steps Pakiet

Zawiera wstępnie utworzone kroki, które można wykonać w potoku usługi Azure Machine Learning.

Kroki potoku usługi Azure ML można skonfigurować razem w celu utworzenia potoku, który reprezentuje przepływ pracy usługi Azure Machine Learning z możliwością udostępniania i wielokrotnego użytku. Każdy krok potoku można skonfigurować tak, aby umożliwić ponowne użycie poprzednich wyników przebiegu, jeśli zawartość kroku (skrypty i zależności), a także dane wejściowe i parametry pozostają niezmienione.

Klasy w tym pakiecie są zwykle używane razem z klasami w pakiecie core . Podstawowy pakiet zawiera klasy służące do konfigurowania danych (PipelineData), planowania (Schedule) i zarządzania danymi wyjściowymi kroków (StepRun).

Wstępnie utworzone kroki w tym pakiecie obejmują wiele typowych scenariuszy napotkanych w przepływach pracy uczenia maszynowego. Aby rozpocząć pracę ze wstępnie utworzonymi krokami potoku, zobacz:

• https://aka.ms/pl-first-pipeline

• Notesy Jupyter w usłudze GitHub

Moduły

adla_step	Zawiera funkcje tworzenia kroku potoku usługi Azure ML w celu uruchomienia skryptu U-SQL przy użyciu usługi Azure Data Lake Analytics.
automl_step	Zawiera funkcje dodawania kroku zautomatyzowanego potoku uczenia maszynowego i zarządzania nim w usłudze Azure Machine Learning.
azurebatch_step	Zawiera funkcje umożliwiające utworzenie kroku potoku usługi Azure ML, który uruchamia plik wykonywalny systemu Windows w Azure Batch.
command_step	Zawiera funkcje służące do tworzenia kroku potoku usługi Azure ML, który uruchamia polecenia.
data_transfer_step	Zawiera funkcje umożliwiające utworzenie kroku potoku usługi Azure ML, który przesyła dane między opcjami magazynu.
databricks_step	Zawiera funkcje tworzenia kroku potoku usługi Azure ML w celu uruchomienia notesu usługi Databricks lub skryptu języka Python w systemie plików DBFS.
estimator_step	Zawiera funkcje umożliwiające utworzenie kroku potoku, który uruchamia narzędzie do szacowania na potrzeby trenowania modelu usługi Machine Learning.
hyper_drive_step	Zawiera funtionality do tworzenia kroków potoku usługi Azure ML i zarządzania nimi, które uruchamiają dostrajanie hiperparametrów.
kusto_step	Zawiera funkcje tworzenia kroku potoku usługi Azure ML w celu uruchomienia notesu kusto.
module_step	Zawiera funkcje dodawania kroku potoku usługi Azure Machine Learning przy użyciu istniejącej wersji modułu.
mpi_step	Zawiera funkcje służące do dodawania kroku potoku usługi Azure ML w celu uruchomienia zadania MPI na potrzeby trenowania modelu usługi Machine Learning.
parallel_run_config	Zawiera funkcje konfigurowania programu ParallelRunStep.
parallel_run_step	Zawiera funkcje dodawania kroku uruchamiania skryptu użytkownika w trybie równoległym na wielu obiektach docelowych AmlCompute.
python_script_step	Zawiera funkcje umożliwiające utworzenie kroku potoku usługi Azure ML, który uruchamia skrypt języka Python.
r_script_step	Zawiera funkcje umożliwiające utworzenie kroku potoku usługi Azure ML, który uruchamia skrypt języka R.
synapse_spark_step	Zawiera funkcje umożliwiające utworzenie kroku usługi Azure ML Synapse, który uruchamia skrypt języka Python.

