MoltiModels e i parametri GerarchicoTimeSeries
    • Correzione di bug in cui il codice generato non esegue correttamente le suddivisioni di training/test.
    • Correzione di un bug che causava l'esito negativo dei processi di training del codice generati dalla previsione.

2022-10-25

Azure Machine Learning SDK per Python v1.47.0

• azureml-automl-dnn-nlp
  • Modifiche al runtime per AutoML NLP per tenere conto dei parametri di training fissi, nell'ambito dell'ottimizzazione del modello appena introdotta e dell'iperparametro.
• azureml-mlflow
  • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT può essere usato per controllare il timeout per il caricamento degli elementi
• azureml-train-automl-runtime
  • Molti modelli e training gerarchico della serie temporale applicano ora il controllo sui parametri di timeout per rilevare i conflitti prima di inviare l'esperimento per l'esecuzione. Ciò impedisce l'errore dell'esperimento durante l'esecuzione generando un'eccezione prima di inviare l'esperimento.
  • I clienti possono ora controllare le dimensioni dei passaggi durante l'uso della previsione in sequenza nelle inferenze di molti modelli.
  • MolteModels inferenza con dati tabulari non partizionati ora supporta forecast_quantiles.

2022-09-26

Azure Machine Learning SDK per Python v1.46.0

• azureml-automl-dnn-nlp
  • I clienti non potranno più specificare una riga in CoNLL, che comprende solo un token. La riga deve sempre essere una nuova riga vuota o una con esattamente un token seguito da uno spazio esattamente seguito da un'etichetta esatta.
• azureml-contrib-automl-dnn-forecasting
  • C'è un caso di angolo in cui i campioni vengono ridotti a 1 dopo la suddivisione tra convalida, ma sample_size ancora punta al conteggio prima della divisione e quindi batch_size terminano a essere più del conteggio di campioni in alcuni casi. In questa correzione si inizializza sample_size dopo la divisione
• azureml-core
  • Aggiunta dell'avviso di deprecazione quando i clienti inferenza usano le API di distribuzione del modello cli/SDK v1 per distribuire modelli e anche quando La versione di Python è 3.6 e minore.
  • I valori seguenti modificano AZUREML_LOG_DEPRECATION_WARNING_ENABLED il comportamento come segue:
    • Impostazione predefinita: visualizza l'avviso quando il cliente usa Python 3.6 e meno e per cli/sdk v1.
    • True - visualizza l'avviso di deprecazione sdk v1 nei pacchetti azureml-sdk.
    • False - disabilita l'avviso di deprecazione dell'SDK v1 nei pacchetti azureml-sdk.
  • Comando da eseguire per impostare la variabile di ambiente per disabilitare il messaggio di deprecazione:
    • Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
    • Linux- export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
• azureml-interpret
  • aggiornare il pacchetto azureml-interpret per interpretare la community 0.27.*
• azureml-pipeline-core
  • Correzione del fuso orario predefinito per l'ora UTC.
  • Correzione del riutilizzo errato quando si usa SqlDataReference nel passaggio DataTransfer.
• azureml-responsibleai
  • aggiornare il pacchetto azureml-responsibleai e le immagini curate in raiwidgets e responsibleai v0.22.0
• azureml-train-automl-runtime
  • Correzione di un bug negli script generati che hanno causato il rendering di determinate metriche non correttamente nell'interfaccia utente.
  • Molti modelli supportano ora la previsione in sequenza per l'inferenza.
  • Supporto per restituire i modelli principali N nello scenario Molti modelli.

2022-08-29

Azure Machine Learning SDK per Python v1.45.0

• azureml-automl-runtime
  • Correzione di un bug in cui la colonna sample_weight non è stata convalidata correttamente.
  • Aggiunta del metodo pubblico rolling_forecast() ai wrapper della pipeline di previsione per tutti i modelli di previsione supportati. Questo metodo sostituisce il metodo rolling_evaluation() deprecato.
  • È stato risolto un problema per cui le attività di regressione AutoML potrebbero tornare a eseguire il training della divisione valida per la valutazione del modello, quando CV sarebbe stata una scelta più appropriata.
• azureml-core
  • È stato aggiunto il nuovo suffisso di configurazione cloud "aml_discovery_endpoint".
  • Aggiornato il pacchetto azure-storage fornitore dalla versione 2 alla versione 12.
• azureml-mlflow
  • È stato aggiunto il nuovo suffisso di configurazione cloud "aml_discovery_endpoint".
• azureml-responsibleai
  • aggiornare il pacchetto azureml-responsibleai e le immagini curate in raiwidgets e responsabiliai 0.21.0
• azureml-sdk
  • Il pacchetto azureml-sdk ora consente Python 3.9.

2022-08-01

Azure Machine Learning SDK per Python v1.44.0

• azureml-automl-dnn-nlp
  • L'accuratezza ponderata e il coefficiente di correlazione Matthews (MCC) non saranno più una metrica visualizzata sulle metriche calcolate per la classificazione multilabel NLP.
• azureml-automl-dnn-vision
  • Generare un errore utente quando viene fornito un formato di annotazione non valido
• azureml-cli-common
  • Aggiornamento della descrizione dell'interfaccia della riga di comando v1
• azureml-contrib-automl-dnn-forecasting
  • Correzione dei problemi "Non è stato possibile calcolare le metriche TCN". I problemi causati da TCNForecaster quando serie temporali diverse nel set di dati di convalida hanno lunghezze diverse.
  • Aggiunta del rilevamento ID timeeries automatico per i modelli di previsione DNN come TCNForecaster.
  • Correzione di un bug con il modello Forecast TCN in cui i dati di convalida potrebbero essere danneggiati in alcune circostanze quando l'utente ha fornito il set di convalida.
• azureml-core
  • Consenti l'impostazione di un parametro timeout_seconds durante il download di elementi da un'esecuzione
  • Messaggio di avviso aggiunto: l'interfaccia della riga di comando di Azure Machine Learning v1 viene ritirata nel 2025-09-. Gli utenti sono consigliati per adottare l'interfaccia della riga di comando v2.
  • Correzione dell'invio a non AmlComputes che genera eccezioni.
  • Aggiunta del supporto del contesto docker per gli ambienti
• azureml-interpret
  • Aumentare la versione numpy per i pacchetti AutoML
• azureml-pipeline-core
  • Correzione di regenerate_outputs=True che non ha effetto durante l'invio della pipeline.
• azureml-train-automl-runtime
  • Aumentare la versione numpy per i pacchetti AutoML
  • Abilitare la generazione di codice per la visione e il nlp
  • Le colonne originali in cui vengono creati i cereali vengono aggiunti come parte di predictions.csv

2022-07-21

Annuncio della fine del supporto per i pacchetti Python 3.6 in Azure Machine Learning SDK v1

• Deprecazione delle funzionalità
  • Deprecare Python 3.6 come runtime supportato per i pacchetti SDK v1
    • Il 05 dicembre 2022, Azure Machine Learning deprecherà Python 3.6 come runtime supportato, terminando formalmente il supporto di Python 3.6 per i pacchetti SDK v1.
    • Dalla data di deprecazione del 05 dicembre 2022 Azure Machine Learning non applica più patch di sicurezza e altri aggiornamenti al runtime python 3.6 usato dai pacchetti di Azure Machine Learning SDK v1.
    • I pacchetti di Azure Machine Learning SDK v1 esistenti con Python 3.6 continueranno comunque a essere eseguiti. Azure Machine Learning consiglia tuttavia di eseguire la migrazione degli script e delle dipendenze a una versione di runtime Python supportata in modo da continuare a ricevere patch di sicurezza e rimanere idonee per il supporto tecnico.
    • È consigliabile usare La versione di Python 3.8 come runtime per i pacchetti di Azure Machine Learning SDK v1.
    • Inoltre, i pacchetti di Azure Machine Learning SDK v1 che usano Python 3.6 non saranno più idonei per il supporto tecnico.
    • Se hai domande, contattaci tramite il supporto AML.

2022-06-27

• azureml-automl-dnn-nlp
  • Rimuovere la colonna delle etichette duplicate dalle stime multi-etichetta
• azureml-contrib-automl-pipeline-steps
  • Molti modelli offrono ora la possibilità di generare l'output di stima anche in formato csv. - Molte stime di modelli includono ora nomi di colonna nel file di output nel caso di formato file csv .
• azureml-core
  • L'autenticazione ADAL è ora deprecata e tutte le classi di autenticazione ora usano l'autenticazione MSAL. Installare azure-cli>=2.30.0 per usare l'autenticazione basata su MSAL quando si usa la classe AzureCliAuthentication.
  • Aggiunta della correzione per forzare la registrazione dell'ambiente quando Environment.build(workspace). La correzione risolve la confusione dell'ambiente più recente compilata anziché quella richiesta quando l'ambiente viene clonato o ereditato da un'altra istanza.
  • Messaggio di avviso SDK per riavviare Istanza di calcolo prima del 31 maggio 2022, se è stato creato prima del 19 settembre 2021
• azureml-interpret
  • Aggiornamento del pacchetto azureml-interpret per interpretare la community 0.26.*
  • Nel pacchetto azureml-interpret aggiungere la possibilità di ottenere nomi di funzionalità non elaborati e ingegneriati dal spiegazione dei punteggi. Aggiungere anche un esempio al notebook di assegnazione dei punteggi per ottenere nomi di funzionalità dal spiegazione dei punteggi e aggiungere la documentazione sui nomi delle funzionalità non elaborati e progettati.
• azureml-mlflow
  • azureml-core come dipendenza di azureml-mlflow è stato rimosso. - I progetti MLflow e le distribuzioni locali richiedono azureml-core e devono essere installati separatamente.
  • Aggiunta del supporto per la creazione di endpoint e la distribuzione tramite il plug-in client MLflow.
• azureml-responsibleai
  • Aggiornamento delle immagini del pacchetto e dell'ambiente azureml-responsibleai alla versione più recente responsabile e raiwidgets 0.19.0
• azureml-train-automl-client
  • OutputDatasetConfig è ora supportato come input del generatore di pipeline MM/HTS. I mapping sono: 1) OutputTabularDatasetConfig,> considerato come set di dati tabulari non partizionati. 2) OutputFileDatasetConfig:> considerato come set di dati file.
• azureml-train-automl-runtime
  • Aggiunta della convalida dei dati che richiede che il numero di campioni di classe di minoranza nel set di dati sia almeno il numero di volte richieste di CV.
  • La configurazione automatica dei parametri di convalida incrociata è ora disponibile per le attività di previsione autoML. Gli utenti possono ora specificare "auto" per n_cross_validations e cv_step_size o lasciarli vuoti e AutoML fornirà tali configurazioni in base ai dati. Tuttavia, attualmente questa funzionalità non è supportata quando TCN è abilitato.
  • I parametri di previsione in molti modelli e serie temporali gerarchiche possono ora essere passati tramite oggetto anziché usare i singoli parametri nel dizionario.
  • Endpoint del modello di previsione abilitati con supporto quantile da usare in Power BI.
  • Aggiornamento della dipendenza scipy autoML superiore a 1.5.3 dalla versione 1.5.2

2022-04-25

Azure Machine Learning SDK per Python v1.41.0

Avviso di modifica di rilievo

Questa modifica di rilievo deriva dalla versione di giugno di azureml-inference-server-http. azureml-inference-server-http Nella versione di giugno (v0.9.0), viene eliminato il supporto di Python 3.6. Poiché azureml-defaults dipende da azureml-inference-server-http, questa modifica viene propagata a azureml-defaults. Se non si usa azureml-defaults per l'inferenza, è possibile usare azureml-core o altri pacchetti di Azure Machine Learning SDK direttamente anziché installare azureml-defaults.

• azureml-automl-dnn-nlp
  • Attivare la funzionalità di testo a lungo intervallo per impostazione predefinita.
• azureml-automl-dnn-vision
  • Modifica del tipo di classe ObjectAnnotation dall'oggetto a "oggetto dati".
• azureml-core
  • Questa versione aggiorna la classe Keyvault usata dai clienti per consentire loro di fornire il tipo di contenuto keyvault durante la creazione di un segreto usando l'SDK. Questa versione aggiorna anche l'SDK per includere una nuova funzione che consente ai clienti di recuperare il valore del tipo di contenuto da un segreto specifico.
• azureml-interpret
  • aggiornamento del pacchetto azureml-interpret per interpretare la community 0.25.0
• azureml-pipeline-core
  • Non stampare più i dettagli dell'esecuzione se pipeline_run.wait_for_completion con show_output=False
• azureml-train-automl-runtime
  • Corregge un bug che causa un errore di generazione del codice quando il pacchetto azureml-contrib-automl-dnn-forecasting è presente nell'ambiente di training.
  • Correzione dell'errore durante l'uso di un set di dati di test senza una colonna etichetta con Test modello AutoML.

2022-03-28

Azure Machine Learning SDK per Python v1.40.0

• azureml-automl-dnn-nlp
  • La funzionalità Testo a intervallo lungo è facoltativa e solo se i clienti lo optano esplicitamente, usando il kwarg "enable_long_range_text"
  • Aggiunta del livello di convalida dei dati per lo scenario di classificazione a più classi, che applica la stessa classe di base della multilabel per le convalida comuni e una classe derivata per controlli di convalida dei dati più specifici dell'attività.
• azureml-automl-dnn-vision
  • Correzione di KeyError durante il calcolo dei pesi della classe.
• azureml-contrib-reinforcementlearning
  • Messaggio di avviso SDK per la deprecazione imminente del servizio RL
• azureml-core
  • • Restituisce i log per le esecuzioni che hanno eseguito il nuovo runtime quando si chiama una delle funzioni get logs nell'oggetto run, tra cui run.get_details, run.get_all_logse così via.
  • Aggiunta di un metodo sperimentale Datastore.register_onpremises_hdfs per consentire agli utenti di creare archivi dati che puntano alle risorse HDFS locali.
  • Aggiornamento della documentazione dell'interfaccia della riga di comando nel comando della Guida
• azureml-interpret
  • Per il pacchetto azureml-interpret, rimuovere il pin shap con l'aggiornamento del pacchetto. Rimuovere numba e pin numpy dopo l'aggiornamento ce env.
• azureml-mlflow
  • Bugfix for MLflow deployment client run_local fail when config object non è stato fornito.
• azureml-pipeline-steps
  • Rimuovere un collegamento interrotto di stima della pipeline deprecataStep
• azureml-responsibleai
  • aggiornare il pacchetto azureml-responsibleai a raiwidgets e responsabileai versione 0.17.0
• azureml-train-automl-runtime
  • La generazione di codice per ML automatizzata supporta ora i modelli ForecastTCN (sperimentale).
  • I modelli creati tramite la generazione di codice avranno ora tutte le metriche calcolate per impostazione predefinita (tranne l'errore assoluto medio normalizzato, l'errore assoluto mediano normalizzato, RMSE normalizzato e rmSLE normalizzato nel caso dei modelli di previsione). L'elenco delle metriche da calcolare può essere modificato modificando il valore restituito di get_metrics_names(). La convalida incrociata verrà ora usata per impostazione predefinita per i modelli di previsione creati tramite la generazione di codice.
• azureml-training-tabulare
  • L'elenco delle metriche da calcolare può essere modificato modificando il valore restituito di get_metrics_names(). La convalida incrociata verrà ora usata per impostazione predefinita per i modelli di previsione creati tramite la generazione di codice.
  • Conversione del tipo decimale y-test in float per consentire il calcolo delle metriche per procedere senza errori.

2022-02-28

Azure Machine Learning SDK per Python v1.39.0

• azureml-automl-core
  • Correzione del modulo non corretto visualizzato in PBI per l'integrazione con i modelli di regressione AutoML
  • Aggiunta di classi min-label-class per entrambe le attività di classificazione (multiclasse e multi-etichetta). Genera un errore per l'esecuzione del cliente se il numero univoco di classi nel set di dati di training di input è minore di 2. È senza significato eseguire la classificazione in meno di due classi.
• azureml-automl-runtime
  • Conversione del tipo decimale y-test in float per consentire il calcolo delle metriche per procedere senza errori.
  • Il training autoML supporta ora la versione 1.8 di numpy.
• azureml-contrib-automl-dnn-forecasting
  • Correzione di un bug nel modello TCNForecaster in cui non tutti i dati di training verranno usati quando sono state fornite impostazioni di convalida incrociata.
  • Metodo di previsione del wrapper TCNForecaster che ha danneggiato le stime in fase di inferenza. È stato risolto anche un problema per cui il metodo di previsione non usa i dati di contesto più recenti negli scenari validi per il training.
• azureml-interpret
  • Per il pacchetto azureml-interpret, rimuovere il pin shap con l'aggiornamento del pacchetto. Rimuovere numba e pin numpy dopo l'aggiornamento ce env.
• azureml-responsibleai
  • pacchetto azureml-responsibleai per raiwidgets e responsabileai 0.17.0 versione
• azureml-synapse
  • Consente di risolvere il problema che il widget magic è scomparso.
• azureml-train-automl-runtime
  • Aggiornamento delle dipendenze AutoML per supportare Python 3.8. Questa modifica interrompe la compatibilità con i modelli sottoposti a training con SDK 1.37 o versione successiva a causa di interfacce Pandas più recenti salvate nel modello.
  • Il training autoML supporta ora numpy versione 1.19
  • Correzione della logica di reimpostazione dell'indice autoML per i modelli di insieme nell'API automl_setup_model_explanations
  • In AutoML usare il modello surrogato lightgbm anziché il modello di surrogato lineare per il caso sparse dopo l'aggiornamento della versione lightgbm più recente
  • Tutti gli artefatti intermedi interni prodotti da AutoML vengono ora archiviati in modo trasparente nell'esecuzione padre anziché essere inviati all'archivio BLOB predefinito dell'area di lavoro. Gli utenti devono essere in grado di visualizzare gli artefatti generati da AutoML nella outputs/ directory nell'esecuzione padre.

2022-01-24

Azure Machine Learning SDK per Python v1.38.0

• azureml-automl-core
  • Supporto del regressore tabnet e del classificatore Tabnet in AutoML
  • Salvataggio del trasformatore di dati negli output di esecuzione padre, che possono essere riutilizzati per produrre lo stesso set di dati con funzionalità, usato durante l'esecuzione dell'esperimento
  • Supporto del recupero delle metriche primarie per l'attività Forecasting nell'API get_primary_metrics.
  • Rinominato secondo parametro facoltativo negli script di assegnazione dei punteggi v2 come GlobalParameters
• azureml-automl-dnn-vision
  • Aggiunta delle metriche di assegnazione dei punteggi nell'interfaccia utente delle metriche
• azureml-automl-runtime
  • Correzione di bug per i casi in cui il nome dell'algoritmo per i modelli NimbusML può essere visualizzato come stringhe vuote, in ML Studio o negli output della console.
• azureml-core
  • Aggiunta del blobfuse_enabled di parametri in azureml.core.webservice.aks.AksWebservice.deploy_configuration. Quando questo parametro è true, i modelli e i file di assegnazione dei punteggi vengono scaricati con blobfuse anziché con l'API di archiviazione BLOB.
• azureml-interpret
  • Aggiornamento di azureml-interpret per interpret-community 0.24.0
  • In azureml-interpret update scoring explainer to support latest version of lightgbm with sparse TreeExplainer
  • Aggiornare azureml-interpret per interpretar-community 0.23.*
• azureml-pipeline-core
  • Aggiungere una nota in pipelinedata, consigliare all'utente di usare invece il set di dati di output della pipeline.
• azureml-pipeline-steps
  • Aggiungere environment_variables a ParallelRunConfig, le variabili di ambiente di runtime possono essere passate da questo parametro e verranno impostate nel processo in cui viene eseguito lo script utente.
• azureml-train-automl-client
  • Supporto del regressore tabnet e del classificatore Tabnet in AutoML
• azureml-train-automl-runtime
  • Salvataggio del trasformatore di dati negli output di esecuzione padre, che possono essere riutilizzati per produrre lo stesso set di dati con funzionalità, usato durante l'esecuzione dell'esperimento
• azureml-train-core
  • Abilitare il supporto per la terminazione anticipata per l'ottimizzazione bayesiana in Hyperdrive
  • Gli oggetti Bayesian e GridParameterSampling ora possono passare le proprietà

2021-12-13

Azure Machine Learning SDK per Python v1.37.0

• Modifiche di rilievo

  • azureml-core
    • A partire dalla versione 1.37.0, Azure Machine Learning SDK usa MSAL come libreria di autenticazione sottostante. MSAL usa il flusso di autenticazione di Azure Active Directory (Azure AD) v2.0 per offrire maggiore funzionalità e aumentare la sicurezza per la cache dei token. Per altri dettagli, vedere Panoramica di Microsoft Authentication Library (MSAL).For more details, see Overview of the Microsoft Authentication Library (MSAL).
    • Aggiornare le dipendenze di AML SDK alla versione più recente della libreria client di Gestione risorse di Azure per Python (azure-mgmt-resource>=15.0.0,20.0.0<) & adottare track2 SDK.
    • A partire dalla versione 1.37.0, l'estensione azure-ml-cli deve essere compatibile con la versione più recente dell'interfaccia della riga di comando di Azure >=2.30.0.
    • Quando si usa l'interfaccia della riga di comando di Azure in una pipeline, ad esempio Azure DevOps, assicurarsi che tutte le attività/fasi usino versioni dell'interfaccia della riga di comando di Azure precedenti alla versione 2.30.0 per l'interfaccia della riga di comando di Azure basata su MSAL. L'interfaccia della riga di comando di Azure 2.30.0 non è compatibile con le versioni precedenti e genera un errore quando si usano versioni incompatibili. Per usare le credenziali dell'interfaccia della riga di comando di Azure con Azure Machine Learning SDK, è necessario installare l'interfaccia della riga di comando di Azure come pacchetto pip.

• Correzioni di bug e miglioramenti

  • azureml-core
    • Rimozione dei tipi di istanza dal flusso di lavoro di collegamento per il calcolo Kubernetes. I tipi di istanza possono ora essere configurati direttamente nel cluster Kubernetes. Per altri dettagli, visitare aka.ms/amlarc/doc.
  • azureml-interpret
    • aggiornamento di azureml-interpret per interpretar-community 0.22.*
  • azureml-pipeline-steps
    • Correzione di un bug per cui l'esperimento "segnaposto" potrebbe essere creato all'invio di una pipeline con un'istruzione AutoMLStep.
  • azureml-responsibleai
    • Aggiornare l'ambiente dell'istanza di azureml-responsibleai e di calcolo a responsibleai e raiwidgets 0.15.0 release
    • aggiornare il pacchetto azureml-responsibleai alla versione più recente responsabileai 0.14.0.
  • azureml-tensorboard
    • È ora possibile usare Tensorboard(runs, use_display_name=True) per montare i log di TensorBoard in cartelle denominate invece run.display_name/run.id di run.id.
  • azureml-train-automl-client
    • Correzione di un bug per cui l'esperimento "segnaposto" potrebbe essere creato all'invio di una pipeline con un'istruzione AutoMLStep.
    • Aggiornare test_data AutoMLConfig e test_size documenti in modo da riflettere lo stato di anteprima.
  • azureml-train-automl-runtime
    • Aggiunta di una nuova funzionalità che consente agli utenti di passare granelli di serie temporali con un valore univoco.
    • In alcuni scenari, un modello AutoML può stimare i nan. Le righe che corrispondono a queste stime NaN verranno rimosse dai set di dati di test e dalle stime prima di calcolare le metriche nelle esecuzioni dei test.

2021-11-08

Azure Machine Learning SDK per Python v1.36.0

• Correzioni di bug e miglioramenti
  • azureml-automl-dnn-vision
    • Pulizia di errori di digitazioni secondarie in alcuni messaggi di errore.
  • azureml-contrib-reinforcementlearning
    • L'invio di esecuzioni di apprendimento per rinforzo che usano simulatori non sono più supportate.
  • azureml-core
    • Aggiunta del supporto per il BLOB Premium partizionato.
    • La specifica di cloud non pubblici per l'autenticazione dell'identità gestita non è più supportata.
    • L'utente può eseguire la migrazione del servizio Web servizio Azure Kubernetes all'endpoint online e alla distribuzione, gestita dall'interfaccia della riga di comando (v2).
    • Il tipo di istanza per i processi di training nelle destinazioni di calcolo Kubernetes può ora essere impostato tramite una proprietà RunConfiguration: run_config.kubernetescompute.instance_type.
  • azureml-defaults
    • Rimosse dipendenze ridondanti come gunicorn e werkzeug
  • azureml-interpret
    • pacchetto azureml-interpret aggiornato alla versione 0.21.* di interpret-community
  • azureml-pipeline-steps
    • Deprecare MpiStep a favore dell'uso di CommandStep per l'esecuzione del training ml (incluso il training distribuito) nelle pipeline.
  • azureml-train-automl-rutime
    • Aggiornare la documentazione sul formato di output delle stime del modello AutoML.
    • Sono state aggiunte descrizioni di docstring per il modello di previsione Naive, SeasonalNaive, Average e SeasonalAverage.
    • Il riepilogo delle funzionalità viene ora archiviato come artefatto nell'esecuzione (verificare la presenza di un file denominato "featurization_summary.json" nella cartella outputs)
    • Abilitare il supporto degli indicatori categorici per Tabnet Learner.
    • Aggiungere il parametro downsample a automl_setup_model_explanations per consentire agli utenti di ottenere spiegazioni su tutti i dati senza eseguire il downcampioning impostando questo parametro su false.

2021-10-11

Azure Machine Learning SDK per Python v1.35.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Abilitare il calcolo delle metriche binarie
  • azureml-contrib-fairness
    • Migliorare il messaggio di errore durante il download del dashboard non riuscito
  • azureml-core
    • Bug nell'impostazione di cloud non pubblici per l'autenticazione dell'identità gestita è stato risolto.
    • i flag sperimentali Dataset.File.upload_directory() e Dataset.Tabular.register_pandas_dataframe() vengono ora rimossi.
    • I flag sperimentali vengono ora rimossi nel metodo partition_by() della classe TabularDataset.
  • azureml-pipeline-steps
    • I flag sperimentali vengono ora rimossi per il partition_keys parametro della classe ParallelRunConfig.
  • azureml-interpret
    • pacchetto azureml-interpret aggiornato a intepret-community 0.20.*
  • azureml-mlflow
    • È stato possibile registrare artefatti e immagini con MLflow usando sottodirectory
  • azureml-responsibleai
    • Migliorare il messaggio di errore durante il download del dashboard non riuscito
  • azureml-train-automl-client
    • Aggiunta del supporto per le attività di visione artificiale, ad esempio Classificazione immagini, Rilevamento oggetti e Segmentazione dell'istanza. La documentazione dettagliata è disponibile in: Configurare AutoML per eseguire il training di modelli di visione artificiale con Python (v1).
    • Abilitare il calcolo delle metriche binarie
  • azureml-train-automl-runtime
    • Aggiungere il supporto TCNForecaster alle esecuzioni dei test del modello.
    • Aggiornare il predictions.csv formato di output del test del modello. Le colonne di output includono ora i valori di destinazione originali e le funzionalità passate all'esecuzione del test. Questa opzione può essere disattivata impostando test_include_predictions_only=True in AutoMLConfig o impostando include_predictions_only=True in ModelProxy.test(). Se l'utente ha richiesto di includere solo le stime, il formato di output è simile a (la previsione è la stessa della regressione): Classification => [predicted values] [predicted values] Regression => [predicted values] else (default): Classification => [original test data labels] [predicted values] [probabilities] [features] Regression => [original test data labels] [predicted values] [features] The [predicted values] column name = [label column name] + "_predicted". Nomi di [probabilities] colonna = [class name] + "_predicted_proba". Se nessuna colonna di destinazione è stata passata come input all'esecuzione del test, [original test data labels] non sarà presente nell'output.

2021-09-07

Azure Machine Learning SDK per Python v1.34.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Aggiunta del supporto per il refitting di una pipeline di previsione con training precedente.
    • È stata aggiunta la possibilità di ottenere stime sui dati di training (stima in campione) per la previsione.
  • azureml-automl-runtime
    • Aggiungere il supporto per restituire le probabilità stimate da un endpoint distribuito di un modello di classificatore AutoML.
    • Aggiunta di un'opzione di previsione che consente agli utenti di specificare che tutte le stime devono essere numeri interi.
    • Rimozione del nome della colonna di destinazione dall'essere parte dei nomi delle funzionalità di spiegazione del modello per esperimenti locali con training_data_label_column_name
    • come input del set di dati.
    • Aggiunta del supporto per il refitting di una pipeline di previsione con training precedente.
    • È stata aggiunta la possibilità di ottenere stime sui dati di training (stima in campione) per la previsione.
  • azureml-core
    • Aggiunta del supporto per impostare il tipo di colonna di flusso, montare e scaricare le colonne del flusso nel set di dati tabulare.
    • Nuovi campi facoltativi aggiunti a Kubernetes.attach_configuration(identity_type=None, identity_ids=None) che consentono di associare KubernetesCompute con l'identità SystemAssigned o UserAssigned. Quando si chiama print(compute_target) o compute_target.serialize(): identity_type, identity_id, principal_id e tenant_id/client_id.
  • azureml-dataprep
    • Aggiunta del supporto per impostare il tipo di colonna del flusso per il set di dati tabulare. aggiunta del supporto per montare e scaricare colonne di flusso nel set di dati tabulare.
  • azureml-defaults
    • La dipendenza azureml-inference-server-http==0.3.1 è stata aggiunta a azureml-defaults.
  • azureml-mlflow
    • Consentire l'impaginazione di list_experiments API aggiungendo max_results e page_token parametri facoltativi. Per la documentazione, vedere documentazione ufficiale di MLflow.
  • azureml-sdk
    • Sostituzione della dipendenza dal pacchetto deprecato (azureml-train) all'interno di azureml-sdk.
    • Aggiungere azureml-responsibleai ad azureml-sdk extra
  • azureml-train-automl-client
    • Esporre i test_data parametri e test_size in AutoMLConfig. Questi parametri possono essere usati per avviare automaticamente un'esecuzione di test dopo il modello
    • è stata completata la fase di training. L'esecuzione del test calcola le stime usando il modello migliore e genererà le metriche date queste stime.

2021-08-24

Interfaccia utente di Sperimentazione di Azure Machine Learning

• Eseguire l'eliminazione
  • Esegui eliminazione è una nuova funzionalità che consente agli utenti di eliminare una o più esecuzioni dall'area di lavoro.
  • Questa funzionalità consente agli utenti di ridurre i costi di archiviazione e gestire la capacità di archiviazione eliminando regolarmente esecuzioni ed esperimenti direttamente dall'interfaccia utente.
• Esecuzione annullamento batch
  • L'esecuzione annulla batch è una nuova funzionalità che consente agli utenti di selezionare una o più esecuzioni da annullare dall'elenco di esecuzioni.
  • Questa funzionalità consente agli utenti di annullare più esecuzioni in coda e liberare spazio nel cluster.

