Notas sobre a versão do SDK do Python do Azure Machine Learning

Neste artigo, saiba mais sobre as versões do SDK do Python do Azure Machine Learning. Para obter o conteúdo de referência completo do SDK, visite a página de referência do SDK principal para Python do Azure Machine Learning.

Feed RSS: Receba uma notificação quando esta página for atualizada copiando e colando a seguinte URL em seu leitor de feed: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

SDK do Azure Machine Learning para Python v1.56.0

• azureml-core
  • Habilite o remapeamento do Application Insights para a nova região China East 3, já que ele não oferece suporte ao modo de recurso clássico. Também corrigida a atualização ausente para China North 3.
• azureml-defaults
  • Bumped azureml-inference-server-http pin para 1.0.0 em azureml-defaults.
• azureml-interpret
  • Pacote azureml-interpret atualizado para interpret-community 0.31.*
• azureml-responsibleai
  • Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.33.0
  • Aumente as versões de dependência do responsibleai e do fairlearn

2024-01-29

SDK do Azure Machine Learning para Python v1.55.0

• azureml-core
  • Habilite o remapeamento do Application Insights para a nova região China East 3, já que ele não oferece suporte ao modo de recurso clássico. Também corrigida a atualização ausente para China North 3.
• azureml-defaults
  • Bumped azureml-inference-server-http pin para 1.0.0 em azureml-defaults.
• azureml-interpret
  • Pacote azureml-interpret atualizado para interpret-community 0.31.*
• azureml-responsibleai
  • Ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.33.0
  • Aumente as versões de dependência do responsibleai e do fairlearn

2023-11-13

• azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
  • statsmodels, pandas e scipy foram atualizados para as versões 1.13, 1.3.5 e 1.10.1 - fbprophet 0.7.1 foi substituído pelo Prophet 1.1.4 Ao carregar um modelo em um ambiente local, as versões desses pacotes devem corresponder ao que o modelo foi treinado.
• azureml-core, azureml-pipeline-core, azureml-pipeline-steps
  • AzureML-Pipeline – Adicione um aviso para o parâmetro init_scripts na etapa do Databricks, alertando você para sua próxima substituição.
• azureml-interpret
  • pacote azureml-interpret atualizado para interpret-community 0.30.*
• azureml-mlflow
  • feat: adicione AZUREML_BLOB_MAX_SINGLE_PUT_SIZE para controlar o tamanho em bytes de partes de carregamento. Reduzir isso do padrão (64*1024*1024 ou seja, 64 MB) pode corrigir problemas em que as operações de gravação falham devido ao tempo limite.
  • O suporte para carregar e baixar modelos de registros do AzureML atualmente é experimental
  • Adição de suporte para usuários que desejam baixar ou carregar modelo de registros AML

2023-08-21

SDK do Azure Machine Learning para Python v1.53.0

• azureml-automl-core
  • Suporte a recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão do AutoML.
• azureml-automl-dnn-vision
  • Habilitar sinalizadores para log_training_metrics e log_validation_loss para detecção de objetos automl e segmentação de instância
• azureml-contrib-automl-dnn-forecasting
  • Suporte a recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão do AutoML.
• azureml-core
  • Adicionar troca de local do appinsights para qatarcentral a fim de apontar para uaenorth
  • O Python 3.7 chegou ao fim da vida útil em 27 de junho de 2023. Consequentemente, o 3.7 será preterido no azureml-core a partir de outubro de 2023 e o azureml-core encerrará o suporte para o 3.7 em fevereiro de 2024.
• azureml-mlflow
  • Correção para carregar modelos com APIs de load_model do MLflow ao passar um URI do AzureML
• azureml-pipeline-core
  • Ignorar a execução filho e o erro de log quando a execução filho de carga falhar (por exemplo, 404) usando PipelineRun.get_pipeline_runs.
  • PipelineEndpoint.list apresenta um novo parâmetro int max_results, que indica o tamanho máximo da lista retornada. O valor padrão de max_results é 100.
• azureml-training-tabular
  • Suporte a recursos/regressores conhecidos no momento da previsão em modelos TCN de previsão do AutoML.

2023-06-26

SDK do Azure Machine Learning para Python v1.52.0

• azureml-automl-dnn-vision
  • A assinatura do mlflow para os modelos de automl de runtime (herdado) foi alterada para aceitar entradas binárias. Isso habilita a inferência em lote. A função predict é compatível com versões anteriores para que os usuários ainda possam enviar cadeias de caracteres base64 como entrada. A saída da função predict foi alterada para remover o nome de arquivo temporário e a chave de atribuições e visualizações vazias quando a explicação do modelo é n...
• azureml-contrib-automl-dnn-forecasting
  • Foi corrigido um bug que causava falhas durante o treinamento TCN distribuído quando os dados consistiam em uma única série temporal.
• azureml-interpret
  • remover o pin shap em azureml-interpret para atualizar para o mais recente em interpret-community
• azureml-responsibleai
  • ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.28.0

2023-05-20

SDK do Azure Machine Learning para Python v1.51.0

• azureml-automl-core
  • A tarefa de previsão do AutoML agora dá suporte à previsão contínua e ao suporte parcial às previsões de quantis para séries temporais hierárquicas (HTS).
  • Não permitir o uso de conjuntos de dados não tabulares para clientes em cenários de Classificação (várias classes e vários rótulos)
• azureml-automl-dnn-nlp
  • Não permitir o uso de conjuntos de dados não tabulares para clientes em cenários de Classificação (várias classes e vários rótulos)
• azureml-contrib-automl-pipeline-steps
  • A tarefa de previsão do AutoML agora dá suporte à previsão contínua e ao suporte parcial às previsões de quantis para séries temporais hierárquicas (HTS).
• azureml-fsspec
  • Substitui todos os erros causados pelo usuário no MLTable & FSSpec por um UserErrorException personalizado importado do azureml-dataprep.
• azureml-interpret
  • pacote azureml-interpret atualizado para interpret-community 0.29.*
• azureml-pipeline-core
  • Corrigir pipeline_version não sendo implementado ao chamar pipeline_endpoint.submit().
• azureml-train-automl-client
  • A tarefa de previsão do AutoML agora dá suporte à previsão contínua e ao suporte parcial às previsões de quantis para séries temporais hierárquicas (HTS).
• azureml-train-automl-runtime
  • A tarefa de previsão do AutoML agora dá suporte à previsão contínua e ao suporte parcial às previsões de quantis para séries temporais hierárquicas (HTS).
• mltable
  • Mais variantes de codificação como utf-8 agora têm suporte ao carregar arquivos do MLTable.
  • Substitui todos os erros causados pelo usuário no MLTable & FSSpec por um UserErrorException personalizado importado do azureml-dataprep.

2023-04-10

SDK do Azure Machine Learning para Python v1.50.0

• azureml-contrib-automl-dnn-forecasting
  • Adicionado suporte para previsão em determinados quantis do modelos TCN.
• azureml-responsibleai
  • ambiente comum atualizado e pacote azureml-responsibleai para raiwidgets e responsibleai 0.26.0
• azureml-train-automl-runtime
  • Corrigir o tratamento de MLTable do cenário de teste de modelo
• azureml-training-tabular
  • Adicionados quantis como parâmetro no método forecast_quantile.

