JobOperations Klas
Start een exemplaar van JobOperations
Deze klasse mag niet rechtstreeks worden geïnstantieerd. Gebruik in plaats daarvan het kenmerk jobs van een MLClient-object.
- Overname
-
azure.ai.ml._scope_dependent_operations._ScopeDependentOperationsJobOperations
Constructor
JobOperations(operation_scope: OperationScope, operation_config: OperationConfig, service_client_02_2023_preview: AzureMachineLearningWorkspaces, all_operations: OperationsContainer, credential: TokenCredential, **kwargs: Any)
Parameters
- operation_scope
- <xref:azure.ai.ml._scope_dependent_operations.OperationScope>
Bereikvariabelen voor de bewerkingsklassen van een MLClient-object.
- operation_config
- <xref:azure.ai.ml._scope_dependent_operations.OperationConfig>
Algemene configuratie voor bewerkingsklassen van een MLClient-object.
- service_client_02_2023_preview
- <xref:azure.ai.ml._restclient.v2023_02_01_preview.AzureMachineLearningWorkspaces>
Serviceclient om eindgebruikers in staat te stellen te werken op Azure Machine Learning-werkruimteresources.
- all_operations
- <xref:azure.ai.ml._scope_dependent_operations.OperationsContainer>
Alle bewerkingsklassen van een MLClient-object.
Methoden
archive |
Archiveert een baan. |
begin_cancel |
Hiermee annuleert u een taak. |
create_or_update |
Hiermee maakt of werkt u een taak bij. Als entiteiten zoals Omgeving of Code inline worden gedefinieerd, worden ze samen met de taak gemaakt. |
download |
Hiermee downloadt u de logboeken en uitvoer van een taak. |
get |
Hiermee haalt u een taakresource op. |
list |
Een lijst met taken in de werkruimte. |
restore |
Hiermee herstelt u een gearchiveerde taak. |
show_services |
Hiermee haalt u services op die zijn gekoppeld aan het knooppunt van een taak. |
stream |
Streamt de logboeken van een actieve taak. |
validate |
Notitie Dit is een experimentele methode en kan op elk gewenst moment worden gewijzigd. Zie https://aka.ms/azuremlexperimental voor meer informatie. Hiermee valideert u een taakobject voordat deze naar de service wordt verzonden. Anonieme assets kunnen worden gemaakt als er inline gedefinieerde entiteiten zijn, zoals Onderdeel, Omgeving en Code. Alleen pijplijntaken worden momenteel ondersteund voor validatie. |
archive
Archiveert een baan.
archive(name: str) -> None
Parameters
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
Een taak archiveren.
ml_client.jobs.archive(name=job_name)
begin_cancel
Hiermee annuleert u een taak.
begin_cancel(name: str, **kwargs) -> LROPoller[None]
Parameters
Retouren
Een poller om de bewerkingsstatus bij te houden.
Retourtype
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
create_or_update
Hiermee maakt of werkt u een taak bij. Als entiteiten zoals Omgeving of Code inline worden gedefinieerd, worden ze samen met de taak gemaakt.
create_or_update(job: Job, *, description: str | None = None, compute: str | None = None, tags: dict | None = None, experiment_name: str | None = None, skip_validation: bool = False, **kwargs) -> Job
Parameters
De naam van het experiment waaronder de taak wordt gemaakt. Als Geen is opgegeven, wordt de taak gemaakt onder experiment 'Standaard'.
- skip_validation
- bool
Hiermee geeft u op of validatie moet worden overgeslagen voordat u de taak maakt of bijwerkt. Houd er rekening mee dat validatie voor afhankelijke resources, zoals een anoniem onderdeel, niet wordt overgeslagen. Standaard ingesteld op False.
Retouren
Gemaakte of bijgewerkte taak.
Retourtype
Uitzonderingen
Gegenereerd als de taak niet kan worden gevalideerd. Details worden opgegeven in het foutbericht.
Gegenereerd als taakassets (bijvoorbeeld gegevens, code, model, omgeving) niet kunnen worden gevalideerd. Details worden opgegeven in het foutbericht.
Gegenereerd als het taakmodel niet kan worden gevalideerd. Details worden opgegeven in het foutbericht.
Gegenereerd als taakobject of -kenmerken correct zijn opgemaakt. Details worden opgegeven in het foutbericht.
Wordt gegenereerd als het opgegeven lokale pad verwijst naar een lege map.
Gegenereerd als Docker Engine niet beschikbaar is voor een lokale taak.
