core Pakiet

Zawiera podstawowe pakiety, moduły i klasy dla usługi Azure Machine Learning.

Główne obszary obejmują zarządzanie celami obliczeniowymi, tworzenie i zarządzanie obszarami roboczymi i eksperymentami oraz przesyłanie/uzyskiwanie dostępu do przebiegów modelu oraz uruchamianie danych wyjściowych/rejestrowania.

Pakiety

compute	Ten pakiet zawiera klasy służące do zarządzania celami obliczeniowymi w usłudze Azure Machine Learning. Aby uzyskać więcej informacji na temat wybierania celów obliczeniowych na potrzeby trenowania i wdrażania, zobacz Co to są cele obliczeniowe w usłudze Azure Machine Learning?
image	Zawiera funkcje zarządzania obrazami, które są wdrażane jako punkty końcowe usługi internetowej w usłudze Azure Machine Learning. Ta klasa jest PRZESTARZAŁA. Environment Zamiast tego użyj klasy . Obraz służy do wdrażania Modelplików , skryptu i skojarzonych plików jako punktu końcowego usługi internetowej lub urządzenia usługi IoT Edge. Punkt końcowy obsługuje przychodzące żądania oceniania i zwraca przewidywania. Kluczowe klasy tego pakietu to Image klasa, klasa nadrzędna obrazów usługi Azure Machine Learning oraz klasa pochodna ContainerImage obrazów platformy Docker, a także obrazy w wersji zapoznawczej, takie jak FPGA. Jeśli nie masz przepływu pracy, który wymaga użycia obrazów, należy zamiast tego użyć Environment klasy do zdefiniowania obrazu. Następnie możesz użyć obiektu Environment z Model deploy() metodą , aby wdrożyć model jako usługę internetową. Możesz również użyć metody Model package() , aby utworzyć obraz, który można pobrać do lokalnej instalacji platformy Docker jako obrazu lub jako pliku Dockerfile. Aby uzyskać informacje na temat korzystania z klasy Model, zobacz Wdrażanie modeli za pomocą usługi Azure Machine Learning. Aby uzyskać informacje na temat używania obrazów niestandardowych, zobacz Wdrażanie modelu przy użyciu niestandardowego obrazu podstawowego platformy Docker.
webservice	Zawiera funkcje wdrażania modeli uczenia maszynowego jako punktów końcowych usługi internetowej w usłudze Azure Machine Learning. Wdrożenie modelu usługi Azure Machine Learning jako usługi internetowej powoduje utworzenie punktu końcowego i interfejsu API REST. Możesz wysłać dane do tego interfejsu API i otrzymać przewidywanie zwrócone przez model. Usługa internetowa jest tworzona podczas wdrażania Model usługi Azure Image Container Instances (aci modułu), usługi Azure Kubernetes Service (aks modułu) i punktu końcowego platformy Azure Kubernetes (AksEndpoint) lub programowalnych w terenie macierzy bram (FPGA). Wdrażanie przy użyciu modelu jest zalecane w większości przypadków użycia, podczas gdy wdrażanie przy użyciu obrazu jest zalecane w przypadku zaawansowanych przypadków użycia. Oba typy wdrożeń są obsługiwane w klasach w tym module.

