core Pakket
Bevat kernpakketten, modules en klassen voor Azure Machine Learning.
De belangrijkste gebieden zijn het beheren van rekendoelen, het maken/beheren van werkruimten en experimenten, en het verzenden/openen van modeluitvoeringen en het uitvoeren van uitvoer/logboekregistratie.
Pakketten
compute |
Dit pakket bevat klassen die worden gebruikt voor het beheren van rekendoelen in Azure Machine Learning. Zie Wat zijn rekendoelen in Azure Machine Learning? voor meer informatie over het kiezen van rekendoelen voor training en implementatie. |
image |
Bevat functionaliteit voor het beheren van installatiekopieën die zijn geïmplementeerd als webservice-eindpunten in Azure Machine Learning. Deze klasse is AFGESCHAFT. Gebruik in plaats daarvan de Environment klasse. Een installatiekopieën worden gebruikt om een Model, script en bijbehorende bestanden te implementeren als een webservice-eindpunt of IoT Edge apparaat. Het eindpunt verwerkt binnenkomende scoreaanvragen en retourneert voorspellingen. De belangrijkste klassen van dit pakket zijn de Image klasse, de bovenliggende klasse van Azure Machine Learning-installatiekopieën en de afgeleide ContainerImage klasse voor Docker-installatiekopieën en preview-installatiekopieën zoals FPGA. Tenzij u een werkstroom hebt waarvoor specifiek installatiekopieën moeten worden gebruikt, moet u in plaats daarvan de Environment klasse gebruiken om uw installatiekopieën te definiëren. Vervolgens kunt u het object Environment gebruiken met de Model Zie Modellen implementeren met Azure Machine Learning voor meer informatie over het gebruik van de klasse Model. |
webservice |
Bevat functionaliteit voor het implementeren van machine learning-modellen als webservice-eindpunten in Azure Machine Learning. Als u een Azure Machine Learning-model implementeert als een webservice, worden er een eindpunt en een REST API gemaakt. U kunt gegevens naar deze API verzenden en de voorspelling ontvangen die door het model wordt geretourneerd. U maakt een webservice wanneer u een Model of Image implementeert op Azure Container Instances (aci module), Azure Kubernetes Service (aks module) en Azure Kubernetes Endpoint (AksEndpoint) of in veld programmeerbare poortmatrices (FPGA). Implementatie met behulp van een model wordt aanbevolen voor de meeste use cases, terwijl implementatie met behulp van een installatiekopieën wordt aanbevolen voor geavanceerde use cases. Beide typen implementaties worden ondersteund in de klassen in deze module. |
Modules
authentication |
Bevat functionaliteit voor het beheren van verschillende typen verificatie in Azure Machine Learning. Typen ondersteunde verificatie:
Zie voor meer informatie over deze verificatiemechanismen https://aka.ms/aml-notebook-auth. |
compute_target |
Bevat functionaliteit voor rekendoelen die niet worden beheerd door Azure Machine Learning. Rekendoelen definiëren uw trainings-rekenomgeving en kunnen lokale of externe resources in de cloud zijn. Met externe resources kunt u uw machine learning-experimenten eenvoudig omhoog of uitschalen door te profiteren van versnelde CPU- en GPU-verwerkingsmogelijkheden. Zie de ComputeTarget klasse voor informatie over rekendoelen die worden beheerd door Azure Machine Learning. Zie Wat zijn rekendoelen in Azure Machine Learning? voor meer informatie. |
conda_dependencies |