Klasy

AdlaStep	Tworzy krok potoku usługi Azure ML w celu uruchomienia skryptu U-SQL przy użyciu usługi Azure Data Lake Analytics. Aby zapoznać się z przykładem użycia tej aplikacji AdlaStep, zobacz notes https://aka.ms/pl-adla. Utwórz krok potoku usługi Azure ML, aby uruchomić skrypt U-SQL przy użyciu usługi Azure Data Lake Analytics.
AutoMLStep	Tworzy krok potoku usługi Azure ML, który hermetyzuje zautomatyzowany przebieg uczenia maszynowego. Przykład użycia narzędzia AutoMLStep można znaleźć w notesie https://aka.ms/pl-automl. Zainicjuj element AutoMLStep.
AutoMLStepRun	Zawiera informacje o przebiegu eksperymentu zautomatyzowanego uczenia maszynowego i metodach pobierania domyślnych danych wyjściowych. Klasa AutoMLStepRun służy do zarządzania, sprawdzania stanu i pobierania szczegółów przebiegu po przesłaniu zautomatyzowanego przebiegu uczenia maszynowego w potoku. Ponadto ta klasa może służyć do pobierania domyślnych danych wyjściowych AutoMLStep klasy za pośrednictwem StepRun klasy . Inicjowanie przebiegu kroku zautomatyzowanego uczenia maszynowego.
AzureBatchStep	Tworzy krok potoku usługi Azure ML na potrzeby przesyłania zadań do Azure Batch. Uwaga: ten krok nie obsługuje przekazywania/pobierania katalogów i ich zawartości. Przykład użycia usługi AzureBatchStep można znaleźć w notesie https://aka.ms/pl-azbatch. Utwórz krok potoku usługi Azure ML na potrzeby przesyłania zadań do Azure Batch.
CommandStep	Utwórz krok potoku usługi Azure ML, który uruchamia polecenie. Utwórz krok potoku usługi Azure ML, który uruchamia polecenie.
DataTransferStep	Tworzy krok potoku usługi Azure ML, który przesyła dane między opcjami magazynu. DataTransferStep obsługuje typowe typy magazynów, takie jak Azure Blob Storage i Azure Data Lake jako źródła i ujścia. Aby uzyskać więcej informacji, zobacz sekcję Uwagi . Przykład użycia elementu DataTransferStep można znaleźć w notesie https://aka.ms/pl-data-trans. Utwórz krok potoku usługi Azure ML, który przesyła dane między opcjami magazynu.
DatabricksStep	Tworzy krok potoku usługi Azure ML w celu dodania notesu usługi DataBricks, skryptu języka Python lub pliku JAR jako węzła. Aby zapoznać się z przykładem użycia usługi DatabricksStep, zobacz notes https://aka.ms/pl-databricks. Utwórz krok potoku usługi Azure ML, aby dodać notes usługi DataBricks, skrypt języka Python lub plik JAR jako węzeł. Aby zapoznać się z przykładem użycia usługi DatabricksStep, zobacz notes https://aka.ms/pl-databricks. :p aram python_script_name:[Required] Nazwa skryptu języka Python względem .source_directory Jeśli skrypt przyjmuje dane wejściowe i wyjściowe, zostaną one przekazane do skryptu jako parametry. Jeśli python_script_name parametr jest określony, source_directory musi być też. Określ dokładnie jedną z notebook_pathwartości , python_script_path, python_script_namelub main_class_name. Jeśli określisz obiekt DataReference jako dane wejściowe z data_reference_name=input1 i obiekt PipelineData jako dane wyjściowe o nazwie =output1, dane wejściowe i wyjściowe zostaną przekazane do skryptu jako parametry. W ten sposób będą wyglądać tak i należy przeanalizować argumenty w skrypcie, aby uzyskać dostęp do ścieżek poszczególnych danych wejściowych i wyjściowych: "-input1","wasbs://test@storagename.blob.core.windows.net/test","-output1", "wasbs://test@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d22b81a2/output1" Ponadto