core Pacchetto

Contiene pacchetti, moduli e classi di base per Azure Machine Learning.

Le aree principali includono la gestione delle destinazioni di calcolo, la creazione/gestione di aree di lavoro e esperimenti e l'invio/accesso alle esecuzioni del modello e l'esecuzione di output/registrazione.

Pacchetti

compute	Questo pacchetto contiene classi usate per gestire le destinazioni di calcolo in Azure Machine Learning. Per altre informazioni sulla scelta di destinazioni di calcolo per il training e la distribuzione, vedere Che cosa sono le destinazioni di calcolo in Azure Machine Learning?
image	Contiene funzionalità per la gestione delle immagini distribuite come endpoint servizio Web in Azure Machine Learning. Questa classe è DEPRECATA. Utilizzare invece la classe Environment. Un'immagine viene usata per distribuire un Modelfile , uno script e i file associati come endpoint servizio Web o dispositivo IoT Edge. L'endpoint gestisce le richieste di assegnazione dei punteggi in ingresso e restituisce stime. Le classi chiave di questo pacchetto sono la Image classe , la classe padre delle immagini di Azure Machine Learning e la classe derivata ContainerImage per le immagini Docker e le immagini di anteprima come FPGA. A meno che non si disponga di un flusso di lavoro che richiede in modo specifico l'uso delle immagini, è consigliabile usare la classe per definire l'immagine Environment . È quindi possibile usare l'oggetto Environment con il Model deploy() metodo per distribuire il modello come servizio Web. È anche possibile usare il metodo Model package() per creare un'immagine che può essere scaricata nell'installazione docker locale come immagine o come Dockerfile. Per informazioni sull'uso della classe Model, vedere Distribuire modelli con Azure Machine Learning. Per informazioni sull'uso di immagini personalizzate, vedere Distribuire un modello usando un'immagine di base Docker personalizzata.
webservice	Contiene funzionalità per la distribuzione di modelli di Machine Learning come endpoint servizio Web in Azure Machine Learning. La distribuzione di un modello di Azure Machine Learning come servizio Web crea un endpoint e un'API REST. È possibile inviare dati a questa API per ottenere la stima restituita dal modello. Si crea un servizio Web quando si distribuisce o Model Image in Istanze di Azure Container (aci modulo), servizio Azure Kubernetes (aks modulo) e endpoint di Azure Kubernetes (AksEndpoint) o array di gate programmabili sul campo (FPGA). La distribuzione con un modello è consigliata per la maggior parte dei casi d'uso, mentre la distribuzione con un'immagine è consigliata per i casi d'uso avanzati. Entrambi i tipi di distribuzione sono supportati nelle classi di questo modulo.