Voorbeelden
Een nieuwe taak maken en vervolgens de berekening bijwerken.
from azure.ai.ml import load_job
created_job = ml_client.jobs.create_or_update(
name=job_name,
job=load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
),
)
download
Hiermee downloadt u de logboeken en uitvoer van een taak.
download(name: str, *, download_path: PathLike | str = '.', output_name: str | None = None, all: bool = False) -> None
Parameters
Het lokale pad dat moet worden gebruikt als downloadbestemming. Standaard ingesteld op '.'.
De naam van de uitvoer die moet worden gedownload. De standaardwaarde is Geen.
- all
- bool
Hiermee geeft u op of alle logboeken en benoemde uitvoer moeten worden gedownload. Standaard ingesteld op False.
Uitzonderingen
Gegenereerd als de taak zich nog niet in een terminale status bevindt. Details worden opgegeven in het foutbericht.
Gegenereerd als logboeken en uitvoer niet kunnen worden gedownload. Details worden opgegeven in het foutbericht.
Voorbeelden
Het downloaden van alle logboeken en benoemde uitvoer van de taak 'job-1' in de lokale map 'job-1-logs'.
ml_client.jobs.download(name=job_name, download_path="./job-1-logs", all=True)
get
Hiermee haalt u een taakresource op.
get(name: str) -> Job
Parameters
Retouren
Taakobject opgehaald uit de service.
Retourtype
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Wordt gegenereerd als de naamparameter geen tekenreeks is.
Voorbeelden
Een taak met de naam iris-dataset-job-1 ophalen.
retrieved_job = ml_client.jobs.get(job_name)
list
Een lijst met taken in de werkruimte.
list(*, parent_job_name: str | None = None, list_view_type: ListViewType = ListViewType.ACTIVE_ONLY, **kwargs) -> Iterable[Job]
Parameters
Indien opgegeven, worden alleen taken geretourneerd die onderliggende elementen van de benoemde taak zijn. De standaardwaarde is Geen, waarbij alle taken in de werkruimte worden weergegeven.
- list_view_type
- ListViewType
Het weergavetype voor het opnemen/uitsluiten van gearchiveerde taken. De standaardwaarde is ~azure.mgt.machinelearningservices.models.ListViewType.ACTIVE_ONLY, met uitzondering van gearchiveerde taken.
Retouren
Een iterator-achtig exemplaar van taakobjecten.
Retourtype
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
Een lijst met gearchiveerde taken ophalen in een werkruimte met de bovenliggende taak met de naam iris-dataset-jobs.
from azure.ai.ml._restclient.v2023_04_01_preview.models import ListViewType
list_of_jobs = ml_client.jobs.list(parent_job_name=job_name, list_view_type=ListViewType.ARCHIVED_ONLY)
restore
Hiermee herstelt u een gearchiveerde taak.
restore(name: str) -> None
Parameters
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
Een gearchiveerde taak herstellen.
ml_client.jobs.restore(name=job_name)
show_services
Hiermee haalt u services op die zijn gekoppeld aan het knooppunt van een taak.
show_services(name: str, node_index: int = 0) -> Dict[str, ServiceInstance]
Parameters
Retouren
De services die zijn gekoppeld aan de taak voor het opgegeven knooppunt.
Retourtype
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
De services ophalen die zijn gekoppeld aan het 1e knooppunt van een taak.
job_services = ml_client.jobs.show_services(job_name)
stream
Streamt de logboeken van een actieve taak.
stream(name: str) -> None
Parameters
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
Een actieve taak streamen.
running_job = ml_client.jobs.create_or_update(
load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
)
ml_client.jobs.stream(running_job.name)
validate
Notitie
Dit is een experimentele methode en kan op elk gewenst moment worden gewijzigd. Zie https://aka.ms/azuremlexperimental voor meer informatie.
Hiermee valideert u een taakobject voordat deze naar de service wordt verzonden. Anonieme assets kunnen worden gemaakt als er inline gedefinieerde entiteiten zijn, zoals Onderdeel, Omgeving en Code. Alleen pijplijntaken worden momenteel ondersteund voor validatie.
validate(job: Job, *, raise_on_failure: bool = False, **kwargs) -> ValidationResult
Parameters
- raise_on_failure
- bool
Hiermee geeft u op of een fout moet worden gegenereerd als de validatie mislukt. Standaard ingesteld op False.
Retouren
Een ValidationResult-object met alle gevonden fouten.
Retourtype
Uitzonderingen
Gegenereerd als er geen taak met de opgegeven naam kan worden gevonden.
Voorbeelden
Een PipelineJob-object valideren en de gevonden fouten afdrukken.
from azure.ai.ml import load_job
from azure.ai.ml.entities import PipelineJob
pipeline_job: PipelineJob = load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/pipeline_jobs/invalid/combo.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
print(ml_client.jobs.validate(pipeline_job).error_messages)
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor