core Pakket

Bevat kernpakketten, modules en klassen voor Azure Machine Learning.

Hoofdgebieden zijn onder andere 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 voor het implementeren van een Model, script en gekoppelde bestanden 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 afbeeldingen moeten worden gebruikt, moet u in plaats daarvan de Environment klasse gebruiken om uw installatiekopieën te definiëren. Vervolgens kunt u het omgevingsobject gebruiken met de Model deploy() methode om het model als een webservice te implementeren. U kunt ook de modelmethode package() gebruiken om een installatiekopieën te maken die kunnen worden gedownload naar uw lokale Docker-installatiekopieën of als dockerfile. Zie Modellen implementeren met Azure Machine Learning voor meer informatie over het gebruik van de modelklasse. Zie Een model implementeren met behulp van een aangepaste Docker-basisinstallatiekopieën voor meer informatie over het gebruik van aangepaste installatiekopieën.
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, wordt 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 naar Azure Container Instances (aci module), Azure Kubernetes Service (aks module) en Azure Kubernetes Endpoint (AksEndpoint) of veld programmeerbare poortmatrices (FPGA) implementeert. Implementatie met behulp van een model wordt aanbevolen voor de meeste use cases, terwijl implementatie met behulp van een installatiekopieën wordt aanbevolen voor geavanceerde gebruiksvoorbeelden. 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: Interactieve aanmelding: de standaardmodus bij het gebruik van de Azure Machine Learning SDK. Maakt gebruik van een interactief dialoogvenster. Azure CLI: voor gebruik met het azure-cli-pakket . Service-principal: voor gebruik met geautomatiseerde machine learning-werkstromen. MSI: voor gebruik met Managed Service Identity ingeschakelde assets, zoals met een virtuele Azure-machine. Azure ML-token: wordt alleen gebruikt voor het verkrijgen van Azure ML-tokens voor ingediende uitvoeringen. Zie https://aka.ms/aml-notebook-authvoor meer informatie over deze verificatiemechanismen.
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 gebruik te maken 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 waar 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 gebruik 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 samen met de functionaliteit in het data pakket te maken, die de ondersteunende klassen FileDataset bevat en TabularDataset. Zie het artikel Gegevenssets toevoegen en 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 kunnen worden gereproduceerd met minimale handmatige configuratie wanneer u navigeert tussen lokale en gedistribueerde cloudontwikkelingsomgevingen. Een omgeving bevat Python-pakketten, omgevingsvariabelen, software-instellingen voor het trainen en scoren van scripts, en uitvoeringstijden in 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 Sleutelkluis die is gekoppeld aan een Azure Machine Learning-werkruimte. Deze module bevat handige methoden voor het toevoegen, ophalen, verwijderen en weergeven van geheimen uit de Azure Key Vault die is 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: uw model registreren bij een werkruimte uw model profileeren om inzicht te hebben in de implementatievereisten uw model verpakken voor gebruik met Docker uw model implementeren in een deductie-eindpunt als een webservice Zie Hoe Azure Machine Learning werkt voor meer informatie over hoe modellen worden gebruikt: Architectuur en concepten.
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 u een bestaande Python-omgeving wilt gebruiken of een Conda-omgeving wilt gebruiken die is gebouwd op basis van een specificatie. Andere configuratieklassen in de module worden geopend 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 verzenden van trainingsuitvoeringen in Azure Machine Learning.
util	Bevat 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 Workspace klasse en de bijbehorende methoden en kenmerken waarmee u machine learning-artefacten zoals rekendoelen, omgevingen, gegevensarchieven, experimenten en modellen kunt beheren. Een werkruimte is gekoppeld aan een Azure-abonnement en -resourcegroep en is de primaire methode voor facturering. Werkruimten ondersteunen op rollen gebaseerd toegangsbeheer (RBAC) van Azure Resource Manager 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 waarin u uw trainingsscript uitvoert of uw service-implementatie host. Deze locatie is mogelijk uw lokale computer of een rekenresource in de cloud. Zie Wat zijn rekendoelen in Azure Machine Learning voor meer informatie? Klasse ComputeTarget-constructor. Haal een cloudweergave op van een Compute-object 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. Klasse 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 een Datastore of 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: TabularDataset vertegenwoordigt gegevens in een tabellaire indeling die wordt gemaakt door het opgegeven bestand of de opgegeven lijst met bestanden te parseren. FileDataset verwijst naar een of meer bestanden in gegevensopslag of van openbare URL's. Als u aan de slag wilt gaan met gegevenssets, raadpleegt u het artikel Gegevenssets toevoegen en registreren, of raadpleegt u de notebooks https://aka.ms/tabulardataset-samplenotebook en https://aka.ms/filedataset-samplenotebook. Initialiseer het gegevenssetobject. Gebruik de get-methode om een gegevensset te verkrijgen die al is geregistreerd bij de werkruimte.
Datastore	Vertegenwoordigt een opslagabstractie via een Azure Machine Learning-opslagaccount. Gegevensarchieven worden gekoppeld aan werkruimten en worden gebruikt om verbindingsgegevens op te slaan met Azure-opslagservices, zodat u deze op naam kunt raadplegen en de verbindingsgegevens 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: Azure Blob Container Azure-bestandsshare Azure Data Lake Azure Data Lake Gen2 Azure SQL-database Azure Database for PostgreSQL Databricks-bestandssysteem Azure Database for MySQL Gebruik deze klasse om beheerbewerkingen uit te voeren, zoals registreren, weergeven, ophalen en verwijderen van gegevensarchieven. Gegevensarchieven voor elke service worden gemaakt met de register* methoden van deze klasse. Wanneer u een gegevensarchief gebruikt om toegang te krijgen tot gegevens, moet u gemachtigd zijn voor toegang tot die gegevens. Dit hangt af van de referenties die zijn geregistreerd bij het gegevensarchief. Zie de volgende artikelen voor meer informatie over gegevensarchieven en hoe ze kunnen worden gebruikt in machine learning: Toegang tot gegevens in Azure Storage-services Modellen trainen met Azure Machine Learning met behulp van estimator Machine Learning-pijplijnen maken en uitvoeren Haal een gegevensarchief op naam op. Met deze aanroep wordt een aanvraag ingediend bij 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 in gegevensvoorbereiding, training en implementatie in een webservice. Een omgeving wordt beheerd en geversied 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. Klasseomgevingconstructor.
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. Afbeeldingsconstructor. Deze klasse is AFGESCHAFT. Gebruik in plaats daarvan de Environment klasse. Afbeeldingsconstructor 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 is 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, waaronder het instellen, ophalen, verwijderen en weergeven 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. Klasse 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-werkruimten met 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 modelklasse 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 behulp van 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	Hiermee definieert u 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 Private Endpoint 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. Er wordt ook een Run-object gemaakt wanneer u submit of start_logging met de Experiment klasse werkt. Als u aan de slag wilt gaan met experimenten en uitvoeringen, raadpleegt u Omgevingen maken en beheren voor training en implementatie Uitvoeringen beheren Initialiseer het run-object.
RunConfiguration	Vertegenwoordigt de configuratie voor experimentuitvoeringen die zijn gericht op verschillende rekendoelen in Azure Machine Learning. Het RunConfiguration-object bevat de informatie die nodig is om een trainingsuitvoering in een experiment in te dienen. Normaal gesproken maakt u geen RunConfiguration-object rechtstreeks, 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. Als u bijvoorbeeld een PythonScriptStepinstelling instelt, hebt u toegang tot het RunConfiguration-object van de stap en configureert u Conda-afhankelijkheden of opent u 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 ingediend met ScriptRunConfig één proefabonnement in een experiment. Als u de uitvoering verzendt, wordt een ScriptRun-object geretourneerd, 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, en resultaten te analyseren en toegangsartefacten te analyseren die door de uitvoering zijn gegenereerd. Zie To started with experiments and ScriptRunConf (Aan de slag met experimenten en ScriptRunConf) Omgevingen maken en beheren voor training en implementatie Uitvoeringen beheren Klasse ScriptRun-constructor.
ScriptRunConfig	Vertegenwoordigt configuratiegegevens voor het verzenden van een trainingsuitvoering in Azure Machine Learning. Een ScriptRunConfig-pakket bevat de configuratiegegevens die nodig zijn voor het verzenden van een uitvoering in Azure ML, met inbegrip van het script, het rekendoel, de omgeving en eventuele gedistribueerde taakspecifieke configuraties. Zodra een script is geconfigureerd en verzonden met de submitscriptuitvoering, wordt er een ScriptRun geretourneerd. Klasse ScriptRunConfig-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 configuratie van een gekoppelde service voor het koppelen van een Synapse-werkruimte. Initialiseer het SynapseWorkspaceLinkedServiceConfiguration-object.
Webservice	Definieert 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 een 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 dat overeenkomt met het specifieke type van het opgehaalde webserviceobject.
Workspace	Definieert een Azure Machine Learning-resource voor het beheren van trainings- 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, trainen en implementeren. Elke werkruimte is gekoppeld aan een Azure-abonnement en -resourcegroep en heeft een bijbehorende SKU. Zie voor meer informatie over werkruimten: Wat is een Azure Machine Learning-werkruimte? Toegang tot een werkruimte beheren Class Workspace-constructor voor het laden van een bestaande Azure Machine Learning-werkruimte.
diagnostic_log	Hiermee worden foutopsporingslogboeken naar een opgegeven bestand verzonden.

