core 패키지

Azure Machine Learning의 핵심 패키지, 모듈, 클래스를 포함합니다.

주요 영역에는 컴퓨팅 대상 관리, 작업 영역 및 실험 만들기/관리, 모델 실행 및 실행 출력/로깅 제출/액세스가 포함됩니다.

패키지

compute	이 패키지에는 Azure Machine Learning의 컴퓨팅 대상을 관리하는 데 사용되는 클래스가 포함되어 있습니다. 학습 및 배포를 위한 컴퓨팅 대상을 선택하는 방법에 대한 자세한 내용은 Azure Machine Learning 컴퓨팅 대상이란?을 참조하세요.
image	Azure Machine Learning에서 웹 서비스 엔드포인트로 배포되는 이미지를 관리하기 위한 기능이 포함되어 있습니다. 이 클래스는 사용되지 않습니다. 대신 Environment 클래스를 사용합니다. 이미지는 Model, 스크립트 및 관련 파일을 웹 서비스 엔드포인트 또는 IoT Edge 장치로 배포하는 데 사용됩니다. 엔드포인트는 들어오는 채점 요청을 처리하고 예측을 반환합니다. FPGA와 같은 미리 보기 이미지뿐 아니라 Image 클래스, Azure Machine Learning 이미지의 부모 클래스 및 Docker 이미지의 파생 ContainerImage 클래스도 이 패키지의 주요 클래스입니다. 특별히 이미지를 사용해야 하는 워크플로가 있는 것이 아니면 Environment 클래스를 대신 사용하여 이미지를 정의해야 합니다. 그런 다음, 환경 개체를 Modeldeploy() 메서드와 함께 사용하여 모델을 웹 서비스로 배포할 수 있습니다. Model package() 메서드를 사용하여 로컬 Docker 설치에 이미지 또는 Dockerfile로 다운로드할 수 있는 이미지를 만들 수도 있습니다. Model 클래스 사용에 관한 내용은 Deploy models with Azure Machine Learning(Azure Machine Learning을 사용하여 모델 배포)을 참조하세요. 사용자 지정 이미지를 사용하는 방법에 대한 자세한 내용은 Deploy a model using a custom Docker base image(사용자 지정 Docker 기본 이미지를 사용하여 모델 배포)를 참조하세요.
webservice	Azure Machine Learning에서 기계 학습 모델을 웹 서비스 엔드포인트로 배포하기 위한 기능이 포함되어 있습니다. Azure Machine Learning 모델을 웹 서비스로 배포하면 엔드포인트와 REST API가 만들어집니다. 이 API로 데이터를 보내고 모델에서 반환된 예측을 받을 수 있습니다. Model 또는 Image를 Azure Container Instances(aci 모듈), Azure Kubernetes Service(aks 모듈) 및 AksEndpoint(Azure Kubernetes 엔드포인트) 또는 FPGA(Field-Programmable Gate Arrays)에 배포할 때 웹 서비스를 만듭니다. 모델을 사용한 배포는 대부분의 사용 사례에 권장되는 반면 이미지를 사용한 배포는 고급 사용 사례에 권장됩니다. 이 모듈의 클래스에서는 두 가지 배포 형식이 모두 지원됩니다.