Bevat functionaliteit voor het beheren van conda-omgevingsafhankelijkheden. Gebruik de CondaDependencies klasse om bestaande Conda-omgevingsbestanden te laden en nieuwe omgevingen te configureren en beheren waarin experimenten worden uitgevoerd. |
container_registry |
Bevat functionaliteit voor het beheren van een Azure Container Registry. |
databricks |
Bevat functionaliteit voor het beheren van Databricks-omgevingen in Azure Machine Learning. Zie Een ontwikkelomgeving configureren voor Azure Machine Learning voor meer informatie over het werken met Databricks in Azure Machine Learning. |
dataset |
Beheert de interactie met Azure Machine Learning-gegevenssets. Deze module biedt functionaliteit voor het gebruiken van onbewerkte gegevens, het beheren van gegevens en het uitvoeren van acties op gegevens in Azure Machine Learning. Gebruik de Dataset klasse in deze module om gegevenssets te maken, samen met de functionaliteit in het data pakket, dat de ondersteunende klassen FileDataset en TabularDatasetbevat. Zie het artikel Add & register datasets (Gegevenssets toevoegen & registreren) om aan de slag te gaan met gegevenssets. |
datastore |
Bevat functionaliteit voor het beheren van gegevensarchieven in Azure Machine Learning. |
environment |
Bevat functionaliteit voor het maken en beheren van reproduceerbare omgevingen in Azure Machine Learning. Omgevingen bieden een manier om softwareafhankelijkheid te beheren, zodat gecontroleerde omgevingen reproduceerbaar zijn met minimale handmatige configuratie wanneer u schakelt tussen lokale en gedistribueerde cloudontwikkelingsomgevingen. Een omgeving omvat Python-pakketten, omgevingsvariabelen, software-instellingen voor trainings- en scorescripts en uitvoeringstijden op Python, Spark of Docker. Zie Herbruikbare omgevingen maken en beheren voor meer informatie over het gebruik van omgevingen voor training en implementatie met Azure Machine Learning. |
experiment |
Bevat functionaliteit die wordt gebruikt voor het verzenden van experimenten en het beheren van de experimentgeschiedenis in Azure Machine Learning. |
keyvault |
Bevat functionaliteit voor het beheren van geheimen in de Key Vault die zijn gekoppeld aan een Azure Machine Learning-werkruimte. Deze module bevat handige methoden voor het toevoegen, ophalen, verwijderen en vermelden van geheimen uit de Azure Key Vault die zijn gekoppeld aan een werkruimte. |
linked_service |
Bevat functionaliteit voor het maken en beheren van een gekoppelde service in de AML-werkruimte. |
model |
Bevat functionaliteit voor het beheren van machine learning-modellen in Azure Machine Learning. Met de Model klasse kunt u de volgende hoofdtaken uitvoeren:
Zie Hoe Azure Machine Learning werkt: Architectuur en concepten voor meer informatie over hoe modellen worden gebruikt. |
private_endpoint |
Bevat functionaliteit voor het definiëren en configureren van Privé-eindpunten van Azure. |
profile |
Bevat functionaliteit voor profileringsmodellen in Azure Machine Learning. |
resource_configuration |
Bevat functionaliteit voor het beheren van de configuratie van resources voor Azure Machine Learning-entiteiten. |
run |
Bevat functionaliteit voor het beheren van metrische experimentgegevens en artefacten in Azure Machine Learning. |
runconfig |
Bevat functionaliteit voor het beheren van de configuratie van experimentuitvoeringen in Azure Machine Learning. De sleutelklasse in deze module is , waarmee informatie wordt ingekapseld die nodig is RunConfigurationvoor het verzenden van een trainingsuitvoering op een opgegeven rekendoel. De configuratie bevat een brede set gedragsdefinities, zoals of een bestaande Python-omgeving moet worden gebruikt of dat een Conda-omgeving moet worden gebruikt die is gebouwd op basis van een specificatie. Andere configuratieklassen in de module zijn toegankelijk via RunConfiguration. |