2023-03-01

Fim do suporte para Python 3.7 em pacotes do SDK do Azure Machine Learning v1

• Substituição de recursos
  • Python 3.7 preterido como um tempo de execução compatível para pacotes SDK v1
    • Em 4 de dezembro de 2023, o Azure Machine Learning deixará oficialmente o suporte ao Python 3.7 para pacotes do SDK v1 e o abandonará como um runtime com suporte. Para mais detalhes, leia nossa página em SDK do Azure para a política de suporte da versão Python
    • A partir da data de abandono de 4 de dezembro de 2023, os pacotes do SDK do Azure Machine Learning v1 não receberão mais patches de segurança e outras atualizações para o runtime do Python 3.7.
    • As atuais versões do Python 3.7 para o SDK do Azure Machine Learning v1 ainda funcionam. Entretanto, a fim de continuar recebendo atualizações de segurança e permanecer qualificado para assistência técnica, o Azure Machine Learning aconselha fortemente que você mova seus scripts e dependências para uma versão do runtime do Python com suporte.
    • Como um runtime para arquivos do SDK do Azure Machine Learning v1, aconselhamos o uso da versão 3.8 ou posterior do Python.
    • Além disso, os pacotes do SDK do Azure Machine Learning v1 baseados em Python 3.7 não são mais qualificados para assistência técnica.
    • Use o suporte do Azure Machine Learning para entrar em contato conosco se você tiver alguma preocupação.

2023-13-02

SDK do Azure Machine Learning para Python v1.49.0

• Alterações interruptivas
  • A partir da v1.49.0 e superior, não haverá suporte para os algoritmos do AutoML a seguir.
    • Regressão: FastLinearRegressor, OnlineGradientDescentRegressor
    • Classificação: AveragedPerceptronClassifier.
  • Use a v1.48.0 ou inferior para continuar usando esses algoritmos.
• Correções de bug e melhorias
  • azureml-automl-dnn-nlp
    • Logs para mostrar os valores finais aplicados às configurações de modelo e hiperparâmetro com base nos valores padrão e nos especificados pelo usuário.
  • azureml-contrib-automl-dnn-forecasting
    • As métricas não escalares para o TCNForecaster agora refletem valores da última época.
    • Os visuais do horizonte de previsão para o conjunto de treinamento e o conjunto de testes já estão disponíveis durante a execução do teste de treinamento da TCN.
    • As execuções não falharão mais devido ao erro "Falha ao calcular métricas de TCN". A mensagem de aviso "O cálculo de métrica de previsão resultou em erro, relatando as piores pontuações" ainda será registrada em log. Em vez disso, geramos uma exceção quando enfrentamos a perda de validação inf/nan por mais de duas vezes consecutivas com a mensagem "Modelo inválido: o treinamento de TCN não convergiu". Os clientes precisam estar atentos ao fato de que os modelos carregados poderão retornar valores NaN/inf como previsões durante a inferência após essa alteração.
  • azureml-core
    • A criação do workspace do Azure Machine Learning usa o Application Insights baseado no Log Analytics em preparação para a descontinuação do Application Insights Clássico. Os usuários que desejam usar os recursos do Application Insights Clássico ainda poderão especificar recursos próprios para trazê-los quando criarem um workspace do Azure Machine Learning.
  • azureml-interpret
    • Atualização do pacote azureml-interpret para interpret-community 0.28.*
  • azureml-mlflow
    • Atualização do cliente azureml-mlflow com suporte inicial para o MLflow 2.0
  • azureml-responsibleai
    • Atualização do pacote azureml-responsibleai e dos notebooks para raiwidgets e responsibleai v0.24.0
  • azureml-sdk
    • O azureml-sdk e o azureml-train-automl-client já dão suporte ao Python versão 3.10
  • azureml-train-automl-client
    • O azureml-sdk e o azureml-train-automl-client já dão suporte ao Python versão 3.10
  • azureml-train-automl-runtime
    • Limpeza do y ausente antes do treinamento
    • Limpeza de valores NaN ou vazios da coluna de destino para cenários que não são de streaming
    • Os visuais do horizonte de previsão para o conjunto de teste já estão disponíveis durante a execução do teste de treinamento.
  • azureml-train-core
    • Adição do suporte ao cliente para fornecer a ID de execução personalizada para execuções do hyperdrive
  • azureml-train-restclients-hyperdrive
    • Adição do suporte ao cliente para fornecer a ID de execução personalizada para execuções do hyperdrive

05/12/2022

SDK do Azure Machine Learning para Python v1.48.0

• Alterações interruptivas

  • O suporte ao Python 3.6 foi preterido para pacotes do SDK do Azure Machine Learning.

• Correções de bug e melhorias

  • azureml-core
    • As contas de armazenamento criadas como parte da criação do workspace já definem o acesso público do blob para estar desabilitado por padrão
  • azureml-responsibleai
    • Pacote e notebooks azureml-responsibleai atualizados para pacotes raiwidgets e responsibleai v0.23.0
    • O serializador de modelo e o modelo pyfunc foram adicionados ao pacote azureml-responsibleai para salvar e recuperar modelos facilmente
  • azureml-train-automl-runtime
    • Docstring foi adicionado em parâmetros ManyModels e HierarchicalTimeSeries
    • Corrigido o bug em que o código gerado não treina/testa divisões corretamente.
    • O bug que estava causando a falha nos trabalhos de treinamento de código gerados pela previsão foi corrigido.

25/10/2022

SDK do Azure Machine Learning para Python v1.47.0

• azureml-automl-dnn-nlp
  • Alterações de runtime para o NLP do AutoML para considerar parâmetros de treinamento fixos como parte do ajuste de varredura e hiperparâmetro de modelo recém-introduzido.
• azureml-mlflow
  • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT pode ser usado para controlar o tempo limite para upload de artefato
• azureml-train-automl-runtime
  • Muitos modelos e treinamento hierárquico de série temporal agora impõem a verificação de parâmetros de tempo limite para detectar conflitos antes de enviar o experimento para execução. Isso evita a falha do experimento durante a execução gerando uma exceção antes do envio dele.
  • Os clientes já podem controlar o tamanho da etapa ao usar a previsão sem interrupção na inferência de Muitos Modelos.
  • A inferência ManyModels com dados tabulares não particionados agora dá suporte a forecast_quantiles.

2022-09-26

SDK do Azure Machine Learning para Python v1.46.0

• azureml-automl-dnn-nlp
  • Eles não poderão mais especificar uma linha no CoNLL, que inclua apenas um token. A linha deve sempre ser uma nova linha vazia ou com exatamente um token seguido por exatamente um espaço seguido por exatamente um rótulo.
• azureml-contrib-automl-dnn-forecasting
  • Há um caso de canto em que as amostras são reduzidas a 1 após a divisão de validação cruzada, mas sample_size ainda aponta para a contagem antes da divisão e, portanto, batch_size acaba sendo mais do que a contagem de amostras em alguns casos. Nesta correção inicializamos sample_size após a divisão
• azureml-core
  • Adicionado aviso de depreciação quando os clientes de inferência usam APIs de implantação de modelo CLI/SDK v1 para implantar modelos e também quando a versão do Python é 3.6 e inferior.
  • Os seguintes valores de AZUREML_LOG_DEPRECATION_WARNING_ENABLED alteram o comportamento conforme abaixo:
    • Padrão - exibe o aviso quando o cliente usa Python 3.6 e inferior e para cli/sdk v1.
    • True - exibe o aviso de descontinuação do SDK v1 em pacotes azureml-sdk.
    • False - desabilita o aviso de descontinuação do SDK v1 em pacotes azureml-sdk.
  • Comando a ser executado para definir a variável de ambiente para desabilitar a mensagem de descontinuação:
    • Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
    • Linux – export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
• azureml-interpret
  • atualize o pacote azureml-interpret para interpret-community 0.27.*
• azureml-pipeline-core
  • Corrija o fuso horário padrão da programação para UTC.
  • Corrija a reutilização incorreta ao usar SqlDataReference na etapa DataTransfer.
• azureml-responsibleai
  • atualize o pacote azureml-responsibleai e as imagens selecionadas para raiwidgets e responsableai v0.22.0
• azureml-train-automl-runtime
  • Corrigido um bug nos scripts gerados que fazia com que certas métricas não fossem renderizadas corretamente na interface do usuário.
  • A inferência de Muitos Modelos já dá suporte à previsão contínua para inferência.
  • Suporte para retornar os principais N modelos no cenário Muitos modelos.