모듈

authentication	Azure Machine Learning에서 다양한 형식의 인증을 관리하기 위한 기능이 포함되어 있습니다. 지원되는 인증 형식: 대화형 로그인 - Azure Machine Learning SDK를 사용하는 경우 기본 모드입니다. 대화형 대화 상자를 사용합니다. Azure CLI - azure-cli 패키지와 함께 사용할 수 있습니다. 서비스 주체 - 자동화된 Machine Learning 워크플로와 함께 사용할 수 있습니다. MSI - Azure Virtual Machine과 같은 관리되는 서비스 ID 지원 자산과 함께 사용할 수 있습니다. Azure ML 토큰 - 제출된 실행을 위해서만 Azure ML 토큰을 획득하는 데 사용됩니다. 이 인증 메커니즘에 관한 자세한 내용은 https://aka.ms/aml-notebook-auth를 참조하세요.
compute_target	Azure Machine Learning에서 관리하지 않는 컴퓨팅 대상에 대한 기능이 포함되어 있습니다. 컴퓨팅 대상은 학습 컴퓨팅 환경을 정의하며 클라우드의 로컬 또는 원격 리소스일 수 있습니다. 원격 리소스를 사용하면 가속화된 CPU 및 GPU 처리 기능을 활용하여 기계 학습 실험을 쉽게 스케일 업하거나 스케일 아웃할 수 있습니다. Azure Machine Learning에서 관리하는 컴퓨팅 대상에 대한 자세한 내용은 ComputeTarget 클래스를 참조하세요. 자세한 내용은 Azure Machine Learning의 컴퓨팅 대상이란?을 참조하세요.
conda_dependencies	conda 환경 종속성을 관리하기 위한 기능이 포함되어 있습니다. CondaDependencies 클래스를 사용하여 기존 conda 환경 파일을 로드하고 실험이 실행되는 새 환경을 구성 및 관리합니다.
container_registry	Azure Container Registry를 관리하기 위한 기능을 포함합니다.
databricks	Azure Machine Learning에서 Databricks 환경을 관리하기 위한 기능이 포함되어 있습니다. Azure Machine Learning의 Databricks 작업에 대한 자세한 내용은 Azure Machine Learning에 대한 개발 환경 구성을 참조하세요.
dataset	Azure Machine Learning 데이터 세트와의 상호 작용을 관리합니다. 이 모듈에서는 Azure Machine Learning에서 원시 데이터를 사용하고, 데이터를 관리하고, 데이터에 대한 작업을 수행하는 기능을 제공합니다. 이 모듈의 Dataset 클래스를 사용하여 지원 클래스 FileDataset 및 TabularDataset를 포함하는 data 패키지의 기능과 함께 데이터 세트를 만듭니다. 데이터 세트를 시작하려면 데이터 세트 등록 & 문서를 참조하세요.
datastore	Azure Machine Learning에서 데이터 저장소를 관리하기 위한 기능이 포함되어 있습니다.
environment	Azure Machine Learning에서 재현 가능한 환경을 만들고 관리하기 위한 기능을 포함합니다. 환경은 로컬 및 분산 클라우드 개발 환경 간에 이동할 때 최소한의 수동 구성으로 제어된 환경을 재현할 수 있도록 소프트웨어 종속성을 관리하는 방법을 제공합니다. 환경은 Python 패키지, 환경 변수, 학습 및 채점 스크립트에 대한 소프트웨어 설정, 그리고 Python, Spark 또는 Docker에서의 실행 시간을 캡슐화합니다. Azure Machine Learning을 통해 학습 및 배포에 환경을 사용하는 방법에 관한 자세한 내용은 재사용 가능한 환경 만들기 및 관리를 참조하세요.
experiment	Azure Machine Learning에서 실험을 제출하고 실험 기록을 관리하는 데 사용되는 기능이 포함되어 있습니다.
keyvault	Azure Machine Learning 작업 영역과 연결된 Key Vault에서 비밀을 관리하는 기능이 포함되어 있습니다. 이 모듈에는 작업 영역과 연결된 Azure Key Vault에서 비밀을 추가, 검색, 삭제, 나열하는 편리한 방법이 포함되어 있습니다.
linked_service	AML 작업 영역에서 연결된 서비스를 만들고 관리하기 위한 기능이 포함되어 있습니다.
model	Azure Machine Learning에서 Machine Learning 모델을 관리하기 위한 기능이 포함되어 있습니다. Model 클래스를 사용하여 다음과 같은 주요 작업을 수행할 수 있습니다. 작업 영역에 모델 등록 모델을 프로파일링하여 배포 요구 사항 이해 Docker에서 사용할 모델 패키징 유추 엔드포인트에 모델을 웹 서비스로 배포 모델 사용 방법에 대한 자세한 내용은 Azure Machine Learning 작동 방법: 아키텍처 및 개념을 참조하세요.
private_endpoint	Azure Private Endpoints를 정의 및 구성하기 위한 기능이 포함되어 있습니다.
profile	Azure Machine Learning의 모델을 프로파일링하는 기능이 포함되어 있습니다.
resource_configuration	Azure Machine Learning 엔터티의 리소스 구성을 관리하기 위한 기능을 포함합니다.
run	Azure Machine Learning에서 실험 메트릭 및 아티팩트를 관리하기 위한 기능을 포함합니다.
runconfig	Azure Machine Learning에서 실험 실행의 구성을 관리하기 위한 기능이 포함되어 있습니다. 이 모듈의 핵심 클래스는 RunConfiguration으로, 지정된 컴퓨팅 대상에서 학습 실행을 제출하는 데 필요한 정보를 캡슐화합니다. 구성에는 기존 Python 환경을 사용할지 또는 사양에서 빌드되는 Conda 환경을 사용할지 여부와 같은 광범위한 동작 정의 세트가 포함됩니다. 모듈의 다른 구성 클래스는 RunConfiguration을 통해 액세스됩니다.
script_run	Azure Machine Learning에서 제출된 학습 실행을 관리하기 위한 기능이 포함되어 있습니다.
script_run_config	Azure Machine Learning에서 학습 실행을 제출하기 위한 구성을 관리하는 기능이 포함되어 있습니다.
util	로깅 세부 정보 수준을 지정하기 위한 클래스를 포함합니다.
workspace	Azure Machine Learning에서 최상위 리소스인 작업 영역을 관리하기 위한 기능이 포함되어 있습니다. 이 모듈에는 컴퓨팅 대상, 환경, 데이터 저장소, 실험, 모델과 같은 기계 학습 아티팩트를 관리할 수 있는 Workspace 클래스와 해당 메서드 및 특성이 포함되어 있습니다. 작업 영역은 Azure 구독 및 리소스 그룹에 연결되며 청구를 위한 기본 수단입니다. 작업 영역은 작업 영역 내에 저장된 모든 기계 학습 데이터에 대한 Azure Resource Manager RBAC(역할 기반 액세스 제어) 및 지역 선호도를 지원합니다.