2021-08-18

Interfaccia utente di Sperimentazione di Azure Machine Learning

• Esegui nome visualizzato
  • Il nome visualizzato Esegui è un nuovo nome visualizzato modificabile e facoltativo che può essere assegnato a un'esecuzione.
  • Questo nome può essere utile per tenere traccia, organizzare e individuare le esecuzioni in modo più efficace.
  • Per impostazione predefinita, il nome visualizzato esegui è un formato di adjective_noun_guid (esempio: awesome_watch_2i3uns).
  • Questo nome predefinito può essere modificato in un nome più personalizzabile. Questa operazione può essere modificata dalla pagina Dettagli esecuzione nell'interfaccia utente di studio di Azure Machine Learning.

2021-08-02

Azure Machine Learning SDK per Python v1.33.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Miglioramento della gestione degli errori per il recupero del modello XGBoost.
    • È stata aggiunta la possibilità di convertire le stime da float a integer per le attività di previsione e regressione.
    • Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
  • azureml-automl-runtime
    • È stata aggiunta la possibilità di convertire le stime da float a integer per le attività di previsione e regressione.
    • Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
  • azureml-contrib-automl-pipeline-steps
    • I tempi gerarchici (HTS) sono abilitati per la previsione delle attività tramite pipeline.
    • Aggiungere il supporto del set di dati tabulare per l'inferenza
    • È possibile specificare un percorso personalizzato per i dati di inferenza
  • azureml-contrib-reinforcementlearning
    • Alcune proprietà in azureml.core.environment.DockerSection sono deprecate, ad esempio shm_size la proprietà usata dai lavoratori Ray nei processi di apprendimento per rinforzo. È ora possibile specificare azureml.contrib.train.rl.WorkerConfiguration questa proprietà.
  • azureml-core
    • Correzione di un collegamento ipertestuale nella ScriptRunConfig.distributed_job_config documentazione
    • I cluster di calcolo di Azure Machine Learning possono ora essere creati in una posizione diversa dalla posizione dell'area di lavoro. Ciò è utile per ottimizzare l'allocazione della capacità inattiva e gestire l'utilizzo delle quote in diverse posizioni senza dover creare più aree di lavoro solo per usare la quota e creare un cluster di calcolo in una determinata posizione. Per altre informazioni, vedere Creare un cluster di elaborazione di Azure Machine Learning.
    • Aggiunta display_name come campo nome modificabile dell'oggetto Run.
    • Set di dati from_files supporta ora l'omissione di estensioni dati per dati di input di grandi dimensioni
  • azureml-dataprep
    • Correzione di un bug in cui to_dask_dataframe avrebbe avuto esito negativo a causa di una condizione di gara.
    • Il set di dati from_files ora supporta l'ignorare le estensioni dei dati per dati di input di grandi dimensioni
  • azureml-defaults
    • Si rimuove la dipendenza azureml-model-management-sdk==1.0.1b6.post1 da azureml-defaults.
  • azureml-interpret
    • aggiornato azureml-interpret per interpretare la community 0.19.*
  • azureml-pipeline-core
    • I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
  • azureml-train-automl-client
    • Passare all'uso dell'archivio BLOB per la memorizzazione nella cache in Machine Learning automatizzato.
    • I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
    • Miglioramento della gestione degli errori relativi al recupero del modello XGBoost.
    • Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
  • azureml-train-automl-runtime
    • Passare all'uso dell'archivio BLOB per la memorizzazione nella cache in Machine Learning automatizzato.
    • I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
    • Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.

2021-07-06

Azure Machine Learning SDK per Python v1.32.0

• Correzioni e miglioramenti dei bug
  • azureml-core
    • Esporre l'integrità dell'area di lavoro in SDK/interfaccia della riga di comando
  • azureml-defaults
    • Aggiunta opencensus-ext-azure==1.0.8 della dipendenza a azureml-defaults
  • azureml-pipeline-core
    • Aggiornato AutoMLStep per usare immagini predefinite quando l'ambiente per l'invio di processi corrisponde all'ambiente predefinito
  • azureml-responsibleai
    • Nuovo client di analisi degli errori aggiunto per caricare, scaricare ed elencare i report di analisi degli errori
    • Assicurarsi raiwidgets che i responsibleai pacchetti siano sincronizzati con la versione
  • azureml-train-automl-runtime
    • Impostare il tempo allocato per la ricerca dinamica in varie strategie di funzionalità su un massimo di un quarto del timeout complessivo dell'esperimento

2021-06-21

Azure Machine Learning SDK per Python v1.31.0

• Correzioni e miglioramenti dei bug
  • azureml-core
    • Documentazione migliorata per la proprietà della piattaforma nella classe Environment
    • Modifica del tempo di riduzione del tempo predefinito del nodo di calcolo AML da 120 secondi a 1800 secondi
    • Collegamento di risoluzione dei problemi predefinito aggiornato visualizzato nel portale per la risoluzione dei problemi di esecuzione non riuscita: https://aka.ms/azureml-run-troubleshooting
  • azureml-automl-runtime
    • Pulizia dei dati: gli esempi con valori di destinazione in [Nessuno, "", "nan", np.nan] verranno eliminati prima della funzionalità e/o del training del modello
  • azureml-interpret
    • Impedire l'errore di scaricamento della coda di attività in esecuzioni remote di Azure Machine Learning che usano SpiegazioneClient aumentando il timeout
  • azureml-pipeline-core
    • Aggiungere il parametro jar al passaggio synapse
  • azureml-train-automl-runtime
    • Correggere i guardrail ad alta cardinalità per essere più allineati ai documenti

2021-06-07

Azure Machine Learning SDK per Python v1.30.0

• Correzioni e miglioramenti dei bug
  • azureml-core
    • Aggiungere la dipendenza ruamel-yaml da < 0.17.5 come modifica di rilievo è stata rilasciata nella versione 0.17.5.
    • aml_k8s_config la proprietà viene sostituita con namespace, default_instance_typee instance_types parametri per il KubernetesCompute collegamento.
    • Le chiavi di sincronizzazione dell'area di lavoro sono state modificate in un'operazione a esecuzione prolungata.
  • azureml-automl-runtime
    • È possibile risolvere i problemi in cui le esecuzioni con Big Data potrebbero non riuscire con Elements of y_test cannot be NaN.
  • azureml-mlflow
    • Bugfix del plug-in di distribuzione MLFlow per i modelli senza firma.
  • azureml-pipeline-steps
    • ParallelRunConfig: documentazione di aggiornamento per process_count_per_node.
  • azureml-train-automl-runtime
    • Supporto per quantili definiti personalizzati durante l'inferenza MM
    • Supporto per forecast_quantiles durante l'inferenza batch.
  • azureml-contrib-automl-pipeline-steps
    • Supporto per quantili definiti personalizzati durante l'inferenza MM
    • Supporto per forecast_quantiles durante l'inferenza batch.

2021-05-25

Annuncio dell'interfaccia della riga di comando (v2) per Azure Machine Learning

L'estensione ml all'interfaccia della riga di comando di Azure è l'interfaccia di nuova generazione per Azure Machine Learning. Consente di eseguire il training e di distribuire modelli dalla riga di comando e include funzionalità che accelerano l'aumento o la riduzione delle risorse di data science durante il rilevamento del ciclo di vita del modello. Installare e configurare l'interfaccia della riga di comando (v2).

Azure Machine Learning SDK per Python v1.29.0

• Correzioni e miglioramenti dei bug
  • Modifiche di rilievo
    • Supporto eliminato per Python 3.5.
  • azureml-automl-runtime
    • Correzione di un bug in cui STLFeaturizer ha avuto esito negativo se la lunghezza della serie temporale era più breve rispetto alla stagionalità. Questo errore è stato manifesto come IndexError. Il caso viene gestito ora senza errori, anche se il componente stagionale della STL sarà solo costituito da zero in questo caso.
  • azureml-contrib-automl-dnn-vision
    • Aggiunta di un metodo per l'inferenza batch con i percorsi di file.
  • azureml-contrib-gbdt
    • Il pacchetto azureml-contrib-gbdt è stato deprecato e potrebbe non ricevere aggiornamenti futuri e verrà rimosso completamente dalla distribuzione.
  • azureml-core
    • Spiegazione corretta del parametro create_if_not_exists in Datastore.register_azure_blob_container.
    • Aggiunta del codice di esempio alla classe DatasetConsumptionConfig.
    • Aggiunta del supporto per il passaggio come asse alternativo per i valori delle metriche scalari in run.log()
  • azureml-dataprep
    • Limitare le dimensioni della partizione accettate in _with_partition_size() fino a 2 GB
  • azureml-interpret
    • aggiornare azureml-interpret alla versione più recente del pacchetto interpret-core
    • Supporto eliminato per SHAP DenseData, deprecato in SHAP 0.36.0.
    • Abilitare ExplanationClient il caricamento in un archivio dati specificato dall'utente.
  • azureml-mlflow
    • Spostare azureml-mlflow in mlflow-skinny per ridurre il footprint delle dipendenze mantenendo il supporto completo del plug-in
  • azureml-pipeline-core
    • L'esempio di codice PipelineParameter viene aggiornato nella documentazione di riferimento per usare il parametro corretto.

10-05-2021

Azure Machine Learning SDK per Python v1.28.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-runtime
    • Script di assegnazione dei punteggi autoML migliorato per renderlo coerente con la finestra di progettazione
    • Bug di patch in cui la previsione con il modello Prophet genera un errore di "colonna mancante" se sottoposto a training in una versione precedente dell'SDK.
    • Aggiunto il modello ARIMAX agli elenchi di modelli pubblici supportati per la previsione di AutoML SDK. In questo caso, ARIMAX è una regressione con errori ARIMA e un caso speciale dei modelli di funzione di trasferimento sviluppati da Box e Jenkins. Per una discussione sul modo in cui i due approcci sono diversi, vedere Il modello ARIMAX. A differenza del resto dei modelli multivariati che usano funzionalità generate automaticamente, dipendenti dal tempo (ora del giorno, giorno dell'anno e così via) in AutoML, questo modello usa solo funzionalità fornite dall'utente e rende facile l'interpretazione dei coefficienti.
  • azureml-contrib-dataset
    • Descrizione della documentazione aggiornata con indicazione che libfuse deve essere installato durante l'uso del montaggio.
  • azureml-core
    • L'immagine gestita dalla CPU predefinita è ora mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. L'immagine GPU predefinita è ora mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
    • Run.fail() è ora deprecato, usare Run.tag() per contrassegnare l'esecuzione come non riuscita o usare Run.cancel() per contrassegnare l'esecuzione come annullata.
    • La documentazione aggiornata con una nota che libfuse deve essere installata durante il montaggio di un set di dati di file.
    • Aggiungere il supporto di register_dask_dataframe() sperimentale al set di dati tabulare.
    • Supportare DatabricksStep con BLOB di Azure/ADL-S come input/output ed esporre il parametro permit_cluster_restart per consentire al cliente di decidere se AML può riavviare il cluster quando è necessario aggiungere la configurazione di accesso i/o nel cluster
  • azureml-dataset-runtime
    • azureml-dataset-runtime supporta ora le versioni di pyarrow < 4.0.0
  • azureml-mlflow
    • Aggiunta del supporto per la distribuzione in Azure Machine Learning tramite il plug-in MLFlow.
  • azureml-pipeline-steps
    • Supportare DatabricksStep con BLOB di Azure/ADL-S come input/output ed esporre il parametro permit_cluster_restart per consentire al cliente di decidere se AML può riavviare il cluster quando è necessario aggiungere la configurazione di accesso i/o nel cluster
  • azureml-synapse
    • Abilitare i destinatari nell'autenticazione msi
  • azureml-train-automl-client
    • Aggiunta del collegamento modificato per la documentazione di destinazione di calcolo

2021-04-19

Azure Machine Learning SDK per Python v1.27.0

• Correzioni e miglioramenti dei bug
  • azureml-core
    • Aggiunta della possibilità di eseguire l'override del valore di timeout predefinito per il caricamento degli elementi tramite la variabile di ambiente "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
    • Correzione di un bug in cui le impostazioni docker nell'oggetto Environment in ScriptRunConfig non vengono rispettate.
    • Consentire il partizionamento di un set di dati durante la copia in una destinazione.
    • Aggiunta di una modalità personalizzata a OutputDatasetConfig per abilitare il passaggio di set di dati creati nelle pipeline tramite una funzione di collegamento. Questi miglioramenti di supporto sono stati apportati per abilitare il partizionamento tabulare per PRS.
    • Aggiunta di un nuovo tipo di calcolo KubernetesCompute ad azureml-core.
  • azureml-pipeline-core
    • Aggiunta di una modalità personalizzata all'outputDatasetConfig e consentire a un utente di passare set di dati creati nelle pipeline tramite una funzione di collegamento. Le destinazioni del percorso file supportano i segnaposto. Questi supportano i miglioramenti apportati per abilitare il partizionamento tabulare per PRS.
    • Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.
  • azureml-pipeline-steps
    • Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.
  • azureml-synapse
    • Aggiornare l'URL dell'interfaccia utente spark nel widget di azureml synapse
  • azureml-train-automl-client
    • L'utilità di funzionalità STL per l'attività di previsione ora usa un rilevamento della stagionalità più affidabile in base alla frequenza della serie temporale.
  • azureml-train-core
    • Correzione di bug in cui le impostazioni docker nell'oggetto Environment non vengono rispettate.
    • Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.

2021-04-05

Azure Machine Learning SDK per Python v1.26.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • È stato risolto un problema a causa del quale i modelli Naive sarebbero consigliati nelle esecuzioni autoMLStep e non riuscirebbero con funzionalità di ritardo o finestra in sequenza. Questi modelli non saranno consigliati quando vengono impostati i lag di destinazione o le dimensioni della finestra in sequenza di destinazione.
    • Output della console modificato durante l'invio di un'esecuzione AutoML per visualizzare un collegamento al portale all'esecuzione.
  • azureml-core
    • Aggiunta della modalità HDFS nella documentazione.
    • Aggiunta del supporto per comprendere le partizioni del set di dati file in base alla struttura glob.
    • Aggiunta del supporto per il registro contenitori di aggiornamento associato all'area di lavoro di Azure Machine Learning.
    • Gli attributi dell'ambiente deprecati in DockerSection - "enabled", "shared_volume" e "arguments" fanno parte di DockerConfiguration in RunConfiguration ora.
    • Documentazione aggiornata dell'interfaccia della riga di comando della pipeline
    • URI del portale aggiornati per includere tenant per l'autenticazione
    • Nome dell'esperimento rimosso dagli URI di esecuzione per evitare reindirizzamenti
    • Aggiornamento dell'URO dell'esperimento per l'uso dell'ID esperimento.
    • Correzioni di bug per il collegamento di calcolo remoto con l'interfaccia della riga di comando di Azure Machine Learning.
    • URI del portale aggiornati per includere tenant per l'autenticazione.
    • URI dell'esperimento aggiornato per l'uso dell'ID esperimento.
  • azureml-interpret
    • azureml-interpret aggiornato per usare interpret-community 0.17.0
  • azureml-opendatasets
    • Data di inizio dell'input e convalida del tipo di data di fine e indicazione dell'errore se non è tipo datetime.
  • azureml-parallel-run
    • [Funzionalità sperimentale] Aggiungere partition_keys il parametro a ParallelRunConfig, se specificato, i set di dati di input verranno partizionati in mini-batch dalle chiavi specificate da esso. Richiede che tutti i set di dati di input siano partizionati.
  • azureml-pipeline-steps
    • Bugfix : supporto di path_on_compute durante il passaggio della configurazione del set di dati come download.
    • Deprecate RScriptStep a favore dell'uso di CommandStep per l'esecuzione di script R nelle pipeline.
    • Deprecate EstimatorStep a favore dell'uso di CommandStep per l'esecuzione di training di ML (incluso il training distribuito) nelle pipeline.
  • azureml-sdk
    • Aggiornare python_requires a < 3.9 per azureml-sdk
  • azureml-train-automl-client
    • Output della console modificato durante l'invio di un'esecuzione AutoML per visualizzare un collegamento al portale all'esecuzione.
  • azureml-train-core
    • Attributi DockerSection deprecati "enabled", "shared_volume" e "arguments" a favore dell'uso di DockerConfiguration con ScriptRunConfig.
    • Usare set di dati aperti di Azure per il set di dati MNIST
    • I messaggi di errore di Hyperdrive sono stati aggiornati.

2021-03-22

Azure Machine Learning SDK per Python v1.25.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Output della console modificato durante l'invio di un'esecuzione AutoML per visualizzare un collegamento al portale all'esecuzione.
  • azureml-core
    • Inizia a supportare l'aggiornamento del Registro contenitori per l'area di lavoro in SDK e nell'interfaccia della riga di comando
    • Attributi DockerSection deprecati "enabled", "shared_volume" e "arguments" a favore dell'uso di DockerConfiguration con ScriptRunConfig.
    • Documentazione aggiornata dell'interfaccia della riga di comando della pipeline
    • URI del portale aggiornati per includere tenant per l'autenticazione
    • Nome dell'esperimento rimosso dagli URI di esecuzione per evitare reindirizzamenti
    • Aggiornamento dell'URO dell'esperimento per l'uso dell'ID esperimento.
    • Correzioni di bug per il collegamento di calcolo remoto tramite az CLI
    • URI del portale aggiornati per includere tenant per l'autenticazione.
    • Aggiunta del supporto per comprendere le partizioni del set di dati file in base alla struttura glob.
  • azureml-interpret
    • azureml-interpret aggiornato per usare interpret-community 0.17.0
  • azureml-opendatasets
    • Data di inizio dell'input e convalida del tipo di data di fine e indicazione dell'errore se non è tipo datetime.
  • azureml-pipeline-core
    • Bugfix : supporto di path_on_compute durante il passaggio della configurazione del set di dati come download.
  • azureml-pipeline-steps
    • Bugfix : supporto di path_on_compute durante il passaggio della configurazione del set di dati come download.
    • Deprecate RScriptStep a favore dell'uso di CommandStep per l'esecuzione di script R nelle pipeline.
    • Deprecate EstimatorStep a favore dell'uso di CommandStep per l'esecuzione di training di ML (incluso il training distribuito) nelle pipeline.
  • azureml-train-automl-runtime
    • Output della console modificato durante l'invio di un'esecuzione AutoML per visualizzare un collegamento al portale all'esecuzione.
  • azureml-train-core
    • Attributi DockerSection deprecati "enabled", "shared_volume" e "arguments" a favore dell'uso di DockerConfiguration con ScriptRunConfig.
    • Usare set di dati aperti di Azure per il set di dati MNIST
    • I messaggi di errore di Hyperdrive sono stati aggiornati.

2021-03-31

studio di Azure Machine Learning Esperienza notebooks (aggiornamento di marzo)

• Nuove funzionalità

  • Eseguire il rendering di CSV/TSV. Gli utenti sono in grado di eseguire il rendering e il file TSV/CSV in un formato di griglia per semplificare l'analisi dei dati.
  • Autenticazione SSO per Istanza di calcolo. Gli utenti possono ora autenticare facilmente tutte le nuove istanze di calcolo direttamente nell'interfaccia utente del notebook, semplificando l'autenticazione e l'uso degli SDK di Azure direttamente in Azure Machine Learning.
  • Metriche dell'istanza di calcolo. Gli utenti possono visualizzare le metriche di calcolo, ad esempio l'utilizzo della CPU e la memoria tramite terminale.
  • Dettagli file. Gli utenti possono ora visualizzare i dettagli del file, tra cui l'ora dell'ultima modifica e le dimensioni del file facendo clic sui tre punti accanto a un file.

• Correzioni e miglioramenti dei bug

  • Tempi di caricamento delle pagine migliorati.
  • Prestazioni migliorate.
  • Miglioramento della velocità e dell'affidabilità del kernel.
  • Ottenere un immobile verticale spostando definitivamente il riquadro file notebook.
  • I collegamenti sono ora disponibili nel terminale
  • Miglioramento delle prestazioni di IntelliSense

2021-03-08

Azure Machine Learning SDK per Python v1.24.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Le importazioni compatibili con le versioni precedenti sono state rimosse da azureml.automl.core.shared. I moduli non trovati errori nello azureml.automl.core.shared spazio dei nomi possono essere risolti importando da azureml.automl.runtime.shared.
  • azureml-contrib-automl-dnn-vision
    • Modello yolo di rilevamento oggetti esposto.
  • azureml-contrib-dataset
    • Aggiunta di funzionalità per filtrare i set di dati tabulari in base ai valori di colonna e ai set di dati file in base ai metadati.
  • azureml-contrib-fairness
    • Includere lo schema JSON nella rotellina azureml-contrib-fairness
  • azureml-contrib-mir
    • Con l'impostazione show_output su True quando si distribuiscono modelli, la configurazione di inferenza e la configurazione della distribuzione verranno riprodotte prima di inviare la richiesta al server.
  • azureml-core
    • Aggiunta di funzionalità per filtrare i set di dati tabulari in base ai valori di colonna e ai set di dati file in base ai metadati.
    • In precedenza, è stato possibile che gli utenti creino configurazioni di provisioning per ComputeTarget che non soddisfano i requisiti di forza della password per il admin_user_password campo , ovvero che devono contenere almeno 3 dei seguenti: una lettera minuscola, una lettera maiuscola, una cifra e un carattere speciale dal set seguente: \`~!@#$%^&*()=+_[]{}|;:./'",<>?. Se l'utente ha creato una configurazione con una password debole ed è stato eseguito un processo usando tale configurazione, il processo avrà esito negativo in fase di esecuzione. A questo punto, la chiamata a AmlCompute.provisioning_configuration genera un ComputeTargetException oggetto con un messaggio di errore che illustra i requisiti di forza della password.
    • Inoltre, è stato anche possibile specificare una configurazione con un numero negativo di nodi massimi. Non è più possibile farlo. AmlCompute.provisioning_configuration Genera ora un valore ComputeTargetException se l'argomento max_nodes è un intero negativo.
    • Con l'impostazione show_output su True quando si distribuiscono modelli, verrà visualizzata la configurazione di inferenza e la configurazione della distribuzione.
    • Con l'impostazione show_output su True quando si attende il completamento della distribuzione del modello, verrà visualizzato lo stato di avanzamento dell'operazione di distribuzione.
    • Consenti al cliente specificato la directory di configurazione dell'autenticazione di Azure Machine Learning tramite variabile di ambiente: AZUREML_AUTH_CONFIG_DIR
    • In precedenza, è stato possibile creare una configurazione di provisioning con il numero minimo di nodi minore del numero massimo di nodi. Il processo verrà eseguito ma non riesce in fase di esecuzione. Questo bug è stato risolto. Se si tenta ora di creare una configurazione di provisioning con min_nodes < max_nodes l'SDK genera un ComputeTargetExceptionoggetto .
  • azureml-interpret
    • correzione del dashboard della spiegazione che non mostra le importanza della funzionalità di aggregazione per le spiegazioni ingegneriate sparse
    • utilizzo ottimizzato della memoria di SpiegazioneClient nel pacchetto azureml-interpret
  • azureml-train-automl-client
    • Correzione di show_output=False per restituire il controllo all'utente durante l'esecuzione di spark.

2021-02-28

studio di Azure Machine Learning Esperienza notebooks (aggiornamento febbraio)

• Nuove funzionalità

  • Terminale nativo (GA). Gli utenti avranno ora accesso a un terminale integrato e a un'operazione Git tramite il terminale integrato.
  • Frammenti di blocco appunti (anteprima). Gli estratti comuni del codice di Azure Machine Learning sono ora disponibili a portata di mano. Passare al pannello frammenti di codice, accessibile tramite la barra degli strumenti o attivare il menu frammenti di codice usando CTRL + Spazio.
  • Tasti di scelta rapida. Parità completa con tasti di scelta rapida disponibili in Jupyter.
  • Indicare i parametri Cell. Mostra gli utenti che in un notebook sono celle di parametri e possono eseguire notebook con parametri tramite Papermill nell'istanza di calcolo.
  • Gestione sessione del terminale e del kernel: gli utenti possono gestire tutte le sessioni del kernel e del terminale in esecuzione nel proprio calcolo.
  • Pulsante di condivisione. Gli utenti possono ora condividere qualsiasi file in Esplora file notebook facendo clic con il pulsante destro del mouse sul file e usando il pulsante di condivisione.

• Correzioni e miglioramenti dei bug

  • Tempi di caricamento delle pagine migliorati
  • prestazioni migliorate
  • Miglioramento della velocità e dell'affidabilità del kernel
  • Aggiunta della rotellina di rotazione per visualizzare lo stato di avanzamento per tutte le operazioni di istanza di calcolo in corso.
  • Fare clic con il pulsante destro del mouse in Esplora file. Fare clic con il pulsante destro del mouse su qualsiasi file aprirà ora le operazioni sui file.

2021-02-16

Azure Machine Learning SDK per Python v1.23.0

• Correzioni e miglioramenti dei bug
  • azureml-core
    • [Funzionalità sperimentale] Aggiungere il supporto per collegare l'area di lavoro synapse a AML come servizio collegato
    • [Funzionalità sperimentale] Aggiungere il supporto per collegare il pool spark synapse in AML come calcolo
    • [Funzionalità sperimentale] Aggiungere il supporto per l'accesso ai dati basati su identità. Gli utenti possono registrare datastore o set di dati senza fornire credenziali. In tal caso, verrà usata per l'autenticazione il token di Azure AD o l'identità gestita della destinazione di calcolo. Per altre informazioni, vedere Connettersi all'archiviazione usando l'accesso ai dati basato su identità.
  • azureml-pipeline-steps
    • [Funzionalità sperimentale] Aggiungere il supporto per SynapseSparkStep
  • azureml-synapse
    • [Funzionalità sperimentale] Aggiungere il supporto di spark magic per eseguire una sessione interattiva nel pool spark synapse.
• Correzioni e miglioramenti dei bug
  • azureml-automl-runtime
    • In questo aggiornamento è stato aggiunto holt winters in modo esponenziale per prevedere la casella degli strumenti di AutoML SDK. Dato una serie temporale, il modello migliore viene selezionato da AICc (Corretto criterio informativo di Akaike) e restituito.
    • AutoML genererà ora due file di log anziché uno. Le istruzioni di log passano a una o all'altra a seconda del processo in cui è stata generata l'istruzione log.
    • Rimuovere una stima in-sample non necessaria durante il training del modello con convalida incrociata. Questo può ridurre il tempo di training del modello in alcuni casi, in particolare per i modelli di previsione delle serie temporali.
  • azureml-contrib-fairness
    • Aggiungere uno schema JSON per i caricamenti dashboardDictionary.
  • azureml-contrib-interpret
    • azureml-contrib-interpret README viene aggiornato per riflettere che il pacchetto verrà rimosso nell'aggiornamento successivo dopo essere stato deprecato da ottobre, usare invece il pacchetto azureml-interpret
  • azureml-core
    • In precedenza, è stato possibile creare una configurazione di provisioning con il numero minimo di nodi minore del numero massimo di nodi. Questa operazione è stata risolta. Se si tenta di creare una configurazione di provisioning con min_nodes < max_nodes l'SDK, verrà generato un ComputeTargetExceptionoggetto .
    • Correzione di bug in wait_for_completion in AmlCompute, che ha causato il ritorno del flusso di controllo prima del completamento dell'operazione
    • Run.fail() è ora deprecato, usare Run.tag() per contrassegnare l'esecuzione come non riuscita o usare Run.cancel() per contrassegnare l'esecuzione come annullata.
    • Visualizzare il messaggio di errore 'Nome ambiente previsto str, {} trovato' quando il nome dell'ambiente specificato non è una stringa.
  • azureml-train-automl-client
    • Correzione di un bug che impediva l'annullamento degli esperimenti autoML nei cluster di Azure Databricks.

2021-02-09

Azure Machine Learning SDK per Python v1.22.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Correzione di bug in cui è stata aggiunta una dipendenza pip aggiuntiva al file conda yml per i modelli di visione.
  • azureml-automl-runtime
    • È stato risolto un bug in cui i modelli di previsione classici (ad esempio AutoArima) potevano ricevere dati di training in cui le righe con valori di destinazione non erano presenti. Questo ha violato il contratto dati di questi modelli. * Correzione di vari bug con comportamento di ritardo per occorrenza nell'operatore di ritardo della serie temporale. In precedenza, l'operazione di ritardo per occorrenza non contrassegnava correttamente tutte le righe imputate e quindi non generava sempre i valori di ritardo dell'occorrenza corretti. È stato risolto anche alcuni problemi di compatibilità tra l'operatore di ritardo e l'operatore di finestra in sequenza con comportamento di ritardo per occorrenza. In precedenza, l'operatore di finestra in sequenza rilasciava alcune righe dai dati di training da usare in caso contrario.
  • azureml-core
    • Aggiunta del supporto per l'autenticazione token per destinatari.
    • Aggiungere process_count a PyTorchConfiguration per supportare processi PyTorch multi-node multi-node.
  • azureml-pipeline-steps

    • CommandStep ora ga e non più sperimentale.

    • ParallelRunConfig: aggiungere argomenti allowed_failed_count e allowed_failed_percent per controllare la soglia di errore a livello di mini batch. La soglia di errore include ora tre tipi:

      • error_threshold - numero di elementi mini batch consentiti non riusciti;
      • allowed_failed_count - numero di mini batch consentiti non riusciti;
      • allowed_failed_percent- percentuale di mini batch consentiti non riusciti.

      Un processo si arresta se supera uno qualsiasi di essi. error_threshold è necessario mantenere la compatibilità con le versioni precedenti. Impostare il valore su -1 per ignorarlo.

    • Correzione della gestione degli spazi vuoti nel nome AutoMLStep.

    • ScriptRunConfig è ora supportato da HyperDriveStep

  • azureml-train-core
    • L'esecuzione di HyperDrive richiamata da scriptRun verrà ora considerata un'esecuzione figlio.
    • Aggiungere process_count a PyTorchConfiguration per supportare processi PyTorch multi-node multi-node.
  • azureml-widgets
    • Aggiungere il widget ParallelRunStepDetails per visualizzare lo stato di un oggetto ParallelRunStep.
    • Consente agli utenti hyperdrive di visualizzare un asse nel grafico coordinate parallele che mostra il valore della metrica corrispondente a ogni set di iperparametri per ogni esecuzione figlio.

2021-01-31

studio di Azure Machine Learning Esperienza notebooks (aggiornamento di gennaio)

• Nuove funzionalità

  • Editor markdown nativo in Azure Machine Learning. Gli utenti possono ora eseguire il rendering e modificare i file markdown in modo nativo in Azure Machine Learning Studio.
  • Pulsante Esegui per script (.py, . R e .sh). Gli utenti possono ora eseguire facilmente script Python, R e Bash in Azure Machine Learning
  • Esplora variabili. Esplorare il contenuto delle variabili e dei frame di dati in un pannello popup. Gli utenti possono controllare facilmente il tipo di dati, le dimensioni e il contenuto.
  • Tabella di contenuto. Passare alle sezioni del notebook, indicate dalle intestazioni markdown.
  • Esportare il notebook come Latex/HTML/Py. Creare file notebook facili da condividere esportando in LaTex, HTML o .py
  • Intellicode. I risultati basati su ML offrono un'esperienza avanzata di completamento automatico intelligente.