2022-08-29

SDK do Azure Machine Learning para Python v1.45.0

• azureml-automl-runtime
  • Correção de um bug em que a coluna sample_weight não foi validada corretamente.
  • Adicionado o método público rolling_forecast() aos wrappers de pipeline de previsão para todos os modelos de previsão com suporte. Esse método substitui o método rolling_evaluation() preterido.
  • Correção de um problema em que as tarefas de Regressão de AutoML podem voltar à divisão válida de treinamento para avaliação de modelo, quando o CV teria sido uma opção mais apropriada.
• azureml-core
  • Novo sufixo de configuração de nuvem adicionado, “aml_discovery_endpoint”.
  • Atualizou o pacote de armazenamento do azure do fornecedor da versão 2 para a versão 12.
• azureml-mlflow
  • Novo sufixo de configuração de nuvem adicionado, “aml_discovery_endpoint”.
• azureml-responsibleai
  • atualização do azureml-responsibleai e imagens com curadoria para raiwidgets e responsibleai 0.21.0
• azureml-sdk
  • O pacote azureml-sdk já permite o Python 3.9.

2022-08-01

SDK do Azure Machine Learning para Python v1.44.0

• azureml-automl-dnn-nlp
  • A precisão ponderada e o MCC (coeficiente de correlação) de Matthews não serão mais uma métrica exibida em métricas calculadas para classificação multi-rótulo NLP.
• azureml-automl-dnn-vision
  • Gerar erro do usuário quando o formato de anotação inválido for fornecido
• azureml-cli-common
  • Atualização da descrição da CLI v1
• azureml-contrib-automl-dnn-forecasting
  • Correção dos problemas "Falha ao calcular métricas de TCN" causados no TCNForecaster quando séries temporais diferentes no conjunto de dados de validação têm comprimentos diferentes.
  • Foi adicionada a detecção de ID de timeseries automáticas para modelos de previsão DNN, como TCNForecaster.
  • Correção de um bug com o modelo TCN de previsão em que os dados de validação poderiam ser corrompidos em algumas circunstâncias quando o usuário forneceu o conjunto de validação.
• azureml-core
  • Permitir a configuração de um parâmetro timeout_seconds ao baixar artefatos de uma Execução
  • Adição da mensagem de aviso – A CLI do Azure Machine Learning v1 será desativada em 09/2025. É recomendável que os usuários adotem a CLI v2.
  • Corrija o envio para exceções de lançamento não AmlComputes.
  • Adição de suporte de contexto do Docker para ambientes
• azureml-interpret
  • Aumentar a versão numpy para pacotes AutoML
• azureml-pipeline-core
  • Correção regenerate_outputs=True não está tendo efeito ao enviar pipeline.
• azureml-train-automl-runtime
  • Aumentar a versão numpy para pacotes AutoML
  • Habilitar a geração de código para visão e nlp
  • Colunas originais nas quais os grãos são criados são adicionados como parte de predictions.csv

21-07-2022

Fim do suporte para Python 3.6 em pacotes do SDK do Azure Machine Learning v1

• Substituição de recursos
  • Preterir o Python 3.6 como um tempo de execução compatível para pacotes SDK v1
    • Em 5 de dezembro de 2022, o Azure Machine Learning substituirá o Python 3.6 como um runtime com suporte, encerrando formalmente nosso suporte ao Python 3.6 para pacotes de SDK v1.
    • A partir da data de descontinuação de 5 de dezembro de 2022, o Azure Machine Learning não aplicará mais patches de segurança e outras atualizações ao runtime do Python 3.6 usado pelos pacotes do SDK do Azure Machine Learning v1.
    • Os pacotes existentes do SDK do Azure Machine Learning v1 com Python 3.6 ainda continuam em execução. No entanto, o Azure Machine Learning recomenda enfaticamente que você migre seus scripts e dependências para uma versão de runtime do Python com suporte para continuar a receber patches de segurança e permanecer qualificado para suporte técnico.
    • Recomendamos usar a versão Python 3.8 como um runtime para pacotes do SDK do Azure Machine Learning v1.
    • Além disso, os pacotes do SDK do Azure Machine Learning v1 usando Python 3.6 não estão mais qualificados para suporte técnico.
    • Se você tiver alguma dúvida, entre em contato conosco através do Suporte AML.

2022-06-27

• azureml-automl-dnn-nlp
  • Remover a coluna de rótulos duplicados das previsões de vários rótulos
• azureml-contrib-automl-pipeline-steps
  • Agora o Many Models também fornece a funcionalidade de gerar a saída de previsão no formato csv. – As previsões de Muitos Modelos agora incluem os nomes das colunas no arquivo de saída no caso do formato de arquivo CSV.
• azureml-core
  • A autenticação ADAL foi preterida e agora todas as classes de autenticação usam a autenticação MSAL. Instale a azure-cli>=2.30.0 para utilizar a autenticação baseada na MSAL ao usar a classe AzureCliAuthentication.
  • Adição de correção para forçar o registro de ambiente quando Environment.build(workspace). A correção resolve a confusão do ambiente mais recente criado em vez do solicitado quando o ambiente é clonado ou herdado de outra instância.
  • Mensagem de aviso do SDK para reiniciar a Instância de Computação antes de 31 de maio de 2022, se ela foi criada antes de 19 de setembro de 2021
• azureml-interpret
  • Atualização do pacote azureml-interpret para interpret-community 0.26.*
  • No pacote azureml-interpret, adicione a capacidade de obter nomes de recursos brutos e projetados do explicador de pontuação. Além disso, adicione um exemplo ao notebook de pontuação para obter nomes de recursos do explicador de pontuação e adicione a documentação sobre nomes de recursos brutos e projetados.
• azureml-mlflow
  • O azureml-core como dependência do azureml-mlflow foi removido. – Os projetos e as implantações locais do MLflow exigem o azureml-core e precisam ser instalados separadamente.
  • Adição de suporte para criar pontos de extremidade e implantar neles por meio do plug-in do cliente MLflow.
• azureml-responsibleai
  • Atualização de imagens de ambiente e pacote azureml-responsibleai para a versão mais recente de responsibleai e raiwidgets 0.19.0
• azureml-train-automl-client
  • Agora, há suporte para OutputDatasetConfig como a entrada do construtor de pipeline MM/HTS. Os mapeamentos são: 1) OutputTabularDatasetConfig –> tratado como o conjunto de dados tabular não particionado. 2) OutputFileDatasetConfig –> tratado como o conjunto de dados arquivado.
• azureml-train-automl-runtime
  • Adição de validação de dados que exige que o número de amostras de classe minoritária no conjunto de dados seja pelo menos igual ao número de dobras de CV solicitadas.
  • Agora a configuração automática do parâmetro de validação cruzada está disponível para tarefas de previsão do ML automatizado. Agora, os usuários podem especificar “automático” para n_cross_validations e cv_step_size ou deixá-los vazios, e o ML automatizado fornece essas configurações de base nos dados. Entretanto, no momento, esse recurso não tem suporte quando o TCN está habilitado.
  • Agora os Parâmetros de Previsão no Many Models e no Hierarchical Time Series podem ser passados por meio do objeto, em vez de usar parâmetros individuais no dicionário.
  • Habilitação dos pontos de extremidade do modelo de previsão com suporte a quantis a serem consumidos no Power BI.
  • Atualização do limite superior de dependência SciPy do AutoML de 1.5.2 para 1.5.3