클래스

ComputeTarget	Azure Machine Learning에서 관리되는 모든 컴퓨팅 대상의 추상 부모 클래스입니다. 컴퓨팅 대상은 학습 스크립트를 실행하거나 서비스 배포를 호스트하는 지정된 컴퓨팅 리소스/환경입니다. 이 위치는 로컬 컴퓨터 또는 클라우드 기반 컴퓨팅 리소스일 수 있습니다. 자세한 내용은 What are compute targets in Azure Machine Learning?(Azure Machine Learning에서 컴퓨팅 대상이란?)을 참조하세요. 클래스 ComputeTarget 생성자입니다. 제공된 작업 영역과 연결된 Compute 개체의 클라우드 표현을 검색합니다. 검색된 Compute 개체의 특정 형식에 해당하는 자식 클래스의 instance 반환합니다.
ContainerRegistry	Azure Container Registry에 대한 연결을 정의합니다. 클래스 ContainerRegistry 생성자입니다.
Dataset	Azure Machine Learning에서 데이터를 탐색, 변환, 관리하는 데 사용되는 리소스를 나타냅니다. 데이터 세트는 Datastore에 있거나 퍼블릭 웹 URL 뒤에 있는 데이터에 대한 참조입니다. 이 클래스에서 사용되지 않는 메서드는 향상된 API의 AbstractDataset 클래스를 확인하세요. 지원되는 데이터 세트 형식은 다음과 같습니다. TabularDataset는 제공된 파일 또는 파일 목록을 구문 분석하여 만든 데이터를 테이블 형식으로 나타냅니다. FileDataset는 데이터 저장소 또는 공개 URL에서 하나 또는 여러 파일을 참조합니다. 데이터 세트를 시작하려면 데이터 세트 등록 & 문서 또는 Notebook 및 를 참조하세요 https://aka.ms/tabulardataset-samplenotebookhttps://aka.ms/filedataset-samplenotebook. Dataset 개체를 초기화합니다. 작업 영역에 이미 등록된 데이터 세트를 가져오려면 get 메서드를 사용합니다.
Datastore	Azure Machine Learning 스토리지 계정에 대한 스토리지 추상화를 나타냅니다. 데이터 저장소는 작업 영역에 연결되며 Azure Storage 서비스에 대한 연결 정보를 저장하는 데 사용되므로 이름으로 참조할 수 있으며, 스토리지 서비스에 연결하는 데 사용되는 연결 정보와 비밀을 기억할 필요가 없습니다. 데이터 저장소로 등록할 수 있는 지원되는 Azure Storage 서비스의 예는 다음과 같습니다. Azure Blob 컨테이너 Azure 파일 공유 Azure 데이터 레이크 Azure Data Lake Gen2 Azure SQL Database Azure Database for PostgreSQL Databricks 파일 시스템 Azure Database for MySQL 이 클래스를 사용하여 데이터 저장소 등록, 나열, 가져오기, 제거를 비롯한 관리 작업을 수행합니다. 각 서비스에 대한 데이터 저장소는 이 클래스의 register* 메서드를 사용하여 만들어집니다. 데이터 저장소를 사용하여 데이터에 액세스하는 경우 해당 데이터에 액세스할 수 있는 권한이 있어야 하며, 이 권한은 데이터 저장소에 등록된 자격 증명에 따라 결정됩니다. 데이터 저장소 및 기계 학습에서 데이터 저장소를 사용하는 방법에 대한 자세한 내용은 다음 문서를 참조하세요. Azure Storage 서비스에서 데이터 액세스 추정기를 사용하여 Azure Machine Learning에서 모델 학습 Create and run machine learning pipelines(기계 학습 파이프라인 만들기 및 실행) 이름으로 데이터 저장소를 가져옵니다. 이 호출은 데이터 저장소 서비스를 요청합니다.
Environment	기계 학습 실험의 재현 가능한 Python 환경을 구성합니다. 환경은 데이터 준비, 학습, 웹 서비스 배포를 포함하여 기계 학습 실험에 사용되는 Python 패키지, 환경 변수 및 Docker 설정을 정의합니다. 환경은 Azure Machine Learning Workspace에서 관리되고 버전 지정됩니다. 기존 환경을 업데이트하고 재사용할 버전을 검색할 수 있습니다. 환경은 생성된 작업 영역에만 적용되며 여러 작업 영역에서 사용할 수 없습니다. 환경에 대한 자세한 내용은 Create and manage reusable environments(재사용 가능한 환경 만들기 및 관리)를 참조하세요. 클래스 환경 생성자입니다.
Experiment	Azure Machine Learning에서 실험을 만들고 작업하기 위한 기본 진입점을 나타냅니다. 실험은 여러 모델 실행을 나타내는 시도의 컨테이너입니다. 실험 생성자입니다.
Image	Azure Machine Learning 이미지의 추상 부모 클래스를 정의합니다. 이 클래스는 사용되지 않습니다. 대신 Environment 클래스를 사용합니다. 이미지 생성자입니다. 이 클래스는 사용되지 않습니다. 대신 Environment 클래스를 사용합니다. 이미지 생성자는 제공된 작업 영역과 연결된 Image 개체의 클라우드 표현을 검색하는 데 사용됩니다. 검색된 Image 개체의 특정 형식에 해당하는 자식 클래스의 instance 반환합니다.
Keyvault	Azure Machine Learning 작업 영역과 연결된 Azure Key Vault에 저장된 비밀을 관리합니다. 각 Azure Machine Learning 작업 영역에는 연결된 Azure Key Vault가 있습니다. Keyvault 클래스는 Azure Key Vault의 간소화된 래퍼로, 비밀 설정, 검색, 삭제, 나열을 포함하여 키 자격 증명 모음의 비밀을 관리할 수 있습니다. Keyvault 클래스를 사용하여 일반 텍스트로 중요한 정보를 노출하지 않고도 원격 실행에 비밀을 안전하게 전달합니다. 자세한 내용은 학습 실행에서 비밀 사용을 참조하세요. 클래스 Keyvault 생성자입니다.
LinkedService	참고 이는 실험적인 클래스이며 언제든지 변경될 수 있습니다. 자세한 내용은 https://aka.ms/azuremlexperimental을 참조하세요. Azure의 다른 서비스와 AML 작업 영역 간의 연결을 관리하기 위한 리소스를 정의합니다. LinkedService 개체를 초기화합니다.
Model	기계 학습 학습의 결과를 나타냅니다. 모델은 Azure Machine Learning 학습Run 또는 Azure 외부의 일부 다른 모델 학습 프로세스의 결과입니다. 모델이 어떻게 생성되든 상관없이 이름과 버전으로 표시되는 작업 영역에 등록할 수 있습니다. Model 클래스를 사용하면 Docker와 함께 사용할 모델을 패키지하고 유추 요청에 사용할 수 있는 실시간 엔드포인트로 배포할 수 있습니다. 모델이 만들기, 관리 및 사용되는 방법을 보여 주는 엔드투엔드 자습서는 Azure Machine Learning을 사용하여 MNIST 데이터 및 scikit-learn으로 이미지 분류 모델 학습을 참조하세요. 모델 생성자입니다. 모델 생성자는 제공된 작업 영역과 연결된 Model 개체의 클라우드 표현을 검색하는 데 사용됩니다. 이름 또는 ID를 제공해야 합니다.
PrivateEndPoint	Azure ML 작업 영역과 연결된 프라이빗 엔드포인트 연결을 관리하기 위한 프라이빗 엔드포인트를 정의합니다. PrivateEndPoint를 초기화합니다.
PrivateEndPointConfig	Azure 프라이빗 엔드포인트에 대한 구성을 정의합니다. Azure 프라이빗 엔드포인트는 프라이빗 링크를 통해 Azure ML 작업 영역에 비공개로 안전하게 연결해주는 네트워크 인터페이스입니다. PrivateEndPointConfig를 초기화합니다.
Run	모든 Azure Machine Learning 실험 실행에 대한 기본 클래스를 정의합니다. 실행은 실험의 단일 시도를 나타냅니다. 실행은 시도의 비동기 실행을 모니터링하고, 메트릭을 로그하고, 시도의 출력을 저장하고, 결과를 분석하고, 시도에서 생성된 아티팩트에 액세스하는 데 사용됩니다. 실행 개체는 HyperDrive 실행, 파이프라인 실행 및 AutoML 실행을 포함한 Azure Machine Learning의 다양한 시나리오에서 모델 학습을 위한 스크립트를 제출할 때 만들어집니다. 실행 개체는 Experiment 클래스를 사용하여 submit 또는 start_logging할 때도 만들어집니다. 실험 및 실행을 시작하려면 다음을 참조하세요. 학습 및 배포를 위한 환경 만들기 및 관리 실행을 관리하는 방법 Run 개체를 초기화합니다.
RunConfiguration	Azure Machine Learning에서 여러 컴퓨팅 대상을 대상으로 하는 실험 실행에 대한 구성을 나타냅니다. RunConfiguration 개체는 실험에서 학습 실행을 제출하는 데 필요한 정보를 캡슐화합니다. 일반적으로 RunConfiguration 개체를 직접 만들지 않고 Experiment 클래스의 submit 메서드와 같이 반환하는 메서드에서 하나를 가져옵니다. RunConfiguration은 트리거하는 실행의 종류에 따라 다른 형식의 구성 단계에서도 사용되는 기본 환경 구성입니다. 예를 들어 PythonScriptStep 설정 시 단계의 RunConfiguration 개체에 액세스하고 Conda 종속성을 구성하거나 실행에 대한 환경 속성에 액세스할 수 있습니다. 실행 구성 예제는 모델 학습을 위한 컴퓨팅 대상 선택 및 사용을 참조하세요. 기본 설정을 사용하여 RunConfiguration을 초기화합니다.
ScriptRun	제출된 학습 실행을 관리하기 위한 프로그래밍 방식 액세스를 제공합니다. ScriptRunConfig과 함께 제출된 실행은 실험의 단일 시도를 나타냅니다. 실행을 제출하면 실행의 비동기 실행을 모니터링하고, 메트릭을 로그하고, 실행의 출력을 저장하고, 실행에서 생성된 결과를 분석하고, 아티팩트에 액세스하는 데 사용할 수 있는 ScriptRun 개체가 반환됩니다. 실험 및 ScriptRunConf를 시작하려면 다음을 참조하세요. 학습 및 배포를 위한 환경 만들기 및 관리 실행을 관리하는 방법 클래스 ScriptRun 생성자입니다.
ScriptRunConfig	Azure Machine Learning에서 학습 실행을 제출하기 위한 구성 정보를 나타냅니다. ScriptRunConfig는 스크립트, 컴퓨팅 대상, 환경 및 모든 분산 작업별 구성을 포함하여 Azure ML에서 실행을 제출하는 데 필요한 구성 정보를 함께 패키지합니다. 스크립트 실행이 구성되고 submit으로 제출되면 ScriptRun이 반환됩니다. 클래스 ScriptRunConfig 생성자입니다.
SynapseWorkspaceLinkedServiceConfiguration	참고 이는 실험적인 클래스이며 언제든지 변경될 수 있습니다. 자세한 내용은 https://aka.ms/azuremlexperimental을 참조하세요. Synapse 작업 영역을 연결하기 위한 연결된 서비스 구성을 정의합니다. SynapseWorkspaceLinkedServiceConfiguration 개체를 초기화합니다.
Webservice	모델을 Azure Machine Learning의 웹 서비스 엔드포인트로 배포하기 위한 기본 기능을 정의합니다. Webservice 생성자는 제공된 작업 영역과 연결된 Webservice 개체의 클라우드 표현을 검색하는 데 사용됩니다. 검색된 Webservice 개체의 특정 형식에 해당하는 자식 클래스의 인스턴스를 반환합니다. Webservice 클래스를 사용하면 Model 또는 Image 개체에서 기계 학습 모델을 배포할 수 있습니다. Webservice 작업에 대한 자세한 내용은 Azure Machine Learning을 사용하여 모델 배포를 참조하세요. Webservice instance 초기화합니다. Webservice 생성자는 제공된 작업 영역과 연결된 Webservice 개체의 클라우드 표현을 검색합니다. 검색된 Webservice 개체의 특정 형식에 해당하는 자식 클래스의 instance 반환합니다.
Workspace	학습 및 배포 아티팩트를 관리하기 위한 Azure Machine Learning 리소스를 정의합니다. 작업 영역은 Azure Machine Learning의 기계 학습을 위한 기본 리소스입니다. 작업 영역을 사용하여 기계 학습 모델을 실험, 학습, 배포합니다. 각 작업 영역은 Azure 구독 및 리소스 그룹에 연결되며 연결된 SKU가 있습니다. 작업 영역에 대한 자세한 내용은 다음을 참조하세요. What is a Azure Machine Learning workspace?(Azure Machine Learning 작업 영역이란?) Manage access to a workspace(작업 영역에 대한 액세스 관리) 기존 Azure Machine Learning 작업 영역을 로드하는 클래스 작업 영역 생성자입니다.
diagnostic_log	디버그 로그를 지정된 파일에 전달합니다.