script_run |
Bevat functionaliteit voor het beheren van ingediende trainingsuitvoeringen in Azure Machine Learning. |
script_run_config |
Bevat functionaliteit voor het beheren van de configuratie voor het indienen van trainingsuitvoeringen in Azure Machine Learning. |
util |
Bevat een klasse voor het opgeven van detailniveau voor logboekregistratie. |
workspace |
Bevat functionaliteit voor het beheren van een werkruimte, de resource op het hoogste niveau in Azure Machine Learning. Deze module bevat de klasse en de Workspace bijbehorende methoden en kenmerken waarmee u machine learning-artefacten kunt beheren, zoals rekendoelen, omgevingen, gegevensarchieven, experimenten en modellen. Een werkruimte is gekoppeld aan een Azure-abonnement en resourcegroep en is de primaire methode voor facturering. Werkruimten ondersteunen Azure Resource Manager op rollen gebaseerd toegangsbeheer (RBAC) en regioaffiniteit voor alle machine learning-gegevens die zijn opgeslagen in de werkruimte. |
Klassen
ComputeTarget |
Abstracte bovenliggende klasse voor alle rekendoelen die worden beheerd door Azure Machine Learning. Een rekendoel is een aangewezen rekenresource/-omgeving waar u uw trainingsscript uitvoert of uw service-implementatie host. Deze locatie kan uw lokale computer of een cloudgebaseerde rekenresource zijn. Zie Wat zijn rekendoelen in Azure Machine Learning? voor meer informatie. Klasse ComputeTarget-constructor. Een cloudweergave ophalen van een rekenobject dat is gekoppeld aan de opgegeven werkruimte. Retourneert een exemplaar van een onderliggende klasse die overeenkomt met het specifieke type van het opgehaalde Compute-object. |
ContainerRegistry |
Hiermee definieert u een verbinding met een Azure Container Registry. Class ContainerRegistry-constructor. |
Dataset |
Vertegenwoordigt een resource voor het verkennen, transformeren en beheren van gegevens in Azure Machine Learning. Een gegevensset is een verwijzing naar gegevens in of Datastore achter openbare web-URL's. Voor methoden die in deze klasse zijn afgeschaft, controleert AbstractDataset u de klasse op de verbeterde API's. De volgende typen gegevenssets worden ondersteund:
Als u aan de slag wilt gaan met gegevenssets, raadpleegt u het artikel Gegevenssets toevoegen & registreren of raadpleegt u de notebooks https://aka.ms/tabulardataset-samplenotebook en https://aka.ms/filedataset-samplenotebook. Initialiseer het gegevenssetobject. Gebruik de methode get om een gegevensset te verkrijgen die al is geregistreerd bij de werkruimte. |
Datastore |
Vertegenwoordigt een opslagabstractie over een Azure Machine Learning-opslagaccount. Gegevensarchieven zijn gekoppeld aan werkruimten en worden gebruikt voor het opslaan van verbindingsgegevens met Azure-opslagservices, zodat u deze op naam kunt raadplegen en de verbindingsinformatie en het geheim dat wordt gebruikt om verbinding te maken met de opslagservices, niet hoeft te onthouden. Voorbeelden van ondersteunde Azure-opslagservices die kunnen worden geregistreerd als gegevensarchieven zijn:
Gebruik deze klasse om beheerbewerkingen uit te voeren, waaronder het registreren, weergeven, ophalen en verwijderen van gegevensarchieven.