w skrycie będą dostępne następujące parametry: AZUREML_RUN_TOKEN: token AML do uwierzytelniania za pomocą usługi Azure Machine Learning. AZUREML_RUN_TOKEN_EXPIRY: czas wygaśnięcia tokenu AML. AZUREML_RUN_ID: Identyfikator przebiegu usługi Azure Machine Learning dla tego przebiegu. AZUREML_ARM_SUBSCRIPTION: subskrypcja platformy Azure dla obszaru roboczego usługi AML. AZUREML_ARM_RESOURCEGROUP: grupa zasobów platformy Azure dla obszaru roboczego usługi Azure Machine Learning. AZUREML_ARM_WORKSPACE_NAME: nazwa obszaru roboczego usługi Azure Machine Learning. AZUREML_ARM_PROJECT_NAME: nazwa eksperymentu usługi Azure Machine Learning. AZUREML_SERVICE_ENDPOINT: adres URL punktu końcowego dla usług AML. AZUREML_WORKSPACE_ID: identyfikator obszaru roboczego usługi Azure Machine Learning. AZUREML_EXPERIMENT_ID: identyfikator eksperymentu usługi Azure Machine Learning. AZUREML_SCRIPT_DIRECTORY_NAME: ścieżka katalogu w systemie plików DBFS, w której skopiowano source_directory. (This parameter is only populated when `python_script_name` is used. See more details below.) Podczas wykonywania skryptu języka Python z komputera lokalnego w usłudze Databricks przy użyciu parametrów source_directory DatabricksStep i python_script_namesource_directory jest kopiowany do systemu plików DBFS, a ścieżka katalogu w systemie plików DBFS jest przekazywana jako parametr do skryptu po rozpoczęciu wykonywania. Ten parametr jest oznaczony jako –AZUREML_SCRIPT_DIRECTORY_NAME. Należy go prefiksować za pomocą ciągu "dbfs:/" lub "/dbfs/" w celu uzyskania dostępu do katalogu w systemie plików DBFS.
EstimatorStep	PRZESTARZAŁE. Tworzy krok potoku do uruchomienia Estimator na potrzeby trenowania modelu usługi Azure ML. Utwórz krok potoku usługi Azure ML, aby uruchomić narzędzie do szacowania na potrzeby trenowania modelu usługi Machine Learning. PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run ML training in pipelines with CommandStep (Jak uruchamiać trenowanie uczenia maszynowego w potokach za pomocą polecenia CommandStep).
HyperDriveStep	Tworzy krok potoku usługi Azure ML w celu uruchomienia łączenia hiperparametrów na potrzeby trenowania modelu usługi Machine Learning. Przykład użycia funkcji HyperDriveStep można znaleźć w notesie https://aka.ms/pl-hyperdrive. Utwórz krok potoku usługi Azure ML, aby uruchomić kwantowanie hiperparametryczne na potrzeby trenowania modelu usługi Machine Learning.
HyperDriveStepRun	Zarządzanie, sprawdzanie stanu i pobieranie szczegółów przebiegu dla HyperDriveStep kroku potoku. Funkcja HyperDriveStepRun zapewnia dodatkową HyperDriveRun obsługę programu StepRun. Klasa HyperDriveStepRun umożliwia zarządzanie, sprawdzanie stanu i pobieranie szczegółów przebiegu dla przebiegu funkcji HyperDrive i każdego z wygenerowanych przebiegów podrzędnych. Klasa StepRun umożliwia wykonanie tej czynności po przesłaniu nadrzędnego uruchomienia potoku, a potok przesłał przebieg kroku. Inicjowanie funkcji HyperDriveStepRun. Funkcja HyperDriveStepRun zapewnia dodatkową HyperDriveRun obsługę programu StepRun. Klasa HyperDriveRun umożliwia zarządzanie, sprawdzanie stanu i pobieranie szczegółów przebiegu dla przebiegu funkcji HyperDrive i każdego z wygenerowanych przebiegów podrzędnych. Klasa StepRun umożliwia wykonanie tej czynności po przesłaniu nadrzędnego uruchomienia potoku, a potok przesłał przebieg kroku.