함수

attach_legacy_compute_target

이 프로젝트에 컴퓨팅 대상을 연결합니다.

attach_legacy_compute_target(experiment, source_directory, compute_target)

매개 변수

Name	Description
experiment 필수	Experiment
source_directory 필수	str
compute_target 필수	str 연결할 컴퓨팅 대상 개체입니다.

반환

형식	Description
	연결에 성공하면 None이고, 그렇지 않으면 예외가 throw됩니다.

get_run

실행 ID로 이 실험의 실행을 가져옵니다.

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

매개 변수

Name	Description
experiment 필수	Experiment 포함하는 실험입니다.
run_id 필수	string 실행 ID입니다.
rehydrate	<xref:boolean> 원래 실행 개체가 반환되었는지 아니면 기본 실행 개체만 반환되는지 여부를 나타냅니다. True인 경우 이 함수는 원래 실행 개체 형식을 반환합니다. 예를 들어 AutoML 실행의 경우 AutoMLRun 개체가 반환되고 HyperDrive 실행의 경우 HyperDriveRun 개체가 반환됩니다. False인 경우 함수는 Run 개체를 반환합니다. 기본값: True
clean_up	bool true이면 run_base _register_kill_handler 호출합니다. 기본값: True

반환

형식	Description
Run	제출된 실행입니다.

is_compute_target_prepared

컴퓨팅 대상이 준비되어 있는지 확인합니다.

run_config에 지정된 컴퓨팅 대상이 지정된 실행 구성에 대해 이미 준비되었는지 여부를 확인합니다.

is_compute_target_prepared(experiment, source_directory, run_config)

매개 변수

Name	Description
experiment 필수	Experiment
source_directory 필수	str
run_config 필수	str 또는 RunConfiguration 실행 구성입니다. 문자열인 실행 구성 이름 또는 azureml.core.runconfig.RunConfiguration 개체입니다.

반환

형식	Description
bool	컴퓨팅 대상이 준비된 경우 True입니다.

prepare_compute_target

컴퓨팅 대상을 준비합니다.

run_config 및 custom_run_config를 기반으로 실험 실행에 필요한 모든 패키지를 설치합니다.

prepare_compute_target(experiment, source_directory, run_config)

매개 변수

Name	Description
experiment 필수	Experiment
source_directory 필수	str
run_config 필수	str 또는 RunConfiguration 실행 구성입니다. 문자열인 실행 구성 이름 또는 azureml.core.runconfig.RunConfiguration 개체입니다.

반환

형식	Description
ScriptRun	실행 개체입니다.

remove_legacy_compute_target

프로젝트에서 컴퓨팅 대상을 제거합니다.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

매개 변수

Name	Description
experiment 필수	Experiment
source_directory 필수	str
compute_target_name 필수	str

반환

형식	Description
None	컴퓨팅 대상 제거에 성공하면 None이고, 그렇지 않으면 예외가 throw됩니다.