Moduły

authentication	Zawiera funkcje zarządzania różnymi typami uwierzytelniania w usłudze Azure Machine Learning. Typy obsługiwanego uwierzytelniania: Logowanie interakcyjne — tryb domyślny podczas korzystania z zestawu Azure Machine Learning SDK. Używa interaktywnego okna dialogowego. Interfejs wiersza polecenia platformy Azure — do użycia z pakietem azure-cli . Jednostka usługi — do użycia z zautomatyzowanymi przepływami pracy uczenia maszynowego. MSI — do użycia z elementami zawartości z obsługą tożsamości usługi zarządzanej, takimi jak maszyna wirtualna platformy Azure. Token usługi Azure ML — służy do uzyskiwania tokenów usługi Azure ML tylko dla przesłanych przebiegów. Aby dowiedzieć się więcej o tych mechanizmach uwierzytelniania, zobacz https://aka.ms/aml-notebook-auth.
compute_target	Zawiera funkcje obiektów docelowych obliczeniowych, które nie są zarządzane przez usługę Azure Machine Learning. Cele obliczeniowe definiują środowisko obliczeniowe trenowania i mogą być zasobami lokalnymi lub zdalnymi w chmurze. Zasoby zdalne umożliwiają łatwe skalowanie w górę lub skalowanie eksperymentów uczenia maszynowego dzięki wykorzystaniu przyspieszonych możliwości przetwarzania procesora CPU i procesora GPU. Aby uzyskać informacje na temat docelowych obiektów obliczeniowych zarządzanych przez usługę Azure Machine Learning, zobacz klasę ComputeTarget . Aby uzyskać więcej informacji, zobacz Co to są cele obliczeniowe w usłudze Azure Machine Learning?
conda_dependencies	Zawiera funkcje zarządzania zależnościami środowiska conda. CondaDependencies Użyj klasy , aby załadować istniejące pliki środowiska Conda i skonfigurować nowe środowiska, w których są wykonywane eksperymenty i zarządzać nimi.
container_registry	Zawiera funkcje zarządzania usługą Azure Container Registry.
databricks	Zawiera funkcje zarządzania środowiskami usługi Databricks w usłudze Azure Machine Learning. Aby uzyskać więcej informacji na temat pracy z usługą Databricks w usłudze Azure Machine Learning, zobacz Konfigurowanie środowiska projektowego dla usługi Azure Machine Learning.
dataset	Zarządza interakcją z zestawami danych usługi Azure Machine Learning. Ten moduł zawiera funkcje umożliwiające korzystanie z danych pierwotnych, zarządzanie danymi i wykonywanie akcji dotyczących danych w usłudze Azure Machine Learning. Dataset Użyj klasy w tym module, aby utworzyć zestawy danych wraz z funkcjami w data pakiecie, która zawiera klasy FileDataset pomocnicze i TabularDataset. Aby rozpocząć pracę z zestawami danych, zobacz artykuł Dodawanie i rejestrowanie zestawów danych.
datastore	Zawiera funkcje zarządzania magazynami danych w usłudze Azure Machine Learning.
environment	Zawiera funkcje tworzenia odtwarzalnych środowisk i zarządzania nimi w usłudze Azure Machine Learning. Środowiska zapewniają sposób zarządzania zależnościami oprogramowania, dzięki czemu kontrolowane środowiska są odtwarzalne z minimalną konfiguracją ręczną podczas przechodzenia między lokalnymi i rozproszonymi środowiskami deweloperskich chmury. Środowisko hermetyzuje pakiety języka Python, zmienne środowiskowe, ustawienia oprogramowania do trenowania i oceniania skryptów oraz czasy wykonywania w językach Python, Spark lub Docker. Aby uzyskać więcej informacji na temat używania środowisk do trenowania i wdrażania za pomocą usługi Azure Machine Learning, zobacz Tworzenie środowisk wielokrotnego użytku i zarządzanie nimi.
experiment	Zawiera funkcje używane do przesyłania eksperymentów i zarządzania historią eksperymentów w usłudze Azure Machine Learning.
keyvault	Zawiera funkcje zarządzania wpisami tajnymi w usłudze Key Vault skojarzonej z obszarem roboczym usługi Azure Machine Learning. Ten moduł zawiera wygodne metody dodawania, pobierania, usuwania i wyświetlania wpisów tajnych z usługi Azure Key Vault skojarzonej z obszarem roboczym.
linked_service	Zawiera funkcje tworzenia połączonej usługi i zarządzania nią w obszarze roboczym AML.
model	Zawiera funkcje zarządzania modelami uczenia maszynowego w usłudze Azure Machine Learning. Model Dzięki klasie można wykonywać następujące główne zadania: rejestrowanie modelu w obszarze roboczym profilowanie modelu w celu zrozumienia wymagań dotyczących wdrażania pakowanie modelu do użycia z platformą Docker wdrażanie modelu w punkcie końcowym wnioskowania jako usługa internetowa Aby uzyskać więcej informacji na temat sposobu użycia modeli, zobacz How Azure Machine Learning works: Architecture and concepts (Jak działa usługa Azure Machine Learning: architektura i pojęcia).
private_endpoint	Zawiera funkcje definiowania i konfigurowania prywatnych punktów końcowych platformy Azure.
profile	Zawiera funkcje profilowania modeli w usłudze Azure Machine Learning.
resource_configuration	Zawiera funkcje zarządzania konfiguracją zasobów dla jednostek usługi Azure Machine Learning.
run	Zawiera funkcje zarządzania metrykami eksperymentu i artefaktami w usłudze Azure Machine Learning.
runconfig	Zawiera funkcje zarządzania konfiguracją przebiegów eksperymentów w usłudze Azure Machine Learning. Kluczowa klasa w tym module to RunConfiguration, która hermetyzuje informacje niezbędne do przesłania przebiegu trenowania w określonym obiekcie docelowym obliczeniowym. Konfiguracja obejmuje szeroki zestaw definicji zachowań, takich jak użycie istniejącego środowiska języka Python lub użycie środowiska Conda utworzonego na podstawie specyfikacji. Inne klasy konfiguracji w module są dostępne za pośrednictwem funkcji RunConfiguration.
script_run	Zawiera funkcje zarządzania przesłanymi przebiegami trenowania w usłudze Azure Machine Learning.
script_run_config	Zawiera funkcje do zarządzania konfiguracją przesyłania przebiegów trenowania w usłudze Azure Machine Learning.
util	Zawiera klasę do określania poziomu szczegółów rejestrowania.
workspace	Zawiera funkcje zarządzania obszarem roboczym, zasobem najwyższego poziomu w usłudze Azure Machine Learning. Ten moduł zawiera klasę Workspace oraz jej metody i atrybuty, które umożliwiają zarządzanie artefaktami uczenia maszynowego, takimi jak obiekty docelowe obliczeń, środowiska, magazyny danych, eksperymenty i modele. Obszar roboczy jest powiązany z subskrypcją platformy Azure i grupą zasobów i jest podstawowym sposobem rozliczeń. Obszary robocze obsługują kontrolę dostępu opartą na rolach (RBAC) i koligację regionów usługi Azure Resource Manager dla wszystkich danych uczenia maszynowego zapisanych w obszarze roboczym.

Klasy

ComputeTarget	Abstrakcyjna klasa nadrzędna dla wszystkich docelowych obiektów obliczeniowych zarządzanych przez usługę Azure Machine Learning. Docelowy obiekt obliczeniowy to wyznaczony zasób obliczeniowy/środowisko, w którym uruchamiasz skrypt trenowania lub hostujesz wdrożenie usługi. Ta lokalizacja może być komputerem lokalnym lub zasobem obliczeniowym opartym na chmurze. Aby uzyskać więcej informacji, zobacz Co to są cele obliczeniowe w usłudze Azure Machine Learning? Konstruktor Klasy ComputeTarget. Pobierz reprezentację w chmurze obiektu obliczeniowego skojarzonego z podanym obszarem roboczym. Zwraca wystąpienie klasy podrzędnej odpowiadające określonemu typowi pobranego obiektu obliczeniowego.
ContainerRegistry	Definiuje połączenie z usługą Azure Container Registry. Konstruktor ContainerRegistry klasy.
Dataset	Reprezentuje zasób do eksplorowania, przekształcania i zarządzania danymi w usłudze Azure Machine Learning. Zestaw danych to odwołanie do danych w Datastore publicznych adresach URL sieci Web lub za nim. W przypadku metod przestarzałych w tej klasie sprawdź AbstractDataset klasę dla ulepszonych interfejsów API. Obsługiwane są następujące typy zestawów danych: Element TabularDataset reprezentuje dane w formacie tabelarycznym utworzonym przez analizowanie podanego pliku lub listy plików. Element FileDataset odwołuje się do jednego lub wielu plików w magazynach danych lub z publicznych adresów URL. Aby rozpocząć pracę z zestawami danych, zobacz artykuł Dodawanie i rejestrowanie zestawów danych lub zobacz notesy https://aka.ms/tabulardataset-samplenotebook i https://aka.ms/filedataset-samplenotebook. Zainicjuj obiekt Dataset. Aby uzyskać zestaw danych, który został już zarejestrowany w obszarze roboczym, użyj metody get.
Datastore	Reprezentuje abstrakcję magazynu na koncie magazynu usługi Azure Machine Learning. Magazyny danych są dołączone do obszarów roboczych i są używane do przechowywania informacji o połączeniu z usługami usługi Azure Storage, dzięki czemu można odwoływać się do nich według nazwy i nie trzeba pamiętać informacji o połączeniu i wpisie tajnym używanym do łączenia się z usługami magazynu. Przykłady obsługiwanych usług azure storage, które można zarejestrować jako magazyny danych, to: Azure Blob Container Udział plików platformy Azure Azure Data Lake Azure Data Lake Gen2 Azure SQL Database Azure Database for PostgreSQL System plików usługi Databricks Azure Database for MySQL Ta klasa służy do wykonywania operacji zarządzania, w tym rejestrowania, wyświetlania listy, pobierania i usuwania magazynów danych. Magazyny danych dla każdej usługi są tworzone przy użyciu register* metod tej klasy. W przypadku uzyskiwania dostępu do danych przy użyciu magazynu danych musisz mieć uprawnienia dostępu do tych danych, które zależą od poświadczeń zarejestrowanych w magazynie danych. Aby uzyskać więcej informacji na temat magazynów danych i sposobu ich użycia w uczeniu maszynowym, zobacz następujące artykuły: Uzyskiwanie dostępu do danych w usługach magazynu platformy Azure Trenowanie modeli za pomocą usługi Azure Machine Learning przy użyciu narzędzia do szacowania Tworzenie i uruchamianie potoków uczenia maszynowego Pobierz magazyn danych według nazwy. To wywołanie spowoduje żądanie do usługi magazynu danych.
Environment	Konfiguruje odtwarzane środowisko języka Python na potrzeby eksperymentów uczenia maszynowego. Środowisko definiuje pakiety języka Python, zmienne środowiskowe i ustawienia platformy Docker, które są używane w eksperymentach uczenia maszynowego, w tym w ramach przygotowywania danych, trenowania i wdrażania w usłudze internetowej. Środowisko jest zarządzane i wersjonowane w usłudze Azure Machine Learning Workspace. Możesz zaktualizować istniejące środowisko i pobrać wersję w celu ponownego użycia. Środowiska są przeznaczone wyłącznie do obszaru roboczego, w ramach którego są tworzone i nie mogą być używane w różnych obszarach roboczych. Aby uzyskać więcej informacji na temat środowisk, zobacz Tworzenie środowisk wielokrotnego użytku i zarządzanie nimi. Konstruktor środowiska klasy.