Moduli

authentication	Contiene funzionalità per la gestione di diversi tipi di autenticazione in Azure Machine Learning. Tipi di autenticazione supportati: Accesso interattivo: modalità predefinita quando si usa Azure Machine Learning SDK. Usa un dialogo interattivo. Interfaccia della riga di comando di Azure: per l'uso con il pacchetto azure-cli . Entità servizio: per l'uso con flussi di lavoro automatizzati di Machine Learning. IDENTITÀ del servizio gestito: per l'uso con asset abilitati per l'identità del servizio gestita, ad esempio con una macchina virtuale di Azure. Token di Azure ML: usato per l'acquisizione di token di Azure ML solo per le esecuzioni inviate. Per altre informazioni su questi meccanismi di autenticazione, vedere https://aka.ms/aml-notebook-auth.
compute_target	Contiene funzionalità per le destinazioni di calcolo non gestite da Azure Machine Learning. Le destinazioni di calcolo definiscono l'ambiente di calcolo di training e possono essere risorse locali o remote nel cloud. Le risorse remote consentono di aumentare o aumentare facilmente le prestazioni della sperimentazione di Machine Learning sfruttando le funzionalità di elaborazione della CPU e della GPU accelerate. Per informazioni sulle destinazioni di calcolo gestite da Azure Machine Learning, vedere la ComputeTarget classe . Per altre informazioni, vedere Che cosa sono le destinazioni di calcolo in Azure Machine Learning?
conda_dependencies	Contiene funzionalità per la gestione delle dipendenze dell'ambiente conda. Usare la CondaDependencies classe per caricare i file di ambiente conda esistenti e configurare e gestire nuovi ambienti in cui vengono eseguiti gli esperimenti.
container_registry	Contiene funzionalità per la gestione di un Registro Azure Container.
databricks	Contiene funzionalità per la gestione degli ambienti Databricks in Azure Machine Learning. Per altre informazioni sull'uso di Databricks in Azure Machine Learning, vedere Configurare un ambiente di sviluppo per Azure Machine Learning.
dataset	Gestisce l'interazione con i set di dati di Azure Machine Learning. Questo modulo fornisce funzionalità per l'utilizzo di dati non elaborati, la gestione dei dati e l'esecuzione di azioni sui dati in Azure Machine Learning. Usare la Dataset classe in questo modulo per creare set di dati insieme alla funzionalità nel data pacchetto, che contiene le classi di FileDataset supporto e TabularDataset. Per iniziare a usare i set di dati, vedere l'articolo Aggiungere e registrare set di dati.
datastore	Contiene funzionalità per la gestione degli archivi dati in Azure Machine Learning.
environment	Contiene funzionalità per la creazione e la gestione di ambienti riproducibili in Azure Machine Learning. Gli ambienti offrono un modo per gestire le dipendenze software in modo che gli ambienti controllati siano riproducibili con una configurazione manuale minima durante lo spostamento tra ambienti di sviluppo cloud locali e distribuiti. Un ambiente incapsula pacchetti Python, variabili di ambiente, impostazioni software per script di training e assegnazione dei punteggi e tempi di esecuzione in Python, Spark o Docker. Per altre informazioni sull'uso degli ambienti per il training e la distribuzione con Azure Machine Learning, vedere Creare e gestire ambienti riutilizzabili.
experiment	Contiene funzionalità usate per inviare esperimenti e gestire la cronologia degli esperimenti in Azure Machine Learning.
keyvault	Contiene funzionalità per la gestione dei segreti nell'insieme di credenziali delle chiavi associato a un'area di lavoro di Azure Machine Learning. Questo modulo contiene metodi pratici per aggiungere, recuperare, eliminare ed elencare segreti da Azure Key Vault associato a un'area di lavoro.
linked_service	Contiene funzionalità per la creazione e la gestione del servizio collegato nell'area di lavoro AML.
model	Contiene funzionalità per la gestione dei modelli di Machine Learning in Azure Machine Learning. Con la Model classe è possibile eseguire le attività principali seguenti: registrare il modello con un'area di lavoro profilare il modello per comprendere i requisiti di distribuzione creare un pacchetto del modello da usare con Docker distribuire il modello in un endpoint di inferenza come servizio Web Per altre informazioni sull'uso dei modelli, vedere Funzionamento di Azure Machine Learning: Architettura e concetti.
private_endpoint	Contiene funzionalità per la definizione e la configurazione di endpoint privati di Azure.
profile	Contiene funzionalità per la profilatura dei modelli in Azure Machine Learning.
resource_configuration	Contiene funzionalità per la gestione della configurazione delle risorse per le entità di Azure Machine Learning.
run	Contiene funzionalità per la gestione delle metriche e degli artefatti dell'esperimento in Azure Machine Learning.
runconfig	Contiene funzionalità per la gestione della configurazione delle esecuzioni dell'esperimento in Azure Machine Learning. La classe chiave in questo modulo è RunConfiguration, che incapsula le informazioni necessarie per inviare un'esecuzione di training in una destinazione di calcolo specificata. La configurazione include un'ampia serie di definizioni di comportamento, ad esempio se usare un ambiente Python esistente oppure un ambiente Conda compilato a partire da una specifica. È possibile accedere ad altre classi di configurazione nel modulo tramite RunConfiguration.
script_run	Contiene funzionalità per la gestione delle esecuzioni di training inviate in Azure Machine Learning.
script_run_config	Contiene funzionalità per gestire la configurazione per l'invio di esecuzioni di training in Azure Machine Learning.
util	Contiene la classe per specificare il livello di dettaglio della registrazione.
workspace	Contiene funzionalità per la gestione di un'area di lavoro, la risorsa di primo livello in Azure Machine Learning. Questo modulo contiene la Workspace classe e i relativi metodi e attributi che consentono di gestire artefatti di Machine Learning come destinazioni di calcolo, ambienti, archivi dati, esperimenti e modelli. Un'area di lavoro è associata a una sottoscrizione di Azure e a un gruppo di risorse ed è il mezzo principale per la fatturazione. Le aree di lavoro supportano il controllo degli accessi in base al ruolo di Azure Resource Manager e l'affinità di area per tutti i dati di Machine Learning salvati nell'area di lavoro.

