Pipeline Classe

Rappresenta una raccolta di passaggi che possono essere eseguiti come flusso di lavoro riutilizzabile di Azure Machine Learning.

Usare una pipeline per creare e gestire flussi di lavoro che raggruppano varie fasi di Machine Learning. Ogni fase di Machine Learning, ad esempio la preparazione dei dati e il training del modello, può essere costituita da uno o più passaggi in una pipeline.

Per una panoramica del motivo e del momento in cui usare pipeline, vedere https://aka.ms/pl-concept.

Per una panoramica sulla creazione di una pipeline, vedere https://aka.ms/pl-first-pipeline.

Inizializzare la pipeline.

Costruttore

Pipeline(workspace, steps, description=None, default_datastore=None, default_source_directory=None, resolve_closure=True, _workflow_provider=None, _service_endpoint=None, **kwargs)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui inviare la pipeline.
steps Necessario	list Elenco dei passaggi da eseguire come parte di una pipeline.
description Necessario	str Descrizione della pipeline.
default_datastore Necessario	AbstractAzureStorageDatastore oppure AzureDataLakeDatastore Archivio dati predefinito da usare per le connessioni dati.
default_source_directory Necessario	str Directory di script predefinita per i passaggi che eseguono uno script.
resolve_closure Necessario	bool Se risolvere o meno la chiusura (portare automaticamente i passaggi dipendenti).
workspace Necessario	Workspace Area di lavoro in cui inviare la pipeline.
steps Necessario	list Elenco dei passaggi da eseguire come parte di una pipeline.
description Necessario	str Descrizione della pipeline.
default_datastore Necessario	AbstractAzureStorageDatastore oppure AzureDataLakeDatastore Archivio dati predefinito da usare per le connessioni dati.
default_source_directory Necessario	str Directory di script predefinita per i passaggi che eseguono uno script.
resolve_closure Necessario	bool Se risolvere o meno la chiusura (portare automaticamente passaggi dipendenti).
_workflow_provider Necessario	<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider> Provider del flusso di lavoro, se non ne viene creato nessuno.
_service_endpoint Necessario	str L'endpoint del servizio, se None viene determinato usando l'area di lavoro.
kwargs Necessario	dict Argomenti di parole chiave personalizzati, riservati per lo sviluppo futuro

Commenti

Viene creata una pipeline con un elenco di passaggi e un'area di lavoro. Esistono diversi tipi di passaggi che possono essere usati in una pipeline. Si selezionerà il tipo di passaggio in base al proprio scenario di Machine Learning.

• Le pipeline di Azure Machine Learning offrono procedure predefinite per scenari comuni. I passaggi predefiniti derivati da PipelineStep sono passaggi usati in una pipeline. Per esempi, vedere il steps pacchetto e la AutoMLStep classe .

• Se l'uso del flusso di lavoro di Machine Learning richiede la creazione di passaggi che possono essere creati e usati in pipeline diverse, usare la funzionalità nel Module modulo.

Inviare una pipeline usando submit. Quando viene chiamato submit, viene creato un oggetto PipelineRun che a sua volta crea StepRun oggetti per ogni passaggio del flusso di lavoro. Usare questi oggetti per monitorare l'esecuzione dell'esecuzione.

Un esempio per inviare una pipeline è il seguente:

   from azureml.pipeline.core import Pipeline

   pipeline = Pipeline(workspace=ws, steps=steps)
   pipeline_run = experiment.submit(pipeline)

Esistono diverse impostazioni facoltative per una pipeline che può essere specificata per l'invio submitin .

• continue_on_step_failure: indica se continuare l'esecuzione della pipeline in caso di errore di un passaggio; il valore predefinito è False. Se True, solo i passaggi che non hanno alcuna dipendenza dall'output del passaggio non riuscito continueranno a essere eseguiti.

• regenerate_outputs: indica se forzare la rigenerazione di tutti gli output dei passaggi e non consentire il riutilizzo dei dati per questa esecuzione, il valore predefinito è False.

• pipeline_parameters: parametri per l'esecuzione della pipeline, dizionario di {name: value}. Per altri dettagli, vedere PipelineParameter.