2022-04-25

SDK do Azure Machine Learning para Python v1.41.0

Aviso de alteração interruptiva

Essa alteração interruptiva vem da versão de junho de azureml-inference-server-http. Na versão de junho (v0.9.0) do azureml-inference-server-http, o suporte ao Python 3.6 foi removido. Como o azureml-defaults depende do azureml-inference-server-http, essa alteração será propagada para o azureml-defaults. Se você não estiver usando azureml-defaults para inferência, fique à vontade para usar azureml-core ou qualquer outro pacote do SDK do Azure Machine Learning diretamente em vez de instalar azureml-defaults.

• azureml-automl-dnn-nlp
  • Ativando o recurso de texto de longo alcance por padrão.
• azureml-automl-dnn-vision
  • Alteração do tipo de classe ObjectAnnotation do objeto para "objeto de dados".
• azureml-core
  • Essa versão atualiza a classe Keyvault usada pelos clientes para permitir que eles forneçam o tipo de conteúdo keyvault ao criar um segredo usando o SDK. Essa versão também atualiza o SDK para incluir uma nova função que permite que os clientes recuperem o valor do tipo de conteúdo de um segredo específico.
• azureml-interpret
  • atualizamos o pacote azureml-interpret para interpret-community 0.25.0
• azureml-pipeline-core
  • Não imprima mais detalhes de execução se pipeline_run.wait_for_completion com show_output=False
• azureml-train-automl-runtime
  • Corrige um bug que causa uma falha na geração de código quando o pacote azureml-contrib-automl-dnn-forecasting estiver presente no ambiente de treinamento.
  • Corrige o erro ao usar um conjunto de dados de teste sem uma coluna de rótulo com o Teste do modelo de ML automatizado.

2022-03-28

SDK do Azure Machine Learning para Python v1.40.0

• azureml-automl-dnn-nlp
  • Estamos tornando o recurso Texto de longo alcance opcional e somente se os clientes optarem explicitamente por ele, usando o kwarg "enable_long_range_text"
  • Adição da camada de validação de dados para o cenário de classificação de várias classes, que aplica a mesma classe base de vários rótulos a validações comuns, e uma classe derivada para mais verificações de validação de dados específicas de tarefa.
• azureml-automl-dnn-vision
  • Corrigindo KeyError durante a computação de pesos de classe.
• azureml-contrib-reinforcementlearning
  • Mensagem de aviso do SDK para a futura descontinuação do serviço de RL
• azureml-core
  • • Retornar logs para as execução que passaram pelo nosso novo runtime ao chamar qualquer uma das funções get logs no objeto de execução, incluindo run.get_details, run.get_all_logs, etc.
  • Adição do método experimental Datastore.register_onpremises_hdfs para permitir que os usuários criem lojas de dados apontando para recursos locais do HDFS.
  • Atualizar a documentação da CLI no comando de ajuda
• azureml-interpret
  • Para o pacote azureml-interpret, remova o shap pin com a atualização de empacotamento. Remova numba e numpy pin após a atualização de CE env.
• azureml-mlflow
  • Correção de bug para o cliente de implantação do MLflow run_local falha quando o objeto de configuração não foi fornecido.
• azureml-pipeline-steps
  • Remover link desfeito do estimador de pipeline preteridoStep
• azureml-responsibleai
  • atualização do azureml-responsibleai para raiwidgets e responsibleai versão 0.17.0
• azureml-train-automl-runtime
  • A geração de código para o ML automatizado agora dá suporte a modelos ForecastTCN (experimentais).
  • Os modelos criados por meio da geração de código agora têm todas as métricas calculadas por padrão (exceto erro absoluto de média normalizado, erro absoluto mediano normalizado, RMSE normalizado e RMSLE normalizado no caso de modelos de previsão). A lista de métricas a serem calculadas pode ser alterada editando o valor de retorno de get_metrics_names(). A validação cruzada agora é usada por padrão para prever modelos criados por meio da geração de código.
• azureml-training-tabular
  • A lista de métricas a serem calculadas pode ser alterada editando o valor de retorno de get_metrics_names(). A validação cruzada agora é usada por padrão para prever modelos criados por meio da geração de código.
  • Converter o tipo decimal y-test em float para permitir que a computação de métricas prossiga sem erros.

28/02/2022

SDK do Azure Machine Learning para Python v1.39.0

• azureml-automl-core
  • Corrigir formulário incorreto exibido no PBI para integração com modelos de regressão de AutoML
  • Adicionar a verificação de min-label-classes para as duas tarefas de classificação (várias classes e vários rótulos). Ela gera um erro para a execução do cliente se o número exclusivo de classes no conjunto de dados de treinamento de entrada é menor que 2. Não faz sentido executar a classificação em menos de duas classes.
• azureml-automl-runtime
  • Converter o tipo decimal y-test em float para permitir que a computação de métricas prossiga sem erros.
  • O treinamento de AutoML agora é compatível com numpy versão 1.8.
• azureml-contrib-automl-dnn-forecasting
  • Correção de um bug no modelo TCNForecaster em que nem todos os dados de treinamento seriam usados quando as configurações de validação cruzada fossem fornecidas.
  • O método de previsão do wrapper TCNForecaster que estava corrompendo as previsões de tempo de inferência. Também houve a correção de um problema em que o método de previsão não usaria os dados de contexto mais recentes em cenários válidos para treinamento.
• azureml-interpret
  • Para o pacote azureml-interpret, remova o shap pin com a atualização de empacotamento. Remova numba e numpy pin após a atualização de CE env.
• azureml-responsibleai
  • pacote azureml-responsibleai para raiwidgets e responsibleai versão 0.17.0
• azureml-synapse
  • Corrigir o problema em que o widget mágico desapareceu.
• azureml-train-automl-runtime
  • Atualização de dependências de AutoML para dar suporte a Python 3.8. Essa alteração interrompe a compatibilidade com os modelos treinados com o SDK 1.37 ou inferior devido às interfaces mais recentes do Pandas serem salvas no modelo.
  • O treinamento de AutoML agora é compatível com numpy versão 1.19
  • Corrigir a lógica de índice de redefinição de AutoML para modelos de ensemble na API automl_setup_model_explanations
  • Em AutoML, use o modelo alternativo lightgbm em vez do modelo alternativo linear para casos esparsos após a atualização mais recente da versão lightgbm
  • Todos os artefatos intermediários internos produzidos pelo AutoML agora são armazenados de forma transparente na execução pai (em vez de serem enviados para o armazenamento de blob de workspace padrão). Os usuários devem ser capazes de ver os artefatos que o AutoML gera no diretório outputs/ na execução pai.