Gegevensarchieven voor elke service worden gemaakt met de Zie de volgende artikelen voor meer informatie over gegevensarchieven en hoe deze kunnen worden gebruikt in machine learning: Een gegevensarchief ophalen op naam. Met deze aanroep wordt een aanvraag verzonden naar de gegevensopslagservice. |
Environment |
Hiermee configureert u een reproduceerbare Python-omgeving voor machine learning-experimenten. Een omgeving definieert Python-pakketten, omgevingsvariabelen en Docker-instellingen die worden gebruikt in machine learning-experimenten, waaronder bij het voorbereiden, trainen en implementeren van gegevens naar een webservice. Een omgeving wordt beheerd en versiebeheerd in een Azure Machine Learning Workspace. U kunt een bestaande omgeving bijwerken en een versie ophalen om opnieuw te gebruiken. Omgevingen zijn exclusief voor de werkruimte waarin ze zijn gemaakt en kunnen niet worden gebruikt in verschillende werkruimten. Zie Herbruikbare omgevingen maken en beheren voor meer informatie over omgevingen. Klasse-omgevingsconstructor. |
Experiment |
Vertegenwoordigt het belangrijkste toegangspunt voor het maken en werken met experimenten in Azure Machine Learning. Een experiment is een container met proefversies die meerdere modeluitvoeringen vertegenwoordigen. Experimentconstructor. |
Image |
Definieert de abstracte bovenliggende klasse voor Azure Machine Learning-installatiekopieën. Deze klasse is AFGESCHAFT. Gebruik in plaats daarvan de Environment klasse. Installatiekopieënconstructor. Deze klasse is AFGESCHAFT. Gebruik in plaats daarvan de Environment klasse. Image constructor wordt gebruikt om een cloudweergave op te halen van een afbeeldingsobject dat is gekoppeld aan de opgegeven werkruimte. Retourneert een exemplaar van een onderliggende klasse die overeenkomt met het specifieke type van het opgehaalde afbeeldingsobject. |
Keyvault |
Beheert geheimen die zijn opgeslagen in de Azure Key Vault die zijn gekoppeld aan een Azure Machine Learning-werkruimte. Elke Azure Machine Learning-werkruimte heeft een gekoppelde Azure-Key Vault. De keyvault-klasse is een vereenvoudigde wrapper van de Azure Key Vault waarmee u geheimen in de sleutelkluis kunt beheren, inclusief het instellen, ophalen, verwijderen en vermelden van geheimen. Gebruik de keyvault-klasse om geheimen veilig door te geven aan externe uitvoeringen zonder gevoelige informatie in duidelijke tekst weer te geven. Zie Geheimen gebruiken in trainingsuitvoeringen voor meer informatie. Class Keyvault-constructor. |
LinkedService |
Notitie Dit is een experimentele klasse en kan op elk gewenst moment worden gewijzigd. Zie https://aka.ms/azuremlexperimental voor meer informatie. Definieert een resource voor het beheren van koppelingen tussen AML-werkruimte en andere services in Azure. Initialiseer het LinkedService-object. |
Model |
Vertegenwoordigt het resultaat van machine learning-training. Een model is het resultaat van een Azure Machine Learning-training Run of een ander modeltrainingsproces buiten Azure. Ongeacht hoe het model wordt geproduceerd, kan het worden geregistreerd in een werkruimte, waar het wordt vertegenwoordigd door een naam en een versie. Met de klasse Model kunt u modellen verpakken voor gebruik met Docker en deze implementeren als een realtime eindpunt dat kan worden gebruikt voor deductieaanvragen. Zie Afbeeldingsclassificatiemodel trainen met MNIST-gegevens en scikit-learn met Azure Machine Learning voor een end-to-end-zelfstudie waarin wordt getoond hoe modellen worden gemaakt, beheerd en gebruikt. Modelconstructor. De modelconstructor wordt gebruikt om een cloudweergave op te halen van een modelobject dat is gekoppeld aan de opgegeven werkruimte. Moet een naam of id opgeven. |
PrivateEndPoint |
Definieert een privé-eindpunt voor het beheren van privé-eindpuntverbindingen die zijn gekoppeld aan een Azure ML-werkruimte. Initialiseer PrivateEndPoint. |
PrivateEndPointConfig |
Hiermee definieert u de configuratie voor een privé-eindpunt van Azure. Azure-privé-eindpunt is een netwerkinterface die u privé en veilig verbindt met een Azure ML-werkruimte met Private Link. Initialiseer PrivateEndPointConfig. |
Run |
Definieert de basisklasse voor alle Uitvoeringen van Azure Machine Learning-experimenten. Een uitvoering vertegenwoordigt één proefversie van een experiment. Uitvoeringen worden gebruikt om de asynchrone uitvoering van een proefversie te bewaken, metrische gegevens te registreren en uitvoer van de proefversie op te slaan, en om resultaten te analyseren en toegang te krijgen tot artefacten die door de proefversie zijn gegenereerd. Uitvoeringsobjecten worden gemaakt wanneer u een script verzendt om een model te trainen in veel verschillende scenario's in Azure Machine Learning, waaronder HyperDrive-uitvoeringen, pijplijnuitvoeringen en AutoML-uitvoeringen. Een Run-object wordt ook gemaakt wanneer u submit of start_logging met de Experiment klasse. Als u aan de slag wilt met experimenten en uitvoeringen, raadpleegt u Initialiseer het run-object. |