• Correzioni e miglioramenti dei bug

  • Tempi di caricamento delle pagine migliorati
  • prestazioni migliorate
  • Miglioramento della velocità e dell'affidabilità del kernel

2021-01-25

Azure Machine Learning SDK per Python v1.21.0

• Correzioni e miglioramenti dei bug
  • azure-cli-ml
    • Correzione del testo della Guida dell'interfaccia della riga di comando quando si usa AmlCompute con UserAssigned Identity
  • azureml-contrib-automl-dnn-vision
    • Distribuire e scaricare i pulsanti diventano visibili per le esecuzioni di visione AutoML e i modelli possono essere distribuiti o scaricati in modo simile ad altre esecuzioni autoML. Esistono due nuovi file (scoring_file_v_1_0_0.py e conda_env_v_1_0_0.yml) che contengono uno script per eseguire l'inferenza e un file yml per ricreare l'ambiente conda. Il file 'model.pth' è stato rinominato anche per usare l'estensione '.pt'.
  • azureml-core
    • Supporto del servizio gestito per azure-cli-ml
    • Supporto dell'identità gestita assegnata dall'utente.
    • Con questa modifica, i clienti devono essere in grado di fornire un'identità assegnata dall'utente che può essere usata per recuperare la chiave dall'insieme di credenziali delle chiavi del cliente per la crittografia inattivi.
    • correzione row_count=0 per il profilo di file di grandi dimensioni - correzione dell'errore in doppia conversione per i valori delimitati con spazi vuoti spaziatura interna
    • Rimuovere il flag sperimentale per la disponibilità generale del set di dati di output
    • Aggiornare la documentazione su come recuperare una versione specifica di un modello
    • Consenti l'aggiornamento dell'area di lavoro per l'accesso in modalità mista nel collegamento privato
    • Correzione per rimuovere un'altra registrazione nell'archivio dati per riprendere la funzionalità di esecuzione
    • Aggiunta del supporto dell'interfaccia della riga di comando/SDK per l'aggiornamento dell'identità assegnata dall'utente primario dell'area di lavoro
  • azureml-interpret
    • aggiornamento di azureml-interpret per interpretare-community 0.16.0
    • ottimizzazioni di memoria per il client di spiegazione in azureml-interpret
  • azureml-train-automl-runtime
    • Streaming abilitato per le esecuzioni di ADB
  • azureml-train-core
    • Correzione per rimuovere un'altra registrazione nell'archivio dati per riprendere la funzionalità di esecuzione
  • azureml-widgets
    • I clienti non dovrebbero visualizzare le modifiche apportate alla visualizzazione dei dati di esecuzione esistente usando il widget e ora avranno supporto se usano facoltativamente iperparametri condizionali.
    • Il widget di esecuzione dell'utente include ora una spiegazione dettagliata per il motivo per cui un'esecuzione si trova nello stato in coda.

2021-01-11

Azure Machine Learning SDK per Python v1.20.0

• Correzioni e miglioramenti dei bug
  • azure-cli-ml
    • framework_version aggiunto in OptimizationConfig. Viene usato quando il modello viene registrato con framework MULTI.
  • azureml-contrib-optimization
    • framework_version aggiunto in OptimizationConfig. Viene usato quando il modello viene registrato con framework MULTI.
  • azureml-pipeline-steps
    • Introduzione a CommandStep, che accetta il comando per elaborare. Il comando può includere eseguibili, comandi della shell, script e così via.
  • azureml-core
    • La creazione dell'area di lavoro supporta ora l'identità assegnata dall'utente. Aggiunta del supporto uai dall'SDK/interfaccia della riga di comando
    • Correzione del problema in service.reload() per la selezione delle modifiche in score.py nella distribuzione locale.
    • run.get_details() ha un campo aggiuntivo denominato "submittedBy", che visualizza il nome dell'autore per questa esecuzione.
    • Documentazione del metodo Model.register modificata per indicare come registrare il modello da eseguire direttamente
    • Correzione IOT-Server problema di gestione delle modifiche dello stato della connessione.

2020-12-31

studio di Azure Machine Learning Esperienza notebooks (aggiornamento di dicembre)

• Nuove funzionalità

  • Ricerca nome file utente. Gli utenti sono ora in grado di cercare tutti i file salvati in un'area di lavoro.
  • Supporto side-by-side markdown per cella notebook. In una cella notebook gli utenti possono ora avere l'opzione di visualizzare markdown e sintassi markdown sottoposta a rendering side-by-side.
  • Barra di stato cella. La barra di stato indica lo stato in cui si trova una cella di codice, se un'esecuzione di cella ha avuto esito positivo e il tempo necessario per l'esecuzione.

• Correzioni e miglioramenti dei bug

  • Tempi di caricamento delle pagine migliorati
  • prestazioni migliorate
  • Miglioramento della velocità e dell'affidabilità del kernel

2020-12-07

Azure Machine Learning SDK per Python v1.19.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
    • Aggiunta dell'implementazione iniziale della funzionalità di inserimento del set di test.
    • I riferimenti spostati a sklearn.externals.joblib dipendono direttamente da joblib.
    • introdurre un nuovo tipo di attività AutoML di "image-instance-segmentation".
  • azureml-automl-runtime
    • Aggiunta dell'implementazione iniziale della funzionalità di inserimento del set di test.
    • Quando tutte le stringhe in una colonna di testo hanno una lunghezza esatta di un carattere, il featurizer di word-gram di TfIdf non funzionerà perché il tokenizer ignora le stringhe con meno di due caratteri. La modifica del codice corrente consente a AutoML di gestire questo caso d'uso.
    • introdurre un nuovo tipo di attività AutoML di "image-instance-segmentation".
  • azureml-contrib-automl-dnn-nlp
    • Richiesta richiesta iniziale per il nuovo pacchetto dnn-nlp
  • azureml-contrib-automl-dnn-vision
    • introdurre un nuovo tipo di attività AutoML di "image-instance-segmentation".
  • azureml-contrib-automl-pipeline-steps
    • Questo nuovo pacchetto è responsabile della creazione di passaggi necessari per molti scenari di training/inferenza dei modelli. - Sposta anche il codice di training/inferenza nel pacchetto azureml.train.automl.runtime in modo che eventuali correzioni future siano automaticamente disponibili tramite versioni dell'ambiente curate.
  • azureml-contrib-dataset
    • introdurre un nuovo tipo di attività AutoML di "image-instance-segmentation".
  • azureml-core
    • Aggiunta dell'implementazione iniziale della funzionalità di inserimento del set di test.
    • Correzione degli avvisi xref per la documentazione nel pacchetto azureml-core
    • Correzioni delle stringhe doc per la funzionalità di supporto dei comandi in SDK
    • Aggiunta della proprietà del comando a RunConfiguration. La funzionalità consente agli utenti di eseguire un comando o eseguibili effettivi nel calcolo tramite Azure Machine Learning SDK.
    • Gli utenti possono eliminare un esperimento vuoto dato l'ID di tale esperimento.
  • azureml-dataprep
    • Aggiunta del supporto del set di dati per Spark compilata con Scala 2.12. Ciò aggiunge al supporto esistente 2.11.
  • azureml-mlflow
    • AzureML-MLflow aggiunge guardie sicure negli script remoti per evitare la chiusura anticipata delle esecuzioni inviate.
  • azureml-pipeline-core
    • Correzione di un bug nell'impostazione di una pipeline predefinita per l'endpoint della pipeline creata tramite l'interfaccia utente
  • azureml-pipeline-steps
    • Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
  • azureml-tensorboard
    • Correzione degli avvisi xref per la documentazione nel pacchetto azureml-core
  • azureml-train-automl-client
    • Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
    • Aggiunta dell'implementazione iniziale della funzionalità di inserimento del set di test.
    • introdurre un nuovo tipo di attività AutoML di "image-instance-segmentation".
  • azureml-train-automl-runtime
    • Aggiunta dell'implementazione iniziale della funzionalità di inserimento del set di test.
    • Correggere il calcolo delle spiegazioni non elaborate per il modello AutoML migliore se i modelli AutoML vengono sottoposti a training usando l'impostazione validation_size.
    • I riferimenti spostati a sklearn.externals.joblib dipendono direttamente da joblib.
  • azureml-train-core

    • HyperDriveRun.get_children_sorted_by_primary_metric() dovrebbe essere completato più velocemente ora

    • Miglioramento della gestione degli errori in HyperDrive SDK.

    • Deprecato tutte le classi di stima a favore dell'uso di ScriptRunConfig per configurare le esecuzioni dell'esperimento. Le classi deprecate includono:

      • MMLBase
      • Strumento di stima
      • PyTorch
      • TensorFlow
      • Chainer
      • SKLearn

    • Deprecato l'uso di Nccl e Gloo come tipi di input validi per le classi estimator a favore dell'uso di PyTorchConfiguration con ScriptRunConfig.

    • Deprecato l'uso di Mpi come tipo di input valido per le classi estimator a favore dell'uso di MpiConfiguration con ScriptRunConfig.

    • Aggiunta della proprietà del comando per eseguire la configurazione. La funzionalità consente agli utenti di eseguire un comando o file eseguibili effettivi nel calcolo tramite Azure Machine Learning SDK.

    • Deprecato tutte le classi di stima a favore dell'uso di ScriptRunConfig per configurare le esecuzioni dell'esperimento. Le classi deprecate includono: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

    • Deprecato l'uso di Nccl e Gloo come tipo di input valido per le classi estimator a favore dell'uso di PyTorchConfiguration con ScriptRunConfig.

    • Deprecato l'uso di Mpi come tipo di input valido per le classi estimator a favore dell'uso di MpiConfiguration con ScriptRunConfig.

2020-11-30

esperienza notebook studio di Azure Machine Learning (aggiornamento di novembre)

• Nuove funzionalità

  • Terminale nativo. Gli utenti avranno ora accesso a un terminale integrato e a un'operazione Git tramite il terminale integrato.
  • Duplica cartella
  • Costi per l'elenco a discesa Calcolo
  • Pylance calcolo offline

• Correzioni di bug e miglioramenti

  • Tempi di caricamento delle pagine migliorati
  • prestazioni migliorate
  • Maggiore velocità e affidabilità del kernel
  • Caricamento di file di grandi dimensioni. È ora possibile caricare il file >95 mb

2020-11-09

Azure Machine Learning SDK per Python v1.18.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Miglioramento della gestione delle serie temporali brevi consentendo loro di riempimento con rumore gaussiano.
  • azureml-automl-runtime
    • Throw ConfigException se una colonna DateTime ha un valore OutOfBoundsDatetime
    • Miglioramento della gestione delle serie temporali brevi consentendo loro di riempimento con rumore gaussiano.
    • Assicurarsi che ogni colonna di testo possa usare la trasformazione char-gram con l'intervallo n-gram in base alla lunghezza delle stringhe in tale colonna di testo
    • Fornire spiegazioni delle funzionalità non elaborate per la modalità migliore per gli esperimenti AutoML in esecuzione nel calcolo locale dell'utente
  • azureml-core
    • Aggiungere il pacchetto: pyjwt per evitare il pull delle versioni future.
    • La creazione di un esperimento restituisce l'ultimo esperimento archiviato o attivo con lo stesso nome se tale esperimento esiste o un nuovo esperimento.
    • La chiamata get_experiment per nome restituisce l'esperimento attivo o l'ultimo esperimento archiviato con il nome specificato.
    • Gli utenti non possono rinominare un esperimento durante la riattivazione.
    • Miglioramento del messaggio di errore per includere potenziali correzioni quando un set di dati viene passato in modo non corretto a un esperimento (ad esempio, ScriptRunConfig).
    • Documentazione migliorata per OutputDatasetConfig.register_on_complete includere il comportamento di ciò che accadrà quando il nome esiste già.
    • Se si specificano nomi di input e output del set di dati che possono essere in conflitto con variabili di ambiente comuni, verrà visualizzato un avviso
    • Parametro reimpierito grant_workspace_access durante la registrazione degli archivi dati. Impostarlo su per accedere ai True dati dietro la rete virtuale da Machine Learning Studio. Scopri di più
    • L'API del servizio collegato è perfezionata. Invece di specificare l'ID risorsa, sono disponibili tre parametri separati sub_id, rg e nome definiti nella configurazione.
    • Per consentire ai clienti di risolvere automaticamente i problemi di danneggiamento dei token, abilitare la sincronizzazione dei token dell'area di lavoro come metodo pubblico.
    • Questa modifica consente di usare una stringa vuota come valore per un script_param
  • azureml-train-automl-client
    • Miglioramento della gestione delle serie temporali brevi consentendo loro di riempimento con rumore gaussiano.
  • azureml-train-automl-runtime
    • Throw ConfigException se una colonna DateTime ha un valore OutOfBoundsDatetime
    • Aggiunta del supporto per fornire spiegazioni di funzionalità non elaborate per il modello migliore per gli esperimenti AutoML in esecuzione nel calcolo locale dell'utente
    • Miglioramento della gestione delle serie temporali brevi consentendo loro di riempimento con rumore gaussiano.
  • azureml-train-core
    • Questa modifica consente di usare una stringa vuota come valore per un script_param
  • azureml-train-restclients-hyperdrive
    • README è stato modificato in modo da offrire più contesto
  • azureml-widgets
    • Aggiungere il supporto di stringhe alla libreria grafici/coordinate parallele per il widget.

2020-11-05

Etichettatura dei dati per la segmentazione dell'istanza dell'immagine (annotazione poligono) (anteprima)

Il tipo di progetto image instance segmentation (polygon annotations) nell'etichettatura dei dati è ora disponibile, in modo che gli utenti possano disegnare e annotare con poligoni intorno al contorno degli oggetti nelle immagini. Gli utenti possono assegnare una classe e un poligono a ogni oggetto di interesse all'interno di un'immagine.

Altre informazioni sull'etichettatura della segmentazione dell'istanza dell'immagine.

2020-10-26

Azure Machine Learning SDK per Python v1.17.0

• nuovi esempi
  • È disponibile un nuovo repository di esempi basato sulla community all'indirizzo https://github.com/Azure/azureml-examples
• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Risolto un problema per cui get_output potrebbe generare un errore XGBoostError.
  • azureml-automl-runtime
    • Le funzionalità basate sul tempo/calendario create da AutoML avranno ora il prefisso .
    • Correzione di un indexError durante il training di StackEnsemble per i set di dati di classificazione con un numero elevato di classi e sottocampionamento abilitati.
    • È stato risolto un problema per cui le stime votingRegressor potrebbero essere imprecise dopo il refitting del modello.
  • azureml-core
    • Sono stati aggiunti altri dettagli sulla relazione tra la configurazione della distribuzione del servizio Azure Kubernetes e i concetti di servizio Azure Kubernetes.
    • Supporto delle etichette client dell'ambiente. L'utente può etichettare Ambienti e farvi riferimento in base all'etichetta.
  • azureml-dataprep
    • Messaggio di errore migliore quando si usa Spark attualmente non supportato con Scala 2.12.
  • azureml-explain-model
    • Il pacchetto azureml-explain-model è ufficialmente deprecato
  • azureml-mlflow
    • È stato risolto un bug in mlflow.projects.run nel back-end azureml in cui lo stato di finalizzazione non è stato gestito correttamente.
  • azureml-pipeline-core
    • Aggiungere il supporto per creare, elencare e ottenere la pianificazione della pipeline in base a un endpoint della pipeline.
    • Miglioramento della documentazione di PipelineData.as_dataset con un esempio di utilizzo non valido: l'uso di PipelineData.as_dataset in modo non corretto comporterà la generazione di un'eccezione ValueException
    • È stato modificato il notebook delle pipeline di HyperDriveStep per registrare il modello migliore all'interno di un oggetto PipelineStep direttamente dopo l'esecuzione di HyperDriveStep.
  • azureml-pipeline-steps
    • È stato modificato il notebook delle pipeline di HyperDriveStep per registrare il modello migliore all'interno di un oggetto PipelineStep direttamente dopo l'esecuzione di HyperDriveStep.
  • azureml-train-automl-client
    • Risolto un problema per cui get_output potrebbe generare un errore XGBoostError.

esperienza notebook studio di Azure Machine Learning (aggiornamento di ottobre)

• Nuove funzionalità

  • Supporto completo della rete virtuale
  • Modalità messa a fuoco
  • Salvare i notebook CTRL-S
  • Numeri di riga

• Correzioni di bug e miglioramenti

  • Miglioramento della velocità e dell'affidabilità del kernel
  • Aggiornamenti dell'interfaccia utente di Jupyter Widget

2020-10-12

Azure Machine Learning SDK per Python v1.16.0

• Correzioni di bug e miglioramenti
  • azure-cli-ml
    • AKSWebservice e AKSEndpoints ora supportano i limiti di CPU e memoria a livello di pod. Questi limiti facoltativi possono essere usati impostando --cpu-cores-limit e --memory-gb-limit contrassegni nelle chiamate dell'interfaccia della riga di comando applicabili
  • azureml-core
    • Aggiungere le versioni principali delle dipendenze dirette di azureml-core
    • AKSWebservice e AKSEndpoints ora supportano i limiti di CPU e memoria a livello di pod. Altre informazioni sulle risorse e i limiti di Kubernetes
    • Aggiornamento run.log_table per consentire la registrazione delle singole righe.
    • Aggiunta del metodo Run.get(workspace, run_id) statico per recuperare un'esecuzione solo usando un'area di lavoro
    • Aggiunta del metodo Workspace.get_run(run_id) di istanza per recuperare un'esecuzione all'interno dell'area di lavoro
    • Introduzione alla proprietà del comando nella configurazione di esecuzione, che consentirà agli utenti di inviare il comando anziché gli argomenti dello script & .
  • azureml-interpret
    • correzione del comportamento del is_raw flag del client di spiegazione in azureml-interpret
  • azureml-sdk
    • azureml-sdk supporta ufficialmente Python 3.8.
  • azureml-train-core
    • Aggiunta dell'ambiente curato tensorFlow 2.3
    • Introduzione alla proprietà del comando nella configurazione di esecuzione, che consentirà agli utenti di inviare il comando anziché gli argomenti dello script & .
  • azureml-widgets
    • Interfaccia riprogettata per il widget di esecuzione dello script.

2020-09-28

Azure Machine Learning SDK per Python v1.15.0

• Correzioni di bug e miglioramenti
  • azureml-contrib-interpret
    • Strumento di spiegazione LIME spostato da azureml-contrib-interpret a interpret-community package and image explainer rimosso dal pacchetto azureml-contrib-interpret
    • dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret e notebook aggiornati per riflettere l'API migliorata
    • correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-contrib-notebook
    • Aggiungere la dipendenza nbcovert a < 6 in modo che papermill 1.x continui a funzionare.
  • azureml-core
    • Aggiunta di parametri al costruttore TensorflowConfiguration e MpiConfiguration per abilitare un'inizializzazione più semplificata degli attributi della classe senza richiedere all'utente di impostare ogni singolo attributo. Aggiunta di una classe PyTorchConfiguration per la configurazione dei processi PyTorch distribuiti in ScriptRunConfig.
    • Aggiungere la versione di azure-mgmt-resource per correggere l'errore di autenticazione.
    • Supporto per la distribuzione del codice No Code Di Supporto Per Il Supporto Di Un Codice
    • Le directory di output specificate in Run.start_logging() verranno ora rilevate quando si usa l'esecuzione in scenari interattivi. I file rilevati sono visibili in ML Studio quando si chiama Run.complete()
    • È ora possibile specificare la codifica dei file durante la creazione del set di dati con Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_json_lines_files passando l'argomento encoding . Le codifiche supportate sono 'utf8', 'iso88591', 'latin1', 'ascii', utf16', 'utf32', 'utf8bom' e 'windows1252'.
    • Correzione di bug quando l'oggetto ambiente non viene passato al costruttore ScriptRunConfig.
    • Aggiornamento di Run.cancel() per consentire l'annullamento di un'esecuzione locale da un altro computer.
  • azureml-dataprep
    • Correzione dei problemi di timeout del montaggio del set di dati.
  • azureml-explain-model
    • correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-interpret
    • dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret e notebook aggiornati per riflettere l'API migliorata
    • pacchetto azureml-interpret aggiornato per dipendere da interpret-community 0.15.0
    • correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-pipeline-core
    • È stato risolto un problema di pipeline per OutputFileDatasetConfig cui il sistema potrebbe smettere di rispondere quandoregister_on_complete viene chiamato con il name parametro impostato su un nome del set di dati preesistente.
  • azureml-pipeline-steps
    • Rimozione dei notebook di Databricks non aggiornati.
  • azureml-tensorboard
    • correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-train-automl-runtime
    • dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret e notebook aggiornati per riflettere l'API migliorata
  • azureml-widgets
    • dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret e notebook aggiornati per riflettere l'API migliorata

2020-09-21

Azure Machine Learning SDK per Python v1.14.0

• Correzioni di bug e miglioramenti

  • azure-cli-ml

    • La profilatura griglia è stata rimossa dall'SDK e non è più supportata.

  • azureml-accel-models

    • Il pacchetto azureml-accel-models supporta ora TensorFlow 2.x

  • azureml-automl-core

    • Aggiunta della gestione degli errori in get_output per i casi in cui le versioni locali di pandas/sklearn non corrispondono a quelle usate durante il training

  • azureml-automl-runtime

    • Correzione di un bug per cui le iterazioni autoarima non riuscirebbero con un'eccezione PredictionException e il messaggio :"Errore invisibile all'utente durante la stima".

  • azureml-cli-common

    • La profilatura griglia è stata rimossa dall'SDK e non è più supportata.

  • azureml-contrib-server

    • Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.

  • azureml-core

    • La profilatura griglia è stata rimossa dall'SDK e non è più supportata.
    • Ridurre il numero di messaggi di errore quando il recupero dell'area di lavoro ha esito negativo.
    • Non visualizzare un avviso quando il recupero dei metadati ha esito negativo
    • Nuovo passaggio Kusto e destinazione di calcolo Kusto.
    • Aggiornare il documento per il parametro sku. Rimuovere sku nella funzionalità di aggiornamento dell'area di lavoro nell'interfaccia della riga di comando e nell'SDK.
    • Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
    • Documentazione aggiornata per gli ambienti di Azure Machine Learning.
    • Esporre le impostazioni delle risorse gestite dal servizio per l'area di lavoro AML in SDK.

  • azureml-dataprep

    • Abilitare l'autorizzazione di esecuzione per i file per il montaggio del set di dati.

  • azureml-mlflow

    • Documentazione e esempi di notebook di Azure Machine Learning MLflow aggiornati
    • Nuovo supporto per i progetti MLflow con back-end di Azure Machine Learning
    • Supporto del registro dei modelli MLflow
    • Aggiunta del supporto del controllo degli accessi in base al ruolo di Azure per le operazioni di AzureML-MLflow

  • azureml-pipeline-core

    • Miglioramento della documentazione dei metodi PipelineOutputFileDataset.parse_*.
    • Nuovo passaggio Kusto e destinazione di calcolo Kusto.
    • La proprietà Swaggerurl fornita per l'entità pipeline-endpoint tramite tale utente può visualizzare la definizione dello schema per l'endpoint della pipeline pubblicato.

  • azureml-pipeline-steps

    • Nuovo passaggio Kusto e destinazione di calcolo Kusto.

  • azureml-telemetry

    • Descrizione dell'aggiornamento della pagina di panoramica del pacchetto per pypi.

  • azureml-training

    • Descrizione dell'aggiornamento della pagina di panoramica del pacchetto per pypi.

  • azureml-train-automl-client

    • Aggiunta della gestione degli errori in get_output per i casi in cui le versioni locali di pandas/sklearn non corrispondono a quelle usate durante il training

  • azureml-train-core

    • Descrizione dell'aggiornamento della pagina di panoramica del pacchetto per pypi.

2020-08-31

Azure Machine Learning SDK per Python v1.13.0

• Funzionalità di anteprima

  • azureml-core Con la nuova funzionalità dei set di dati di output, è possibile tornare all'archiviazione cloud, tra cui BLOB, ADLS Gen 1, ADLS Gen 2 e FileShare. È possibile configurare dove restituire i dati, come generare dati (tramite montaggio o caricamento), se registrare i dati di output per il riutilizzo e la condivisione futuri e passare i dati intermedi tra i passaggi della pipeline senza problemi. Ciò consente la riproduzione, la condivisione, impedisce la duplicazione dei dati e comporta un aumento del costo e della produttività. Informazioni su come usare l'SDK

• Correzioni e miglioramenti dei bug

  • azureml-automl-core
    • Aggiunta validated_{platform}_requirements.txt file per l'aggiunta di tutte le dipendenze pip per AutoML.
    • Questa versione supporta modelli superiori a 4 Gb.
    • Dipendenze autoML aggiornate: scikit-learn (ora 0.22.1), (ora 0.25.1), pandasnumpy (ora 1.18.2).
  • azureml-automl-runtime
    • Impostare horovod per il testo DNN per usare sempre la compressione fp16.
    • Questa versione supporta modelli superiori a 4 Gb.
    • Correzione del problema a causa del quale AutoML ha esito negativo con ImportError: non è possibile importare il nome RollingOriginValidator.
    • Dipendenze autoML aggiornate: scikit-learn (ora 0.22.1), (ora 0.25.1), pandasnumpy (ora 1.18.2).
  • azureml-contrib-automl-dnn-forecasting
    • Dipendenze autoML aggiornate: scikit-learn (ora 0.22.1), (ora 0.25.1), pandasnumpy (ora 1.18.2).
  • azureml-contrib-fairness
    • Specificare una breve descrizione per azureml-contrib-fairness.
  • azureml-contrib-pipeline-steps
    • È stato aggiunto un messaggio che indica che questo pacchetto è deprecato e l'utente deve usare invece azureml-pipeline-steps.
  • azureml-core
    • Aggiunta del comando chiave elenco per l'area di lavoro.
    • Aggiungere il parametro tag in Workspace SDK e nell'interfaccia della riga di comando.
    • Correzione del bug in cui l'invio di un'esecuzione figlio con set di dati non riesce a causa di TypeError: can't pickle _thread.RLock objects.
    • Aggiunta di page_count predefinita/documentazione per l'elenco Modelli().
    • Modificare l'SDK dell'interfaccia della riga&di comando per accettare il parametro adbworkspace e Aggiungere l'elemento adb lin/unlink runner.
    • Correzione di bug in Dataset.update che ha causato l'aggiornamento della versione più recente del set di dati non la versione dell'aggiornamento del set di dati è stata chiamata.
    • Correzione di bug in Dataset.get_by_name che mostra i tag per la versione più recente del set di dati anche quando è stata recuperata una versione precedente specifica.
  • azureml-interpret
    • Aggiunta di output di probabilità agli strumenti di assegnazione dei punteggi di shap in azureml-interpret in base al parametro shap_values_output dal spiegazione originale.
  • azureml-pipeline-core
    • Documentazione migliorata PipelineOutputAbstractDataset.register.
  • azureml-train-automl-client
    • Dipendenze autoML aggiornate: scikit-learn (ora 0.22.1), (ora 0.25.1), pandasnumpy (ora 1.18.2).
  • azureml-train-automl-runtime
    • Dipendenze autoML aggiornate: scikit-learn (ora 0.22.1), (ora 0.25.1), pandasnumpy (ora 1.18.2).
  • azureml-train-core
    • Gli utenti devono ora fornire un hyperparameter_sampling valido quando si crea un HyperDriveConfig. Inoltre, la documentazione per HyperDriveRunConfig è stata modificata per informare gli utenti della deprecazione di HyperDriveRunConfig.
    • Ripristino della versione predefinita di PyTorch alla versione 1.4.
    • Aggiunta di immagini PyTorch 1.6 & TensorFlow 2.2 e ambiente curato.

studio di Azure Machine Learning Esperienza notebooks (aggiornamento di agosto)

• Nuove funzionalità

  • Nuova pagina di destinazione introduttiva

• Funzionalità di anteprima

  • Raccogliere la funzionalità nei notebook. Con la funzionalità Raccolta, gli utenti possono ora pulire facilmente i notebook con, Gather usa un'analisi automatica delle dipendenze del notebook, assicurando che il codice essenziale venga mantenuto, ma rimuovendo eventuali parti irrilevanti.

• Correzioni e miglioramenti dei bug

  • Miglioramento della velocità e dell'affidabilità
  • Bug in modalità scura risolti
  • Correzione di bug di scorrimento di output
  • Ricerca di esempio esegue ora ricerche in tutto il contenuto di tutti i file nel repository di notebook di esempio di Azure Machine Learning
  • Le celle R a più righe possono ora essere eseguite
  • "I trust contents of this file" è ora controllato automaticamente dopo la prima volta
  • Finestra di dialogo Migliorata risoluzione dei conflitti, con la nuova opzione "Crea una copia"

2020-08-17

Azure Machine Learning SDK per Python v1.12.0

• Correzioni e miglioramenti dei bug
  • azure-cli-ml
    • Aggiungere image_name e image_label parametri a Model.package() per abilitare la ridenominazione dell'immagine del pacchetto compilata.
  • azureml-automl-core
    • AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
  • azureml-automl-runtime
    • Aggiunta di avvisi per l'utente quando i dati contengono valori mancanti, ma la funzionalità viene disattivata.
    • Correzione degli errori di esecuzione figlio quando i dati contengono nan e la funzionalità vengono disattivati.
    • AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
    • Normalizzazione aggiornata per la previsione delle metriche da eseguire in base alla granularità.
    • Miglioramento del calcolo delle quantile di previsione quando le funzionalità di lookback sono disabilitate.
    • Correzione della gestione della matrice di tipo sparse bool quando si calcolano le spiegazioni dopo AutoML.
  • azureml-core
    • Un nuovo metodo run.get_detailed_status() mostra ora la spiegazione dettagliata dello stato di esecuzione corrente. Attualmente viene visualizzata solo la spiegazione dello Queued stato.
    • Aggiungere image_name e image_label parametri a Model.package() per abilitare la ridenominazione dell'immagine del pacchetto compilata.
    • Nuovo metodo set_pip_requirements() per impostare l'intera sezione pip in CondaDependencies una sola volta.
    • Abilitare la registrazione di un archivio dati ADLS Gen2 senza credenziali.
    • Messaggio di errore migliorato quando si tenta di scaricare o montare un tipo di set di dati non corretto.
    • Aggiornare il notebook di esempio di filtro della serie temporale con altri esempi di partition_timestamp che fornisce l'ottimizzazione dei filtri.
    • Modificare l'sdk e l'interfaccia della riga di comando per accettare subscriptionId, resourceGroup, workspaceName, peConnectionName come parametri anziché ArmResourceId durante l'eliminazione della connessione dell'endpoint privato.
    • Decorator sperimentale mostra il nome della classe per facilitare l'identificazione.
    • Le descrizioni per gli asset all'interno di Modelli non vengono più generate automaticamente in base a un'esecuzione.
  • azureml-datadrift
    • Contrassegnare create_from_model API in DataDriftDetector come deprecato.
  • azureml-dataprep
    • Messaggio di errore migliorato quando si tenta di scaricare o montare un tipo di set di dati non corretto.
  • azureml-pipeline-core
    • Correzione di bug durante la deserializzazione del grafico della pipeline contenente set di dati registrati.
  • azureml-pipeline-steps
    • RScriptStep supporta RSection da azureml.core.environment.
    • Rimosso il parametro passthru_automl_config dall'API AutoMLStep pubblica e convertito in un solo parametro interno.
  • azureml-train-automl-client
    • L'ambiente gestito locale viene rimosso da AutoML. Tutte le esecuzioni locali vengono eseguite nell'ambiente da cui è stata avviata l'esecuzione.
    • Correzione dei problemi di snapshot durante l'invio di AutoML senza script forniti dall'utente.
    • Correzione degli errori di esecuzione figlio quando i dati contengono nan e la definizione delle caratteristiche è disattivata.
  • azureml-train-automl-runtime
    • AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
    • Correzione dei problemi di snapshot durante l'invio di AutoML senza script forniti dall'utente.
    • Correzione degli errori di esecuzione figlio quando i dati contengono nan e la definizione delle caratteristiche è disattivata.
  • azureml-train-core
    • Aggiunta del supporto per specificare le opzioni pip (ad esempio,-extra-index-url) nel file dei requisiti pip passato a un Estimator parametro through pip_requirements_file .

2020-08-03

Azure Machine Learning SDK per Python v1.11.0

• Correzioni di bug e miglioramenti
  • azure-cli-ml
    • Correggere il framework del modello e il framework del modello non passati nell'oggetto di esecuzione nel percorso di registrazione del modello dell'interfaccia della riga di comando
    • Correzione del comando amlcompute identity show per visualizzare l'ID tenant e l'ID entità
  • azureml-train-automl-client
    • Aggiunta di get_best_child () a AutoMLRun per recuperare l'esecuzione figlio migliore per un'esecuzione AutoML senza scaricare il modello associato.
    • Aggiunta dell'oggetto ModelProxy che consente l'esecuzione di stime o previsioni in un ambiente di training remoto senza scaricare il modello in locale.
    • Le eccezioni non gestite in AutoML puntano ora a una pagina HTTP relativa ai problemi noti, in cui sono disponibili altre informazioni sugli errori.
  • azureml-core
    • I nomi dei modelli possono contenere 255 caratteri.
    • Environment.get_image_details() restituito tipo di oggetto modificato. DockerImageDetails classe sostituita dict, i dettagli dell'immagine sono disponibili dalle nuove proprietà della classe. Le modifiche sono compatibili con le versioni precedenti.
    • Correzione di un bug per Environment.from_pip_requirements() per mantenere la struttura delle dipendenze
    • Correzione di un bug per cui log_list avrebbe esito negativo se un valore int e double veniva incluso nello stesso elenco.
    • Durante l'abilitazione del collegamento privato in un'area di lavoro esistente, tenere presente che se sono presenti destinazioni di calcolo associate all'area di lavoro, tali destinazioni non funzioneranno se non si trovano dietro la stessa rete virtuale dell'endpoint privato dell'area di lavoro.
    • Reso as_named_input facoltativo quando si usano set di dati negli esperimenti e aggiunti as_mount e as_download a FileDataset. Il nome di input verrà generato automaticamente se as_mount o as_download viene chiamato .
  • azureml-automl-core
    • Le eccezioni non gestite in AutoML puntano ora a una pagina HTTP relativa ai problemi noti, in cui sono disponibili altre informazioni sugli errori.
    • Aggiunta di get_best_child () a AutoMLRun per recuperare l'esecuzione figlio migliore per un'esecuzione AutoML senza scaricare il modello associato.
    • Aggiunta dell'oggetto ModelProxy che consente l'esecuzione di stime o previsioni in un ambiente di training remoto senza scaricare il modello in locale.
  • azureml-pipeline-steps
    • Aggiunta enable_default_model_output di flag e enable_default_metrics_output a AutoMLStep. Questi flag possono essere usati per abilitare/disabilitare gli output predefiniti.

2020-07-20

Azure Machine Learning SDK per Python v1.10.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
    • Gli utenti possono ora specificare una frequenza delle serie temporali per le attività di previsione usando il freq parametro .
  • azureml-automl-runtime
    • Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
    • Gli utenti possono ora specificare una frequenza delle serie temporali per le attività di previsione usando il freq parametro .
    • AutoML Forecasting supporta ora la valutazione in sequenza, che si applica al caso d'uso in cui la lunghezza di un set di test o di convalida è più lunga dell'orizzonte di input e il valore y_pred noto viene usato come contesto di previsione.
  • azureml-core
    • I messaggi di avviso vengono stampati se non sono stati scaricati file dall'archivio dati in un'esecuzione.
    • Aggiunta della Datastore.register_azure_sql_database methoddocumentazione per skip_validation a .
    • Gli utenti devono eseguire l'aggiornamento all'SDK v1.10.0 o versione successiva per creare un endpoint privato approvato automaticamente. Ciò include la risorsa Notebook utilizzabile dietro la rete virtuale.
    • Esporre NotebookInfo nella risposta dell'area di lavoro get.
    • Modifiche per fare in modo che le chiamate per elencare le destinazioni di calcolo e ottenere la destinazione di calcolo abbiano esito positivo in un'esecuzione remota. Le funzioni sdk per ottenere la destinazione di calcolo e elencare le destinazioni di calcolo dell'area di lavoro funzioneranno ora nelle esecuzioni remote.
    • Aggiungere messaggi deprecati alle descrizioni delle classi per le classi azureml.core.image.
    • Generare un'eccezione e pulire l'area di lavoro e le risorse dipendenti se la creazione dell'endpoint privato dell'area di lavoro ha esito negativo.
    • Supporto dell'aggiornamento dello SKU dell'area di lavoro nel metodo di aggiornamento dell'area di lavoro.
  • azureml-datadrift
    • Aggiornare la versione matplotlib dalla versione 3.0.2 alla versione 3.2.1 per supportare Python 3.8.
  • azureml-dataprep
    • Aggiunta del supporto delle origini dati url Web con Range o Head richiesta.
    • Maggiore stabilità per il montaggio e il download del set di dati dei file.
  • azureml-train-automl-client
    • Sono stati risolti i problemi relativi alla rimozione di RequirementParseError da setuptools.
    • Usare docker anziché conda per le esecuzioni locali inviate usando "compute_target='local'"
    • La durata di iterazione stampata nella console è stata corretta. In precedenza, la durata dell'iterazione veniva talvolta stampata come ora di fine esecuzione meno l'ora di creazione dell'esecuzione. È stato corretto l'ora di fine dell'esecuzione uguale meno l'ora di inizio dell'esecuzione.
    • Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
    • Gli utenti possono ora specificare una frequenza delle serie temporali per le attività di previsione usando il freq parametro .
  • azureml-train-automl-runtime
    • Miglioramento dell'output della console quando le spiegazioni del modello migliori hanno esito negativo.
    • Il parametro di input è stato rinominato in "blocked_models" per rimuovere un termine sensibile.
      • Il parametro di input è stato rinominato in "allowed_models" per rimuovere un termine sensibile.
    • Gli utenti possono ora specificare una frequenza delle serie temporali per le attività di previsione usando il freq parametro .

2020-07-06

Azure Machine Learning SDK per Python v1.9.0

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Sostituito get_model_path() con AZUREML_MODEL_DIR variabile di ambiente nello script di assegnazione dei punteggi generato automaticamente da AutoML. Sono stati inoltre aggiunti dati di telemetria per tenere traccia degli errori durante init().
    • Rimozione della possibilità di specificare enable_cache come parte di AutoMLConfig
    • Correzione di un bug per cui le esecuzioni potrebbero non riuscire con errori del servizio durante esecuzioni di previsione specifiche
    • Miglioramento della gestione degli errori in base a modelli specifici durante get_output
    • Correzione della chiamata a fitted_model.fit(X, y) per la classificazione con trasformatore y
    • Abilitazione dell'imputer di riempimento in avanti personalizzato per le attività di previsione
    • Viene usata una nuova classe ForecastingParameters anziché i parametri di previsione in un formato dict
    • Miglioramento della rimozione automatica del ritardo di destinazione
    • Aggiunta di una disponibilità limitata di funzionalità distribuite multinodo a più nodi con BERT
  • azureml-automl-runtime
    • Profeta ora esegue la modellazione della stagionalità additivi anziché moltiplicativa.
    • È stato risolto il problema relativo alla presenza di frequenze diverse da quelle dei granelli lunghi.
  • azureml-contrib-automl-dnn-vision
    • Raccogliere statistiche di sistema/GPU e medie dei log per il training e l'assegnazione dei punteggi
  • azureml-contrib-mir
    • Aggiunta del supporto per il flag enable-app-insights in ManagedInferencing
  • azureml-core
    • Parametro di convalida per queste API consentendo di ignorare la convalida quando l'origine dati non è accessibile dal calcolo corrente.
      • TabularDataset.time_before(end_time, include_boundary=True, validate=True)
      • TabularDataset.time_after(start_time, include_boundary=True, validate=True)
      • TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
      • TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
    • Aggiunta del supporto del filtro del framework per l'elenco di modelli e aggiunta dell'esempio AutoML NCD nel notebook
    • Per Datastore.register_azure_blob_container e Datastore.register_azure_file_share (solo le opzioni che supportano il token di firma di accesso condiviso), sono state aggiornate le stringhe del documento per il sas_token campo in modo da includere i requisiti minimi di autorizzazioni per gli scenari di lettura e scrittura tipici.
    • Deprecazione del parametro _with_auth in ws.get_mlflow_tracking_uri()
  • azureml-mlflow
    • Aggiungere il supporto per la distribuzione di modelli di file:// locali con AzureML-MLflow
    • Deprecazione del parametro _with_auth in ws.get_mlflow_tracking_uri()
  • azureml-opendatasets
    • I set di dati di rilevamento Covid-19 pubblicati di recente sono ora disponibili con l'SDK
  • azureml-pipeline-core
    • Avviso di disconnesso quando "azureml-defaults" non è incluso come parte di pip-dependency
    • Migliorare il rendering delle note.
    • Aggiunta del supporto per le interruzioni di riga tra virgolette durante l'analisi di file delimitati in PipelineOutputFileDataset.
    • La classe PipelineDataset è deprecata. Per altre informazioni, vedere https://aka.ms/dataset-deprecation. Informazioni su come usare il set di dati con la pipeline, vedere https://aka.ms/pipeline-with-dataset.
  • azureml-pipeline-steps
    • Documentazione degli aggiornamenti ad azureml-pipeline-steps.
    • Aggiunta del supporto in ParallelRunConfig per consentire agli utenti di load_yaml() definire ambienti inline con il resto della configurazione o in un file separato
  • azureml-train-automl-client.
    • Rimozione della possibilità di specificare enable_cache come parte di AutoMLConfig
  • azureml-train-automl-runtime
    • È stata aggiunta una disponibilità limitata di funzionalità distribuite multinodo a più gpu con BERT.
    • Aggiunta della gestione degli errori per i pacchetti incompatibili nelle esecuzioni di Machine Learning automatizzate basate su ADB.
  • azureml-widgets
    • Aggiornamenti della documentazione per azureml-widgets.

2020-06-22

Azure Machine Learning SDK per Python v1.8.0

• Funzionalità di anteprima

  • azureml-contrib-fairness Il azureml-contrib-fairness pacchetto fornisce l'integrazione tra la valutazione dell'equità open source e il pacchetto di mitigazione dell'iniquità Fairlearn e studio di Azure Machine Learning. In particolare, il pacchetto consente il caricamento dei dashboard di valutazione dell'equità del modello come parte di un'esecuzione di Azure Machine Learning e viene visualizzato in studio di Azure Machine Learning

• Correzioni di bug e miglioramenti

  • azure-cli-ml
    • Supporto per il recupero dei log del contenitore init.
    • Aggiunta di nuovi comandi dell'interfaccia della riga di comando per gestire ComputeInstance
  • azureml-automl-core
    • Gli utenti sono ora in grado di abilitare l'iterazione dell'insieme stack per le attività time series con un avviso che potrebbe potenzialmente sovraccaricare.
    • Aggiunta di un nuovo tipo di eccezione utente generata se il contenuto dell'archivio cache è stato manomesso
  • azureml-automl-runtime
    • Lo sweep di bilanciamento della classe non sarà più abilitato se l'utente disabilita la definizione delle funzionalità.
  • azureml-contrib-notebook
    • Miglioramenti alla documentazione per il pacchetto azureml-contrib-notebook.
  • azureml-contrib-pipeline-steps
    • Miglioramenti della documentazione per il pacchetto azureml-contrib--pipeline-steps.
  • azureml-core
    • Aggiungere funzioni set_connection, get_connection, list_connections e delete_connection per consentire al cliente di operare sulla risorsa di connessione dell'area di lavoro
    • Aggiornamenti della documentazione per il pacchetto azureml-coore/azureml.exceptions.
    • Aggiornamenti della documentazione per il pacchetto azureml-core.
    • Aggiornamenti della documentazione alla classe ComputeInstance.
    • Miglioramenti alla documentazione per il pacchetto azureml-core/azureml.core.compute.
    • Miglioramenti della documentazione per le classi correlate ai servizi Web in azureml-core.
    • Supportare l'archivio dati selezionato dall'utente per archiviare i dati di profilatura
    • Aggiunta della proprietà expand e page_count per l'API dell'elenco di modelli
    • Correzione del bug per cui la rimozione della proprietà di sovrascrittura causa l'esito negativo dell'esecuzione inviata con errore di deserializzazione.
    • Correzione di una struttura di cartelle incoerente durante il download o il montaggio di un oggetto FileDataset che fa riferimento a un singolo file.
    • Il caricamento di un set di dati di file parquet to_spark_dataframe è ora più veloce e supporta tutti i tipi di dati parquet e Spark SQL.
    • Supporto per il recupero dei log del contenitore init.
    • Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.
  • azureml-datadrift
    • Miglioramenti alla documentazione per il pacchetto azureml-contrib-notebook.
  • azureml-dataprep
    • Il caricamento di un set di dati di file parquet to_spark_dataframe è ora più veloce e supporta tutti i tipi di dati parquet e Spark SQL.
    • Migliore gestione della memoria per il problema OutOfMemory per to_pandas_dataframe.
  • azureml-interpret
    • Azureml-interpret aggiornato per usare interpret-community versione 0.12.*
  • azureml-mlflow
    • Miglioramenti della documentazione per azureml-mlflow.
    • Aggiunge il supporto per il registro dei modelli AML con MLFlow.
  • azureml-opendatasets
    • Aggiunta del supporto per Python 3.8
  • azureml-pipeline-core
    • La documentazione aggiornata PipelineDatasetper chiarire che si tratta di una classe interna.
    • ParallelRunStep aggiorna per accettare più valori per un argomento, ad esempio: "--group_column_names", "Col1", "Col2", "Col3"
    • Rimosso il requisito di passthru_automl_config per l'utilizzo intermedio dei dati con AutoMLStep in Pipelines.
  • azureml-pipeline-steps
    • Miglioramenti alla documentazione per il pacchetto azureml-pipeline-steps.
    • Rimosso il requisito di passthru_automl_config per l'utilizzo intermedio dei dati con AutoMLStep in Pipelines.
  • azureml-telemetry
    • Miglioramenti della documentazione per azureml-telemetry.
  • azureml-train-automl-client
    • Correzione di un bug per cui experiment.submit() il metodo chiamato due volte su un AutoMLConfig oggetto ha generato un comportamento diverso.
    • Gli utenti sono ora in grado di abilitare l'iterazione dell'insieme stack per le attività time series con un avviso che potrebbe potenzialmente sovraccaricare.
    • Modifica del comportamento di esecuzione di AutoML per generare UserErrorException se il servizio genera un errore utente
    • Corregge un bug che ha causato azureml_automl.log per non ottenere i log generati o mancanti durante l'esecuzione di un esperimento AutoML in una destinazione di calcolo remota.
    • Per i set di dati di classificazione con classi sbilanciate, si applica il bilanciamento del peso, se lo sweeper delle funzionalità determina che per i dati sottocampionati, Bilanciamento peso migliora le prestazioni dell'attività di classificazione di una determinata soglia.
    • Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.
  • azureml-train-automl-runtime
    • Modifica del comportamento di esecuzione di AutoML per generare UserErrorException se il servizio genera un errore utente
    • Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.

2020-06-08

Azure Machine Learning SDK per Python v1.7.0

• Correzioni di bug e miglioramenti
  • azure-cli-ml
    • Completata la rimozione della profilatura del modello da mir contrib pulendo i comandi dell'interfaccia della riga di comando e le dipendenze dei pacchetti, la profilatura del modello è disponibile in core.
    • Aggiorna la versione minima dell'interfaccia della riga di comando di Azure alla versione 2.3.0
  • azureml-automl-core
    • Messaggio di eccezione migliore per il passaggio di funzionalità fit_transform() a causa di parametri di trasformatore personalizzati.
    • Aggiungere il supporto per più lingue per i modelli di trasformatore di deep learning, ad esempio BERT in MACHINE automatizzato.
    • Rimuovere il parametro lag_length deprecato dalla documentazione.
    • La documentazione dei parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
  • azureml-automl-runtime
    • Correzione dell'errore generato quando una delle colonne categorica è vuota nel tempo di previsione/test.
    • Correggere gli errori di esecuzione che si verificano quando le funzionalità di lookback sono abilitate e i dati contengono cereali brevi.
    • È stato risolto il problema relativo al messaggio di errore dell'indice temporale duplicato quando i ritardi o le finestre in sequenza erano impostati su 'auto'.
    • Correzione del problema con i modelli Prophet e Arima nei set di dati, contenente le funzionalità di lookback.
    • Aggiunta del supporto delle date precedenti al 1677-09-21 o dopo 2262-04-11 in colonne diverse dall'ora di data nelle attività di previsione. Messaggi di errore migliorati.
    • La documentazione dei parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
    • Messaggio di eccezione migliore per il passaggio di funzionalità fit_transform() a causa di parametri di trasformatore personalizzati.
    • Aggiungere il supporto per più lingue per i modelli di trasformatore di deep learning, ad esempio BERT in MACHINE automatizzato.
    • Le operazioni della cache che generano un errore utente generano un errore dell'utente.
    • Sono stati aggiunti controlli per garantire che i dati di training e convalida abbiano lo stesso numero e set di colonne
    • Correzione del problema con lo script di assegnazione dei punteggi autoML generato automaticamente quando i dati contengono virgolette
    • Abilitazione delle spiegazioni per i modelli AutoML Prophet e ensemble che contengono il modello Profeta.
    • Un problema recente del cliente ha rivelato un bug del sito live in cui vengono registrati messaggi lungo il bilanciamento della classe anche quando la logica di bilanciamento della classe non è abilitata correttamente. Rimozione di tali log/messaggi con questa richiesta di richiesta.
  • azureml-cli-common
    • Completata la rimozione della profilatura del modello da mir contrib rimuovendo i comandi dell'interfaccia della riga di comando e le dipendenze del pacchetto, la profilatura del modello è disponibile nel core.
  • azureml-contrib-reinforcementlearning
    • Strumento di test del carico
  • azureml-core
    • Modifiche alla documentazione in Script_run_config.py
    • Correzione di un bug con la stampa dell'output dell'interfaccia della riga di comando della pipeline di invio
    • Miglioramenti alla documentazione per azureml-core/azureml.data
    • Correzione del problema durante il recupero dell'account di archiviazione tramite il comando getconf hdfs
    • Documentazione migliorata register_azure_blob_container e register_azure_file_share
  • azureml-datadrift
    • Implementazione migliorata per disabilitare e abilitare i monitoraggi di deriva del set di dati
  • azureml-interpret
    • Nel client di spiegazione rimuovere NaNs o Infs prima della serializzazione json nel caricamento dagli artefatti
    • Aggiornare alla versione più recente di interpret-community per migliorare gli errori di memoria per le spiegazioni globali con molte funzionalità e classi
    • Aggiungere true_ys parametro facoltativo per il caricamento della spiegazione per abilitare altre funzionalità nell'interfaccia utente di Studio
    • Migliorare le prestazioni download_model_explanations() e list_model_explanations()
    • Piccole modifiche ai notebook, per facilitare il debug
  • azureml-opendatasets
    • azureml-opendatasets richiede azureml-dataprep versione 1.4.0 o successiva. Aggiunta dell'avviso se viene rilevata una versione inferiore
  • azureml-pipeline-core
    • Questa modifica consente all'utente di fornire un runconfig facoltativo al moduloVersion quando si chiama il modulo. Publish_python_script.
    • Abilitare l'account del nodo può essere un parametro della pipeline in ParallelRunStep in azureml.pipeline.steps
  • azureml-pipeline-steps
    • Questa modifica consente all'utente di fornire un runconfig facoltativo al moduloVersion quando si chiama il modulo. Publish_python_script.
  • azureml-train-automl-client
    • Aggiungere il supporto per più lingue per i modelli di trasformatore di deep learning, ad esempio BERT in MACHINE automatizzato.
    • Rimuovere il parametro lag_length deprecato dalla documentazione.
    • La documentazione dei parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
  • azureml-train-automl-runtime
    • Abilitazione delle spiegazioni per i modelli AutoML Prophet e ensemble che contengono il modello Profeta.
    • Aggiornamenti della documentazione ai pacchetti azureml-train-automl-*.
  • azureml-train-core
    • Supporto di TensorFlow versione 2.1 in PyTorch Estimator
    • Miglioramenti al pacchetto azureml-train-core.

2020-05-26

Azure Machine Learning SDK per Python v1.6.0

• Nuove funzionalità

  • azureml-automl-runtime

    • AutoML Forecasting supporta ora le previsioni dei clienti oltre il max-horizon pre-specificato senza ripetere il training del modello. Quando la destinazione di previsione è più lontana rispetto all'orizzonte massimo specificato, la funzione forecast() eseguirà comunque stime del punto fino alla data successiva usando una modalità operazione ricorsiva. Per l'illustrazione della nuova funzionalità, vedere la sezione "Previsione più lontano dell'orizzonte massimo" del notebook "previsione-previsione-funzione" nella cartella.

  • azureml-pipeline-steps

    • ParallelRunStep è ora rilasciato ed è parte del pacchetto azureml-pipeline-steps . ParallelRunStep esistente nel pacchetto azureml-contrib-pipeline-steps è deprecato. Modifiche dalla versione di anteprima pubblica:
      • Aggiunto run_max_try il parametro configurabile facoltativo per controllare la chiamata massima per eseguire il metodo per qualsiasi batch specificato, il valore predefinito è 3.
      • Non vengono più generati automaticamente pipelineParameter. I valori configurabili seguenti possono essere impostati in modo esplicito come PipelineParameter.
        • mini_batch_size
        • node_count
        • process_count_per_node
        • logging_level
        • run_invocation_timeout
        • run_max_try
      • Il valore predefinito per process_count_per_node viene modificato in 1. L'utente deve ottimizzare questo valore per migliorare le prestazioni. È consigliabile impostare come numero di GPU o nodo CPU.
      • ParallelRunStep non inserisce pacchetti, l'utente deve includere azureml-core e azureml-dataprep[pandas, fuse] pacchetti nella definizione dell'ambiente. Se l'immagine docker personalizzata viene usata con user_managed_dependencies, l'utente deve installare conda nell'immagine.

• Modifiche di rilievo

  • azureml-pipeline-steps
    • Deprecato l'uso di azureml.dprep.Dataflow come tipo di input valido per AutoMLConfig
  • azureml-train-automl-client
    • Deprecato l'uso di azureml.dprep.Dataflow come tipo di input valido per AutoMLConfig

• Correzioni e miglioramenti dei bug

  • azureml-automl-core
    • Correzione del bug in cui è possibile stampare un avviso durante get_output la richiesta all'utente di eseguire il downgrade del client.
    • Aggiornato Mac per basarsi su cudatoolkit=9.0 perché non è ancora disponibile nella versione 10.
    • Rimozione di restrizioni sui modelli profeta e xgboost quando viene eseguito il training su calcolo remoto.
    • Miglioramento della registrazione in AutoML
    • La gestione degli errori per la funzionalità personalizzata nelle attività di previsione è stata migliorata.
    • Aggiunta di funzionalità per consentire agli utenti di includere funzionalità di ritardo per generare previsioni.
    • Aggiornamenti messaggio di errore per visualizzare correttamente l'errore dell'utente.
    • Supporto per cv_split_column_names da usare con training_data
    • Aggiornare la registrazione del messaggio di eccezione e il traceback.
  • azureml-automl-runtime
    • Abilitare i guardrail per la previsione delle imputazioni di valori mancanti.
    • Miglioramento della registrazione in AutoML
    • Aggiunta della gestione degli errori con granularità fine per le eccezioni di prep dei dati
    • Rimozione di restrizioni sui modelli profeta e xgboost quando viene eseguito il training su calcolo remoto.
    • azureml-train-automl-runtime e azureml-automl-runtime hanno dipendenze aggiornate per pytorch, scipye cudatoolkit. ora supportiamo pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
    • La gestione degli errori per la funzionalità personalizzata nelle attività di previsione è stata migliorata.
    • Il meccanismo di rilevamento della frequenza del set di dati di previsione è stato migliorato.
    • Correzione del problema relativo al training del modello Profeta in alcuni set di dati.
    • Il rilevamento automatico dell'orizzonte massimo durante la previsione è stato migliorato.
    • Aggiunta di funzionalità per consentire agli utenti di includere funzionalità di ritardo per generare previsioni.
    • Aggiunge funzionalità nella funzione di previsione per consentire di fornire previsioni oltre l'orizzonte sottoposto a training senza ripetere il training del modello di previsione.
    • Supporto per cv_split_column_names da usare con training_data
  • azureml-contrib-automl-dnn-forecasting
    • Miglioramento della registrazione in AutoML
  • azureml-contrib-mir
    • Aggiunta del supporto per i servizi Windows in ManagedInferencing
    • Rimuovere i flussi di lavoro MIR precedenti, ad esempio allegare il calcolo MIR, la classe SingleModelMirWebservice - Pulire la profilatura del modello inserita nel pacchetto contrib-mir
  • azureml-contrib-pipeline-steps
    • Correzione secondaria per il supporto di YAML
    • ParallelRunStep viene rilasciato in Disponibilità generale - azureml.contrib.pipeline.steps ha un avviso di deprecazione e viene spostato in azureml.pipeline.steps
  • azureml-contrib-reinforcementlearning
    • Strumento di test del carico di RL
    • Lo strumento di stima di RL ha impostazioni predefinite intelligenti
  • azureml-core
    • Rimuovere i flussi di lavoro MIR precedenti, ad esempio allegare il calcolo MIR, la classe SingleModelMirWebservice - Pulire la profilatura del modello inserita nel pacchetto contrib-mir
    • Correzione delle informazioni fornite all'utente nell'errore di profilatura: ID richiesta incluso e riscrivere il messaggio per essere più significativo. Aggiunta di un nuovo flusso di lavoro di profilatura airunner di profilatura
    • Testo di errore migliorato negli errori di esecuzione del set di dati.
    • Aggiunta del supporto dell'interfaccia della riga di comando del collegamento privato dell'area di lavoro.
    • Aggiunta di un parametro invalid_lines facoltativo a Dataset.Tabular.from_json_lines_files che consente di specificare come gestire le righe che contengono JSON non valide.
    • Verrà deprecata la creazione basata su esecuzione del calcolo nella versione successiva. È consigliabile creare un cluster Amlcompute effettivo come destinazione di calcolo permanente e usare il nome del cluster come destinazione di calcolo nella configurazione di esecuzione. Vedere il notebook di esempio qui: aka.ms/amlcomputenb
    • Messaggi di errore migliorati negli errori di esecuzione del set di dati.
  • azureml-dataprep
    • È stato segnalato un avviso per aggiornare la versione di pyarrow più esplicita.
    • Miglioramento della gestione degli errori e del messaggio restituito in caso di errore durante l'esecuzione del flusso di dati.
  • azureml-interpret
    • Aggiornamenti della documentazione al pacchetto azureml-interpret.
    • Correzione di pacchetti di interpretazione e notebook compatibili con l'aggiornamento di sklearn più recente
  • azureml-opendatasets
    • restituisce Nessuna quando non sono presenti dati restituiti.
    • Migliorare le prestazioni di to_pandas_dataframe.
  • azureml-pipeline-core
    • Correzione rapida per ParallelRunStep in cui il caricamento da YAML è stato interrotto
    • ParallelRunStep viene rilasciato in Disponibilità generale - azureml.contrib.pipeline.steps ha un avviso di deprecazione e viene spostato in azureml.pipeline.steps : nuove funzionalità includono: 1. Set di dati come PipelineParameter 2. Nuovo parametro run_max_retry 3. Nome file di output configurabile append_row
  • azureml-pipeline-steps
    • Azureml.dprep.Dataflow deprecato come tipo valido per i dati di input.
    • Correzione rapida per ParallelRunStep in cui il caricamento da YAML è stato interrotto
    • ParallelRunStep viene rilasciato in Disponibilità generale - azureml.contrib.pipeline.steps ha un avviso di deprecazione e viene spostato in azureml.pipeline.steps - Le nuove funzionalità includono:
      • Set di dati come PipelineParameter
      • Nuovo parametro run_max_retry
      • Nome file di output configurabile append_row
  • azureml-telemetry
    • Aggiornare la registrazione del messaggio di eccezione e il traceback.
  • azureml-train-automl-client
    • Miglioramento della registrazione in AutoML
    • Aggiornamenti messaggio di errore per visualizzare correttamente l'errore dell'utente.
    • Supporto per cv_split_column_names da usare con training_data
    • Azureml.dprep.Dataflow deprecato come tipo valido per i dati di input.
    • Aggiornato Mac per basarsi su cudatoolkit=9.0 perché non è ancora disponibile nella versione 10.
    • Rimozione di restrizioni sui modelli profeta e xgboost quando viene eseguito il training su calcolo remoto.
    • azureml-train-automl-runtime e azureml-automl-runtime hanno dipendenze aggiornate per pytorch, scipye cudatoolkit. ora supportiamo pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
    • Aggiunta di funzionalità per consentire agli utenti di includere funzionalità di ritardo per generare previsioni.
  • azureml-train-automl-runtime
    • Miglioramento della registrazione in AutoML
    • Aggiunta della gestione degli errori con granularità fine per le eccezioni di prep dei dati
    • Rimozione di restrizioni sui modelli profeta e xgboost quando viene eseguito il training su calcolo remoto.
    • azureml-train-automl-runtime e azureml-automl-runtime hanno dipendenze aggiornate per pytorch, scipye cudatoolkit. ora supportiamo pytorch==1.4.0, scipy>=1.0.0,<=1.3.1e cudatoolkit==10.1.243.
    • Aggiornamenti messaggio di errore per visualizzare correttamente l'errore dell'utente.
    • Supporto per cv_split_column_names da usare con training_data
  • azureml-train-core
    • Aggiunta di un nuovo set di eccezioni specifiche di HyperDrive. azureml.train.hyperdrive genererà ora eccezioni dettagliate.
  • azureml-widgets
    • I widget di Azure Machine Learning non vengono visualizzati in JupyterLab

2020-05-11

Azure Machine Learning SDK per Python v1.5.0

• Nuove funzionalità

  • Funzionalità di anteprima
    • azureml-contrib-reinforcementlearning
      • Azure Machine Learning rilascia il supporto di anteprima per l'apprendimento di rinforzo usando il framework Ray . Consente ReinforcementLearningEstimator di eseguire il training degli agenti di apprendimento di rinforzo tra destinazioni di calcolo GPU e CPU in Azure Machine Learning.