24/1/2022

SDK do Azure Machine Learning para Python v1.38.0

• azureml-automl-core
  • Suporte ao Regressor e ao Classificador do TabNet no AutoML
  • Salvamento do transformador de dados nas saídas de execução pai, que podem ser reutilizadas para produzir o mesmo conjunto de dados personalizado usado durante a execução do experimento
  • Suporte à obtenção de métricas primárias para a tarefa de previsão na API get_primary_metrics.
  • Renomeação do segundo parâmetro opcional nos scripts de pontuação v2 como GlobalParameters
• azureml-automl-dnn-vision
  • Adição das métricas de pontuação à interface do usuário de métricas
• azureml-automl-runtime
  • Correção de um bug para os casos em que o nome do algoritmo em modelos NimbusML pode aparecer como cadeias de caracteres vazias no ML Studio ou nas saídas do console.
• azureml-core
  • Adição do parâmetro blobfuse_enabled em azureml.core.webservice.aks.AksWebservice.deploy_configuration. Quando esse parâmetro é true, os modelos e os arquivos de pontuação são baixados com o blobfuse em vez da API do armazenamento de blobs.
• azureml-interpret
  • Atualização de azureml-interpret para interpret-community 0.24.0
  • Em azureml-interpret, atualização do explicador de pontuação para dar suporte à última versão de lightgbm com o TreeExplainer esparso
  • Atualização de azureml-interpret para interpret-community 0.23.*
• azureml-pipeline-core
  • Adição de uma observação em pipelinedata para recomendação de que o usuário use o conjunto de dados de saída de pipeline.
• azureml-pipeline-steps
  • Adição de environment_variables a ParallelRunConfig: as variáveis de ambiente de runtime podem ser transmitidas por esse parâmetro e serão definidas no processo em que o script do usuário é executado.
• azureml-train-automl-client
  • Suporte ao Regressor e ao Classificador do TabNet no AutoML
• azureml-train-automl-runtime
  • Salvamento do transformador de dados nas saídas de execução pai, que podem ser reutilizadas para produzir o mesmo conjunto de dados personalizado usado durante a execução do experimento
• azureml-train-core
  • Habilitar o suporte para o encerramento antecipado da Otimização Bayesiana no Hyperdrive
  • Os objetos Bayesiana e GridParameterSampling já podem transmitir propriedades

2021-12-13

SDK do Azure Machine Learning para Python v1.37.0

• Alterações interruptivas

  • azureml-core
    • Desde a versão 1.37.0, o SDK do Azure Machine Learning usa a MSAL como a biblioteca de autenticação subjacente. A MSAL usa o fluxo de autenticação do Azure AD (Azure Active Directory) v2.0 para fornecer mais funcionalidade e aumenta a segurança do cache de token. Para obter mais informações, confira Visão geral da a Biblioteca de Autenticação da Microsoft (MSAL).
    • Atualize as dependências do SDK do AML para a versão mais recente da Biblioteca de Cliente de Gerenciamento de Recursos do Azure para Python (azure-mgmt-resource>=15.0.0,20.0.0<) e adote o SDK track2.
    • A partir da versão 1.37.0, a extensão azure-ml-cli deve ser compatível com a versão mais recente da CLI do Azure >=2.30.0.
    • Ao usar a CLI do Azure em um pipeline, como Azure DevOps, verifique se todas as tarefas/estágios estão usando versões da CLI do Azure acima de v2.30.0 para a CLI do Azure baseada em MSAL. A CLI do Azure 2.30.0 não é compatível com versões anteriores e gera um erro ao usar versões incompatíveis. Para usar as credenciais da CLI do Azure com o SDK do Azure Machine Learning, a CLI do Azure deve ser instalada como pacote pip.

• Correções de bug e melhorias

  • azureml-core
    • Os tipos de instância foram removidos do fluxo de trabalho de anexação para computação do Kubernetes. Agora os tipos de instância podem ser definidos diretamente no cluster do Kubernetes. Para obter mais detalhes, acesse aka.ms/amlarc/doc.
  • azureml-interpret
    • Foi atualizado o azureml-interpret para interpret-community 0.22.*
  • azureml-pipeline-steps
    • Foi corrigido um bug em que o "espaço reservado" do experimento poderia ser criado no envio de um pipeline com um AutoMLStep.
  • azureml-responsibleai
    • Foram atualizados o ambiente azureml-responsibleai e a instância de computação para a versão responsibleai e raiwidgets 0.15.0
    • Foi atualizado o pacote azureml-responsibleai para a responsibleai 0.14.0 mais recente.
  • azureml-tensorboard
    • Agora você pode usar Tensorboard(runs, use_display_name=True) para montar os logs do TensorBoard em pastas nomeadas com base em run.display_name/run.id em vez de run.id.
  • azureml-train-automl-client
    • Foi corrigido um bug em que o "espaço reservado" do experimento poderia ser criado no envio de um pipeline com um AutoMLStep.
    • Foram atualizados os documentos AutoMLConfig test_data e test_size para refletir o status da versão prévia.
  • azureml-train-automl-runtime
    • Foi adicionado um novo recurso que permite que os usuários passem as granularidades de séries temporais com um valor exclusivo.
    • Em determinados cenários, um modelo AutoML pode prever NaNs. As linhas que correspondem a essas previsões NaN são removidas de conjuntos de dados de teste e previsões antes da computação das métricas em execuções de teste.

08/11/2021

SDK do Azure Machine Learning para Python v1.36.0

• Correções de bug e melhorias
  • azureml-automl-dnn-vision
    • Limpeza de erros de digitação secundários em algumas mensagens de erro.
  • azureml-contrib-reinforcementlearning
    • Não há mais suporte para o envio de execuções de Aprendizagem de Reforço que usam simuladores.
  • azureml-core
    • Adicionado suporte para blob Premium particionado.
    • Não há mais suporte para a especificação de nuvens não públicas para a autenticação de identidade gerenciada.
    • O usuário pode migrar o serviço Web do AKS para o ponto de extremidade online e a implantação, que é gerenciada pela CLI (v2).
    • O tipo de instância para trabalhos de treinamento em destinos de computação do Kubernetes agora pode ser definido por meio de uma propriedade RunConfiguration: run_config.kubernetescompute.instance_type.
  • azureml-defaults
    • Dependências redundantes removidas como gunicorn e werkzeug
  • azureml-interpret
    • Atualizamos o pacote azureml-interpret para a versão 0.21.* do interpret-community
  • azureml-pipeline-steps
    • O MpiStep foi preterido em favor do uso de CommandStep para executar o treinamento de ML (incluindo treinamento distribuído) em pipelines.
  • azureml-train-automl-runtime
    • Atualize os documentos do formato de saída de previsões de teste do modelo AutoML.
    • Adicionadas descrições de docstring para os modelos de previsão Naive, SeasonalNaive, Average e SeasonalAverage.
    • O resumo de personalização agora é armazenado como um artefato na execução (verifique se há um arquivo chamado 'featurization_summary.json' na pasta de saídas)
    • Habilitar suporte a indicadores categóricos para o TabNet Learner.
    • Adicione o parâmetro downsample a automl_setup_model_explanations a fim de permitir que os usuários obtenham explicações sobre todos os dados sem redução, definindo esse parâmetro como false.

11/10/2021

SDK do Azure Machine Learning para Python v1.35.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Habilitar cálculo de métricas binárias
  • azureml-contrib-fairness
    • Melhorar a mensagem de erro no download do painel com falha
  • azureml-core
    • Foi resolvido o bug na especificação de nuvens não públicas para a autenticação de identidade gerenciada.
    • Os sinalizadores experimentais Dataset.File.upload_directory() e Dataset.Tabular.register_pandas_dataframe() agora estão removidos.
    • Os sinalizadores experimentais agora estão removidos no método partition_by() da classe TabularDataset.
  • azureml-pipeline-steps
    • Os sinalizadores experimentais agora estão removidos para o partition_keys parâmetro da classe ParallelRunConfig.
  • azureml-interpret
    • Pacote azureml-interpret atualizado para intepret-community 0.20.*
  • azureml-mlflow
    • Tornou possível registrar em log artefatos e imagens com MLflow usando subdiretórios
  • azureml-responsibleai
    • Melhorar a mensagem de erro no download do painel com falha
  • azureml-train-automl-client
    • Suporte adicionado para as tarefas da pesquisa visual computacional, como classificação de imagem, detecção de objetos e segmentação de instância. A documentação detalhada pode ser encontrada em: Configurar o AutoML para treinar modelos de pesquisa visual computacional com o Python (v1).
    • Habilitar cálculo de métricas binárias
  • azureml-train-automl-runtime
    • Adicione o suporte TCNForecaster às execuções de teste do modelo.
    • Atualize o formato de saída predictions.csv de teste do modelo. As colunas de saída já incluem os valores de destino originais e os recursos, que foram transmitidos para a execução de teste. Isso pode ser desativado definindo test_include_predictions_only=True em AutoMLConfig ou include_predictions_only=True em ModelProxy.test(). Se o usuário solicitou a inclusão apenas das previsões, o formato de saída é semelhante ao seguinte (previsão é o mesmo que regressão): Classificação => [valores previstos] [probabilidades] Regressão => [valores previstos] else (padrão): Classificação => [rótulos de dados de teste originais] [valores previstos] [probabilidades] [recursos] Regressão => [rótulos de dados de teste originais] [valores previstos] [recursos] O nome da coluna [predicted values] = [label column name] + "_predicted". [probabilities]Nomes da coluna = [class name] + "_predicted_proba". Se nenhuma coluna de destino foi passada como entrada para a execução de teste, então [original test data labels] não estará na saída.

09-07-2021

SDK do Azure Machine Learning para Python v1.34.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Adição do suporte para reajustar um pipeline de previsão treinado anteriormente.
    • Capacidade adicionada de obter previsões sobre os dados de treinamento (previsão em exemplo) para previsão.
  • azureml-automl-runtime
    • Adicionar suporte para retornar probabilidades previstas de um ponto de extremidade implantado de um modelo de classificador AutoML.
    • Opção de previsão adicionada para que os usuários especifiquem que todas as previsões devem ser números inteiros.
    • Nome da coluna de destino excluída dos nomes de recursos de explicação de modelo para experimentos locais com training_data_label_column_name
    • como entradas de conjuntos de dados.
    • Adição do suporte para reajustar um pipeline de previsão treinado anteriormente.
    • Capacidade adicionada de obter previsões sobre os dados de treinamento (previsão em exemplo) para previsão.
  • azureml-core
    • Suporte adicionado para definir o tipo de coluna de fluxo, montar e baixar colunas de fluxo no conjunto de dados tabular.
    • Novos campos opcionais adicionados a Kubernetes.attach_configuration(identity_type=None, identity_ids=None) que permitem anexar KubernetesCompute com a identidade SystemAssigned ou UserAssigned. Novos campos de identidade serão incluídos ao chamar print(compute_target) ou compute_target.serialize(): identity_type, identity_id, principal_id e tenant_id/client_id.
  • azureml-dataprep
    • Suporte adicionado para definir o tipo de coluna de fluxo para o conjunto de dados tabular. Suporte adicionado para montar e baixar colunas de fluxo no conjuntos de dados tabular.
  • azureml-defaults
    • A dependência azureml-inference-server-http==0.3.1 foi adicionada a azureml-defaults.
  • azureml-mlflow
    • Permitir a paginação da API list_experiments adicionando os parâmetros opcionais max_results e page_token. Para obter a documentação, confira os documentos oficiais do MLflow.
  • azureml-sdk
    • Dependência substituída no pacote preterido (azureml-train) dentro de azureml-sdk.
    • Adicionar azureml-responsibleai a extras azureml-sdk
  • azureml-train-automl-client
    • Expor os parâmetros test_data e test_size em AutoMLConfig. Esses parâmetros podem ser usados ​​para iniciar automaticamente uma execução de teste após a conclusão da fase de treinamento do modelo. A execução de teste calcula as previsões usando o melhor modelo e gera as métricas considerando essas previsões.

2021-08-24

Interface do usuário de Experimentação do Azure Machine Learning

• Executar Excluir
  • Executar Excluir é uma nova funcionalidade que permite que os usuários excluam uma ou várias execuções de seu workspace.
  • Essa funcionalidade pode ajudar os usuários a reduzir os custos de armazenamento e gerenciar a capacidade de armazenamento excluindo regularmente as execuções e experimentos da interface do usuário diretamente.
• Executar Cancelamento do Lote
  • A Operação de Cancelamento do Lote é uma nova funcionalidade que permite que os usuários selecionem uma ou várias execuções para cancelar da lista de execuções.
  • Essa funcionalidade pode ajudar os usuários a cancelar várias execuções na fila e liberar espaço no cluster.

2021-08-18

Interface do usuário de Experimentação do Azure Machine Learning

• Nome para exibição de execução
  • O nome de exibição de execução é um nome para exibição novo, editável e opcional que pode ser atribuído a uma execução.
  • Esse nome pode ajudar a controlar, organizar e descobrir as execuções com mais eficiência.
  • O nome para exibição de execução é padronizado para um formato de adjective_noun_guid (exemplo: awesome_watch_2i3uns).
  • Esse nome padrão pode ser editado de forma mais personalizável. Isso pode ser editado na página de detalhes da execução na interface do usuário do Estúdio do Azure Machine Learning.

2021-08-02

SDK do Azure Machine Learning para Python v1.33.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Melhor tratamento de erros em relação à recuperação do modelo XGBoost.
    • Mais possibilidade de converter as previsões de float para inteiros para as tarefas de previsão e de regressão.
    • Valor padrão de enable_early_stopping atualizado em AutoMLConfig para True.
  • azureml-automl-runtime
    • Mais possibilidade de converter as previsões de float para inteiros para as tarefas de previsão e de regressão.
    • Valor padrão de enable_early_stopping atualizado em AutoMLConfig para True.
  • azureml-contrib-automl-pipeline-steps
    • A HTS (série temporal hierárquica) é habilitada para tarefas de previsão por meio de pipelines.
    • Adicionar suporte a conjunto de dados tabular para inferência
    • O caminho personalizado pode ser especificado para os dados de inferência
  • azureml-contrib-reinforcementlearning
    • Algumas propriedades em azureml.core.environment.DockerSection são preteridas, como a propriedade shm_size usada por trabalhadores Ray em trabalhos de aprendizado de reforço. Essa propriedade agora pode ser especificada em azureml.contrib.train.rl.WorkerConfiguration.
  • azureml-core
    • Correção de um hiperlink na documentação ScriptRunConfig.distributed_job_config
    • Os clusters de cálculo do Azure Machine Learning agora podem ser criados em um local diferente do local do espaço de trabalho. Isso é útil para maximizar a alocação de capacidade ociosa e gerenciar a utilização de cotas em diferentes locais sem precisar criar mais espaços de trabalho apenas para usar a cota e criar um cluster de cálculo em um local específico. Para saber mais, confira Criar um cluster de cálculo do Azure Machine Learning.
    • Adicionado display_name como um campo de nome mutável do objeto de execução.
    • Agora o conjunto de dados from_files pode ignorar extensões de dados para grandes dados de entrada
  • azureml-dataprep
    • Correção de um bug em que o to_dask_dataframe falhava devido a uma condição de corrida.
    • Agora o conjunto de dados from_files pode ignorar extensões de dados para grandes dados de entrada
  • azureml-defaults
    • Removeremos a dependência azureml-model-management-sdk==1.0.1b6.post1 de azureml-defaults.
  • azureml-interpret
    • atualizamos azureml-interpret para interpret-community 0.19.*
  • azureml-pipeline-core
    • A HTS (série temporal hierárquica) é habilitada para tarefas de previsão por meio de pipelines.
  • azureml-train-automl-client
    • Alterne para o uso do repositório de blob para cache no ML automatizado.
    • A HTS (série temporal hierárquica) é habilitada para tarefas de previsão por meio de pipelines.
    • Melhor tratamento de erros em relação à recuperação do modelo XGBoost.
    • Valor padrão de enable_early_stopping atualizado em AutoMLConfig para True.
  • azureml-train-automl-runtime
    • Alterne para o uso do repositório de blob para cache no ML automatizado.
    • A HTS (série temporal hierárquica) é habilitada para tarefas de previsão por meio de pipelines.
    • Valor padrão de enable_early_stopping atualizado em AutoMLConfig para True.