RunConfiguration |
Vertegenwoordigt de configuratie voor experimentuitvoeringen die zijn gericht op verschillende rekendoelen in Azure Machine Learning. Het object RunConfiguration bevat de informatie die nodig is voor het verzenden van een trainingsuitvoering in een experiment. Normaal gesproken maakt u niet rechtstreeks een RunConfiguration-object, maar haalt u er een op uit een methode die het retourneert, zoals de submit methode van de Experiment klasse. RunConfiguration is een basisomgevingsconfiguratie die ook wordt gebruikt in andere typen configuratiestappen die afhankelijk zijn van het type uitvoering dat u activeert. Wanneer u bijvoorbeeld een PythonScriptStepinstelt, hebt u toegang tot het runconfiguration-object van de stap en kunt u Conda-afhankelijkheden configureren of toegang krijgen tot de omgevingseigenschappen voor de uitvoering. Zie Een rekendoel selecteren en gebruiken om uw model te trainen voor voorbeelden van uitvoeringsconfiguraties. Initialiseer een RunConfiguration met de standaardinstellingen. |
ScriptRun |
Biedt programmatische toegang voor het beheren van ingediende trainingsuitvoeringen. Een uitvoering die is verzonden met ScriptRunConfig vertegenwoordigt één proefabonnement in een experiment. Het verzenden van de uitvoering retourneert een ScriptRun-object, dat kan worden gebruikt om de asynchrone uitvoering van de uitvoering te controleren, metrische gegevens te registreren en uitvoer van de uitvoering op te slaan, resultaten te analyseren en toegang te krijgen tot artefacten die door de uitvoering zijn gegenereerd. Als u aan de slag wilt met experimenten en ScriptRunConf, raadpleegt u Class ScriptRun constructor. |
ScriptRunConfig |
Vertegenwoordigt configuratiegegevens voor het indienen van een trainingsuitvoering in Azure Machine Learning. Een ScriptRunConfig verpakt de configuratiegegevens die nodig zijn om een uitvoering in Azure ML te verzenden, inclusief het script, het rekendoel, de omgeving en eventuele gedistribueerde taakspecifieke configuraties. Zodra een script is geconfigureerd en verzonden met de submit, wordt een ScriptRun geretourneerd. KlasseScriptRunConfig-constructor. |
SynapseWorkspaceLinkedServiceConfiguration |
Notitie Dit is een experimentele klasse en kan op elk gewenst moment worden gewijzigd. Zie https://aka.ms/azuremlexperimental voor meer informatie. Hiermee definieert u een gekoppelde serviceconfiguratie voor het koppelen van de Synapse-werkruimte. Initialiseer het SynapseWorkspaceLinkedServiceConfiguration-object. |
Webservice |
Definieert de basisfunctionaliteit voor het implementeren van modellen als webservice-eindpunten in Azure Machine Learning. Webserviceconstructor wordt gebruikt om een cloudweergave op te halen van een webserviceobject dat is gekoppeld aan de opgegeven werkruimte. Retourneert een exemplaar van een onderliggende klasse die overeenkomt met het specifieke type van het opgehaalde webserviceobject. Met de webserviceklasse kunt u machine learning-modellen implementeren vanuit een Model - of Image -object. Zie Modellen implementeren met Azure Machine Learning voor meer informatie over het werken met webservice. Initialiseer het webservice-exemplaar. De webserviceconstructor haalt een cloudweergave op van een webserviceobject dat is gekoppeld aan de opgegeven werkruimte. Er wordt een exemplaar van een onderliggende klasse geretourneerd die overeenkomt met het specifieke type van het opgehaalde webserviceobject. |
Workspace |
Definieert een Azure Machine Learning-resource voor het beheren van training en implementatieartefacten. Een werkruimte is een fundamentele resource voor machine learning in Azure Machine Learning. U gebruikt een werkruimte om machine learning-modellen te experimenteren, te trainen en te implementeren. Elke werkruimte is gekoppeld aan een Azure-abonnement en resourcegroep en heeft een bijbehorende SKU. Zie voor meer informatie over werkruimten: Class Workspace constructor voor het laden van een bestaande Azure Machine Learning-werkruimte. |
diagnostic_log |
Stuurt logboeken voor foutopsporing naar een opgegeven bestand. |
Functies
attach_legacy_compute_target
Koppelt een rekendoel aan dit project.