Classi

ComputeTarget	Classe padre astratta per tutte le destinazioni di calcolo gestite da Azure Machine Learning. Una destinazione di calcolo è una risorsa/ambiente di calcolo designato in cui si esegue lo script di training o si ospita la distribuzione del servizio. Questo percorso può essere il computer locale o una risorsa di calcolo basata sul cloud. Per altre informazioni, vedere Che cosa sono le destinazioni di calcolo in Azure Machine Learning? Costruttore ComputeTarget della classe. Recuperare una rappresentazione cloud di un oggetto Compute associato all'area di lavoro specificata. Restituisce un'istanza di una classe figlio corrispondente al tipo specifico dell'oggetto Compute recuperato.
ContainerRegistry	Definisce una connessione a un Registro Azure Container. Costruttore Class ContainerRegistry.
Dataset	Rappresenta una risorsa per l'esplorazione, la trasformazione e la gestione dei dati in Azure Machine Learning. Un set di dati è un riferimento ai dati in un Datastore URL Web pubblico o sottostante. Per i metodi deprecati in questa classe, controllare AbstractDataset la presenza delle API migliorate nella classe . Sono supportati i tipi di set di dati seguenti: TabularDataset rappresenta i dati in formato di tabella creati analizzando il file o l'elenco di file fornito. FileDataset fa riferimento a uno o più file in archivi dati o di URL pubblici. Per iniziare a usare i set di dati, vedere l'articolo Aggiungere e registrare set di dati oppure vedere i notebook https://aka.ms/tabulardataset-samplenotebook e https://aka.ms/filedataset-samplenotebook. Inizializzare l'oggetto Dataset. Per ottenere un set di dati già registrato nell'area di lavoro, usare il metodo get.
Datastore	Rappresenta un'astrazione di archiviazione su un account di archiviazione di Azure Machine Learning. Gli archivi dati vengono collegati alle aree di lavoro e vengono usati per archiviare le informazioni di connessione ai servizi di archiviazione di Azure, in modo da poterli fare riferimento in base al nome e non è necessario ricordare le informazioni di connessione e il segreto usati per connettersi ai servizi di archiviazione. Esempi di servizi di archiviazione di Azure supportati che possono essere registrati come archivi dati sono: Contenitore BLOB di Azure Condivisione file di Azure Azure Data Lake Azure Data Lake Gen2 Database SQL di Microsoft Azure Database di Azure per PostgreSQL File system di Databricks Database di Azure per MySQL Usare questa classe per eseguire operazioni di gestione, tra cui registrare, elencare, ottenere e rimuovere archivi dati. Gli archivi dati per ogni servizio vengono creati con i register* metodi di questa classe. Quando si usa un archivio dati per accedere ai dati, è necessario disporre dell'autorizzazione per accedere a tali dati, che dipende dalle credenziali registrate nell'archivio dati. Per altre informazioni sugli archivi dati e su come possono essere usati in Machine Learning, vedere gli articoli seguenti: Accedere ai dati nei servizi di archiviazione di Azure Eseguire il training di modelli con Azure Machine Learning usando estimator Creare ed eseguire pipeline di Machine Learning Ottenere un archivio dati in base al nome. Questa chiamata effettuerà una richiesta al servizio di archiviazione dati.
Environment	Configura un ambiente Python riproducibile per gli esperimenti di Machine Learning. Un ambiente definisce pacchetti Python, variabili di ambiente e impostazioni Docker usati negli esperimenti di Machine Learning, tra cui preparazione dei dati, training e distribuzione in un servizio Web. Un ambiente viene gestito e sottoposto a controllo delle versioni in un'istanza di Azure Machine Learning Workspace. È possibile aggiornare un ambiente esistente e recuperare una versione da riutilizzare. Gli ambienti sono esclusivi dell'area di lavoro in cui vengono creati e non possono essere usati in aree di lavoro diverse. Per altre informazioni sugli ambienti, vedere Creare e gestire ambienti riutilizzabili. Costruttore Dell'ambiente di classe.