Experiment	Reprezentuje główny punkt wejścia do tworzenia eksperymentów i pracy z nimi w usłudze Azure Machine Learning. Eksperyment to kontener prób, który reprezentuje wiele przebiegów modelu. Konstruktor eksperymentu.
Image	Definiuje abstrakcyjną klasę nadrzędną dla obrazów usługi Azure Machine Learning. Ta klasa jest PRZESTARZAŁA. Environment Zamiast tego użyj klasy . Konstruktor obrazu. Ta klasa jest PRZESTARZAŁA. Environment Zamiast tego użyj klasy . Konstruktor obrazu służy do pobierania reprezentacji chmury obiektu Image skojarzonego z podanym obszarem roboczym. Zwróci wystąpienie klasy podrzędnej odpowiadające określonemu typowi pobranego obiektu obrazu.
Keyvault	Zarządza wpisami tajnymi przechowywanymi w usłudze Azure Key Vault skojarzonym z obszarem roboczym usługi Azure Machine Learning. Każdy obszar roboczy usługi Azure Machine Learning ma skojarzona usługa Azure Key Vault. Klasa Keyvault to uproszczona otoka usługi Azure Key Vault, która umożliwia zarządzanie wpisami tajnymi w magazynie kluczy, w tym ustawienie, pobieranie, usuwanie i wyświetlanie listy wpisów tajnych. Użyj klasy Keyvault, aby bezpiecznie przekazywać wpisy tajne do zdalnych przebiegów bez ujawniania poufnych informacji w postaci zwykłego tekstu. Aby uzyskać więcej informacji, zobacz Używanie wpisów tajnych w przebiegach trenowania. Konstruktor klasy Keyvault.
LinkedService	Uwaga Jest to klasa eksperymentalna i może ulec zmianie w dowolnym momencie. Aby uzyskać więcej informacji, zobacz https://aka.ms/azuremlexperimental. Definiuje zasób do zarządzania łączeniem między obszarem roboczym AML i innymi usługami na platformie Azure. Zainicjuj obiekt LinkedService.
Model	Reprezentuje wynik trenowania uczenia maszynowego. Model jest wynikiem trenowania Run usługi Azure Machine Learning lub innego procesu trenowania modelu poza platformą Azure. Niezależnie od sposobu tworzenia modelu, można go zarejestrować w obszarze roboczym, gdzie jest reprezentowany przez nazwę i wersję. Za pomocą klasy Model można pakować modele do użycia z platformą Docker i wdrażać je jako punkt końcowy w czasie rzeczywistym, który może służyć do wnioskowania żądań. Aby zapoznać się z kompleksowego samouczka przedstawiającego sposób tworzenia, zarządzania i używania modeli, zobacz Trenowanie modelu klasyfikacji obrazów przy użyciu danych MNIST i biblioteki scikit-learn przy użyciu usługi Azure Machine Learning. Konstruktor modelu. Konstruktor modelu służy do pobierania reprezentacji chmury obiektu Modelu skojarzonego z podanym obszarem roboczym. Musi podać nazwę lub identyfikator.
PrivateEndPoint	Definiuje prywatny punkt końcowy do zarządzania połączeniami prywatnego punktu końcowego skojarzonymi z obszarem roboczym usługi Azure ML. Inicjowanie programu PrivateEndPoint.
PrivateEndPointConfig	Definiuje konfigurację prywatnego punktu końcowego platformy Azure. Prywatny punkt końcowy platformy Azure to interfejs sieciowy, który łączy Cię prywatnie i bezpiecznie z obszarem roboczym usługi Azure ML za pomocą usługi Private Link. Zainicjuj plik PrivateEndPointConfig.
Run	Definiuje klasę bazową dla wszystkich przebiegów eksperymentów usługi Azure Machine Learning. Przebieg reprezentuje pojedynczą wersję próbną eksperymentu. Uruchomienia służą do monitorowania asynchronicznego wykonywania wersji próbnej, metryk dzienników i przechowywania danych wyjściowych wersji próbnej oraz analizowania wyników i uzyskiwania dostępu do artefaktów generowanych przez wersję próbną. Obiekty uruchamiania są tworzone podczas przesyłania skryptu do trenowania modelu w wielu różnych scenariuszach w usłudze Azure Machine Learning, w tym przebiegów usługi HyperDrive, przebiegów potoków i przebiegów rozwiązania AutoML. Obiekt Run jest również tworzony podczas lub submit start_logging z klasą Experiment . Aby rozpocząć pracę z eksperymentami i przebiegami, zobacz Tworzenie środowisk do trenowania i wdrażania oraz zarządzanie nimi Jak zarządzać przebiegami Zainicjuj obiekt Run.