attach_legacy_compute_target(experiment, source_directory, compute_target)
Parameters
Name | Description |
---|---|
experiment
Vereist
|
|
source_directory
Vereist
|
|
compute_target
Vereist
|
Een rekendoelobject dat moet worden gekoppeld. |
Retouren
Type | Description |
---|---|
Geen als de bijlage is geslaagd, genereert anders een uitzondering. |
get_run
Haal de uitvoering voor dit experiment op met de uitvoerings-id.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parameters
Name | Description |
---|---|
experiment
Vereist
|
Het bevattende experiment. |
run_id
Vereist
|
De uitvoerings-id. |
rehydrate
|
<xref:boolean>
Hiermee wordt aangegeven of het oorspronkelijke uitvoeringsobject wordt geretourneerd of alleen een basisuitvoeringsobject. Indien Waar retourneert deze functie het oorspronkelijke uitvoeringsobjecttype. Voor een AutoML-uitvoering wordt bijvoorbeeld een AutoMLRun object geretourneerd, terwijl voor een HyperDrive-uitvoering een HyperDriveRun object wordt geretourneerd. Als onwaar is, retourneert de functie een Run -object. standaardwaarde: True
|
clean_up
|
Als dit waar is, roept u _register_kill_handler aan vanuit run_base standaardwaarde: True
|
Retouren
Type | Description |
---|---|
De verzonden uitvoering. |
is_compute_target_prepared
Controleer of het rekendoel is voorbereid.
Controleert of het rekendoel, opgegeven in run_config, al is voorbereid op de opgegeven uitvoeringsconfiguratie.
is_compute_target_prepared(experiment, source_directory, run_config)
Parameters
Name | Description |
---|---|
experiment
Vereist
|
|
source_directory
Vereist
|
|
run_config
Vereist
|
De uitvoeringsconfiguratie. Dit kan een uitvoeringsconfiguratienaam zijn, als tekenreeks, of een azureml.core.runconfig.RunConfiguration-object. |
Retouren
Type | Description |
---|---|
True, als het rekendoel is voorbereid. |
prepare_compute_target
Bereid het rekendoel voor.
Installeert alle vereiste pakketten voor een experimentuitvoering op basis van run_config en custom_run_config.
prepare_compute_target(experiment, source_directory, run_config)
Parameters
Name | Description |
---|---|
experiment
Vereist
|
|
source_directory
Vereist
|
|
run_config
Vereist
|
De uitvoeringsconfiguratie. Dit kan een uitvoeringsconfiguratienaam zijn, als tekenreeks, of een azureml.core.runconfig.RunConfiguration-object. |
Retouren
Type | Description |
---|---|
Een uitvoeringsobject |
remove_legacy_compute_target
Verwijder een rekendoel uit het project.
remove_legacy_compute_target(experiment, source_directory, compute_target_name)
Parameters
Name | Description |
---|---|
experiment
Vereist
|
|
source_directory
Vereist
|
|
compute_target_name
Vereist
|
|
Retouren
Type | Description |
---|---|
Geen als het verwijderen van het rekendoel is geslaagd, anders wordt er een uitzondering gegenereerd. |
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