Experiment	Rappresenta il punto di ingresso principale per la creazione e l'uso di esperimenti in Azure Machine Learning. Un esperimento è un contenitore di versioni di valutazione che rappresentano più esecuzioni di modelli. Costruttore dell'esperimento.
Image	Definisce la classe padre astratta per le immagini di Azure Machine Learning. Questa classe è DEPRECATA. Utilizzare invece la classe Environment. Costruttore di immagine. Questa classe è DEPRECATA. Utilizzare invece la classe Environment. Il costruttore di immagine viene usato per recuperare una rappresentazione cloud di un oggetto Image associato all'area di lavoro specificata. Restituisce un'istanza di una classe figlio corrispondente al tipo specifico dell'oggetto Image recuperato.
Keyvault	Gestisce i segreti archiviati nell'insieme di credenziali delle chiavi di Azure associato a un'area di lavoro di Azure Machine Learning. Ogni area di lavoro di Azure Machine Learning ha un insieme di credenziali delle chiavi di Azure associato. La classe Keyvault è un wrapper semplificato di Azure Key Vault che consente di gestire i segreti nell'insieme di credenziali delle chiavi, tra cui l'impostazione, il recupero, l'eliminazione e l'elenco dei segreti. Usare la classe Keyvault per passare i segreti alle esecuzioni remote in modo sicuro senza esporre informazioni riservate in testo non crittografato. Per altre informazioni, vedere Uso dei segreti nelle esecuzioni di training. Costruttore Keyvault della classe.
LinkedService	Nota Si tratta di una classe sperimentale e può cambiare in qualsiasi momento. Per altre informazioni, vedere https://aka.ms/azuremlexperimental. Definisce una risorsa per la gestione del collegamento tra un'area di lavoro AML e altri servizi in Azure. Inizializzare l'oggetto LinkedService.
Model	Rappresenta il risultato del training di Machine Learning. Un modello è il risultato di un training Run di Azure Machine Learning o di un altro processo di training del modello all'esterno di Azure. Indipendentemente dalla modalità di produzione del modello, può essere registrata in un'area di lavoro, dove è rappresentata da un nome e da una versione. Con la classe Model è possibile creare un pacchetto di modelli da usare con Docker e distribuirli come endpoint in tempo reale che può essere usato per le richieste di inferenza. Per un'esercitazione end-to-end che illustra come vengono creati, gestiti e usati i modelli, vedere Eseguire il training del modello di classificazione delle immagini con i dati MNIST e scikit-learn usando Azure Machine Learning. Costruttore del modello. Il costruttore Model viene usato per recuperare una rappresentazione cloud di un oggetto Model associato all'area di lavoro specificata. Specificare il nome o l'ID.
PrivateEndPoint	Definisce un endpoint privato per la gestione delle connessioni endpoint private associate a un'area di lavoro di Azure ML. Inizializzare PrivateEndPoint.
PrivateEndPointConfig	Definisce la configurazione per un endpoint privato di Azure. Endpoint privato di Azure è un'interfaccia di rete che connette privatamente e in modo sicuro a un'area di lavoro di Azure ML con collegamento privato. Inizializzare PrivateEndPointConfig.
Run	Definisce la classe base per tutte le esecuzioni dell'esperimento di Azure Machine Learning. Un'esecuzione rappresenta una singola versione di valutazione di un esperimento. Le esecuzioni vengono usate per monitorare l'esecuzione asincrona di una versione di valutazione, le metriche di log e l'archiviazione dell'output della versione di valutazione e per analizzare i risultati e accedere agli artefatti generati dalla versione di valutazione. Gli oggetti run vengono creati quando si invia uno script per eseguire il training di un modello in molti scenari diversi in Azure Machine Learning, incluse le esecuzioni di HyperDrive, le esecuzioni della pipeline e l'esecuzione di AutoML. Un oggetto Run viene creato anche quando si submit o start_logging con la Experiment classe . Per iniziare a usare esperimenti ed esecuzioni, vedere Creare e gestire gli ambienti per il training e la distribuzione Come gestire le esecuzioni Inizializzare l'oggetto Run.