• Correzioni e miglioramenti dei bug

  • azure-cli-ml
    • Correzione di un log di avviso lasciato accidentalmente indietro nella richiesta di notifica precedente. Il log è stato usato per il debug e accidentalmente è stato lasciato indietro.
    • Correzione di bug: informa i client sull'errore parziale durante la profilatura
  • azureml-automl-core
    • Velocizzare il modello Prophet/AutoArima nella previsione autoML abilitando il montaggio parallelo per la serie temporale quando i set di dati hanno più serie temporali. Per trarre vantaggio da questa nuova funzionalità, è consigliabile impostare "max_cores_per_iteration = -1" (ovvero usando tutti i core cpu disponibili) in AutoMLConfig.
    • Correzione di KeyError sulla stampa di guardrail nell'interfaccia della console
    • Correzione del messaggio di errore per experimentation_timeout_hours
    • Modelli TensorFlow deprecati per AutoML.
  • azureml-automl-runtime
    • Correzione del messaggio di errore per experimentation_timeout_hours
    • Correzione dell'eccezione non classificato durante il tentativo di deserializzazione dall'archivio cache
    • Velocizzare il modello Prophet/AutoArima nelle previsioni AutoML abilitando l'adattamento parallelo per la serie temporale quando i set di dati hanno più serie temporali.
    • Correzione della previsione con finestra in sequenza abilitata nei set di dati in cui il set di test/previsione non contiene uno dei granelli del set di training.
    • Miglioramento della gestione dei dati mancanti
    • Correzione del problema relativo agli intervalli di stima durante la previsione nei set di dati, che contengono serie temporali non allineate nel tempo.
    • Aggiunta di una migliore convalida della forma dei dati per le attività di previsione.
    • Miglioramento del rilevamento della frequenza.
    • È stato creato un messaggio di errore migliore se non è possibile generare le riduzioni di convalida incrociata per le attività di previsione.
    • Correggere correttamente l'interfaccia della console per stampare la protezione dei valori mancanti.
    • Applicazione dei controlli del tipo di dati su cv_split_indices input in AutoMLConfig.
  • azureml-cli-common
    • Correzione di bug: informare i client sull'errore parziale durante la profilatura
  • azureml-contrib-mir
    • Aggiunge una classe azureml.contrib.mir.RevisionStatus, che inoltra informazioni sulla revisione MIR attualmente distribuita e sulla versione più recente specificata dall'utente. Questa classe è inclusa nell'oggetto MirWebservice nell'attributo 'deployment_status'.
    • Abilita l'aggiornamento nei servizi Web di tipo MirWebservice e nella relativa classe figlio SingleModelMirWebservice.
  • azureml-contrib-reinforcementlearning
    • Aggiunta del supporto per Ray 0.8.3
    • AmlWindowsCompute supporta solo File di Azure come risorsa di archiviazione montata
    • Ridenominazione di health_check_timeout in health_check_timeout_seconds
    • Correzione di alcune descrizioni di classe/metodo.
  • azureml-core
    • Abilitazione di WASB:> conversioni di BLOB in cloud Azure per enti pubblici e Cina.
    • Correzione del bug per consentire ai ruoli lettore di usare i comandi az ml run cli per ottenere informazioni sull'esecuzione
    • Rimozione della registrazione non necessaria durante le esecuzioni remote di Azure Machine Learning con set di dati di input.
    • RCranPackage supporta ora il parametro "version" per la versione del pacchetto CRAN.
    • Correzione di bug: informare i client sull'errore parziale durante la profilatura
    • Aggiunta della gestione dei valori float in stile europeo per azureml-core.
    • Funzionalità di collegamento privato dell'area di lavoro abilitate in Azure Machine Learning SDK.
    • Quando si crea un oggetto TabularDataset tramite from_delimited_files, è possibile specificare se i valori vuoti devono essere caricati come Nessuno o come stringa vuota impostando l'argomento empty_as_stringbooleano .
    • Aggiunta della gestione dei dati float in stile europeo per i set di dati.
    • Messaggi di errore migliorati in caso di errori di montaggio del set di dati.
  • azureml-datadrift
    • La query dei risultati della deriva dei dati dall'SDK presentava un bug che non distingueva le metriche delle funzionalità minime, massime e medie, generando valori duplicati. Questo bug è stato risolto anteponendo la destinazione o la baseline ai nomi delle metriche. Prima: duplicare min, max, mean. Dopo: target_min, target_max, target_mean, baseline_min, baseline_max baseline_mean.
  • azureml-dataprep
    • Migliorare la gestione degli ambienti Python con restrizioni di scrittura quando si garantiscono le dipendenze .NET necessarie per il recapito dei dati.
    • Correzione della creazione del flusso di dati nel file con record vuoti iniziali.
    • Aggiunta di opzioni di gestione degli errori per to_partition_iterator simili a to_pandas_dataframe.
  • azureml-interpret
    • Limiti di lunghezza del percorso di spiegazione ridotti per ridurre la probabilità di superare il limite di Windows
    • Correzione di bug per le spiegazioni di tipo sparse create con lo strumento di spiegazione simulatore usando un modello surrogato lineare.
  • azureml-opendatasets
    • Correzione del problema delle colonne di MNIST analizzate come stringa, che deve essere int.
  • azureml-pipeline-core
    • Consentire all'opzione di regenerate_outputs quando si usa un modulo incorporato in moduleStep.
  • azureml-train-automl-client
    • Modelli TensorFlow deprecati per AutoML.
    • Correggere gli utenti che consentono di elencare gli algoritmi non supportati in modalità locale
    • Correzioni della documentazione in AutoMLConfig.
    • Applicazione dei controlli del tipo di dati su cv_split_indices input in AutoMLConfig.
    • Correzione del problema relativo all'esito negativo delle esecuzioni di AutoML in show_output
  • azureml-train-automl-runtime
    • Correzione di un bug nelle iterazioni di Ensemble che impedivano il timeout di download del modello dall'avvio corretto.
  • azureml-train-core
    • Correzione dell'errore di digitazione nella classe azureml.train.dnn.Nccl.
    • Supporto di PyTorch versione 1.5 in PyTorch Estimator
    • Risolvere il problema per cui l'immagine del framework non può essere recuperata in Azure per enti pubblici'area quando si usano gli strumenti di stima del framework di training

2020-05-04

Nuova esperienza notebook

È ora possibile creare, modificare e condividere notebook e file di Machine Learning direttamente all'interno dell'esperienza Web studio di Azure Machine Learning. È possibile usare tutte le classi e i metodi disponibili in Azure Machine Learning Python SDK da questi notebook. Per iniziare, vedere l'articolo Eseguire Jupyter Notebook nell'area di lavoro .

Nuove funzionalità introdotte:

• Editor migliorato (editor Monaco) usato da Visual Studio Code
• Miglioramenti dell'interfaccia utente/esperienza utente
• Barra degli strumenti celle
• Nuova barra degli strumenti notebook e controlli di calcolo
• Barra di stato del notebook
• Cambio del kernel inline
• Supporto di R
• Miglioramenti all'accessibilità e alla localizzazione
• Riquadro comandi
• Altri tasti di scelta rapida
• Salvataggio automatico
• Prestazioni e affidabilità migliorate

Accedere agli strumenti di creazione basati sul Web seguenti dallo studio:

Strumento basato sul Web	Descrizione
Notebook di Azure Machine Learning Studio	Prima creazione in classe per i file di notebook e supportare tutte le operazioni disponibili in Azure Machine Learning Python SDK.

2020-04-27

Azure Machine Learning SDK per Python v1.4.0

• Nuove funzionalità

  • I cluster AmlCompute supportano ora la configurazione di un'identità gestita nel cluster al momento del provisioning. Specificare solo se si vuole usare un'identità assegnata dal sistema o un'identità assegnata dall'utente e passare un identityId per quest'ultimo. È quindi possibile configurare le autorizzazioni per accedere a varie risorse, ad esempio Archiviazione o Registro Azure Container, in modo che l'identità del calcolo venga usata per accedere in modo sicuro ai dati, anziché un approccio basato su token usato da AmlCompute. Per altre informazioni sui parametri, vedere le informazioni di riferimento sull'SDK.

• Modifiche di rilievo

  • I cluster AmlCompute supportano una funzionalità di anteprima per la creazione basata su esecuzione, che si prevede di deprecare in due settimane. È possibile continuare a creare destinazioni di calcolo persistenti come sempre usando la classe Amlcompute, ma l'approccio specifico per specificare l'identificatore "amlcompute" come destinazione di calcolo nella configurazione di esecuzione non sarà presto supportato.

• Correzioni di bug e miglioramenti

  • azureml-automl-runtime
    • Abilitare il supporto per il tipo non verificabile durante il calcolo del numero di valori univoci in una colonna.
  • azureml-core
    • Maggiore stabilità durante la lettura da Archiviazione BLOB di Azure tramite tabularDataset.
    • Documentazione migliorata per il grant_workspace_msi parametro per Datastore.register_azure_blob_store.
    • Correzione di bug con datastore.upload per supportare l'argomento src_dir che termina con un / oggetto o \.
    • È stato aggiunto un messaggio di errore azione durante il tentativo di caricamento in un archivio dati di Archiviazione BLOB di Azure che non dispone di una chiave di accesso o di un token di firma di accesso condiviso.
  • azureml-interpret
    • Aggiunta di un limite superiore alle dimensioni del file per i dati di visualizzazione sulle spiegazioni caricate.
  • azureml-train-automl-client
    • Verifica in modo esplicito che label_column_name parametri weight_column_name & per AutoMLConfig sia di tipo stringa.
  • azureml-contrib-pipeline-steps
    • ParallelRunStep supporta ora il set di dati come parametro della pipeline. L'utente può costruire pipeline con set di dati di esempio e può modificare il set di dati di input dello stesso tipo (file o tabulare) per la nuova esecuzione della pipeline.

2020-04-13

Azure Machine Learning SDK per Python v1.3.0

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Aggiunta di altri dati di telemetria relativi alle operazioni post-training.
    • Consente di velocizzare il training automatico di ARIMA usando la somma condizionale di quadrati (CSS) per una serie di lunghezza superiore a 100. La lunghezza usata viene archiviata come costante ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/nella classe TimeSeriesInternal in /src/azureml-automl-core/azureml/automl/core/shared/constants.py
    • La registrazione utente delle esecuzioni di previsione è stata migliorata, ora sono state migliorate altre informazioni su quale fase è in esecuzione verrà visualizzata nel log
    • Non consentito target_rolling_window_size da impostare su valori inferiori a 2
  • azureml-automl-runtime
    • Miglioramento del messaggio di errore visualizzato quando vengono trovati timestamp duplicati.
    • Non consentito target_rolling_window_size da impostare su valori inferiori a 2.
    • Correzione dell'errore di imputazione del ritardo. Il problema è stato causato dal numero insufficiente di osservazioni necessarie per decomporsi stagionalmente una serie. I dati "de-stagionalizzati" vengono usati per calcolare una funzione di correzione automatica parziale (PACF) per determinare la lunghezza del ritardo.
    • Personalizzazione delle funzionalità della colonna abilitata per le attività di previsione tramite configurazione della funzionalità. È ora supportato numerico e categorico come scopo della previsione delle attività di previsione.
    • Personalizzazione della funzionalità di selezione abilitata per le attività di previsione tramite configurazione della funzionalità.
    • Personalizzazione dell'imputazione abilitata per le attività di previsione tramite configurazione della funzionalità. L'imputazione del valore costante per la colonna di destinazione e la mediana, la mediana, la most_frequent e l'imputazione del valore costante per i dati di training sono ora supportati.
  • azureml-contrib-pipeline-steps
    • Accettare nomi di calcolo stringa da passare a ParallelRunConfig
  • azureml-core
    • Aggiunta dell'API Environment.clone(new_name) per creare una copia dell'oggetto Environment
    • Environment.docker.base_dockerfile accetta filepath. Se è in grado di risolvere un file, il contenuto viene letto in base_dockerfile proprietà dell'ambiente
    • Reimpostare automaticamente i valori esclusivi a vicenda per base_image e base_dockerfile quando l'utente imposta manualmente un valore in Environment.docker
    • Aggiunta user_managed flag in RSection che indica se l'ambiente è gestito dall'utente o da Azure Machine Learning.
    • Set di dati: correzione dell'errore di download del set di dati se il percorso dati contiene caratteri Unicode.
    • Set di dati: meccanismo di memorizzazione nella cache del set di dati migliorato per rispettare il requisito minimo di spazio su disco in Calcolo di Azure Machine Learning, che evita di rendere il nodo inutilizzabile e causare l'annullamento del processo.
    • Set di dati: viene aggiunto un indice per la colonna della serie temporale quando si accede a un set di dati della serie temporale come dataframe pandas, usato per velocizzare l'accesso all'accesso basato su serie temporali. In precedenza, l'indice è stato assegnato allo stesso nome della colonna timestamp, confondendo gli utenti su cui si trova la colonna timestamp effettiva e che è l'indice. Non viene ora assegnato alcun nome specifico all'indice perché non deve essere usato come colonna.
    • Set di dati: correzione del problema di autenticazione del set di dati nel cloud sovrano.
    • Set di dati: correzione Dataset.to_spark_dataframe dell'errore per i set di dati creati da archivi dati di Azure PostgreSQL.
  • azureml-interpret
    • Aggiunta di punteggi globali alla visualizzazione se i valori di importanza locale sono sparse
    • Aggiornamento di azureml-interpret per l'uso di interpret-community 0.9.*
    • Correzione del problema relativo al download della spiegazione con dati di valutazione sparse
    • Aggiunta del supporto del formato sparse dell'oggetto spiegazione in AutoML
  • azureml-pipeline-core
    • Supportare ComputeInstance come destinazione di calcolo nelle pipeline
  • azureml-train-automl-client
    • Aggiunta di altri dati di telemetria relativi alle operazioni post-training.
    • Correzione della regressione all'arresto anticipato
    • Azureml.dprep.Dataflow deprecato come tipo valido per i dati di input.
    • Modifica del timeout dell'esperimento AutoML predefinito a sei giorni.
  • azureml-train-automl-runtime
    • Aggiunta di altri dati di telemetria relativi alle operazioni post-training.
    • aggiunta del supporto end-to-end di AutoML sparse
  • azureml-opendatasets
    • Aggiunta di un'altra telemetria per il monitoraggio del servizio.
    • Abilitare la frontdoor per il BLOB per aumentare la stabilità

2020-03-23

Azure Machine Learning SDK per Python v1.2.0

• Modifiche di rilievo

  • Eliminare il supporto per Python 2.7

• Correzioni e miglioramenti dei bug

  • azure-cli-ml
    • Aggiunge "--subscription-id" ai az ml model/computetarget/service comandi nell'interfaccia della riga di comando
    • Aggiunta del supporto per il passaggio di vault_url, key_name e key_version per la distribuzione di ACI
  • azureml-automl-core
    • Abilitazione dell'imputazione personalizzata con valore costante per le attività di previsione dei dati X e y.
    • Correzione del problema in con la visualizzazione dei messaggi di errore all'utente.
  • azureml-automl-runtime
    • Correzione del problema in con la previsione nei set di dati, contenente cereali con una sola riga
    • Riduzione della quantità di memoria richiesta dalle attività di previsione.
    • Aggiunta di messaggi di errore migliori se la colonna temporale non è corretta.
    • Abilitazione dell'imputazione personalizzata con valore costante per le attività di previsione dei dati X e y.
  • azureml-core
    • Aggiunta del supporto per il caricamento di ServicePrincipal dalle variabili di ambiente: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID e AZUREML_SERVICE_PRINCIPAL_PASSWORD
    • È stato introdotto un nuovo parametro support_multi_line a Dataset.Tabular.from_delimited_files: per impostazione predefinita (support_multi_line=False), tutte le interruzioni di riga, incluse quelle nei valori dei campi virgolette, verranno interpretate come interruzioni di record. La lettura dei dati in questo modo è più veloce e più ottimizzata per l'esecuzione parallela in più core CPU. Tuttavia, può comportare la produzione in modo invisibile di più record con valori di campo non allineati. Questo valore deve essere impostato su True quando i file delimitati sono noti per contenere interruzioni di riga virgolette.
    • Aggiunta della possibilità di registrare ADLS Gen2 nell'interfaccia della riga di comando di Azure Machine Learning
    • Parametro 'fine_grain_timestamp' rinominato in 'timestamp' e parametro 'coarse_grain_timestamp' su 'partition_timestamp' per il metodo with_timestamp_columns() in TabularDataset per riflettere meglio l'utilizzo dei parametri.
    • Lunghezza massima del nome dell'esperimento fino a 255.
  • azureml-interpret
    • Aggiornamento di azureml-interpret per interpretare-community 0.7.*
  • azureml-sdk
    • Modifica alle dipendenze con la versione compatibile Tilde per il supporto dell'applicazione di patch nelle versioni precedenti e stabili.

2020-03-11

Azure Machine Learning SDK per Python v1.1.5

• Deprecazione delle funzionalità

  • Python 2.7
    • Ultima versione per supportare Python 2.7

• Modifiche di rilievo

  • Versionamento Semantico 2.0.0
    • A partire dalla versione 1.1 di Azure Machine Learning Python SDK adotta la versione semantica 2.0.0. Tutte le versioni successive seguono nuovi schemi di numerazione e contratto di controllo delle versioni semantiche.

• Correzioni di bug e miglioramenti

  • azure-cli-ml
    • Modificare il nome del comando dell'interfaccia della riga di comando dell'endpoint da 'az ml endpoint aks' a 'az ml endpoint real time' per coerenza.
    • Aggiornare le istruzioni di installazione dell'interfaccia della riga di comando per l'interfaccia della riga di comando stabile e sperimentale
    • La profilatura a istanza singola è stata corretta per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
  • azureml-automl-core
    • Abilitazione dell'inferenza in modalità Batch (acquisizione di più righe una sola volta) per i modelli ONNX AutoML
    • Miglioramento del rilevamento della frequenza nei set di dati, senza dati o contenente punti dati irregolari
    • È stata aggiunta la possibilità di rimuovere i punti dati che non rispettano la frequenza dominante.
    • È stato modificato l'input del costruttore in modo da accettare un elenco di opzioni per applicare le opzioni di imputazione per le colonne corrispondenti.
    • La registrazione degli errori è stata migliorata.
  • azureml-automl-runtime
    • È stato risolto il problema relativo all'errore generato se la granularità non era presente nel set di training veniva visualizzata nel set di test
    • Rimosso il requisito di y_query durante l'assegnazione dei punteggi al servizio di previsione
    • È stato risolto il problema relativo alla previsione quando il set di dati contiene granelli brevi con gap di tempo lunghi.
    • È stato risolto il problema quando l'orizzonte massimo automatico è attivato e la colonna data contiene date sotto forma di stringhe. La conversione e i messaggi di errore corretti sono stati aggiunti per quando la conversione in data non è possibile
    • Uso di NumPy nativo e SciPy per la serializzazione e la deserializzazione dei dati intermedi per FileCacheStore (usato per le esecuzioni AutoML locali)
    • Correzione di un bug per cui le esecuzioni figlio non riuscite potrebbero rimanere bloccate nello stato In esecuzione.
    • Maggiore velocità di definizione delle caratteristiche.
    • Corretto il controllo della frequenza durante l'assegnazione dei punteggi, ora le attività di previsione non richiedono una stretta equivalenza della frequenza tra training e set di test.
    • È stato modificato l'input del costruttore in modo da accettare un elenco di opzioni per applicare le opzioni di imputazione per le colonne corrispondenti.
    • Correzione degli errori relativi alla selezione del tipo di ritardo.
    • Correzione dell'errore non classificato generato nei set di dati, con grani con la singola riga
    • È stato risolto il problema relativo alla lentezza del rilevamento della frequenza.
    • Corregge un bug nella gestione delle eccezioni autoML che ha causato la causa reale dell'errore di training da sostituire con un AttributeError.
  • azureml-cli-common
    • La profilatura a istanza singola è stata corretta per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
  • azureml-contrib-mir
    • Aggiunge funzionalità nella classe MirWebservice per recuperare il token di accesso
    • Usare l'autenticazione del token per MirWebservice per impostazione predefinita durante la chiamata a MirWebservice.run(): aggiorna solo se la chiamata non riesce
    • La distribuzione di Mir webservice richiede ora sku appropriati [Standard_DS2_v2, Standard_F16, Standard_A2_v2] anziché [Ds2v2, A2v2 e F16] rispettivamente.
  • azureml-contrib-pipeline-steps
    • Parametro facoltativo side_inputs aggiunto a ParallelRunStep. Questo parametro può essere usato per montare la cartella nel contenitore. I tipi attualmente supportati sono DataReference e PipelineData.
    • I parametri passati in ParallelRunConfig possono essere sovrascritti passando ora i parametri della pipeline. I nuovi parametri della pipeline supportati aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node fanno già parte della versione precedente).
  • azureml-core
    • I servizi Web di Azure Machine Learning distribuiti ora verranno registrati per impostazione predefinita INFO . Questo controllo può essere controllato impostando la AZUREML_LOG_LEVEL variabile di ambiente nel servizio distribuito.
    • Python SDK usa il servizio di individuazione per usare l'endpoint "api" anziché "pipeline".
    • Passare alle nuove route in tutte le chiamate SDK.
    • Modifica del routing delle chiamate a ModelManagementService in una nuova struttura unificata.
      • Reso disponibile pubblicamente il metodo di aggiornamento dell'area di lavoro.
      • Aggiunta image_build_compute parametro nel metodo di aggiornamento dell'area di lavoro per consentire all'utente di aggiornare il calcolo per la compilazione di immagini.
    • Aggiunta di messaggi deprecati al flusso di lavoro di profilatura precedente. Correzione dei limiti di cpu e memoria di profilatura.
    • Aggiunta di RSection come parte di Environment per eseguire processi R.
    • Aggiunta della convalida a Dataset.mount per generare un errore quando l'origine del set di dati non è accessibile o non contiene dati.
    • Aggiunto --grant-workspace-msi-access come altro parametro per l'interfaccia della riga di comando dell'archivio dati per la registrazione di Contenitore BLOB di Azure che consentirà di registrare un contenitore BLOB che si trova dietro una rete virtuale.
    • La profilatura a istanza singola è stata corretta per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
    • È stato risolto il problema in aks.py _deploy.
    • Convalida l'integrità dei modelli caricati per evitare errori di archiviazione invisibile all'utente.
    • L'utente può ora specificare un valore per la chiave di autenticazione durante la rigenerazione delle chiavi per i servizi Web.
    • Correzione del bug per cui le lettere maiuscole non possono essere usate come nome di input del set di dati.
  • azureml-defaults
    • azureml-dataprep verrà ora installato come parte di azureml-defaults. Non è più necessario installare manualmente la preparazione dei dati nelle destinazioni di calcolo per montare i set di dati.
  • azureml-interpret
    • Aggiornamento di azureml-interpret per interpretar-community 0.6.*
    • Aggiornamento di azureml-interpret per dipendere da interpret-community 0.5.0
    • Aggiunta di eccezioni di tipo azureml ad azureml-interpret
    • Correzione della serializzazione DeepScoringExplainer per i modelli keras
  • azureml-mlflow
    • Aggiungere il supporto per i cloud sovrani ad azureml.mlflow
  • azureml-pipeline-core
    • Il notebook di assegnazione dei punteggi batch della pipeline ora usa ParallelRunStep
    • Correzione di un bug per cui i risultati di PythonScriptStep potrebbero essere riutilizzati in modo non corretto nonostante la modifica dell'elenco di argomenti
    • Aggiunta della possibilità di impostare il tipo di colonne quando si chiamano i metodi parse_* in PipelineOutputFileDataset
  • azureml-pipeline-steps
    • Spostato nel AutoMLStepazureml-pipeline-steps pacchetto. Deprecato all'interno AutoMLStepazureml-train-automl-runtimedi .
    • Aggiunta dell'esempio di documentazione per il set di dati come input PythonScriptStep
  • azureml-tensorboard
    • Aggiornamento di azureml-tensorboard per supportare TensorFlow 2.0
    • Mostra il numero di porta corretto quando si usa una porta TensorBoard personalizzata in un'istanza di calcolo
  • azureml-train-automl-client
    • È stato risolto un problema per cui alcuni pacchetti potrebbero essere installati in versioni non corrette in esecuzioni remote.
    • Correzione del problema di override di FeaturizationConfig che filtra la configurazione delle funzionalità personalizzate.
  • azureml-train-automl-runtime
    • Risolto il problema relativo al rilevamento della frequenza nelle esecuzioni remote
    • Spostato nel AutoMLStepazureml-pipeline-steps pacchetto. Deprecato all'interno AutoMLStepazureml-train-automl-runtimedi .
  • azureml-train-core
    • Supporto di PyTorch versione 1.4 in PyTorch Estimator

2020-03-02

Azure Machine Learning SDK per Python v1.1.2rc0 (versione non definitive)

• Correzioni di bug e miglioramenti
  • azureml-automl-core
    • Abilitazione dell'inferenza in modalità Batch (acquisizione di più righe una sola volta) per i modelli ONNX AutoML
    • Miglioramento del rilevamento della frequenza nei set di dati, senza dati o contenente punti dati irregolari
    • È stata aggiunta la possibilità di rimuovere i punti dati che non rispettano la frequenza dominante.
  • azureml-automl-runtime
    • È stato risolto il problema relativo all'errore generato se la granularità non era presente nel set di training veniva visualizzata nel set di test
    • Rimosso il requisito di y_query durante l'assegnazione dei punteggi al servizio di previsione
  • azureml-contrib-mir
    • Aggiunge funzionalità nella classe MirWebservice per recuperare il token di accesso
  • azureml-core
    • I servizi Web di Azure Machine Learning distribuiti ora verranno registrati per impostazione predefinita INFO . Questo può essere controllato impostando la AZUREML_LOG_LEVEL variabile di ambiente nel servizio distribuito.
    • Correzione dell'iterazione su Dataset.get_all per restituire tutti i set di dati registrati con l'area di lavoro.
    • Migliorare il messaggio di errore quando il tipo non valido viene passato all'argomento path delle API di creazione del set di dati.
    • Python SDK usa il servizio di individuazione per usare l'endpoint 'api' anziché 'pipeline'.
    • Passare alle nuove route in tutte le chiamate SDK
    • Modifica il routing delle chiamate al ModelManagementService in una nuova struttura unificata
      • Reso disponibile pubblicamente il metodo di aggiornamento dell'area di lavoro.
      • Aggiunta image_build_compute parametro nel metodo di aggiornamento dell'area di lavoro per consentire all'utente di aggiornare il calcolo per la compilazione dell'immagine
    • Aggiunta di messaggi deprecazione al flusso di lavoro di profilatura precedente. Correzione dei limiti di cpu e memoria di profilatura
  • azureml-interpret
    • aggiornare azureml-interpret per interpretare la community 0.6.*
  • azureml-mlflow
    • Aggiungere il supporto per i cloud sovrani ad azureml.mlflow
  • azureml-pipeline-steps
    • Spostato nell'oggetto AutoMLStepazureml-pipeline-steps package. Deprecato l'oggetto all'interno azureml-train-automl-runtimedi AutoMLStep .
  • azureml-train-automl-client
    • È stato risolto un problema per cui alcuni pacchetti potrebbero essere installati in versioni non corrette in esecuzioni remote.
  • azureml-train-automl-runtime
    • Correzione del problema relativo al rilevamento della frequenza nelle esecuzioni remote
    • Spostato nell'oggetto AutoMLStepazureml-pipeline-steps package. Deprecato l'oggetto all'interno azureml-train-automl-runtimedi AutoMLStep .
  • azureml-train-core
    • Spostato nell'oggetto AutoMLStepazureml-pipeline-steps package. Deprecato l'oggetto all'interno azureml-train-automl-runtimedi AutoMLStep .

2020-02-18

Azure Machine Learning SDK per Python v1.1.1rc0 (versione preliminare)

• Correzioni e miglioramenti dei bug
  • azure-cli-ml
    • La profilatura a istanza singola è stata fissa per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
  • azureml-automl-core
    • La registrazione degli errori è stata migliorata.
  • azureml-automl-runtime
    • È stato risolto il problema relativo alla previsione quando il set di dati contiene cereali brevi con lacune di tempo lunghe.
    • Risolto il problema quando l'orizzonte massimo automatico è attivato e la colonna di data contiene date sotto forma di stringhe. Se la conversione in data non è possibile, è stata aggiunta una conversione corretta e un errore ragionevole
    • Uso di NumPy nativo e SciPy per serializzare e deserializzare i dati intermedi per FileCacheStore (usato per le esecuzioni autoML locali)
    • Correzione di un bug in cui le esecuzioni figlio non riuscite potrebbero essere bloccate nello stato in esecuzione.
  • azureml-cli-common
    • La profilatura a istanza singola è stata fissa per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
  • azureml-core
    • Aggiunto --grant-workspace-msi-access come altro parametro per l'interfaccia della riga di comando dell'archivio dati per la registrazione di Contenitore BLOB di Azure che consente di registrare il contenitore BLOB che si trova dietro una rete virtuale
    • La profilatura a istanza singola è stata fissa per produrre una raccomandazione ed è stata resa disponibile in Core SDK.
    • Correzione del problema in aks.py _deploy
    • Convalida l'integrità dei modelli caricati per evitare errori di archiviazione invisibile all'utente.
  • azureml-interpret
    • aggiunta di eccezioni di azureml-style ad azureml-interpret
    • correzione della serializzazione DeepScoringExplainer per i modelli keras
  • azureml-pipeline-core
    • Il notebook di assegnazione dei punteggi batch della pipeline usa ora ParallelRunStep
  • azureml-pipeline-steps
    • Spostato nel AutoMLStepazureml-pipeline-steps pacchetto. Deprecato l'oggetto all'interno azureml-train-automl-runtimedi AutoMLStep .
  • azureml-contrib-pipeline-steps
    • Parametro facoltativo side_inputs aggiunto a ParallelRunStep. Questo parametro può essere usato per montare la cartella nel contenitore. I tipi attualmente supportati sono DataReference e PipelineData.
  • azureml-tensorboard
    • Aggiornamento di azureml-tensorboard per supportare TensorFlow 2.0
  • azureml-train-automl-client
    • Correzione del problema di override di FeaturizationConfig che filtra la configurazione della funzionalità personalizzata.
  • azureml-train-automl-runtime
    • Spostato nel AutoMLStepazureml-pipeline-steps pacchetto. Deprecato l'oggetto all'interno azureml-train-automl-runtimedi AutoMLStep .
  • azureml-train-core
    • Supporto di PyTorch versione 1.4 in PyTorch Estimator

2020-02-04

Azure Machine Learning SDK per Python v1.1.0rc0 (versione preliminare)

• Modifiche di rilievo

  • Versionamento Semantico 2.0.0
    • A partire dalla versione 1.1 di Azure Machine Learning Python SDK adotta la versione semantica 2.0.0. Tutte le versioni successive seguono nuovi schemi di numerazione e contratto di controllo delle versioni semantiche.