Functies

attach_legacy_compute_target

Hiermee wordt een rekendoel aan dit project gekoppeld.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parameters

Name	Description
experiment Vereist	Experiment
source_directory Vereist	str
compute_target Vereist	str Een rekendoelobject dat moet worden gekoppeld.

Retouren

Type	Description
	Geen als de bijlage is geslaagd, wordt er anders een uitzondering gegenereerd.

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	Experiment Het bevattende experiment.
run_id Vereist	string De uitvoerings-id.
rehydrate	<xref:boolean> Geeft aan of het oorspronkelijke uitvoeringsobject wordt geretourneerd of alleen een basisuitvoeringsobject. Als waar is, 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. Default value: True
clean_up	bool Als dit waar is, roept u _register_kill_handler aan vanuit run_base Default value: True

Retouren

Type	Description
Run	De ingediende uitvoering.

is_compute_target_prepared

Controleer of het rekendoel is voorbereid.

Controleert of het rekendoel, opgegeven in run_config, al is voorbereid of niet voor de opgegeven uitvoeringsconfiguratie.

is_compute_target_prepared(experiment, source_directory, run_config)

Parameters

Name	Description
experiment Vereist	Experiment
source_directory Vereist	str
run_config Vereist	str of RunConfiguration De uitvoeringsconfiguratie. Dit kan een uitvoeringsconfiguratienaam, als tekenreeks of een azureml.core.runconfig.RunConfiguration-object zijn.

Retouren

Type	Description
bool	Waar, 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	Experiment
source_directory Vereist	str
run_config Vereist	str of RunConfiguration De uitvoeringsconfiguratie. Dit kan een uitvoeringsconfiguratienaam, als tekenreeks of een azureml.core.runconfig.RunConfiguration-object zijn.

Retouren

Type	Description
ScriptRun	Een run-object

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	Experiment
source_directory Vereist	str
compute_target_name Vereist	str

Retouren

Type	Description
None	Geen als het verwijderen van het rekendoel is geslaagd, genereert anders een uitzondering.