RunConfiguration	Rappresenta la configurazione per le esecuzioni dell'esperimento destinate a destinazioni di calcolo diverse in Azure Machine Learning. L'oggetto RunConfiguration incapsula le informazioni necessarie per inviare un'esecuzione di training in un esperimento. In genere, non si creerà direttamente un oggetto RunConfiguration, ma ne verrà ottenuto uno da un metodo che lo restituisce, ad esempio il submit metodo della Experiment classe . RunConfiguration è una configurazione di ambiente di base usata anche in altri tipi di passaggi di configurazione che dipendono dal tipo di esecuzione che si sta attivando. Ad esempio, quando si configura un PythonScriptStepoggetto , è possibile accedere all'oggetto RunConfiguration del passaggio e configurare le dipendenze Conda o accedere alle proprietà dell'ambiente per l'esecuzione. Per esempi di configurazioni di esecuzione, vedere Selezionare e usare una destinazione di calcolo per eseguire il training del modello. Inizializzare un oggetto RunConfiguration con le impostazioni predefinite.
ScriptRun	Fornisce l'accesso a livello di codice per la gestione delle esecuzioni di training inviate. Un'esecuzione inviata con ScriptRunConfig rappresenta una singola versione di valutazione in un esperimento. L'invio dell'esecuzione restituisce un oggetto ScriptRun, che può essere usato per monitorare l'esecuzione asincrona dell'esecuzione, le metriche di log e archiviare l'output dell'esecuzione e analizzare i risultati e accedere agli artefatti generati dall'esecuzione. Per iniziare a usare esperimenti e ScriptRunConf, vedere Creare e gestire gli ambienti per il training e la distribuzione Come gestire le esecuzioni Costruttore Class ScriptRun.
ScriptRunConfig	Rappresenta le informazioni di configurazione per l'invio di un'esecuzione di training in Azure Machine Learning. Uno ScriptRunConfig raggruppa le informazioni di configurazione necessarie per inviare un'esecuzione in Azure ML, inclusi lo script, la destinazione di calcolo, l'ambiente e tutte le configurazioni specifiche del processo distribuite. Dopo la configurazione e l'invio submitdi un'esecuzione di script con , viene restituito un oggetto ScriptRun . Costruttore Class ScriptRunConfig.
SynapseWorkspaceLinkedServiceConfiguration	Nota Si tratta di una classe sperimentale e può cambiare in qualsiasi momento. Per altre informazioni, vedere https://aka.ms/azuremlexperimental. Definisce una configurazione del servizio collegato per il collegamento dell'area di lavoro synapse. Inizializzare l'oggetto SynapseWorkspaceLinkedServiceConfiguration.
Webservice	Definisce le funzionalità di base per la distribuzione di modelli come endpoint servizio Web in Azure Machine Learning. Il costruttore del servizio Web viene usato per recuperare una rappresentazione cloud di un oggetto servizio Web associato all'area di lavoro specificata. Restituisce un'istanza di una classe figlio corrispondente al tipo specifico dell'oggetto Webservice recuperato. La classe Webservice consente di distribuire modelli di Machine Learning da un Model oggetto o Image . Per altre informazioni sull'uso del servizio Web, vedere Distribuire modelli con Azure Machine Learning. Inizializzare l'istanza del servizio Web. Il costruttore webservice recupera una rappresentazione cloud di un oggetto Servizio Web associato all'area di lavoro specificata. Restituisce un'istanza di una classe figlio corrispondente al tipo specifico dell'oggetto Webservice recuperato.
Workspace	Definisce una risorsa di Azure Machine Learning per la gestione di artefatti di training e distribuzione. Un'area di lavoro è una risorsa fondamentale per l'apprendimento automatico in Azure Machine Learning. Si usa un'area di lavoro per sperimentare, eseguire il training e distribuire modelli di Machine Learning. Ogni area di lavoro è associata a una sottoscrizione di Azure e a un gruppo di risorse e ha uno SKU associato. Per altre informazioni sulle aree di lavoro, vedere: Che cos'è un'area di lavoro di Azure Machine Learning? Gestire l'accesso a un'area di lavoro Costruttore dell'area di lavoro della classe per caricare un'area di lavoro di Azure Machine Learning esistente.
diagnostic_log	Indirizza i log di debug a un file specificato.