• Correzioni e miglioramenti dei bug

  • azureml-automl-runtime
    • Maggiore velocità di funzionalità.
    • Correzione del controllo della frequenza durante l'assegnazione dei punteggi, ora nelle attività di previsione non è necessaria una stretta equivalenza della frequenza tra training e set di test.
  • azureml-core
    • L'utente può ora specificare un valore per la chiave di autenticazione durante la rigenerazione delle chiavi per i servizi Web.
  • azureml-interpret
    • Aggiornamento di azureml-interpret per dipendere da interpret-community 0.5.0
  • azureml-pipeline-core
    • Correzione di un bug in cui i risultati di PythonScriptStep potrebbero essere riutilizzati in modo errato nonostante la modifica dell'elenco degli argomenti
  • azureml-pipeline-steps
    • Aggiunta dell'esempio di documentazione per il set di dati come input PythonScriptStep
  • azureml-contrib-pipeline-steps
    • I parametri passati in ParallelRunConfig possono essere sovrascritti passando i parametri della pipeline ora. I nuovi parametri della pipeline supportati aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node fanno già parte della versione precedente).

2020-01-21

Azure Machine Learning SDK per Python v1.0.85

• Nuove funzionalità

  • azureml-core

    • Ottenere la limitazione corrente dell'utilizzo e della quota di base per le risorse AmlCompute in un'area di lavoro e una sottoscrizione specificati

  • azureml-contrib-pipeline-steps

    • Abilitare l'utente a passare il set di dati tabulare come risultato intermedio dal passaggio precedente a parallelrunstep

• Correzioni e miglioramenti dei bug

  • azureml-automl-runtime
    • Rimosso il requisito di y_query colonna nella richiesta al servizio di previsione distribuito.
    • La sezione "y_query" è stata rimossa dalla sezione richiesta del servizio orange juice di Dominick.
    • Correzione del bug che impedisce la previsione sui modelli distribuiti, operando sui set di dati con colonne di ora di data.
    • Aggiunto Matthews Correlation Coefficient come metrica di classificazione, sia per la classificazione binaria che multiclasse.
  • azureml-contrib-interpret
    • Gli spiegatori di testo rimossi da azureml-contrib-interpret come spiegazione del testo è stato spostato nel repository interpret-text che verrà rilasciato presto.
  • azureml-core
    • Set di dati: gli usi per il set di dati di file non dipendono più da numpy e pandas da installare in Python env.
    • Modifica LocalWebservice.wait_for_deployment() per controllare lo stato del contenitore Docker locale prima di provare a eseguire il ping dell'endpoint di integrità, riducendo notevolmente il tempo necessario per segnalare una distribuzione non riuscita.
    • Correzione dell'inizializzazione di una proprietà interna usata in LocalWebservice.reload() quando l'oggetto servizio viene creato da una distribuzione esistente usando il costruttore LocalWebservice().
    • Messaggio di errore modificato per chiarimenti.
    • È stato aggiunto un nuovo metodo denominato get_access_token() a AksWebservice che restituirà l'oggetto AksServiceAccessToken, che contiene il token di accesso, l'aggiornamento dopo il timestamp, la scadenza sul timestamp e il tipo di token.
    • Il metodo get_token() deprecato in AksWebservice come nuovo metodo restituisce tutte le informazioni restituite da questo metodo.
    • Output modificato del comando az ml service get-access-token. Token rinominato per accedere aToken e refreshBy per aggiornareAfter. Aggiunta delle proprietà expiryOn e tokenType.
    • Correzione get_active_runs
  • azureml-explain-model
    • shap aggiornato a 0.33.0 e interpret-community a 0.4.*
  • azureml-interpret
    • shap aggiornato a 0.33.0 e interpret-community a 0.4.*
  • azureml-train-automl-runtime
    • Aggiunto Matthews Correlation Coefficient come metrica di classificazione, sia per la classificazione binaria che multiclasse.
    • Deprecare il flag di preprocesso dal codice e sostituito con la funzionalità -featurization è attivo per impostazione predefinita

2020-01-06

Azure Machine Learning SDK per Python v1.0.83

• Nuove funzionalità

  • Set di dati: aggiungere due opzioni on_error e out_of_range_datetime per to_pandas_dataframe avere esito negativo quando i dati hanno valori di errore anziché riempirli con None.
  • Area di lavoro: aggiunto il hbi_workspace flag per le aree di lavoro con dati sensibili che consentono ulteriori crittografia e disabilita la diagnostica avanzata nelle aree di lavoro. È stato aggiunto anche il supporto per l'inserimento di chiavi personalizzate per l'istanza di Azure Cosmos DB associata, specificando i cmk_keyvault parametri e resource_cmk_uri durante la creazione di un'area di lavoro, che crea un'istanza di Azure Cosmos DB nella sottoscrizione durante il provisioning dell'area di lavoro. Per altre informazioni, vedere la sezione Azure Cosmos DB dell'articolo sulla crittografia dei dati.

• Correzioni e miglioramenti dei bug

  • azureml-automl-runtime
    • Correzione di una regressione che ha causato la generazione di un TypeError durante l'esecuzione di AutoML nelle versioni di Python sotto la versione 3.5.4.
  • azureml-core
    • Correzione di bug nel datastore.upload_files percorso relativo che non è stato avviato con ./ non è stato possibile usare.
    • Aggiunta di messaggi di deprecazione per tutti i percorsi di codice della classe Image
    • Correzione della costruzione dell'URL di gestione dei modelli per l'area Azure China 21Vianet.
    • È stato risolto il problema per cui i modelli che usano source_dir non potevano essere inseriti in pacchetti per Funzioni di Azure.
    • Aggiunta di un'opzione per Environment.build_local() per eseguire il push di un'immagine nel registro contenitori dell'area di lavoro di Azure Machine Learning
    • Aggiornamento dell'SDK per l'uso di una nuova libreria di token in Azure synapse in modo compatibile con il backup.
  • azureml-interpret
    • Correzione del bug in cui None è stato restituito quando non sono state disponibili spiegazioni per il download. Genera ora un'eccezione, il comportamento corrispondente altrove.
  • azureml-pipeline-steps
    • Non consentito passare DatasetConsumptionConfigs al Estimatorinputs parametro quando verrà Estimator usato in un EstimatorStepoggetto .
  • azureml-sdk
    • Aggiunto il client AutoML al pacchetto azureml-sdk, consentendo l'invio di esecuzioni autoML remote senza installare il pacchetto AutoML completo.
  • azureml-train-automl-client
    • Correzione dell'allineamento nell'output della console per le esecuzioni autoML
    • Correzione di un bug in cui la versione errata di pandas può essere installata in amlcompute remoto.

2019-12-23

Azure Machine Learning SDK per Python v1.0.81

• Correzioni e miglioramenti dei bug
  • azureml-contrib-interpret
    • rinviare la dipendenza shap per interpretare la community da azureml-interpret
  • azureml-core
    • La destinazione di calcolo può ora essere specificata come parametro per gli oggetti di configurazione della distribuzione corrispondenti. Questo è specificamente il nome della destinazione di calcolo da distribuire in, non nell'oggetto SDK.
    • Aggiunta di informazioni CreateBy agli oggetti Model e Service. Può essere accessibile through.created_by
    • Correzione di ContainerImage.run(), che non è stata configurata correttamente la porta HTTP del contenitore Docker.
    • Impostare azureml-dataprep facoltativo per il comando dell'interfaccia az ml dataset register della riga di comando
    • Correzione di un bug in cui TabularDataset.to_pandas_dataframe non è corretto il fallback a un lettore alternativo e stampare un avviso.
  • azureml-explain-model
    • rinviare la dipendenza shap per interpretare la community da azureml-interpret
  • azureml-pipeline-core
    • Aggiunta di un nuovo passaggio NotebookRunnerStepdella pipeline per eseguire un notebook locale come passaggio nella pipeline.
    • Funzioni di get_all deprecate per PublishedPipelines, Pianificazioni e PipelineEndpoints
  • azureml-train-automl-client
    • È stata avviata la deprecazione di data_script come input per AutoML.

2019-12-09

Azure Machine Learning SDK per Python v1.0.79

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Rimozione della funzionalitàConfig da registrare
      • Aggiornamento della registrazione per registrare solo "auto"/"off"/"customd".
  • azureml-automl-runtime
    • Aggiunta del supporto per pandas. Serie e pandas. Categoria per rilevare il tipo di dati della colonna. Precedentemente supportato solo numpy.ndarray
      • Aggiunta di modifiche al codice correlate per gestire correttamente il dtype categorico.
    • L'interfaccia della funzione di previsione è stata migliorata: il parametro y_pred è stato reso facoltativo. -I documenti sono stati migliorati.
  • azureml-contrib-dataset
    • Correzione di un bug in cui non è stato possibile montare set di dati etichettati.
  • azureml-core
    • Correzione di bug per Environment.from_existing_conda_environment(name, conda_environment_name). L'utente può creare un'istanza di Environment che è la replica esatta dell'ambiente locale
    • Per impostazione predefinita, i metodi set di dati correlati alle include_boundary=True serie temporali sono stati modificati.
  • azureml-train-automl-client
    • È stato risolto il problema a causa del quale i risultati della convalida non vengono stampati quando l'output visualizzato è impostato su false.

2019-11-25

Azure Machine Learning SDK per Python v1.0.76

• Modifiche di rilievo

  • Problemi di aggiornamento di Azureml-Train-AutoML
    • L'aggiornamento ad azureml-train-automl>=1.0.76 da azureml-train-automl<1.0.76 può causare l'esito negativo di alcune installazioni parziali. Per risolvere questo problema, è possibile eseguire lo script di installazione trovato in https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Oppure se si usa pip direttamente è possibile:
      • "pip install --upgrade azureml-train-automl"
      • "pip install --ignore-installed azureml-train-automl-client"
    • oppure è possibile disinstallare la versione precedente prima dell'aggiornamento
      • "pip uninstall azureml-train-automl"
      • "pip install azureml-train-automl"

• Correzioni e miglioramenti dei bug

  • azureml-automl-runtime
    • AutoML ora prende in considerazione sia le classi true che false quando si calcolano le metriche scalari medie per le attività di classificazione binaria.
    • Spostare il codice di Machine Learning e training in AzureML-AutoML-Core in un nuovo pacchetto AzureML-AutoML-Runtime.
  • azureml-contrib-dataset
    • Quando si chiama to_pandas_dataframe un set di dati con etichetta con l'opzione di download, è ora possibile specificare se sovrascrivere i file esistenti o meno.
    • Quando si chiama keep_columns o si verifica una serie temporale, un'etichetta o drop_columns una colonna immagine eliminata, le funzionalità corrispondenti vengono eliminate anche per il set di dati.
    • È stato risolto un problema con il caricatore pytorch per l'attività di rilevamento degli oggetti.
  • azureml-contrib-interpret
    • Widget del dashboard di spiegazione rimosso da azureml-contrib-interpret, modificato pacchetto per fare riferimento a quello nuovo in interpret_community
    • Versione aggiornata di interpret-community alla versione 0.2.0
  • azureml-core
    • Migliorare le prestazioni di workspace.datasets.
    • Aggiunta della possibilità di registrare Azure SQL Archivio dati del database usando l'autenticazione del nome utente e della password
    • Correzione del caricamento di RunConfigurations dai percorsi relativi.
    • Quando si chiama keep_columns o drop_columns si verifica l'eliminazione di una colonna serie temporale, le funzionalità corrispondenti vengono eliminate anche per il set di dati.
  • azureml-interpret
    • versione aggiornata di interpret-community alla versione 0.2.0
  • azureml-pipeline-steps
    • Valori supportati documentati per i passaggi della runconfig_pipeline_params pipeline di Azure Machine Learning.
  • azureml-pipeline-core
    • Aggiunta dell'opzione dell'interfaccia della riga di comando per scaricare l'output in formato json per i comandi pipeline.
  • azureml-train-automl
    • Dividere AzureML-Train-AutoML in due pacchetti, un pacchetto client AzureML-Train-AutoML-Client e un pacchetto di training ml AzureML-Train-AutoML-Runtime
  • azureml-train-automl-client
    • È stato aggiunto un thin client per l'invio di esperimenti AutoML senza dover installare le dipendenze di Machine Learning in locale.
    • Correzione della registrazione dei ritardi rilevati automaticamente, delle dimensioni della finestra in sequenza e degli orizzonti massimi nelle esecuzioni remote.
  • azureml-train-automl-runtime
    • È stato aggiunto un nuovo pacchetto AutoML per isolare i componenti di Machine Learning e runtime dal client.
  • azureml-contrib-train-rl
    • Aggiunta del supporto per l'apprendimento di rinforzo in SDK.
    • Aggiunta del supporto AmlWindowsCompute in RL SDK.

2019-11-11

Azure Machine Learning SDK per Python v1.0.74

• Funzionalità di anteprima

  • azureml-contrib-dataset
    • Dopo l'importazione di azureml-contrib-dataset, è possibile chiamare Dataset.Labeled.from_json_lines anziché ._Labeled creare un set di dati con etichetta.
    • Quando si chiama to_pandas_dataframe un set di dati con etichetta con l'opzione di download, è ora possibile specificare se sovrascrivere i file esistenti o meno.
    • Quando si chiama keep_columns o si verifica una serie temporale, un'etichetta o drop_columns una colonna immagine eliminata, le funzionalità corrispondenti vengono eliminate anche per il set di dati.
    • Correzione dei problemi relativi al caricatore PyTorch quando si chiama dataset.to_torchvision().

• Correzioni e miglioramenti dei bug

  • azure-cli-ml
    • Aggiunta della profilatura del modello all'interfaccia della riga di comando di anteprima.
    • Correzione di una modifica di rilievo nell'archiviazione di Azure che causa l'esito negativo dell'interfaccia della riga di comando di Azure Machine Learning.
    • Aggiunta Load Balancer tipo a MLC per i tipi del servizio Azure Kubernetes
  • azureml-automl-core
    • È stato risolto il problema relativo al rilevamento dell'orizzonte massimo sulla serie temporale, con valori mancanti e più grani.
    • È stato risolto il problema relativo agli errori durante la generazione di suddivisioni tra convalida.
    • Sostituire questa sezione con un messaggio in formato markdown da visualizzare nelle note sulla versione: -Miglioramento della gestione dei grani brevi nei set di dati di previsione.
    • Correzione del problema relativo alla maschera di alcune informazioni utente durante la registrazione. -Miglioramento della registrazione degli errori durante le esecuzioni di previsione.
    • Aggiunta di psutil come dipendenza conda al file di distribuzione yml generato automaticamente.
  • azureml-contrib-mir
    • Correzione di una modifica di rilievo nell'archiviazione di Azure che causa l'esito negativo dell'interfaccia della riga di comando di Azure Machine Learning.
  • azureml-core
    • Corregge un bug che ha causato la distribuzione di modelli in Funzioni di Azure per produrre 500 s.
    • Correzione di un problema per cui il file amlignore non è stato applicato agli snapshot.
    • Aggiunta di una nuova API amlcompute.get_active_runs che restituisce un generatore per l'esecuzione e l'esecuzione in coda in un determinato oggetto amlcompute.
    • Aggiunta Load Balancer Tipo a MLC per i tipi del servizio Azure Kubernetes.
    • Aggiunta append_prefix parametro bool a download_files in run.py e download_artifacts_from_prefix in artifacts_client. Questo flag viene usato per appiattire in modo selettivo il filepath di origine in modo che solo il nome del file o della cartella venga aggiunto al output_directory
    • Risolvere il problema di deserializzazione per run_config.yml l'utilizzo del set di dati.
    • Quando si chiama keep_columns o drop_columns si verifica l'eliminazione di una colonna serie temporale, le funzionalità corrispondenti vengono eliminate anche per il set di dati.
  • azureml-interpret
    • Aggiornamento della versione interpret-community alla versione 0.1.0.3
  • azureml-train-automl
    • È stato risolto un problema per cui automl_step potrebbe non stampare problemi di convalida.
    • Correzione di register_model per esito positivo anche se l'ambiente del modello manca in locale.
    • È stato risolto un problema per cui alcune esecuzioni remote non erano abilitate.
    • Aggiungere la registrazione dell'eccezione che causa un errore prematuro di un'esecuzione locale.
  • azureml-train-core
    • Prendere in considerazione resume_from esecuzioni nel calcolo dell'ottimizzazione automatica degli iperparametri.
  • azureml-pipeline-core
    • Correzione della gestione dei parametri nella costruzione di argomenti della pipeline.
    • Aggiunta della descrizione della pipeline e del tipo di passaggio yaml parametro.
    • Nuovo formato yaml per il passaggio della pipeline e aggiunto avviso di deprecazione per il formato precedente.

4 novembre 2019

Esperienza Web

La pagina https://ml.azure.com di destinazione dell'area di lavoro collaborativa in è stata migliorata e rinominata come studio di Azure Machine Learning.

Dallo studio è possibile eseguire il training, testare, distribuire e gestire asset di Azure Machine Learning, ad esempio set di dati, pipeline, modelli, endpoint e altro ancora.

Accedere agli strumenti di creazione basati sul Web seguenti dallo studio:

Strumento basato sul Web	Descrizione
Vm notebook(anteprima)	Workstation basata sul cloud completamente gestita
Machine Learning automatizzato (anteprima)	Nessuna esperienza di codice per l'automazione dello sviluppo di modelli di Machine Learning
Progettazione	Strumento di modellazione di Machine Learning di trascinamento a discesa noto in precedenza come interfaccia visiva

Miglioramenti della finestra di progettazione di Azure Machine Learning

• In precedenza nota come interfaccia visiva
• 11 nuovi moduli , tra cui consigli, classificatori e utilità di training, tra cui progettazione delle funzionalità, convalida incrociata e trasformazione dei dati.

R SDK

Gli sviluppatori di data scientist e intelligenza artificiale usano Azure Machine Learning SDK per R per creare ed eseguire flussi di lavoro di Machine Learning con Azure Machine Learning.

Azure Machine Learning SDK per R usa il pacchetto per l'associazione reticulate all'SDK Python. Associando direttamente a Python, l'SDK per R consente di accedere a oggetti e metodi di base implementati in Python SDK da qualsiasi ambiente R scelto.

Le funzionalità principali dell'SDK includono:

• Gestione delle risorse cloud per il monitoraggio, la registrazione e l'organizzazione degli esperimenti di machine learning.
• Eseguire il training dei modelli usando le risorse cloud, incluso il training del modello accelerato dalla GPU.
• Distribuire i modelli come servizi Web in Istanze di Azure Container (ACI) e servizio Azure Kubernetes (AKS).

Per la documentazione completa, vedere il sito Web del pacchetto .

Integrazione di Azure Machine Learning con Griglia di eventi

Azure Machine Learning è ora un provider di risorse per Griglia di eventi, è possibile configurare gli eventi di Machine Learning tramite l'portale di Azure o l'interfaccia della riga di comando di Azure. Gli utenti possono creare eventi per il completamento dell'esecuzione, la registrazione del modello, la distribuzione del modello e la deriva dei dati rilevati. Questi eventi possono essere indirizzati ai gestori eventi supportati da Griglia di eventi per l'utilizzo. Per altre informazioni, vedere gli articoli sullo schema degli eventi e sull'esercitazione di Machine Learning.

2019-10-31

Azure Machine Learning SDK per Python v1.0.72

• Nuove funzionalità

  • È stato aggiunto il monitoraggio dei set di dati tramite il pacchetto azureml-datadrift , consentendo di monitorare i set di dati delle serie temporali per la deriva dei dati o altre modifiche statistiche nel tempo. Gli avvisi e gli eventi possono essere attivati se viene rilevata la deriva o altre condizioni sui dati vengono soddisfatte. Per informazioni dettagliate, vedere la documentazione .

  • Annuncio di due nuove edizioni (noto anche come SKU interscambiabile) in Azure Machine Learning. Con questa versione è ora possibile creare un'area di lavoro di Azure Machine Learning Basic o Enterprise. Tutte le aree di lavoro esistenti sono predefinite per l'edizione Basic e è possibile passare alla portale di Azure o allo studio per aggiornare l'area di lavoro in qualsiasi momento. È possibile creare un'area di lavoro Basic o Enterprise dalla portale di Azure. Leggere la documentazione per altre informazioni. Dall'SDK è possibile determinare l'edizione dell'area di lavoro usando la proprietà "sku" dell'oggetto area di lavoro.

  • Sono stati inoltre apportati miglioramenti al calcolo di Azure Machine Learning: è ora possibile visualizzare le metriche per i cluster (ad esempio i nodi totali, i nodi in esecuzione, la quota totale di core) in Monitoraggio di Azure, oltre a visualizzare i log di diagnostica per il debug. Inoltre, è anche possibile visualizzare le esecuzioni in esecuzione o accodate nel cluster e i dettagli, ad esempio gli INDIRIZZI IP dei vari nodi nel cluster. È possibile visualizzare questi elementi nel portale o usando le funzioni corrispondenti nell'SDK o nell'interfaccia della riga di comando.

  • Funzionalità di anteprima

    • Il supporto di anteprima viene rilasciato per la crittografia del disco dell'unità SSD locale in Calcolo di Azure Machine Learning. Generare un ticket di supporto tecnico per ottenere la sottoscrizione che consente di usare questa funzionalità.
    • Anteprima pubblica di Azure Machine Learning Batch Inference. L'inferenza batch di Azure Machine Learning è destinata a processi di inferenza di grandi dimensioni che non sono sensibili al tempo. L'inferenza batch offre scalabilità di calcolo di inferenza conveniente, con velocità effettiva senza precedenti per applicazioni asincrone. È ottimizzato per la velocità effettiva elevata, l'inferenza di fire-and-forget su raccolte di dati di grandi dimensioni.
    • azureml-contrib-dataset
      • Funzionalità abilitate per il set di dati con etichetta

      import azureml.core
      from azureml.core import Workspace, Datastore, Dataset
      import azureml.contrib.dataset
      from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask
      
      # create a labeled dataset by passing in your JSON lines file
      dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)
      
      # download or mount the files in the `image_url` column
      dataset.download()
      dataset.mount()
      
      # get a pandas dataframe
      from azureml.data.dataset_type_definitions import FileHandlingOption
      dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
      dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)
      
      # get a Torchvision dataset
      dataset.to_torchvision()
      

• Correzioni e miglioramenti dei bug

  • azure-cli-ml
    • L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
    • Aggiunta dell'interfaccia della riga di comando del set di dati. Per altre informazioni: az ml dataset --help
    • Aggiunta del supporto per la distribuzione e la creazione di pacchetti di modelli supportati (ONNX, scikit-learn e TensorFlow) senza un'istanza inferenceConfig.
    • Aggiunta del flag di sovrascrivere per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e nell'interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con il nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
    • I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow. - La registrazione del modello accetta i dati di input di esempio, i dati di output di esempio e la configurazione delle risorse per il modello.
  • azureml-automl-core
    • Il training di un'iterazione viene eseguito in un processo figlio solo quando vengono impostati vincoli di runtime.
    • Aggiunto un guardrail per le attività di previsione, per verificare se un max_horizon specificato causa un problema di memoria nel computer specificato o meno. In caso affermativo, viene visualizzato un messaggio guardrail.
    • Aggiunta del supporto per frequenze complesse come due anni e un mese. -È stato aggiunto un messaggio di errore comprensibile se non è possibile determinare la frequenza.
    • Aggiungere azureml-defaults a conda env generati automaticamente per risolvere l'errore di distribuzione del modello
    • Consentire la conversione dei dati intermedi in Azure Machine Learning Pipeline in set di dati tabulari e usati in AutoMLStep.
    • Aggiornamento dello scopo della colonna implementato per lo streaming.
    • Aggiornamento dei parametri del trasformatore implementato per Imputer e HashOneHotEncoder per lo streaming.
    • Aggiunta delle dimensioni dei dati correnti e delle dimensioni minime necessarie dei dati ai messaggi di errore di convalida.
    • Aggiornata la dimensione minima necessaria dei dati per la convalida incrociata per garantire un minimo di due campioni in ogni piega di convalida.
  • azureml-cli-common
    • L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
    • I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow.
    • La registrazione del modello accetta dati di input di esempio, dati di output di esempio e configurazione delle risorse per il modello.
  • azureml-contrib-gbdt
    • correzione del canale di rilascio per il notebook
    • Aggiunta di un avviso per la destinazione di calcolo non AmlCompute non supportata
    • Aggiunta di LightGMB Estimator al pacchetto azureml-contrib-gbdt
  • azureml-core
    • L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
    • Aggiungere un avviso di deprecazione per le API del set di dati deprecate. Vedere Avviso di modifica dell'API del set di dati in https://aka.ms/tabular-dataset.
    • Modificare Dataset.get_by_id per restituire il nome e la versione della registrazione se il set di dati è registrato.
    • Correggere un bug che ScriptRunConfig con set di dati come argomento non può essere usato ripetutamente per inviare l'esecuzione dell'esperimento.
    • I set di dati recuperati durante un'esecuzione verranno rilevati e possono essere visualizzati nella pagina dei dettagli dell'esecuzione o chiamando run.get_details() dopo il completamento dell'esecuzione.
    • Consentire la conversione dei dati intermedi in Azure Machine Learning Pipeline in set di dati tabulari e usati in AutoMLStep.
    • Aggiunta del supporto per la distribuzione e la creazione di pacchetti di modelli supportati (ONNX, scikit-learn e TensorFlow) senza un'istanza inferenceConfig.
    • Aggiunta del flag di sovrascrivere per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e nell'interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con il nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
    • I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow. La registrazione del modello accetta dati di input di esempio, dati di output di esempio e configurazione delle risorse per il modello.
    • Aggiunta di un nuovo archivio dati per Database di Azure per MySQL. Aggiunta di esempio per l'uso di Database di Azure per MySQL in DataTransferStep in Pipeline di Azure Machine Learning.
    • Aggiunta della funzionalità per aggiungere e rimuovere tag dagli esperimenti Aggiunta funzionalità per rimuovere i tag dalle esecuzioni
    • Aggiunta del flag di sovrascrivere per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e nell'interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con il nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
  • azureml-datadrift
    • Spostato da azureml-contrib-datadrift in azureml-datadrift
    • Aggiunta del supporto per il monitoraggio dei set di dati della serie temporale per la deriva e altre misure statistiche
    • Nuovi metodi create_from_model() e create_from_dataset() alla DataDriftDetector classe. Il create() metodo è deprecato.
    • Modificare le visualizzazioni in Python e nell'interfaccia utente nella studio di Azure Machine Learning.
    • Supportare la pianificazione settimanale e mensile del monitoraggio, oltre al giorno per i monitoraggi del set di dati.
    • Supportare il riempimento delle metriche di monitoraggio dei dati per analizzare i dati cronologici per i monitoraggi del set di dati.
    • Varie correzioni di bug
  • azureml-pipeline-core
    • azureml-dataprep non è più necessario per inviare un'esecuzione di Azure Machine Learning Pipeline dal file della pipeline yaml .
  • azureml-train-automl
    • Aggiungere azureml-defaults a conda env generati automaticamente per risolvere l'errore di distribuzione del modello
    • Il training remoto autoML include ora azureml-defaults per consentire il riutilizzo del training env per l'inferenza.
  • azureml-train-core
    • Aggiunta del supporto di PyTorch 1.3 nello PyTorch strumento di stima

2019-10-21

Interfaccia visiva (anteprima)

• L'interfaccia visiva di Azure Machine Learning (anteprima) è stata modificata per l'esecuzione nelle pipeline di Azure Machine Learning. Le pipeline (note in precedenza come esperimenti) create nell'interfaccia visiva sono ora completamente integrate con l'esperienza di Azure Machine Learning principale.

