MLClient Klas

Referentie

Een clientklasse voor interactie met Azure ML-services.

Gebruik deze client voor het beheren van Azure ML-resources, zoals werkruimten, taken, modellen, enzovoort.

Overname: builtins.object

MLClient

Constructor

MLClient(credential: TokenCredential, subscription_id: str | None = None, resource_group_name: str | None = None, workspace_name: str | None = None, registry_name: str | None = None, **kwargs: Any)

Parameters

credential: TokenCredential

Vereist

De referentie die moet worden gebruikt voor verificatie.

subscription_id: Optional[str]

standaardwaarde: None

De Azure-abonnements-id. Alleen optioneel voor registerassets. De standaardwaarde is Geen.

resource_group_name: Optional[str]

standaardwaarde: None

De Azure-resourcegroep. Alleen optioneel voor registerassets. De standaardwaarde is Geen.

workspace_name: Optional[str]

standaardwaarde: None

De werkruimte die in de client moet worden gebruikt. Alleen optioneel voor bewerkingen die niet afhankelijk zijn van de werkruimte. De standaardwaarde is Geen.

registry_name: Optional[str]

standaardwaarde: None

Het register dat in de client moet worden gebruikt. Alleen optioneel voor bewerkingen die niet afhankelijk zijn van de werkruimte. De standaardwaarde is Geen.

show_progress: Optional[bool]

Hiermee geeft u op of voortgangsbalken moeten worden weergegeven voor langlopende bewerkingen (klanten kunnen bijvoorbeeld overwegen dit in te stellen op Onwaar als ze deze SDK niet gebruiken in een interactieve installatie). De standaardwaarde is Waar.

enable_telemetry: Optional[bool]

Hiermee geeft u op of telemetrie moet worden ingeschakeld. Wordt overschreven naar Onwaar als dit niet in een Jupyter Notebook. De standaardwaarde is Waar als deze zich in een Jupyter Notebook.

cloud: Optional[str]

De cloudnaam die moet worden gebruikt. Standaard ingesteld op 'AzureCloud'.

Voorbeelden

Wanneer u soevereine domeinen gebruikt (bijvoorbeeld een andere cloud dan AZURE_PUBLIC_CLOUD), moet u de naam van de cloud doorgeven in kwargs en moet u een instantie gebruiken met DefaultAzureCredential.


   from azure.ai.ml import MLClient
   from azure.identity import AzureAuthorityHosts, DefaultAzureCredential

   kwargs = {"cloud": "AzureChinaCloud"}
   ml_client = MLClient(
       subscription_id=subscription_id,
       resource_group_name=resource_group,
       credential=DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_CHINA),
       **kwargs,
   )

Methoden

begin_create_or_update

Een Azure ML-resource asynchroon maken of bijwerken.

create_or_update

Hiermee maakt u een Azure ML-resource of werkt u deze bij.

from_config

Retourneert een client uit een bestaande Azure Machine Learning-werkruimte met behulp van een bestandsconfiguratie.

Deze methode biedt een eenvoudige manier om dezelfde werkruimte opnieuw te gebruiken in meerdere Python-notebooks of -projecten. U kunt de Eigenschappen van Azure Resource Manager (ARM) van een werkruimte opslaan in een JSON-configuratiebestand met deze indeling:


   {
       "subscription_id": "<subscription-id>",
       "resource_group": "<resource-group>",
       "workspace_name": "<workspace-name>"
   }

Vervolgens kunt u deze methode gebruiken om dezelfde werkruimte in verschillende Python-notebooks of -projecten te laden zonder de ARM-eigenschappen van de werkruimte opnieuw te typen.

begin_create_or_update

Een Azure ML-resource asynchroon maken of bijwerken.

begin_create_or_update(entity: R, **kwargs) -> LROPoller[R]

Parameters

entity: Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]

Vereist

De resource die moet worden gemaakt of bijgewerkt.

Retouren

De resource na het maken/bijwerken.

Retourtype

LROPoller[Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]]

create_or_update

Hiermee maakt u een Azure ML-resource of werkt u deze bij.

create_or_update(entity: T, **kwargs) -> T

Parameters

entity: Union[Job , Model, Environment, Component , Datastore]

Vereist

De resource die moet worden gemaakt of bijgewerkt.

Retouren

De gemaakte of bijgewerkte resource.

Retourtype

Union[Job, Model , Environment, Component, Datastore]

from_config

Retourneert een client uit een bestaande Azure Machine Learning-werkruimte met behulp van een bestandsconfiguratie.


   {
       "subscription_id": "<subscription-id>",
       "resource_group": "<resource-group>",
       "workspace_name": "<workspace-name>"
   }

Vervolgens kunt u deze methode gebruiken om dezelfde werkruimte in verschillende Python-notebooks of -projecten te laden zonder de ARM-eigenschappen van de werkruimte opnieuw te typen.

from_config(credential: TokenCredential, *, path: PathLike | str | None = None, file_name=None, **kwargs) -> MLClient

Parameters

credential: TokenCredential

Vereist

Het referentieobject voor de werkruimte.

path: Optional[Union[PathLike, str]]

Het pad naar het configuratiebestand of de beginmap om het configuratiebestand in te zoeken. De standaardwaarde is Geen, waarmee wordt aangegeven dat de huidige map wordt gebruikt.

file_name: Optional[str]

De naam van het configuratiebestand waarop moet worden gezocht wanneer pad een mappad is. De standaardinstelling is 'config.json'.

cloud: Optional[str]

De cloudnaam die moet worden gebruikt. Standaard ingesteld op 'AzureCloud'.

Retouren

De client voor een bestaande Azure ML-werkruimte.

Retourtype

MLClient

Uitzonderingen

ValidationException

Gegenereerd als 'config.json' of file_name indien overschreven, kan niet worden gevonden in de map. Details worden opgegeven in het foutbericht.

Voorbeelden

Een MLClient maken op basis van een bestand met de naam 'config.json' in de map 'src'.


   from azure.ai.ml import MLClient

   client = MLClient.from_config(credential=DefaultAzureCredential(), path="./sdk/ml/azure-ai-ml/samples/src")

Een MLClient maken op basis van een bestand met de naam 'team_workspace_configuration.json' in de huidige map.


   from azure.ai.ml import MLClient

   client = MLClient.from_config(
       credential=DefaultAzureCredential(),
       file_name="./sdk/ml/azure-ai-ml/samples/team_workspace_configuration.json",
   )

aka.ms/azuremlexperimental voor meer informatie.

Een verzameling aan functieset gerelateerde bewerkingen.

Retouren

FeatureSet-bewerkingen

Retourtype

FeatureSetOperations

feature_store_entities

aka.ms/azuremlexperimental voor meer informatie.

Een verzameling met entiteitsgerelateerde bewerkingen voor functieopslag.

Retouren

FeatureStoreEntity-bewerkingen

Retourtype

FeatureStoreEntityOperations

feature_stores

registries

workspace_hubs

R

R = ~R

T

T = ~T