Funzioni

attach_legacy_compute_target

Collega una destinazione di calcolo a questo progetto.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parametri

Nome	Descrizione
experiment Necessario	Experiment
source_directory Necessario	str
compute_target Necessario	str Oggetto di destinazione di calcolo da collegare.

Restituisce

Tipo	Descrizione
	Nessuno se il collegamento ha esito positivo, in caso contrario genera un'eccezione.

get_run

Ottenere l'esecuzione per questo esperimento con il relativo ID esecuzione.

get_run(experiment, run_id, rehydrate=True, clean_up=True)

Parametri

Nome	Descrizione
experiment Necessario	Experiment Oggetto contenente l'esperimento.
run_id Necessario	string ID esecuzione.
rehydrate	<xref:boolean> Indica se l'oggetto run originale viene restituito o semplicemente un oggetto di esecuzione di base. Se True, questa funzione restituisce il tipo di oggetto run originale. Ad esempio, per un'esecuzione AutoML, viene restituito un AutoMLRun oggetto, mentre per un'esecuzione di HyperDrive viene restituito un HyperDriveRun oggetto . Se False, la funzione restituisce un Run oggetto . Valore predefinito: True
clean_up	bool Se true, chiamare _register_kill_handler da run_base Valore predefinito: True

Restituisce

Tipo	Descrizione
Run	Esecuzione inviata.

is_compute_target_prepared

Verificare che la destinazione di calcolo sia preparata.

Verifica se la destinazione di calcolo, specificata in run_config, è già preparata o meno per la configurazione di esecuzione specificata.

is_compute_target_prepared(experiment, source_directory, run_config)

Parametri

Nome	Descrizione
experiment Necessario	Experiment
source_directory Necessario	str
run_config Necessario	str oppure RunConfiguration Configurazione di esecuzione. Può trattarsi di un nome di configurazione di esecuzione, come stringa o di un oggetto azureml.core.runconfig.RunConfiguration.

Restituisce

Tipo	Descrizione
bool	True, se la destinazione di calcolo è preparata.

prepare_compute_target

Preparare la destinazione di calcolo.

Installa tutti i pacchetti necessari per un'esecuzione dell'esperimento in base a run_config e custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Parametri

Nome	Descrizione
experiment Necessario	Experiment
source_directory Necessario	str
run_config Necessario	str oppure RunConfiguration Configurazione di esecuzione. Può trattarsi di un nome di configurazione di esecuzione, come stringa o di un oggetto azureml.core.runconfig.RunConfiguration.

Restituisce

Tipo	Descrizione
ScriptRun	Oggetto run

remove_legacy_compute_target

Rimuovere una destinazione di calcolo dal progetto.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parametri

Nome	Descrizione
experiment Necessario	Experiment
source_directory Necessario	str
compute_target_name Necessario	str

Restituisce

Tipo	Descrizione
None	Nessuno se la rimozione della destinazione di calcolo ha esito positivo, altrimenti genera un'eccezione.