  • Esperienza di gestione unificata con asset SDK
  • Controllo delle versioni e rilevamento per modelli di interfaccia visiva, pipeline ed endpoint
  • Interfaccia utente riprogettata
  • Aggiunta della distribuzione dell'inferenza batch
  • Aggiunta del supporto di servizio Azure Kubernetes (Servizio Azure Kubernetes) per le destinazioni di calcolo di inferenza
  • Nuovo flusso di lavoro di creazione della pipeline in fase di Python
  • Nuova pagina di destinazione per gli strumenti di creazione visiva

• Nuovi moduli

  • Applicare l'operazione matematica
  • Applicare la trasformazione SQL
  • Valori clip
  • Riepilogare i dati
  • Importazione da database SQL

2019-10-14

Azure Machine Learning SDK per Python v1.0.69

• Correzioni e miglioramenti dei bug
  • azureml-automl-core
    • Limitazione delle spiegazioni del modello per l'esecuzione ottimale anziché le spiegazioni di calcolo per ogni esecuzione. Apportare questa modifica al comportamento per adB locale, remoto e ADB.
    • Aggiunta del supporto per le spiegazioni dei modelli su richiesta per l'interfaccia utente
    • Aggiunta di psutil come dipendenza di automl e inclusa psutil come dipendenza conda in amlcompute.
    • Correzione del problema relativo ai lag euristici e alle dimensioni delle finestre in sequenza nei set di dati di previsione di alcune serie di quali possono causare errori di algebra lineare
      • Aggiunta della stampa per i parametri euristici determinati nelle esecuzioni di previsione.
  • azureml-contrib-datadrift
    • Aggiunta della protezione durante la creazione di metriche di output se la deriva a livello di set di dati non è nella prima sezione.
  • azureml-contrib-interpret
    • il pacchetto azureml-contrib-explain-model è stato rinominato in azureml-contrib-interpret
  • azureml-core
    • Aggiunta dell'API ai set di dati di annullamento della registrazione. dataset.unregister_all_versions()
    • il pacchetto azureml-contrib-explain-model è stato rinominato in azureml-contrib-interpret.
  • azureml-core
    • Aggiunta dell'API ai set di dati di annullamento della registrazione. Dataset. unregister_all_versions().
    • Aggiunta dell'API Set di dati per controllare l'ora modificata dei dati. dataset.data_changed_time.
    • Essere in grado di usare FileDataset e TabularDataset come input per PythonScriptStep, EstimatorStepe HyperDriveStep in Azure Machine Learning Pipeline
    • Le prestazioni di FileDataset.mount sono state migliorate per le cartelle con un numero elevato di file
    • Essere in grado di usare FileDataset e TabularDataset come input per PythonScriptStep, EstimatorStep e HyperDriveStep nella pipeline di Azure Machine Learning.
    • Prestazioni di FileDataset. mount() è stato migliorato per le cartelle con un numero elevato di file
    • Aggiunta dell'URL ai suggerimenti per gli errori noti nei dettagli dell'esecuzione.
    • Correzione di un bug in run.get_metrics in cui le richieste non riuscirebbero se un'esecuzione aveva troppi elementi figlio
    • Correzione di un bug in run.get_metrics in cui le richieste non riuscirebbero se un'esecuzione aveva troppi elementi figlio
    • Aggiunta del supporto per l'autenticazione nel cluster Arcadia.
    • La creazione di un oggetto Experiment ottiene o crea l'esperimento nell'area di lavoro di Azure Machine Learning per il rilevamento della cronologia di esecuzione. L'ID esperimento e l'ora archiviata vengono popolate nell'oggetto Experiment alla creazione. Esempio: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() e reactivate() sono funzioni che possono essere chiamate a un esperimento per nascondere e ripristinare l'esperimento dall'essere visualizzati nell'esperienza utente o restituiti per impostazione predefinita in una chiamata agli esperimenti di elenco. Se viene creato un nuovo esperimento con lo stesso nome di un esperimento archiviato, è possibile rinominare l'esperimento archiviato durante la riattivazione passando un nuovo nome. Può essere presente un solo esperimento attivo con un nome specificato. Esempio: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Creare un nuovo esperimento attivo con lo stesso nome dell'oggetto archiviato. esperimento2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") Il metodo statico list() in Experiment può accettare un filtro dei nomi e un filtro ViewType. I valori ViewType sono "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL" Example: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
    • Supporto per l'uso dell'ambiente per la distribuzione del modello e l'aggiornamento del servizio
  • azureml-datadrift
    • L'attributo show della classe DataDriftDector non supporta più l'argomento facoltativo 'with_details'. L'attributo show presenta solo il coefficiente di deriva dei dati e il contributo alla deriva dei dati delle colonne di funzionalità.
    • Il comportamento dell'attributo DataDriftDetector 'get_output' cambia:
      • I parametri di input start_time, end_time sono facoltativi anziché obbligatori;
      • L'input specifico start_time e/o end_time con un run_id specifico nella stessa chiamata genera un'eccezione di errore del valore perché si escludono reciprocamente
      • Per input specifico start_time e/o end_time, verranno restituiti solo i risultati delle esecuzioni pianificate;
      • Il parametro 'daily_latest_only' è deprecato.
    • Supportare il recupero degli output di Data Drift basati su set di dati.
  • azureml-explain-model
    • Rinomina il pacchetto AzureML-explain-model in AzureML-interpret, mantenendo il pacchetto precedente per la compatibilità con le versioni precedenti per ora
    • correzione automl di bug con spiegazioni non elaborate impostate sull'attività di classificazione invece della regressione per impostazione predefinita nel download da SpiegazioneClient
    • Aggiungere il supporto per ScoringExplainer essere creato direttamente tramite MimicWrapper
  • azureml-pipeline-core
    • Prestazioni migliorate per la creazione di pipeline di grandi dimensioni
  • azureml-train-core
    • Aggiunta del supporto di TensorFlow 2.0 in TensorFlow Estimator
  • azureml-train-automl

    • La creazione di un oggetto Experiment ottiene o crea l'esperimento nell'area di lavoro di Azure Machine Learning per il rilevamento della cronologia di esecuzione. L'ID esperimento e l'ora archiviata vengono popolate nell'oggetto Experiment alla creazione. Esempio:

      experiment = Experiment(workspace, "New Experiment")
      experiment_id = experiment.id
      

      archive() e reactivate() sono funzioni che possono essere chiamate a un esperimento per nascondere e ripristinare l'esperimento dall'essere visualizzato nell'esperienza utente o restituito per impostazione predefinita in una chiamata per elencare gli esperimenti. Se viene creato un nuovo esperimento con lo stesso nome di un esperimento archiviato, è possibile rinominare l'esperimento archiviato durante la riattivazione passando un nuovo nome. Può essere presente un solo esperimento attivo con un nome specificato. Esempio:

      experiment1 = Experiment(workspace, "Active Experiment")
      experiment1.archive()
      # Create new active experiment with the same name as the archived.
      experiment2 = Experiment(workspace, "Active Experiment")
      experiment1.reactivate(new_name="Previous Active Experiment")
      

      L'elenco dei metodi statici () in Experiment può accettare un filtro dei nomi e un filtro ViewType. I valori ViewType sono "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL". Esempio:

      archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
      all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
      

    • Supporto per l'uso dell'ambiente per la distribuzione del modello e l'aggiornamento del servizio.

  • azureml-datadrift
    • L'attributo show della classe DataDriftDetector non supporta più l'argomento facoltativo 'with_details'. L'attributo show presenta solo il coefficiente di deriva dei dati e il contributo alla deriva dei dati delle colonne di funzionalità.
    • La funzione DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-time-none-end-time-none--run-id-none-) cambia il comportamento:
      • I parametri di input start_time, end_time sono facoltativi anziché obbligatori;
      • L'input specifico start_time e/o end_time con un run_id specifico nella stessa chiamata comporterà un'eccezione di errore del valore perché si escludono reciprocamente;
      • Per input specifico start_time e/o end_time, verranno restituiti solo i risultati delle esecuzioni pianificate;
      • Il parametro 'daily_latest_only' è deprecato.
    • Supportare il recupero degli output di Data Drift basati su set di dati.
  • azureml-explain-model
    • Aggiungere il supporto per ScoringExplainer da creare direttamente tramite MimicWrapper
  • azureml-pipeline-core
    • Miglioramento delle prestazioni per la creazione di pipeline di grandi dimensioni.
  • azureml-train-core
    • Aggiunta del supporto di TensorFlow 2.0 in TensorFlow Estimator.
  • azureml-train-automl
    • L'esecuzione padre non sarà più riuscita quando l'iterazione dell'installazione non è riuscita, perché l'orchestrazione ne gestisce già l'esecuzione.
    • Aggiunta del supporto locale-docker e local-conda per gli esperimenti AutoML
    • Aggiunta del supporto local-docker e local-conda per gli esperimenti AutoML.

2019-10-08

Nuova esperienza Web (anteprima) per le aree di lavoro di Azure Machine Learning

La scheda Esperimento nel nuovo portale dell'area di lavoro è stata aggiornata in modo che i data scientist possano monitorare gli esperimenti in modo più efficiente. È possibile esplorare le funzionalità seguenti:

• Metadati dell'esperimento per filtrare e ordinare facilmente l'elenco di esperimenti
• Pagine di dettagli dell'esperimento semplificate ed efficienti che consentono di visualizzare e confrontare le esecuzioni
• Nuova progettazione per eseguire pagine di dettagli per comprendere e monitorare le esecuzioni di training

30-09-2019

Azure Machine Learning SDK per Python v1.0.65

• Nuove funzionalità

  • Aggiunta di ambienti curati. Questi ambienti sono stati preconfigurati con librerie per attività comuni di Machine Learning e sono state precompiate e memorizzate nella cache come immagini Docker per un'esecuzione più rapida. Vengono visualizzati per impostazione predefinita nell'elenco dell'ambiente dell'area di lavoro, con prefisso "AzureML".
  • Aggiunta di ambienti curati. Questi ambienti sono stati preconfigurati con librerie per attività comuni di Machine Learning e sono state precompiate e memorizzate nella cache come immagini Docker per un'esecuzione più rapida. Vengono visualizzati per impostazione predefinita nell'elenco dell'ambiente dell'area di lavoro, con prefisso "AzureML".

• azureml-train-automl

• azureml-train-automl

  • Aggiunta del supporto per la conversione ONNX per ADB e HDI

• Funzionalità di anteprima

  • azureml-train-automl

  • azureml-train-automl

    • Bert e BiLSTM supportati come funzionalità di testo (solo anteprima)
    • Personalizzazione delle funzionalità supportata per lo scopo della colonna e i parametri del trasformatore (solo anteprima)
    • Spiegazioni non elaborate supportate quando l'utente abilita la spiegazione del modello durante il training (solo anteprima)
    • Aggiunto Profeta per timeseries la previsione come pipeline sottoponibile a training (solo anteprima)

  • azureml-contrib-datadrift

    • Pacchetti rilocati da azureml-contrib-datadrift ad azureml-datadrift; il contrib pacchetto verrà rimosso in una versione futura

• Correzioni di bug e miglioramenti

  • azureml-automl-core
    • Introduzione di FeaturizationConfig a AutoMLConfig e AutoMLBaseSettings
    • Introduzione di FeaturizationConfig a AutoMLConfig e AutoMLBaseSettings
      • Eseguire l'override dello scopo della colonna per la definizione delle caratteristiche con la colonna e il tipo di funzionalità specificati
      • Eseguire l'override dei parametri del trasformatore
    • Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations()
    • Aggiunta di Prophet come pipeline sottoponibile a training (solo anteprima)
    • Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations().
    • Aggiunta di Prophet come pipeline sottoponibile a training (solo anteprima).
    • Aggiunta del supporto per il rilevamento automatico dei lag di destinazione, delle dimensioni della finestra mobile e dell'orizzonte massimo. Se uno dei target_lags, target_rolling_window_size o max_horizon è impostato su "auto", l'euristica verrà applicata per stimare il valore del parametro corrispondente in base ai dati di training.
    • Correzione della previsione nel caso in cui il set di dati contenga una colonna di granularità, questa granularità è di un tipo numerico e si verifica un divario tra il training e il set di test
    • Correzione del messaggio di errore relativo all'indice duplicato nell'esecuzione remota nelle attività di previsione
    • Correzione della previsione nel caso in cui il set di dati contenga una colonna di granularità, questa granularità è di un tipo numerico e si verifica un divario tra il training e il set di test.
    • Correzione del messaggio di errore relativo all'indice duplicato nell'esecuzione remota nelle attività di previsione.
    • Aggiunta di una protezione per verificare se un set di dati è sbilanciato o meno. In caso affermativo, nella console verrà scritto un messaggio di protezione.
  • azureml-core
    • Aggiunta della possibilità di recuperare l'URL della firma di accesso condiviso al modello nell'archiviazione tramite l'oggetto modello. Ad esempio: model.get_sas_url()
    • Introduzione run.get_details()['datasets'] per ottenere i set di dati associati all'esecuzione inviata
    • Aggiungere l'API Dataset.Tabular.from_json_lines_files per creare un oggetto TabularDataset da file json Lines. Per informazioni su questi dati tabulari nei file JSON Lines in TabularDataset, vedere questo articolo per la documentazione.
    • Aggiunta di altri campi delle dimensioni della macchina virtuale (disco del sistema operativo, numero di GPU) alla funzione supported_vmsizes ()
    • Sono stati aggiunti altri campi alla funzione list_nodes () per visualizzare l'esecuzione, l'indirizzo IP privato e pubblico, la porta e così via.
    • Possibilità di specificare un nuovo campo durante il provisioning del cluster- remotelogin_port_public_access, che può essere impostato su abilitato o disabilitato a seconda che si voglia lasciare aperta o chiusa la porta SSH al momento della creazione del cluster. Se non viene specificato, il servizio aprirà o chiuderà la porta in modo intelligente a seconda che si distribuisca il cluster all'interno di una rete virtuale.
  • azureml-explain-model
  • azureml-core
    • Aggiunta della possibilità di recuperare l'URL della firma di accesso condiviso al modello nell'archiviazione tramite l'oggetto modello. Ad esempio: modello. get_sas_url()
    • Introdurre l'esecuzione. get_details['datasets'] per ottenere set di dati associati all'esecuzione inviata
    • Aggiungere l'API Dataset.Tabular. from_json_lines_files() per creare un oggetto TabularDataset da file json Lines. Per informazioni su questi dati tabulari nei file JSON Lines in TabularDataset, vederehttps://aka.ms/azureml-data la documentazione.
    • Aggiunta di altri campi delle dimensioni della macchina virtuale (disco del sistema operativo, numero di GPU) alla funzione supported_vmsizes()
    • Aggiunta di altri campi alla funzione list_nodes() per visualizzare l'esecuzione, il privato e l'INDIRIZZO IP pubblico, la porta e così via.
    • Possibilità di specificare un nuovo campo durante il provisioning del cluster che può essere impostato su abilitato o disabilitato a seconda che si voglia lasciare aperta o chiusa la porta SSH al momento della creazione del cluster. Se non viene specificato, il servizio aprirà o chiuderà la porta in modo intelligente a seconda che si distribuisca il cluster all'interno di una rete virtuale.
  • azureml-explain-model
    • Documentazione migliorata per gli output della spiegazione nello scenario di classificazione.
    • È stata aggiunta la possibilità di caricare i valori y stimati nella spiegazione degli esempi di valutazione. Sblocca visualizzazioni più utili.
    • Aggiunta della proprietà explainer a MimicWrapper per abilitare il recupero dell'oggetto MimicExplainer sottostante.
  • azureml-pipeline-core
    • Aggiunta del notebook per descrivere Module, ModuleVersion e ModuleStep
  • azureml-pipeline-steps
    • Aggiunta di RScriptStep per supportare l'esecuzione di script R tramite la pipeline AML.
    • Correzione dei parametri dei metadati analizzati in AzureBatchStep che causava il messaggio di errore "assegnazione per il parametro SubscriptionId non specificato".
  • azureml-train-automl
    • Training_data supportati, validation_data, label_column_name weight_column_name come formato di input dati
    • Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations()
  • azureml-pipeline-core
    • Aggiunta di un notebook per descrivere Module, [ModuleVersion e ModuleStep.
  • azureml-pipeline-steps
    • Aggiunta di RScriptStep per supportare l'esecuzione di script R tramite la pipeline AML.
    • Correzione dei parametri dei metadati analizzati in [AzureBatchStep che causava il messaggio di errore "assegnazione per il parametro SubscriptionId non specificato".
  • azureml-train-automl
    • Training_data supportati, validation_data, label_column_name, weight_column_name come formato di input dei dati.
    • Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations().

2019-09-16

Azure Machine Learning SDK per Python v1.0.62

• Nuove funzionalità

  • È stato introdotto il timeseries tratto in TabularDataset. Questo tratto consente di filtrare facilmente i timestamp sui dati di un oggetto TabularDataset, ad esempio l'acquisizione di tutti i dati tra un intervallo di tempo o i dati più recenti. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb per un notebook di esempio.

  • Abilitazione del training con TabularDataset e FileDataset.

  • azureml-train-core

    • Aggiunta Nccl e Gloo supporto in PyTorch estimator

• Correzioni e miglioramenti dei bug

  • azureml-automl-core
    • Deprecato l'impostazione AutoML 'lag_length' e LaggingTransformer.
    • Correzione della convalida corretta dei dati di input se vengono specificati in un formato flusso di dati
    • È stata modificata la fit_pipeline.py per generare il json del grafico e caricare in artefatti.
    • Eseguire il rendering del grafico in userrun usando Cytoscape.
  • azureml-core
    • È stata rivisitata la gestione delle eccezioni nel codice ADB e apportare modifiche in base alla nuova gestione degli errori
    • Aggiunta dell'autenticazione msi automatica per le macchine virtuali notebook.
    • Correzioni di bug in cui i modelli danneggiati o vuoti potrebbero essere caricati a causa di tentativi non riusciti.
    • Correzione del bug in cui DataReference il nome cambia quando la DataReference modalità cambia, ad esempio quando si chiama as_upload, as_downloado as_mount.
    • Creare mount_point e target_path facoltativo per FileDataset.mount e FileDataset.download.
    • Eccezione che non è possibile trovare la colonna timestamp verrà generata se l'API relativa alla serialità temporale viene chiamata senza una colonna timestamp fine assegnata o le colonne timestamp assegnate vengono eliminate.
    • Le colonne seriali temporali devono essere assegnate con la colonna il cui tipo è Date, in caso contrario, è previsto un'eccezione
    • Le colonne di serie temporali che assegnano l'API 'with_timestamp_columns' possono accettare il nome di colonna timestamp none valore fine/grossolano, che cancella le colonne timestamp assegnate in precedenza.
    • L'eccezione verrà generata quando viene eliminata una colonna timestamp granulare o granulare con indicazione per l'utente che l'eliminazione può essere eseguita dopo l'esclusione della colonna timestamp nell'elenco di eliminazione o chiamata with_time_stamp con valore None per rilasciare colonne timestamp
    • L'eccezione verrà generata quando la colonna timestamp con granularità grossolana o granulare non è inclusa nell'elenco colonne di conservazione con indicazione per l'utente che è possibile eseguire il mantenimento dopo aver incluso la colonna timestamp in mantenere l'elenco di colonne o chiamare with_time_stamp con Valore none per rilasciare colonne timestamp.
    • Aggiunta della registrazione per le dimensioni di un modello registrato.
  • azureml-explain-model
    • Avviso corretto stampato nella console quando il pacchetto Python "packaging" non è installato: "Uso di una versione precedente rispetto alla versione supportata di lightgbm, eseguire l'aggiornamento alla versione maggiore di 2.2.1"
    • Correzione della spiegazione del modello di download con partizionamento per spiegazioni globali con molte funzionalità
    • Correzione di esempi di inizializzazione mancanti per la spiegazione dell'output
    • Correzione di un errore non modificabile sulle proprietà impostate durante il caricamento con il client di spiegazione usando due tipi diversi di modelli
    • È stato aggiunto un get_raw param per assegnare punteggi a spiegaer.explain() in modo che un indicatore di assegnazione dei punteggi possa restituire valori ingegnerizzati e non elaborati.
  • azureml-train-automl
    • Sono state introdotte API pubbliche da AutoML per le spiegazioni di supporto da spiega SDK - Modo più recente per supportare le spiegazioni automl autoML separando la funzionalità AutoML e spiegando SDK - Supporto di spiegazione non elaborata integrata da azureml spiega SDK per i modelli AutoML.
    • Rimozione di azureml-default dagli ambienti di training remoto.
    • Modifica del percorso predefinito dell'archivio cache da FileCacheStore basato su uno a AzureFileCacheStore uno per AutoML nel percorso del codice di Azure Databricks.
    • Correzione della convalida corretta dei dati di input se vengono specificati in un formato flusso di dati
  • azureml-train-core

    • Riprecazione source_directory_data_store deprecazione.

    • Aggiunta della possibilità di eseguire l'override delle versioni del pacchetto installate di azureml.

    • Aggiunta del supporto dockerfile nel parametro in environment_definition stima.

    • Parametri di training distribuiti semplificati in stimatori.

      from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
      

2019-09-09

Nuova esperienza Web (anteprima) per le aree di lavoro di Azure Machine Learning

La nuova esperienza Web consente ai data scientist e ai data engineer di completare il ciclo di vita di Machine Learning end-to-end da prepping e visualizzazione dei dati al training e alla distribuzione di modelli in una singola posizione.

Funzionalità principali:

Usando questa nuova interfaccia di Azure Machine Learning, è ora possibile:

• Gestire i notebook o collegarsi a Jupyter
• Eseguire esperimenti di Machine Learning automatizzati
• Creare set di dati da file locali, archivi dati, & file Web
• Esplorare & i set di dati di preparazione per la creazione di modelli
• Monitorare la deriva dei dati per i modelli
• Visualizzare le risorse recenti da un dashboard

Al momento, di questa versione, sono supportati i browser seguenti: Chrome, Firefox, Safari e Microsoft Edge Preview.

Problemi noti:

1. Aggiornare il browser se viene visualizzato "Qualcosa è andato male! Errore durante il caricamento dei file di blocco" quando la distribuzione è in corso.

2. Non è possibile eliminare o rinominare il file in Notebook e File. Durante l'anteprima pubblica è possibile usare l'interfaccia utente di Jupyter o il terminale nella macchina virtuale notebook per eseguire operazioni di aggiornamento dei file. Poiché si tratta di un file system di rete montato, tutte le modifiche apportate nella macchina virtuale notebook vengono immediatamente riflesse nell'area di lavoro Notebook.

3. Per SSH nella macchina virtuale notebook:

   1. Trovare le chiavi SSH create durante l'installazione della macchina virtuale. In alternativa, trovare le chiavi nell'area di lavoro > di Azure Machine Learning aprire la scheda > Calcolo individuare la macchina virtuale notebook nell'elenco > aprire le relative proprietà: copiare le chiavi dalla finestra di dialogo.
   2. Importare tali chiavi SSH pubbliche e private nel computer locale.
   3. Usarli per SSH nella macchina virtuale notebook.

2019-09-03

Azure Machine Learning SDK per Python v1.0.60

• Nuove funzionalità

  • Introdotto FileDataset, che fa riferimento a singoli o più file negli archivi dati o negli URL pubblici. I file possono essere di qualsiasi formato. FileDataset offre la possibilità di scaricare o montare i file nel calcolo.
  • Aggiunta del supporto di Pipeline Yaml per PythonScript Step, Adla Step, Databricks Step, DataTransferStep e Passaggio di AzureBatch

• Correzioni e miglioramenti dei bug

  • azureml-automl-core

    • AutoArima è ora una pipeline suggerita solo per l'anteprima.
    • Miglioramento della segnalazione degli errori per la previsione.
    • È stata migliorata la registrazione usando eccezioni personalizzate anziché generiche nelle attività di previsione.
    • Rimosso il controllo in max_concurrent_iterations per essere minore del numero totale di iterazioni.
    • I modelli AutoML ora restituiscono AutoMLExceptions
    • Questa versione migliora le prestazioni di esecuzione delle esecuzioni locali di Machine Learning automatizzate.

  • azureml-core

    • Introdurre Dataset.get_all(area di lavoro), che restituisce un dizionario di TabularDataset oggetti e FileDataset chiave in base al nome della registrazione.

    workspace = Workspace.from_config()
    all_datasets = Dataset.get_all(workspace)
    mydata = all_datasets['my-data']
    

    • Introduzione parition_format come argomento a Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. Le informazioni di partizione di ogni percorso dati verranno estratte in colonne in base al formato specificato. '{column_name}' crea una colonna stringa e '{column_name:y/MM/dd/HH/mm/ss}' crea una colonna datetime, dove 'y', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per estrarre anno, mese, giorno, ora, minuto e secondo per il tipo datetime. Il partition_format deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato il percorso '.. /USA/2019/01/01/data.csv' dove la partizione è per paese/area geografica e ora, partition_format='/{Country}/{PartitionDate:yy/MM/dd}/data.csv' crea una colonna stringa 'Country' con valore 'USA' e colonna datetime 'PartitionDate' con valore '2019-01-01'.

      workspace = Workspace.from_config()
      all_datasets = Dataset.get_all(workspace)
      mydata = all_datasets['my-data']
      

    • Introduzione partition_format come argomento a Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. Le informazioni di partizione di ogni percorso dati verranno estratte in colonne in base al formato specificato. '{column_name}' crea una colonna stringa e '{column_name:y/MM/dd/HH/mm/ss}' crea una colonna datetime, dove 'y', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per estrarre anno, mese, giorno, ora, minuto e secondo per il tipo datetime. Il partition_format deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato il percorso '.. /USA/2019/01/01/data.csv' dove la partizione è per paese/area geografica e ora, partition_format='/{Country}/{PartitionDate:yy/MM/dd}/data.csv' crea una colonna stringa 'Country' con valore 'USA' e colonna datetime 'PartitionDate' con valore '2019-01-01'.

    • to_csv_files e to_parquet_files i metodi sono stati aggiunti a TabularDataset. Questi metodi consentono la conversione tra un e un TabularDatasetFileDataset convertendo i dati in file del formato specificato.

    • Accedere automaticamente al Registro immagini di base quando si salva un Dockerfile generato da Model.package().

    • "gpu_support" non è più necessario; AML rileva automaticamente e usa l'estensione nvidia docker quando è disponibile. Verrà rimosso in una versione futura.

    • Aggiunta del supporto per creare, aggiornare e usare PipelineDrafts.

    • Questa versione migliora le prestazioni di esecuzione delle esecuzioni locali di Machine Learning automatizzate.

    • Gli utenti possono eseguire query sulle metriche dalla cronologia di esecuzione in base al nome.

    • È stata migliorata la registrazione usando eccezioni personalizzate anziché generiche nelle attività di previsione.

  • azureml-explain-model

    • Aggiunto feature_maps parametro al nuovo MimicWrapper, consentendo agli utenti di ottenere spiegazioni di funzionalità non elaborate.
    • I caricamenti dei set di dati sono ora disattivati per impostazione predefinita per il caricamento della spiegazione e possono essere riattivati con upload_datasets=True
    • Aggiunta di parametri di filtro "is_law" per elencare e scaricare le funzioni.
    • Aggiunge il metodo get_raw_explanation(feature_maps) agli oggetti di spiegazione globale e locale.
    • Aggiunta del controllo della versione a lightgbm con avviso stampato se la versione seguente è supportata
    • Utilizzo ottimizzato della memoria durante l'invio in batch di spiegazioni
    • I modelli AutoML ora restituiscono AutoMLExceptions

  • azureml-pipeline-core

    • Aggiunta del supporto per creare, aggiornare e usare PipelineDrafts: può essere usato per mantenere definizioni di pipeline modificabili e usarle in modo interattivo per l'esecuzione

  • azureml-train-automl

    • Funzionalità creata per installare versioni specifiche di pytorch con supporto per GPU v1.1.0, cuda toolkit 9.0, pytorch-transformers, che è necessario per abilitare BERT/ XLNet nell'ambiente di runtime Python remoto.

  • azureml-train-core

    • Errore anticipato di alcuni errori di definizione dello spazio degli iperparametri direttamente nell'SDK anziché sul lato server.

Azure Machine Learning Data Prep SDK v1.1.14

• Correzioni di bug e miglioramenti
  • Abilitata la scrittura in ADLS/ADLSGen2 usando il percorso non elaborato e le credenziali.
  • Correzione di un bug che causava include_path=True l'errore per read_parquet.
  • Correzione to_pandas_dataframe() dell'errore causato dall'eccezione "Valore della proprietà non valido: hostSecret".
  • Correzione di un bug per cui i file non potevano essere letti in DBFS in modalità Spark.

2019-08-19

Azure Machine Learning SDK per Python v1.0.57

• Nuove funzionalità

  • Abilitato TabularDataset per l'utilizzo da AutomatedML. Per altre informazioni su TabularDataset, visitarehttps://aka.ms/azureml/howto/createdatasets.

• Correzioni di bug e miglioramenti

  • azure-cli-ml
    • È ora possibile aggiornare il certificato TLS/SSL per l'endpoint di assegnazione dei punteggi distribuito nel cluster del servizio Azure Kubernetes sia per il certificato generato da Microsoft che per il certificato del cliente.
  • azureml-automl-core
    • È stato risolto un problema in AutoML per cui le righe con etichette mancanti non venivano rimosse correttamente.
    • Miglioramento della registrazione degli errori in AutoML; i messaggi di errore completi verranno scritti sempre nel file di log.
    • AutoML ha aggiornato l'aggiunta del pacchetto per includere azureml-defaults, azureml-explain-modele azureml-dataprep. AutoML non visualizzerà più avvisi in caso di mancata corrispondenza del pacchetto (ad eccezione del azureml-train-automl pacchetto).
    • È stato risolto un problema a timeseries causa del quale le divisioni cv sono di dimensioni diverse, causando l'esito negativo del calcolo del bin.
    • Durante l'esecuzione dell'iterazione ensemble per il tipo di training Di convalida incrociata, se si è verificato un problema durante il download dei modelli sottoposti a training sull'intero set di dati, si verificava una incoerenza tra i pesi del modello e i modelli inseriti nell'insieme di voti.
    • Correzione dell'errore, generato durante il training e/o le etichette di convalida (y e y_valid) sotto forma di dataframe pandas, ma non come matrice numpy.
    • Correzione del problema relativo alle attività di previsione quando None è stato rilevato nelle colonne booleane delle tabelle di input.
    • Consentire agli utenti autoML di eliminare le serie di training che non sono sufficienti durante la previsione. - Consente agli utenti autoML di eliminare grani dal set di test che non esiste nel set di training durante la previsione.
  • azureml-core
    • Correzione del problema relativo all'ordinamento dei parametri blob_cache_timeout.
    • Aggiunta di tipi di eccezione di adattamento esterno e trasformazione agli errori di sistema.
    • Aggiunta del supporto per Key Vault segreti per le esecuzioni remote. Aggiungere una azureml.core.keyvault.Keyvault classe per aggiungere, ottenere ed elencare i segreti dall'insieme di credenziali delle chiavi associato all'area di lavoro. Le operazioni supportate sono:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.keyvault.Keyvault.set_secret(name, value)
      • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
      • azureml.core.keyvault.Keyvault.get_secret(nome)
      • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
      • azureml.core.keyvault.Keyvault.list_secrets()
      • Altri metodi per ottenere l'insieme di credenziali delle chiavi predefinite e ottenere segreti durante l'esecuzione remota:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.run.Run.get_secret(nome)
      • azureml.core.run.Run.get_secrets(secrets_list)
    • Aggiunta di altri parametri di override per il comando dell'interfaccia della riga di comando submit-hyperdrive.
    • Migliorare l'affidabilità delle chiamate API espandendo i tentativi alle eccezioni comuni della libreria delle richieste.
    • Aggiungere il supporto per l'invio di esecuzioni da un'esecuzione inviata.
    • Correzione del problema di token di firma di accesso condiviso in scadenza in FileWatcher, che causava l'arresto del caricamento dei file dopo la scadenza del token iniziale.
    • Supporto dell'importazione di file CSV/tsv HTTP nel set di dati Python SDK.
    • Deprecato il metodo Workspace.setup(). Il messaggio di avviso visualizzato agli utenti suggerisce invece l'uso di create() o get()/from_config().
    • Aggiunta di Environment.add_private_pip_wheel(), che consente di caricare pacchetti whlPython personalizzati privati nell'area di lavoro e di usarli in modo sicuro per compilare/materializzare l'ambiente.
    • È ora possibile aggiornare il certificato TLS/SSL per l'endpoint di assegnazione dei punteggi distribuito nel cluster del servizio Azure Kubernetes sia per il certificato generato da Microsoft che per il certificato del cliente.
  • azureml-explain-model
    • Aggiunta del parametro per aggiungere un ID modello alle spiegazioni al caricamento.
    • Aggiunta dell'assegnazione is_raw di tag alle spiegazioni in memoria e caricamento.
    • Aggiunta del supporto e dei test pytorch per il pacchetto azureml-explain-model.
  • azureml-opendatasets
    • Supporto per il rilevamento e la registrazione dell'ambiente di test automatico.
    • Aggiunte classi per ottenere la popolazione degli Stati Uniti per contea e zip.
  • azureml-pipeline-core
    • Aggiunta della proprietà label alle definizioni di porta di input e output.
  • azureml-telemetry
    • Correzione di una configurazione di telemetria non corretta.
  • azureml-train-automl
    • Correzione del bug a causa del quale si è verificato un errore durante l'installazione, l'errore non è stato registrato nel campo "errori" per l'esecuzione dell'installazione e pertanto non è stato archiviato nell'esecuzione padre "errori".
    • È stato risolto un problema in AutoML per cui le righe con etichette mancanti non venivano rimosse correttamente.
    • Consentire agli utenti di AutoML di eliminare serie di training che non sono sufficientemente lunghe durante la previsione.
    • Consentire agli utenti autoML di eliminare grani dal set di test che non esiste nel set di training durante la previsione.
    • AutoMLStep passa ora la automl configurazione al back-end per evitare eventuali problemi di modifiche o aggiunte di nuovi parametri di configurazione.
    • AutoML Data Guardrail è ora disponibile in anteprima pubblica. L'utente visualizzerà un report di Data Guardrail (per le attività di classificazione/regressione) dopo il training e sarà anche in grado di accedervi tramite l'API SDK.
  • azureml-train-core
    • Aggiunta del supporto di torch 1.2 in PyTorch Estimator.
  • azureml-widgets
    • Miglioramento dei grafici matrice di confusione per il training della classificazione.