2021-07-06

SDK do Azure Machine Learning para Python v1.32.0

• Correções de bug e melhorias
  • azureml-core
    • Expor o diagnóstico da integridade do espaço de trabalho no SDK/CLI
  • azureml-defaults
    • Dependência opencensus-ext-azure==1.0.8 adicionada ao azureml-defaults
  • azureml-pipeline-core
    • O AutoMLStep foi atualizado para usar imagens predefinidas quando o ambiente para envio de trabalho corresponder ao ambiente padrão
  • azureml-responsibleai
    • Novo cliente de análise de erro adicionado para carregar, baixar e listar relatórios de análise de erros
    • Verifique se os pacotes raiwidgets e responsibleai tenham a versão sincronizada
  • azureml-train-automl-runtime
    • Defina o tempo alocado à pesquisa dinâmica em várias estratégias de definição de recursos como no máximo um quarto do tempo limite de experimento geral

2021-06-21

SDK do Azure Machine Learning para Python v1.31.0

• Correções de bug e melhorias
  • azureml-core
    • Documentação aprimorada para a propriedade de plataforma na classe de ambiente
    • Foi alterado o padrão de tempo de redução vertical do nó de computação do AML de 120 segundos para 1800 segundos
    • O link de solução de problemas padrão atualizado exibido no portal para solução de problemas de execuções com falha para: https://aka.ms/azureml-run-troubleshooting
  • azureml-automl-runtime
    • Limpeza de dados: amostras com valores de destino em [None, "", "nan", np.nan] são descartadas antes da definição de recursos e/ou treinamento de modelo
  • azureml-interpret
    • Aumentar o tempo limite para impedir o erro da fila de tarefas de liberação em execuções remotas do Azure Machine Learning que usam ExplanationClient
  • azureml-pipeline-core
    • Adicionar o parâmetro jar à etapa do Synapse
  • azureml-train-automl-runtime
    • Corrigir verificador de integridade de alta cardinalidade de modo que se tornem mais alinhados com os documentos

07/06/2021

SDK do Azure Machine Learning para Python v1.30.0

• Correções de bug e melhorias
  • azureml-core
    • A dependência de PIN ruamel-yaml para < 0.17.5 como uma alteração significativa foi liberada no 0.17.5.
    • A propriedade aml_k8s_config está sendo substituída pelos parâmetros namespace, default_instance_type e instance_types para anexar KubernetesCompute.
    • As chaves de sincronização do workspace foram alteradas para uma operação de execução prolongada.
  • azureml-automl-runtime
    • Problemas corrigidos onde as execuções com Big Data podem falhar com Elements of y_test cannot be NaN.
  • azureml-mlflow
    • Correção de bug do plug-in de implantação do MLFlow para modelos sem assinatura.
  • azureml-pipeline-steps
    • ParallelRunConfig: atualize o documento para process_count_per_node.
  • azureml-train-automl-runtime
    • Suporte para quantis definidos personalizados durante a inferência de MM
    • Suporte para forecast_quantiles durante a inferência de lote.
  • azureml-contrib-automl-pipeline-steps
    • Suporte para quantis definidos personalizados durante a inferência de MM
    • Suporte para forecast_quantiles durante a inferência de lote.

2021-05-25

Anúncio da CLI (v2) para o Azure Machine Learning

A extensão ml para a CLI do Azure é a interface de próxima geração para o Azure Machine Learning. Ela permite que você treine e implante modelos usando a linha de comando, com recursos que aceleram a escala vertical e horizontal da ciência de dados, enquanto acompanha o ciclo de vida do modelo. Instalar e configurar a CLI (v2).

SDK do Azure Machine Learning para Python v1.29.0

• Correções de bug e melhorias
  • Alterações da falha
    • Suporte para o Python 3.5 removido.
  • azureml-automl-runtime
    • Foi consertado um bug no qual ocorre uma falha no STLFeaturizer se o comprimento da série temporal é menor do que a sazonalidade. Esse erro é exibido como um IndexError. Agora o caso é resolvido sem erros, embora o componente sazonal do STL seja composto apenas por zeros nesse caso.
  • azureml-contrib-automl-dnn-vision
    • Um método para inferência do lote com caminhos de arquivo foi adicionado.
  • azureml-contrib-gbdt
    • O pacote azureml-contrib-gbdt foi preterido e pode não receber atualizações futuras. Além disso, ele será removido da distribuição completamente.
  • azureml-core
    • Explicação corrigida do parâmetro create_if_not_exists no Datastore.register_azure_blob_container.
    • O código de exemplo foi adicionado à classe DatasetConsumptionConfig.
    • Foi adicionado suporte para etapas como um eixo alternativo para valores de métrica escalar em run.log()
  • azureml-dataprep
    • Limite do tamanho da partição aceito em _with_partition_size() para 2 GB
  • azureml-interpret
    • atualizar o azureml-interpret para a versão mais recente do pacote interpret-core
    • Foi removido o suporte para SHAP DenseData, que foi preterido no SHAP 0.36.0.
    • Habilite que o ExplanationClient possa ser carregado em um armazenamento de dados especificado pelo usuário.
  • azureml-mlflow
    • Mova o azureml-mlflow para mlflow-skinny para reduzir o volume da dependência, enquanto mantém o suporte completo ao plug-in
  • azureml-pipeline-core
    • O exemplo de código do PipelineParameter é atualizado no documento de referência para usar o parâmetro correto.