RunConfiguration	Reprezentuje konfigurację przebiegów eksperymentów przeznaczonych dla różnych celów obliczeniowych w usłudze Azure Machine Learning. Obiekt RunConfiguration hermetyzuje informacje niezbędne do przesłania przebiegu trenowania w eksperymencie. Zazwyczaj nie można bezpośrednio utworzyć obiektu RunConfiguration, ale pobrać go z metody zwracającej ją, takiej jak submit metoda Experiment klasy. RunConfiguration to podstawowa konfiguracja środowiska używana również w innych typach kroków konfiguracji, które zależą od rodzaju wyzwalanego przebiegu. Na przykład podczas konfigurowania PythonScriptStepobiektu , można uzyskać dostęp do obiektu RunConfiguration kroku i skonfigurować zależności Conda lub uzyskać dostęp do właściwości środowiska dla przebiegu. Przykłady konfiguracji uruchamiania można znaleźć w temacie Select and use a compute target to train your model (Wybieranie i używanie docelowego obiektu obliczeniowego do trenowania modelu). Zainicjuj element RunConfiguration przy użyciu ustawień domyślnych.
ScriptRun	Zapewnia dostęp programowy do zarządzania przesłanymi przebiegami trenowania. Przebieg przesłany z elementem ScriptRunConfig reprezentuje pojedynczą wersję próbną w eksperymencie. Przesyłanie przebiegu zwraca obiekt ScriptRun, który może służyć do monitorowania asynchronicznego wykonywania przebiegu, metryk dziennika i przechowywania danych wyjściowych przebiegu oraz analizowania wyników i uzyskiwania dostępu do artefaktów generowanych przez przebieg. Aby rozpocząć pracę z eksperymentami i skryptem ScriptRunConf, zobacz Tworzenie środowisk do trenowania i wdrażania oraz zarządzanie nimi Jak zarządzać przebiegami Konstruktor ScriptRun klasy.
ScriptRunConfig	Reprezentuje informacje o konfiguracji przesyłania przebiegu trenowania w usłudze Azure Machine Learning. SkryptRunConfig pakuje razem informacje konfiguracyjne potrzebne do przesłania przebiegu w usłudze Azure ML, w tym skryptu, docelowego obiektu obliczeniowego, środowiska i wszelkich konfiguracji specyficznych dla zadania rozproszonego. Po skonfigurowaniu i przesłaniu skryptu submitScriptRun za pomocą polecenia zostanie zwrócony element . Konstruktor ScriptRunConfig klasy.
SynapseWorkspaceLinkedServiceConfiguration	Uwaga Jest to klasa eksperymentalna i może ulec zmianie w dowolnym momencie. Aby uzyskać więcej informacji, zobacz https://aka.ms/azuremlexperimental. Definiuje połączoną konfigurację usługi na potrzeby łączenia obszaru roboczego usługi Synapse. Zainicjuj obiekt SynapseWorkspaceLinkedServiceConfiguration.
Webservice	Definiuje podstawowe funkcje wdrażania modeli jako punktów końcowych usługi internetowej w usłudze Azure Machine Learning. Konstruktor usługi internetowej służy do pobierania reprezentacji chmury obiektu usługi sieci Web skojarzonego z podanym obszarem roboczym. Zwraca wystąpienie klasy podrzędnej odpowiadające określonemu typowi pobranego obiektu usługi sieci Web. Klasa Webservice umożliwia wdrażanie modeli uczenia maszynowego z Model obiektu lub Image . Aby uzyskać więcej informacji na temat pracy z usługą internetową, zobacz Wdrażanie modeli za pomocą usługi Azure Machine Learning. Zainicjuj wystąpienie usługi internetowej. Konstruktor usługi sieci Web pobiera reprezentację w chmurze obiektu usługi sieci Web skojarzonego z podanym obszarem roboczym. Zwróci wystąpienie klasy podrzędnej odpowiadające określonemu typowi pobranego obiektu usługi sieci Web.
Workspace	Definiuje zasób usługi Azure Machine Learning na potrzeby zarządzania artefaktami trenowania i wdrażania. Obszar roboczy to podstawowy zasób uczenia maszynowego w usłudze Azure Machine Learning. Obszar roboczy służy do eksperymentowania, trenowania i wdrażania modeli uczenia maszynowego. Każdy obszar roboczy jest powiązany z subskrypcją platformy Azure i grupą zasobów i ma skojarzą jednostkę SKU. Aby uzyskać więcej informacji na temat obszarów roboczych, zobacz: Co to jest obszar roboczy usługi Azure Machine Learning? Zarządzanie dostępem do obszaru roboczego Konstruktor obszaru roboczego klasy w celu załadowania istniejącego obszaru roboczego usługi Azure Machine Learning.
diagnostic_log	Przekierowuje dzienniki debugowania do określonego pliku.