Azure Machine Learning Data Prep SDK v1.1.12

• Nuove funzionalità

  • Gli elenchi di stringhe possono ora essere passati come input ai read_* metodi.

• Correzioni di bug e miglioramenti

  • Le prestazioni di read_parquet sono state migliorate durante l'esecuzione in Spark.
  • È stato risolto un problema a causa del quale column_type_builder non è stato possibile trovare una singola colonna con formati di data ambigui.

Portale di Azure

• Funzionalità di anteprima
  • Il flusso di file di log e di output è ora disponibile per le pagine dei dettagli dell'esecuzione. Il flusso dei file viene aggiornato in tempo reale quando l'interruttore di anteprima è attivato.
  • La possibilità di impostare la quota a livello di area di lavoro viene rilasciata in anteprima. Le quote AmlCompute vengono allocate a livello di sottoscrizione, ma ora è possibile distribuire tale quota tra le aree di lavoro e allocarla per la condivisione e la governance equa. È sufficiente fare clic sul pannello Utilizzo e quote nella barra di spostamento a sinistra dell'area di lavoro e selezionare la scheda Configura quote . È necessario essere un amministratore della sottoscrizione per poter impostare le quote a livello di area di lavoro perché si tratta di un'operazione tra aree di lavoro.

2019-08-05

Azure Machine Learning SDK per Python v1.0.55

• Nuove funzionalità

  • L'autenticazione basata su token è ora supportata per le chiamate effettuate all'endpoint di assegnazione dei punteggi distribuito nel servizio Azure Kubernetes. Continuiamo a supportare l'autenticazione basata su chiave corrente e gli utenti possono usare uno di questi meccanismi di autenticazione alla volta.
  • Possibilità di registrare un archivio BLOB protetto dalla rete virtuale come archivio dati.

• Correzioni di bug e miglioramenti

  • azureml-automl-core
    • Corregge un bug in cui le dimensioni di convalida per le divisioni CV sono piccole e generano grafici stimati non corretti rispetto ai veri grafici per la regressione e la previsione.
    • La registrazione delle attività di previsione sulle esecuzioni remote è migliorata, ora l'utente viene fornito un messaggio di errore completo se l'esecuzione non è riuscita.
    • Correzione degli errori di Timeseries se il flag di pre-elaborazione è True.
    • Sono stati resi più interattivi alcuni messaggi di errore di convalida dei dati di previsione.
    • Riduzione del consumo di memoria delle esecuzioni AutoML eliminando e/o caricando differito di set di dati, soprattutto tra i processi generati
  • azureml-contrib-explain-model
    • Aggiunta del flag model_task agli strumenti di spiegazione per consentire all'utente di eseguire l'override della logica di inferenza automatica predefinita per il tipo di modello
    • Modifiche ai widget: viene installato automaticamente con contrib, non più nbextension installazione/abilitazione- spiegazione del supporto con importanza globale delle funzionalità (ad esempio, Permutative)
    • Modifiche del dashboard: - Tracciati box e tracciati di violino oltre a tracciare beeswarm nella pagina di riepilogo - Ripetizione più rapida del tracciato sul dispositivo di beeswarm scorrimento "Top -k" - Messaggio utile che spiega come viene calcolato top-k - Messaggi personalizzabili utili al posto dei grafici quando i dati non forniti
  • azureml-core
    • Aggiunta del metodo Model.package() per creare immagini Docker e Dockerfile che incapsulano modelli e le relative dipendenze.
    • Aggiornamento dei servizi Web locali per accettare InferenceConfigs contenente oggetti Environment.
    • Correzione di Model.register() che genera modelli non validi quando '.' (per la directory corrente) viene passato come parametro model_path.
    • Aggiungere Run.submit_child, la funzionalità esegue il mirroring di Experiment.submit specificando l'esecuzione come elemento padre dell'esecuzione figlio inviata.
    • Supportare le opzioni di configurazione da Model.register in Run.register_model.
    • Possibilità di eseguire processi JAR nel cluster esistente.
    • Supporta ora i parametri instance_pool_id e cluster_log_dbfs_path.
    • Aggiunta del supporto per l'uso di un oggetto Environment durante la distribuzione di un modello in un servizio Web. L'oggetto Environment può ora essere fornito come parte dell'oggetto InferenceConfig.
    • Aggiungere il mapping appinsifht per le nuove aree - centralus - westus - northcentralus
    • Aggiunta della documentazione per tutti gli attributi in tutte le classi dell'archivio dati.
    • Aggiunta del parametro blob_cache_timeout a Datastore.register_azure_blob_container.
    • Aggiunta di metodi save_to_directory e load_from_directory ad azureml.core.environment.Environment.
    • Aggiunti i comandi "az ml environment download" e "az ml environment register" all'interfaccia della riga di comando.
    • Aggiunta del metodo Environment.add_private_pip_wheel.
  • azureml-explain-model
    • Aggiunta del rilevamento del set di dati alle spiegazioni usando il servizio Set di dati (anteprima).
    • Riduzione delle dimensioni batch predefinite quando si esegue lo streaming di spiegazioni globali da 10.000 a 100.
    • Aggiunta model_task flag agli strumenti di spiegazione per consentire all'utente di eseguire l'override della logica di inferenza automatica predefinita per il tipo di modello.
  • azureml-mlflow
    • Correzione di un bug in mlflow.azureml.build_image in cui le directory annidate vengono ignorate.
  • azureml-pipeline-steps
    • Aggiunta della possibilità di eseguire processi JAR nel cluster Azure Databricks esistente.
    • Aggiunta del supporto instance_pool_id e dei parametri cluster_log_dbfs_path per il passaggio DatabricksStep.
    • Aggiunta del supporto per i parametri della pipeline nel passaggio DatabricksStep.
  • azureml-train-automl
    • Aggiunta docstrings per i file correlati a Ensemble.
    • Documentazione aggiornata in una lingua più appropriata per max_cores_per_iteration e max_concurrent_iterations
    • La registrazione delle attività di previsione sulle esecuzioni remote è migliorata, ora l'utente viene fornito un messaggio di errore completo se l'esecuzione non è riuscita.
    • Rimosso get_data dal notebook della pipeline automlstep .
    • È stato avviato il supporto dataprep in automlstep.

Azure Machine Learning Data Prep SDK v1.1.10

• Nuove funzionalità
  • È ora possibile richiedere di eseguire controlli specifici (ad esempio, istogramma, grafico a dispersione e così via) in colonne specifiche.
  • Aggiunta di un argomento parallelizzare a append_columns. Se True, i dati vengono caricati in memoria ma l'esecuzione verrà eseguita in parallelo; se False, l'esecuzione è in streaming ma a thread singolo.

2019-07-23

Azure Machine Learning SDK per Python v1.0.53

• Nuove funzionalità

  • Machine Learning automatizzato supporta ora il training di modelli ONNX nella destinazione di calcolo remota
  • Azure Machine Learning offre ora la possibilità di riprendere il training da un'esecuzione, un checkpoint o file di modello precedenti.
    • Informazioni su come usare gli estimator per riprendere il training da un'esecuzione precedente

• Correzioni di bug e miglioramenti

  • azure-cli-ml
    • I comandi dell'interfaccia della riga di comando "model deploy" e "service update" ora accettano parametri, file di configurazione o una combinazione dei due. I parametri hanno la precedenza sugli attributi nei file.
    • La descrizione del modello può ora essere aggiornata dopo la registrazione
  • azureml-automl-core
    • Aggiornare la dipendenza NimbusML alla versione 1.2.0 (versione corrente).
    • Aggiunta del supporto per le pipeline di stima NimbusML da usare all'interno degli estimator & AutoML.
    • Correzione di un bug nella procedura di selezione ensemble che stava aumentando inutilmente l'insieme risultante anche se i punteggi sono rimasti costanti.
    • Abilitare il riutilizzo di alcune funzionalità tra divisioni CV per le attività di previsione. Ciò accelera il runtime dell'installazione eseguita approssimativamente da un fattore di n_cross_validations per le funzionalità costose, ad esempio lag e le finestre in sequenza.
    • Risoluzione di un problema se il timeout non è compreso nell'intervallo di tempo supportato da Pandas. Viene ora generata un'eccezione DataException se time è minore di pd. Timestamp.min o maggiore di pd. Timestamp.max
    • La previsione consente ora frequenze diverse nei set di training e test se possono essere allineate. Ad esempio, "trimestrale a partire da gennaio" e "trimestrale a partire da ottobre" può essere allineato.
    • La proprietà "parameters" è stata aggiunta a TimeSeriesTransformer.
    • Rimuovere le classi di eccezioni precedenti.
    • Nelle attività di previsione il target_lags parametro accetta ora un singolo valore intero o un elenco di numeri interi. Se è stato specificato l'intero, viene creato un solo ritardo. Se viene specificato un elenco, verranno acquisiti i valori univoci dei lag. target_lags=[1, 2, 2, 4] creerà ritardi di uno, due e quattro periodi.
    • Correzione del bug relativo alla perdita di tipi di colonne dopo la trasformazione (bug collegato);
    • In model.forecast(X, y_query)consentire y_query essere un tipo di oggetto contenente Nessuno all'inizio (#459519).
    • Aggiungere i valori previsti all'output automl
  • azureml-contrib-datadrift
    • Miglioramenti al notebook di esempio, incluso il passaggio ad azureml-opendatasets anziché azureml-contrib-opendatasets e miglioramenti delle prestazioni durante l'arricchimento dei dati
  • azureml-contrib-explain-model
    • Argomento delle trasformazioni fisse per lo strumento di spiegazione LIME per l'importanza delle funzionalità non elaborate nel pacchetto azureml-contrib-explain-model
    • Aggiunta di segmentazioni alle spiegazioni delle immagini nello strumento di spiegazione delle immagini per il pacchetto AzureML-contrib-explain-model
    • Aggiungere il supporto scipy sparse per LimeExplainer
    • Aggiunta batch_size per simulare lo strumento di spiegazione quando include_local=False, per lo streaming di spiegazioni globali in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel
  • azureml-contrib-featureengineering
    • Correzione per la chiamata di set_featurizer_timeseries_params(): modifica del tipo di valore dict e controllo null - Aggiungere notebook per timeseries le funzionalità
    • Aggiornare la dipendenza NimbusML alla versione 1.2.0 (versione corrente).
  • azureml-core
    • Aggiunta della possibilità di collegare archivi dati DBFS nell'interfaccia della riga di comando di Azure Machine Learning
    • Correzione del bug relativo al caricamento dell'archivio dati in cui viene creata una cartella vuota se target_path avviata con /
    • Correzione del deepcopy problema in ServicePrincipalAuthentication.
    • Aggiunti i comandi "az ml environment show" e "az ml environment list" all'interfaccia della riga di comando.
    • Gli ambienti ora supportano la specifica di un base_dockerfile come alternativa a un base_image già compilato.
    • L'impostazione RunConfiguration inutilizzata auto_prepare_environment è stata contrassegnata come deprecata.
    • La descrizione del modello può ora essere aggiornata dopo la registrazione
    • Correzione di bug: l'eliminazione del modello e dell'immagine fornisce ora altre informazioni sul recupero di oggetti upstream che dipendono da essi se l'eliminazione non riesce a causa di una dipendenza upstream.
    • Correzione di un bug per cui è stata stampata una durata vuota per le distribuzioni che si verificano durante la creazione di un'area di lavoro per alcuni ambienti.
    • Eccezioni di errore migliorate per la creazione dell'area di lavoro. In modo che gli utenti non visualizzino "Impossibile creare l'area di lavoro. Impossibile trovare..." come messaggio e visualizzare invece l'errore di creazione effettivo.
    • Aggiungere il supporto per l'autenticazione token nei servizi Web del servizio Azure Kubernetes.
    • Aggiungere get_token() il metodo agli Webservice oggetti.
    • Aggiunta del supporto dell'interfaccia della riga di comando per gestire i set di dati di Machine Learning.
    • Datastore.register_azure_blob_container facoltativamente accetta un blob_cache_timeout valore (in secondi) che configura i parametri di montaggio di BLOBfuse per abilitare la scadenza della cache per questo archivio dati. Il valore predefinito non è un timeout, ad esempio quando un BLOB viene letto, rimane nella cache locale fino al termine del processo. La maggior parte dei processi preferisce questa impostazione, ma alcuni processi devono leggere più dati da un set di dati di grandi dimensioni che si adattano ai relativi nodi. Per questi processi, l'ottimizzazione di questo parametro consente di riuscire. Prestare attenzione all'ottimizzazione di questo parametro: l'impostazione del valore troppo bassa può comportare prestazioni scarse, poiché i dati usati in un'epoca potrebbero scadere prima di essere usati di nuovo. Tutte le letture vengono eseguite dall'archiviazione BLOB o dalla rete anziché dalla cache locale, che influiscono negativamente sui tempi di training.
    • La descrizione del modello può ora essere aggiornata correttamente dopo la registrazione
    • L'eliminazione del modello e dell'immagine fornisce ora altre informazioni sugli oggetti upstream che dipendono da essi, che causano l'esito negativo dell'eliminazione
    • Migliorare l'utilizzo delle risorse delle esecuzioni remote usando azureml.mlflow.
  • azureml-explain-model
    • Correzione degli argomenti delle trasformazioni per lo strumento di spiegazione LIME per l'importanza della funzionalità non elaborata nel pacchetto azureml-contrib-explain-model
    • aggiungere il supporto scipy sparse per LimeExplainer
    • wrapper lineare della forma aggiunta e un altro livello di spiegazione tabulare per spiegare i modelli lineari
    • per lo strumento di spiegazione simula nella libreria dei modelli, è stato risolto un errore quando include_local=False per l'input dei dati sparse
    • aggiungere valori previsti all'output automl
    • correzione dell'importanza della funzionalità permutazione quando gli argomenti delle trasformazioni forniti per ottenere l'importanza della funzionalità non elaborata
    • aggiunto batch_size per simulare la spiegazione quando include_local=False, per le spiegazioni globali di streaming in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel
    • per la libreria di spiegazioni del modello, gli strumenti di spiegazione di blackbox fissi in cui è necessario l'input del dataframe pandas per la stima
    • Correzione di un bug in cui explanation.expected_values a volte restituisce un float anziché un elenco con un float.
  • azureml-mlflow
    • Migliorare le prestazioni dei mlflow.set_experiment(experiment_name)
    • Correzione di bug in uso di InteractiveLoginAuthentication per mlflow tracking_uri
    • Migliorare l'utilizzo delle risorse delle esecuzioni remote usando azureml.mlflow.
    • Migliorare la documentazione del pacchetto azureml-mlflow
    • Bug di patch in cui mlflow.log_artifacts("my_dir") salva gli artefatti my_dir/<artifact-paths> invece di <artifact-paths>
  • azureml-opendatasets
    • Aggiungere pyarrow a versioni precedenti (<0.14.0) a causa del opendatasets problema di memoria appena introdotto.
    • Spostare azureml-contrib-opendatasets in azureml-opendatasets.
    • Consente di registrare le classi aperte del set di dati nell'area di lavoro di Azure Machine Learning e di usare senza problemi le funzionalità del set di dati AML.
    • Migliorare in modo significativo le prestazioni di NoaaIsdWeather nella versione non SPARK.
  • azureml-pipeline-steps
    • L'archivio dati DBFS è ora supportato per input e output in DatabricksStep.
    • Documentazione aggiornata per Azure Batch Passaggio relativo agli input/output.
    • In AzureBatchStep è stato modificato delete_batch_job_after_finish valore predefinito su true.
  • azureml-telemetry
    • Spostare azureml-contrib-opendatasets in azureml-opendatasets.
    • Consente di registrare le classi aperte del set di dati nell'area di lavoro di Azure Machine Learning e di usare senza problemi le funzionalità del set di dati AML.
    • Migliorare in modo significativo le prestazioni di NoaaIsdWeather nella versione non SPARK.
  • azureml-train-automl
    • Documentazione aggiornata su get_output per riflettere il tipo restituito effettivo e fornire altre note sul recupero delle proprietà della chiave.
    • Aggiornare la dipendenza NimbusML alla versione 1.2.0 (versione corrente).
    • aggiungere valori previsti all'output automl
  • azureml-train-core
    • Le stringhe sono ora accettate come destinazione di calcolo per l'ottimizzazione automatica degli iperparametri
    • L'impostazione RunConfiguration non utilizzata auto_prepare_environment è stata contrassegnata come deprecata.

Azure Machine Learning Data Prep SDK v1.1.9

• Nuove funzionalità

  • Aggiunta del supporto per la lettura di un file direttamente da un URL http o https.

• Correzioni e miglioramenti dei bug

  • Messaggio di errore migliorato quando si tenta di leggere un set di dati Parquet da un'origine remota (che non è attualmente supportata).
  • Correzione di un bug durante la scrittura in formato di file Parquet in ADLS Gen 2 e l'aggiornamento del nome del contenitore ADLS Gen 2 nel percorso.

2019-07-09

Interfaccia visiva

• Funzionalità di anteprima
  • Aggiunto il modulo "Esegui script R" nell'interfaccia visiva.

Azure Machine Learning SDK per Python v1.0.48

• Nuove funzionalità

  • azureml-opendatasets
    • azureml-contrib-opendatasets è ora disponibile come azureml-opendatasets. Il pacchetto precedente può comunque funzionare, ma è consigliabile usare azureml-opendatasets in avanti per funzionalità e miglioramenti più avanzati.
    • Questo nuovo pacchetto consente di registrare set di dati aperti come set di dati nell'area di lavoro di Azure Machine Learning e di usare le funzionalità offerte dal set di dati.
    • Include anche funzionalità esistenti, ad esempio l'utilizzo di set di dati aperti come dataframe Pandas/SPARK, e i join di posizione per alcuni set di dati come il meteo.

• Funzionalità di anteprima

  • HyperDriveConfig può ora accettare l'oggetto pipeline come parametro per supportare l'ottimizzazione degli iperparametri usando una pipeline.

• Correzioni e miglioramenti dei bug

  • azureml-train-automl
    • Correzione del bug relativo alla perdita di tipi di colonne dopo la trasformazione.
    • Correzione del bug per consentire y_query essere un tipo di oggetto contenente Nessuno all'inizio.
    • È stato risolto il problema nella procedura di selezione dell'ensemble che stava aumentando inutilmente l'insieme risultante anche se i punteggi rimanevano costanti.
    • È stato risolto il problema con consenti list_models e blocca le impostazioni di list_models in AutoMLStep.
    • È stato risolto il problema che impediva l'utilizzo della pre-elaborazione quando AutoML sarebbe stato usato nel contesto di Azure Machine Learning Pipelines.
  • azureml-opendatasets
    • Spostato azureml-contrib-opendatasets in azureml-opendatasets.
    • È possibile registrare classi aperte del set di dati nell'area di lavoro di Azure Machine Learning e usare facilmente le funzionalità del set di dati AML.
    • Migliorato NoaaIsdWeather arricchire notevolmente le prestazioni in versione non SPARK.
  • azureml-explain-model
    • Documentazione online aggiornata per gli oggetti di interpretazione.
    • Aggiunta batch_size per simulare la spiegazione quando include_local=False, per le spiegazioni globali di streaming in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel per la libreria di spiegazioni dei modelli.
    • Risolto il problema per cui explanation.expected_values a volte restituirebbe un float anziché un elenco con un float in esso.
    • Aggiunta di valori previsti per automl l'output per lo strumento di spiegazione simula nella libreria dei modelli.
    • Correzione dell'importanza della funzionalità permutazione quando gli argomenti delle trasformazioni forniti per ottenere l'importanza della funzionalità non elaborata.
  • azureml-core
    • Aggiunta della possibilità di collegare archivi dati DBFS nell'interfaccia della riga di comando di Azure Machine Learning.
    • È stato risolto il problema relativo al caricamento dell'archivio dati in cui viene creata una cartella vuota se target_path è stata avviata con /.
    • Confronto abilitato di due set di dati.
    • L'eliminazione del modello e dell'immagine fornisce ora altre informazioni sul recupero di oggetti upstream che dipendono da essi se l'eliminazione ha esito negativo a causa di una dipendenza upstream.
    • Deprecato l'impostazione RunConfiguration inutilizzata in auto_prepare_environment.
  • azureml-mlflow
    • Miglioramento dell'utilizzo delle risorse delle esecuzioni remote che usano azureml.mlflow.
    • Migliorata la documentazione del pacchetto azureml-mlflow.
    • È stato risolto il problema a causa del quale mlflow.log_artifacts("my_dir") salvare gli artefatti in "my_dir/artifact-paths" anziché "artifact-paths".
  • azureml-pipeline-core
    • Il parametro hash_paths per tutti i passaggi della pipeline è deprecato e verrà rimosso in futuro. Per impostazione predefinita, il contenuto della source_directory viene hashato (ad eccezione dei file elencati in .amlignore o .gitignore)
    • Miglioramento continuo del modulo e del moduloStep per supportare moduli specifici del tipo di calcolo, per preparare l'integrazione di RunConfiguration e altre modifiche per sbloccare l'utilizzo di moduli specifici del tipo di calcolo nelle pipeline.
  • azureml-pipeline-steps
    • AzureBatchStep: documentazione migliorata sugli input/output.
    • AzureBatchStep: modificata delete_batch_job_after_finish valore predefinito su true.
  • azureml-train-core
    • Le stringhe vengono ora accettate come destinazione di calcolo per l'ottimizzazione automatica degli iperparametri.
    • Deprecato l'impostazione RunConfiguration inutilizzata in auto_prepare_environment.
    • Parametri deprecati conda_dependencies_file_path e pip_requirements_file_path rispettivamente a favore di conda_dependencies_file e pip_requirements_file .
  • azureml-opendatasets
    • Migliorare le prestazioni di NoaaIsdWeather in modo significativo nella versione non SPARK.

2019-04-26

Azure Machine Learning SDK per Python v1.0.33 rilasciato.

• I modelli con accelerazione hardware di Azure Machine Learning in FPGA sono disponibili a livello generale.
  • È ora possibile usare il pacchetto azureml-accel-models per:
    • Eseguire il training dei pesi di una rete neurale profonda supportata (ResNet 50, ResNet 152, DenseNet-121, VGG-16 e SSD-VGG)
    • Usare l'apprendimento per il trasferimento con la rete neurale neurale neurale supportata
    • Registrare il modello con il servizio Di gestione modelli e inserire il modello in un contenitore
    • Distribuire il modello in una macchina virtuale di Azure con fpga in un cluster servizio Azure Kubernetes del servizio Azure Kubernetes
  • Distribuire il contenitore in un dispositivo server Azure Stack Edge
  • Assegnare un punteggio ai dati con l'endpoint gRPC con questo esempio

Machine Learning automatizzato

• Sweep delle funzionalità per abilitare l'aggiunta dinamica per l'ottimizzazione featurizers delle prestazioni. Nuovo featurizers: incorporamenti di lavoro, peso dell'evidenza, codifiche di destinazione, codifica di destinazione del testo, distanza del cluster

• Smart CV per gestire le divisioni di training/valide all'interno di MACHINE Learning automatizzato

• Poche modifiche all'ottimizzazione della memoria e miglioramento delle prestazioni del runtime

• Miglioramento delle prestazioni nella spiegazione del modello

• Conversione del modello ONNX per l'esecuzione locale

• Aggiunta del supporto per subcampionamento

• Arresto intelligente quando non sono definiti criteri di uscita

• Insiemi in pila

• Previsione di serie temporali

  • Nuova funzione predict forecast
  • È ora possibile usare la convalida incrociata dell'origine in sequenza sui dati delle serie temporali
  • Nuove funzionalità aggiunte per configurare i ritardi delle serie temporali
  • Nuove funzionalità aggiunte per supportare le funzionalità di aggregazione delle finestre in sequenza
  • Nuovo rilevamento delle festività e funzionalità quando il codice paese/area geografica è definito nelle impostazioni dell'esperimento

• Azure Databricks

  • Funzionalità di previsione e interpretazione delle serie temporali abilitate
  • È ora possibile annullare e riprendere (continuare) esperimenti di Machine Learning automatizzati
  • Aggiunta del supporto per l'elaborazione multicore

MLOps

• Debug della distribuzione & locale per i contenitori di assegnazione dei punteggi
  È ora possibile distribuire un modello di Machine Learning in locale ed eseguire rapidamente l'iterazione nel file di assegnazione dei punteggi e nelle dipendenze per assicurarsi che si comportino come previsto.

• Introdotto InferenceConfig & Model.deploy()
  La distribuzione del modello supporta ora la specifica di una cartella di origine con uno script di immissione, uguale a RunConfig. Inoltre, la distribuzione del modello è stata semplificata con un singolo comando.

• Rilevamento dei riferimenti Git
  I clienti hanno richiesto funzionalità di integrazione Git di base per un certo periodo di tempo, perché consente di mantenere un audit trail completo. È stato implementato il rilevamento tra le entità principali in Azure Machine Learning per i metadati correlati a Git (repository, commit, stato pulito). Queste informazioni verranno raccolte automaticamente dall'SDK e dall'interfaccia della riga di comando.

• Servizio di convalida della profilatura dei modelli &
  I clienti spesso lamentano la difficoltà di ridimensionare correttamente il calcolo associato al servizio di inferenza. Con il servizio di profilatura del modello, il cliente può fornire input di esempio e viene profilato in 16 configurazioni di CPU/memoria diverse per determinare il dimensionamento ottimale per la distribuzione.

• Usare un'immagine di base personalizzata per l'inferenza
  Un altro reclamo comune era la difficoltà di passare dalla sperimentazione alla condivisione delle dipendenze RE di inferenza. Con la nuova funzionalità di condivisione delle immagini di base, è ora possibile riutilizzare le immagini di base della sperimentazione, le dipendenze e tutte per l'inferenza. Ciò dovrebbe velocizzare le distribuzioni e ridurre il divario dal ciclo interno al ciclo esterno.

• Miglioramento dell'esperienza di generazione dello schema Swagger
  Il metodo di generazione di swagger precedente era soggetto a errori e impossibile da automatizzare. È disponibile un nuovo modo in linea per generare schemi swagger da qualsiasi funzione Python tramite decorator. Questo codice è open source e il protocollo di generazione dello schema non è associato alla piattaforma Azure Machine Learning.

• L'interfaccia della riga di comando di Azure Machine Learning è disponibile a livello generale
  I modelli possono ora essere distribuiti con un singolo comando dell'interfaccia della riga di comando. È stato ricevuto un feedback comune dei clienti che nessuno distribuisce un modello di Machine Learning da un notebook di Jupyter. La documentazione di riferimento dell'interfaccia della riga di comando è stata aggiornata.

2019-04-22

Rilasciato Azure Machine Learning SDK per Python v1.0.30.

È PipelineEndpoint stato introdotto per aggiungere una nuova versione di una pipeline pubblicata mantenendo lo stesso endpoint.

15-04-2019

Portale di Azure

• È ora possibile inviare di nuovo un script esistente in un cluster di calcolo remoto esistente.
• È ora possibile eseguire una pipeline pubblicata con nuovi parametri nella scheda Pipeline.
• Ora i dettagli dell'esecuzione supportano un nuovo visualizzatore di file snapshot. È possibile visualizzare uno snapshot della directory quando è stata inviata un'esecuzione specifica. È anche possibile scaricare il notebook inviato per avviare l'esecuzione.
• È ora possibile annullare le esecuzioni padre dal portale di Azure.

2019-04-08

Azure Machine Learning SDK per Python v1.0.23

• Nuove funzionalità
  • Azure Machine Learning SDK supporta ora Python 3.7.
  • Gli estimatori DNN di Azure Machine Learning offrono ora il supporto predefinito per più versioni. Ad esempio, TensorFlow estimator accetta ora un framework_version parametro e gli utenti possono specificare la versione '1.10' o '1.12'. Per un elenco delle versioni supportate dalla versione corrente dell'SDK, chiamare get_supported_versions() sulla classe framework desiderata , ad esempio TensorFlow.get_supported_versions(). Per un elenco delle versioni supportate dalla versione più recente dell'SDK, vedere la documentazione di DNN Estimator.

25/03/2019

Azure Machine Learning SDK per Python v1.0.21

• Nuove funzionalità
  • Il metodo azureml.core.Run.create_children consente la creazione a bassa latenza di più esecuzioni figlio con una singola chiamata.

2019-03-11

Azure Machine Learning SDK per Python v1.0.18

• Modifiche
  • Il pacchetto azureml-tensorboard sostituisce azureml-contrib-tensorboard.
  • Con questa versione, è possibile configurare un account utente nel cluster di calcolo gestito (amlcompute), durante la creazione. Questa operazione può essere eseguita passando queste proprietà nella configurazione del provisioning. Per altre informazioni, vedere la documentazione di riferimento dell'SDK.

Azure Machine Learning Data Prep SDK v1.0.17

• Nuove funzionalità

  • Supporta ora l'aggiunta di due colonne numeriche per generare una colonna risultante usando il linguaggio delle espressioni.

• Correzioni di bug e miglioramenti

  • Miglioramento della documentazione e del controllo dei parametri per random_split.

27-02-2019

Azure Machine Learning Data Prep SDK v1.0.16

• Correzione di bug
  • Correzione di un problema di autenticazione dell'entità servizio causato da una modifica dell'API.

2019-02-25

Azure Machine Learning SDK per Python v1.0.17

• Nuove funzionalità

  • Azure Machine Learning offre ora il supporto di prima classe per il noto framework DNN Chainer. L'uso di Chainer utenti di classi può eseguire facilmente il training e la distribuzione di modelli Chainer.
    • Informazioni su come eseguire l'ottimizzazione degli iperparametri con Chainer con HyperDrive
  • Le pipeline di Azure Machine Learning hanno aggiunto la possibilità di attivare un'esecuzione della pipeline in base alle modifiche dell'archivio dati. Il notebook della pianificazione della pipeline viene aggiornato per presentare questa funzionalità.

• Correzioni di bug e miglioramenti

  • È stato aggiunto il supporto nelle pipeline di Azure Machine Learning per impostare la proprietà source_directory_data_store su un archivio dati desiderato (ad esempio un archivio BLOB) in RunConfigurations fornito a PythonScriptStep. Per impostazione predefinita, i passaggi usano l'archivio file di Azure come archivio dati di backup, che può verificarsi problemi di limitazione quando viene eseguito simultaneamente un numero elevato di passaggi.

Portale di Azure

• Nuove funzionalità
  • Nuova esperienza nell'editor di tabelle di trascinamento della selezione per i report. Gli utenti possono trascinare una colonna dall'area della tabella all'area della tabella in cui verrà visualizzata un'anteprima della tabella. Le colonne possono essere riorganiizzate.
  • Nuovo visualizzatore di file di log
  • Collegamenti a esecuzioni di esperimenti, calcolo, modelli, immagini e distribuzioni dalla scheda attività

Passaggi successivi

Leggere la panoramica di Azure Machine Learning.