KustoStep	Narzędzie KustoStep umożliwia uruchamianie zapytań Kusto w docelowym klastrze Kusto w usłudze Azure ML Pipelines. Zainicjuj kustoStep.
ModuleStep	Tworzy krok potoku usługi Azure Machine Learning w celu uruchomienia określonej wersji modułu. Module obiekty definiują obliczenia wielokrotnego użytku, takie jak skrypty lub pliki wykonywalne, które mogą być używane w różnych scenariuszach uczenia maszynowego i przez różnych użytkowników. Aby użyć określonej wersji modułu w potoku, utwórz modułStep. Element ModuleStep to krok w potoku, który używa istniejącego ModuleVersionelementu . Aby zapoznać się z przykładem użycia modułu ModuleStep, zobacz notes https://aka.ms/pl-modulestep. Utwórz krok potoku usługi Azure ML, aby uruchomić określoną wersję modułu.
MpiStep	Tworzy krok potoku usługi Azure ML w celu uruchomienia zadania MPI. Przykład użycia narzędzia MpiStep można znaleźć w notesie https://aka.ms/pl-style-trans. Utwórz krok potoku usługi Azure ML, aby uruchomić zadanie MPI. PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run distributed training in pipelines with CommandStep (Jak uruchomić trenowanie rozproszone w potokach za pomocą polecenia CommandStep).
ParallelRunConfig	Definiuje konfigurację ParallelRunStep obiektu. Przykład użycia metody ParallelRunStep można znaleźć w notesie https://aka.ms/batch-inference-notebooks. Aby uzyskać informacje na temat rozwiązywania problemów, zobacz https://aka.ms/prstsg. Więcej odwołań można znaleźć w tym miejscu. Zainicjuj obiekt konfiguracji.
ParallelRunStep	Tworzy krok potoku usługi Azure Machine Learning w celu przetwarzania dużych ilości danych asynchronicznie i równolegle. Przykład użycia metody ParallelRunStep można znaleźć w notesie https://aka.ms/batch-inference-notebooks. Aby uzyskać informacje na temat rozwiązywania problemów, zobacz https://aka.ms/prstsg. Więcej odwołań można znaleźć w tym miejscu. Utwórz krok potoku usługi Azure ML, aby przetwarzać duże ilości danych asynchronicznie i równolegle. Aby zapoznać się z przykładem użycia metody ParallelRunStep, zobacz link https://aka.ms/batch-inference-notebooksnotesu .
PythonScriptStep	Tworzy krok potoku usługi Azure ML, który uruchamia skrypt języka Python. Aby zapoznać się z przykładem użycia języka PythonScriptStep, zobacz notes https://aka.ms/pl-get-started. Utwórz krok potoku usługi Azure ML, który uruchamia skrypt języka Python.
RScriptStep	Uwaga Jest to klasa eksperymentalna i może ulec zmianie w dowolnym momencie. Aby uzyskać więcej informacji, zobacz https://aka.ms/azuremlexperimental. Tworzy krok potoku usługi Azure ML, który uruchamia skrypt języka R. Utwórz krok potoku usługi Azure ML, który uruchamia skrypt języka R. PRZESTARZAŁE. Zamiast tego użyj polecenia CommandStep . Przykład można znaleźć w temacie How to run R scripts in pipelines with CommandStep (Jak uruchamiać skrypty języka R w potokach za pomocą polecenia CommandStep).
SynapseSparkStep	Uwaga Jest to klasa eksperymentalna i może ulec zmianie w dowolnym momencie. Aby uzyskać więcej informacji, zobacz https://aka.ms/azuremlexperimental. Tworzy krok usługi Azure ML Synapse, który przesyła i wykonuje skrypt języka Python. Utwórz krok potoku usługi Azure ML, który uruchamia zadanie platformy Spark w puli zadań platformy Spark usługi Synapse.