Funkcje

attach_legacy_compute_target

Dołącza docelowy obiekt obliczeniowy do tego projektu.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment
source_directory Wymagane	str
compute_target Wymagane	str Obiekt docelowy obliczeniowy do dołączenia.

Zwraca

Typ	Opis
	Brak, jeśli dołączanie zakończyło się pomyślnie, w przeciwnym razie zgłasza wyjątek.

get_run

Pobierz przebieg dla tego eksperymentu z identyfikatorem przebiegu.

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

Parametry

Nazwa	Opis
experiment Wymagane	Experiment Zawierający eksperyment.
run_id Wymagane	string Identyfikator przebiegu.
rehydrate	<xref:boolean> Wskazuje, czy oryginalny obiekt przebiegu jest zwracany, czy tylko podstawowy obiekt przebiegu. Jeśli wartość True, ta funkcja zwraca oryginalny typ obiektu przebiegu. Na przykład w przypadku uruchomienia AutoMLRun automatycznego uczenia maszynowego zwracany jest obiekt, podczas gdy w przypadku uruchomienia HyperDriveRun funkcji HyperDrive zwracany jest obiekt. Jeśli wartość False, funkcja zwraca Run obiekt. Domyślna wartość: True
clean_up	bool Jeśli wartość true, wywołaj _register_kill_handler z run_base Domyślna wartość: True

Zwraca

Typ	Opis
Run	Przesłany przebieg.

is_compute_target_prepared

Sprawdź, czy docelowy obiekt obliczeniowy jest przygotowany.

Sprawdza, czy docelowy obiekt obliczeniowy określony w run_config jest już przygotowany, czy nie dla określonej konfiguracji uruchamiania.

is_compute_target_prepared(experiment, source_directory, run_config)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment
source_directory Wymagane	str
run_config Wymagane	str lub RunConfiguration Konfiguracja przebiegu. Może to być nazwa konfiguracji przebiegu jako ciąg lub obiekt azureml.core.runconfig.RunConfiguration.

Zwraca

Typ	Opis
bool	Prawda, jeśli docelowy obiekt obliczeniowy jest przygotowany.

prepare_compute_target

Przygotuj docelowy obiekt obliczeniowy.

Instaluje wszystkie wymagane pakiety dla przebiegu eksperymentu na podstawie run_config i custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment
source_directory Wymagane	str
run_config Wymagane	str lub RunConfiguration Konfiguracja przebiegu. Może to być nazwa konfiguracji przebiegu jako ciąg lub obiekt azureml.core.runconfig.RunConfiguration.

Zwraca

Typ	Opis
ScriptRun	Obiekt przebiegu

remove_legacy_compute_target

Usuń docelowy obiekt obliczeniowy z projektu.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parametry

Nazwa	Opis
experiment Wymagane	Experiment
source_directory Wymagane	str
compute_target_name Wymagane	str

Zwraca

Typ	Opis
None	Brak, jeśli usunięcie docelowego obiektu obliczeniowego zakończy się pomyślnie, w przeciwnym razie zgłasza wyjątek.