• parent_run_id: è possibile specificare un ID esecuzione per impostare l'esecuzione padre di questa pipeline, che si riflette in RunHistory. L'esecuzione padre deve appartenere allo stesso esperimento a cui viene inviata la pipeline.

Un esempio per inviare una pipeline usando queste impostazioni è la seguente:

   from azureml.pipeline.core import Pipeline

   pipeline = Pipeline(workspace=ws, steps=steps)
   pipeline_run = experiment.submit(pipeline,
                                    continue_on_step_failure=True,
                                    regenerate_outputs=True,
                                    pipeline_parameters={"param1": "value1"},
                                    parent_run_id="<run_id>")

Metodi

load_yaml	Caricare una pipeline dal file YAML specificato. È possibile usare un file YAML per descrivere una pipeline costituita da ModuleSteps.
publish	Pubblicare una pipeline e renderla disponibile per la riesecuzione. Dopo la pubblicazione di una pipeline, può essere inviata senza il codice Python che ha costruito la pipeline. Restituisce l'oggetto creato PublishedPipeline.
service_endpoint	Ottenere l'endpoint di servizio associato alla pipeline.
submit	Inviare un'esecuzione della pipeline. Equivale all'uso submitdi . Restituisce l'oggetto inviato PipelineRun. Utilizzare questo oggetto per monitorare e visualizzare i dettagli dell'esecuzione.
validate	Convalidare una pipeline e identificare potenziali errori, ad esempio input non connessi.

load_yaml

Caricare una pipeline dal file YAML specificato.

È possibile usare un file YAML per descrivere una pipeline costituita da ModuleSteps.

static load_yaml(workspace, filename, _workflow_provider=None, _service_endpoint=None)

Parametri

Nome	Descrizione
workspace Necessario	Workspace Area di lavoro in cui inviare la pipeline.
filename Necessario	str File YAML che descrive la pipeline.
_workflow_provider	<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider> Provider del flusso di lavoro. Valore predefinito: None
_service_endpoint	str L'endpoint del servizio, se None, viene determinato usando l'area di lavoro. Valore predefinito: None

Restituisce

Tipo	Descrizione
Pipeline	Pipeline costruita.

Commenti

Vedere di seguito per un esempio di file YAML. YAML contiene un nome, default_compute e elenchi di parametri, riferimenti ai dati e passaggi per la pipeline. Ogni passaggio deve specificare i binding di modulo, calcolo e parametro, input e output. Inoltre, è possibile specificare un elemento runconfig e argomenti di passaggio, se necessario.

File Yaml di esempio:

   pipeline:
       description: SamplePipelineFromYaml
       parameters:
           NumIterationsParameter:
               type: int
               default: 40
           DataPathParameter:
               type: datapath
               default:
                   datastore: workspaceblobstore
                   path_on_datastore: sample2.txt
           NodeCountParameter:
               type: int
               default: 4
       data_references:
           DataReference:
               datastore: workspaceblobstore
               path_on_datastore: testfolder/sample.txt
           Dataset:
               dataset_name: 'titanic'
       default_compute: aml-compute
       steps:
           PrepareStep:
               type:  ModuleStep
               name: "TestModule"
               compute: aml-compute2
               runconfig: 'D:\.azureml\default_runconfig.yml'
               arguments:
               -'--input1'
               -input:in1
               -'--input2'
               -input:in2
               -'--input3'
               -input:in3
               -'--output'
               -output:output_data
               -'--param'
               -parameter:NUM_ITERATIONS
               parameters:
                   NUM_ITERATIONS:
                       source: NumIterationsParameter
               inputs:
                   in1:
                       source: Dataset
                       bind_mode: mount
                   in2:
                       source: DataReference
                   in3:
                       source: DataPathParameter
               outputs:
                   output_data:
                       destination: Output1
                       datastore: workspaceblobstore
                       bind_mode: mount
           TrainStep:
               type: ModuleStep
               name: "TestModule2"
               version: "2"
               runconfig: 'D:\.azureml\default_runconfig.yml'
               arguments:
               -'--input'
               -input:train_input
               -'--output'
               -output:result
               -'--param'
               -parameter:NUM_ITERATIONS
               parameters:
                   NUM_ITERATIONS: 10
               runconfig_parameters:
                   NodeCount:
                       source: NodeCountParameter
               inputs:
                   train_input:
                       source: Output1
                       bind_mode: mount
               outputs:
                   result:
                       destination: Output2
                       datastore: workspaceblobstore
                       bind_mode: mount

publish

Pubblicare una pipeline e renderla disponibile per la riesecuzione.

Dopo la pubblicazione di una pipeline, può essere inviata senza il codice Python che ha costruito la pipeline. Restituisce l'oggetto creato PublishedPipeline.

publish(name=None, description=None, version=None, continue_on_step_failure=None)

Parametri

Nome	Descrizione
name	str Nome della pipeline pubblicata. Valore predefinito: None
description	str Descrizione della pipeline pubblicata. Valore predefinito: None
version	str Versione della pipeline pubblicata. Valore predefinito: None
continue_on_step_failure	bool Indica se continuare l'esecuzione di altri passaggi in PipelineRun se un passaggio ha esito negativo; il valore predefinito è false. Se True, solo i passaggi che non hanno alcuna dipendenza dall'output del passaggio non riuscito continueranno a essere eseguiti. Valore predefinito: None

Restituisce

Tipo	Descrizione
PublishedPipeline	Creazione della pipeline pubblicata.

service_endpoint

Ottenere l'endpoint di servizio associato alla pipeline.

service_endpoint()

Restituisce

Tipo	Descrizione
str	Endpoint del servizio.

submit

Inviare un'esecuzione della pipeline. Equivale all'uso submitdi .

Restituisce l'oggetto inviato PipelineRun. Utilizzare questo oggetto per monitorare e visualizzare i dettagli dell'esecuzione.

submit(experiment_name, pipeline_parameters=None, continue_on_step_failure=False, regenerate_outputs=False, parent_run_id=None, credential_passthrough=None, **kwargs)

Parametri

Nome	Descrizione
experiment_name Necessario	str Nome dell'esperimento in cui inviare la pipeline.
pipeline_parameters	dict Parametri per l'esecuzione della pipeline, dizionario di {name: value}. Per altri dettagli, vedere PipelineParameter. Valore predefinito: None
continue_on_step_failure	bool Indica se continuare l'esecuzione della pipeline se un passaggio ha esito negativo. Se True, solo i passaggi che non hanno alcuna dipendenza dall'output del passaggio non riuscito continueranno a essere eseguiti. Valore predefinito: False
regenerate_outputs	bool Indica se forzare la rigenerazione di tutti gli output dei passaggi e non consentire il riutilizzo dei dati per questa esecuzione. Se False, questa esecuzione può riutilizzare i risultati delle esecuzioni precedenti e le esecuzioni successive possono riutilizzare i risultati di questa esecuzione. Valore predefinito: False
parent_run_id	str ID esecuzione facoltativo da impostare per l'esecuzione padre di questa pipeline, che si riflette in RunHistory. L'esecuzione padre deve appartenere allo stesso esperimento a cui viene inviata la pipeline. Valore predefinito: None
credential_passthrough	Facoltativo, se questo flag è abilitato, il processo della pipeline remota userà le credenziali dell'utente che ha avviato il processo. Questa funzionalità è disponibile solo in anteprima privata. Valore predefinito: None

Restituisce

Tipo	Descrizione
PipelineRun	Esecuzione della pipeline inviata.

validate

Convalidare una pipeline e identificare potenziali errori, ad esempio input non connessi.

validate()

Restituisce

Tipo	Descrizione
list	Elenco di errori nella pipeline.

Commenti

Esempi di errori di convalida includono:

• origini dati o tipi di passaggio mancanti o imprevisti della pipeline

• parametri o definizioni di output mancanti per un'origine dati o un passaggio della pipeline

• input non connessi

• passaggi della pipeline che formano un ciclo o un ciclo

Se la convalida supera (restituisce un elenco vuoto) e la pipeline non funziona, vedere debug e risoluzione dei problemi delle pipeline di Machine Learning.

Attributi

graph

Ottenere il grafico associato alla pipeline. I passaggi e gli input di dati vengono visualizzati come nodi nel grafico.

Restituisce

Tipo	Descrizione
Graph	Grafico.