2021-05-10

SDK do Azure Machine Learning para Python v1.28.0

• Correções de bug e melhorias
  • azureml-automl-runtime
    • Script de pontuação do AutoML aprimorado para ser consistente com o designer
    • Aplicação de patch no bug em que a previsão com o modelo Prophet gerava um erro de "coluna ausente" quando treinada em uma versão anterior do SDK.
    • O modelo ARIMAX foi adicionado às listas de modelos voltados para o público com suporte de previsão do SDK do AutoML. Aqui, o ARIMAX é uma regressão com os erros de ARIMA e um caso especial dos modelos de função de transferência é desenvolvido pelo método Box e Jenkins. Para ver uma discussão sobre como as duas abordagens são diferentes, confira The ARIMAX model muddle (A confusão do modelo ARIMAX). Ao contrário do restante dos modelos multivariados que usam recursos gerados automaticamente e dependentes de tempo (hora do dia, dia do ano e assim por diante) no AutoML, esse modelo usa apenas os recursos fornecidos pelo usuário, o que facilita a interpretação de coeficientes.
  • azureml-contrib-dataset
    • A descrição da documentação foi atualizada com a indicação de que libfuse deve ser instalado ao usar a montagem.
  • azureml-core
    • Agora a imagem coletada de CPU padrão é mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. Agora a imagem de GPU padrão é mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
    • Run.fail() agora está preterido, use Run.tag() para marcar a execução como falha ou use Run.cancel() para marcar a execução como cancelada.
    • A documentação foi atualizada com uma observação de que libfuse deve ser instalado ao montar um conjunto de dados do arquivo.
    • Adicione o suporte experimental de register_dask_dataframe() ao conjunto de dados tabular.
    • Suporte ao DatabricksStep com o Blob do Azure/ADL-S como entradas/saídas e o parâmetro de exposição permit_cluster_restart que permite que o cliente decida se o AML pode reiniciar o cluster quando a configuração de acesso de E/S precisar ser adicionada ao cluster
  • azureml-dataset-runtime
    • O azureml-dataset-runtime agora dá suporte a versões do pyarrow < 4.0.0
  • azureml-mlflow
    • Foi adicionado suporte para implantação no Azure Machine Learning por meio do nosso plug-in do MLFlow.
  • azureml-pipeline-steps
    • Suporte ao DatabricksStep com o Blob do Azure/ADL-S como entradas/saídas e o parâmetro de exposição permit_cluster_restart que permite que o cliente decida se o AML pode reiniciar o cluster quando a configuração de acesso de E/S precisar ser adicionada ao cluster
  • azureml-synapse
    • Habilita a audiência na autenticação de MSI
  • azureml-train-automl-client
    • Um link alterado foi adicionado ao documento de destino de computação

19-04-2021

SDK do Azure Machine Learning para Python v1.27.0

• Correções de bug e melhorias
  • azureml-core
    • Foi adicionada a capacidade de substituir o valor de tempo limite padrão pelo carregamento de artefato por meio da variável de ambiente "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
    • Corrigido um bug em que as configurações do docker no objeto do Ambiente em ScriptRunConfig não são respeitadas.
    • Permita o particionamento de um conjunto de dados ao copiá-lo para um destino.
    • Um modo personalizado foi adicionado ao OutputDatasetConfig para habilitar a passagem de Conjuntos de Dados criados em pipelines por meio de uma função de link. Esses aprimoramentos de suporte foram feitos para habilitar o Particionamento Tabular para PRS.
    • Um novo tipo de computação KubernetesCompute foi adicionado ao azureml-core.
  • azureml-pipeline-core
    • Adicionar um modo personalizado ao OutputDatasetConfig e permitir que um usuário passe Conjuntos de Dados criados em pipelines por meio de uma função de link. Os destinos de caminho de arquivo dão suporte a espaços reservados. Eles dão suporte aos aprimoramentos feitos para habilitar o Particionamento Tabular para PRS.
    • Adição do novo tipo de computação do KubernetesCompute ao azureml-core.
  • azureml-pipeline-steps
    • Adição do novo tipo de computação do KubernetesCompute ao azureml-core.
  • azureml-synapse
    • Atualize a URL da interface do usuário do Spark no widget do azureml synapse
  • azureml-train-automl-client
    • O featurizer de STL para a tarefa de previsão agora usa uma detecção de sazonalidade mais robusta que se baseia na frequência da série temporal.
  • azureml-train-core
    • O bug no qual as configurações do docker no objeto do Ambiente não são respeitadas foi consertado.
    • Adição do novo tipo de computação do KubernetesCompute ao azureml-core.

2021-04-05

SDK do Azure Machine Learning para Python v1.26.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Foi corrigido um problema em que os modelos de Naive eram recomendados em execuções de AutoMLStep e tinham falha com atraso ou recursos de janela rolante. Esses modelos não serão recomendados quando os atrasos de destino ou o tamanho de janela rolante de destino forem definidos.
    • A saída do console foi alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
  • azureml-core
    • O modo HDFS foi adicionado na documentação.
    • Foi adicionado suporte para compreensão das partições de Conjunto de Dados de Arquivo com base na estrutura glob.
    • Foi adicionado suporte para atualizar o Registro de contêiner associado ao Workspace do Azure Machine Learning.
    • Os atributos de Ambiente preteridos em DockerSection, "enabled", "shared_volume" e "arguments", agora fazem parte do DockerConfiguration em RunConfiguration.
    • A documentação do clone da CLI do Pipeline foi atualizada
    • Os URIs do portal foram atualizados para incluir o locatário de autenticação
    • O nome do experimento foi removido dos URIs de execução para evitar redirecionamentos
    • O URO do experimento foi atualizado para usar a ID do experimento.
    • Correções de bug para anexar a computação remota com a CLI do Azure Machine Learning.
    • Os URIs do portal foram atualizados para incluir o locatário para autenticação.
    • O URI do experimento foi atualizado para usar a ID do experimento.
  • azureml-interpret
    • O azureml-interpret foi atualizado para usar o interpret-community 0.17.0
  • azureml-opendatasets
    • Validação de tipo de data de início e data de término de entrada e indicação de erro caso ele não seja do tipo datetime.
  • azureml-parallel-run
    • [Recurso experimental] Adicione um parâmetro partition_keys a ParallelRunConfig. Caso seja especificado, os conjuntos de dados de entrada são particionados em mini lotes pelas chaves especificadas por ele. Ele requer que todos os conjuntos de dados de entrada sejam particionados.
  • azureml-pipeline-steps
    • Correção de bug – Suporte a path_on_compute ao enviar a configuração do conjunto de dados como um download.
    • O RScriptStep foi preterido em favor do uso de CommandStep para executar scripts R em pipelines.
    • O EstimatorStep foi preterido em favor do uso de CommandStep para executar o treinamento de ML (incluindo treinamento distribuído) em pipelines.
  • azureml-sdk
    • Atualizar o python_requires < 3.9 para azureml-sdk
  • azureml-train-automl-client
    • A saída do console foi alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
  • azureml-train-core
    • Os atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection foram preteridos em favor do uso de DockerConfiguration com ScriptRunConfig.
    • Usar o Azure Open Datasets para o conjunto de dados do MNIST
    • As mensagens de erro de Hyperdrive foram atualizadas.

22-03-2021

SDK do Azure Machine Learning para Python v1.25.0

• Correções de bug e melhorias
  • azureml-automl-core
    • A saída do console foi alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
  • azureml-core
    • Começa a dar suporte à atualização do registro de contêiner para o workspace no SDK e na CLI
    • Os atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection foram preteridos em favor do uso de DockerConfiguration com ScriptRunConfig.
    • A documentação do clone da CLI do Pipeline foi atualizada
    • Os URIs do portal foram atualizados para incluir o locatário de autenticação
    • O nome do experimento foi removido dos URIs de execução para evitar redirecionamentos
    • O URO do experimento foi atualizado para usar a ID do experimento.
    • Correções de bugs para anexar a computação remota usando az cli
    • Os URIs do portal foram atualizados para incluir o locatário para autenticação.
    • Foi adicionado suporte para compreensão das partições de Conjunto de Dados de Arquivo com base na estrutura glob.
  • azureml-interpret
    • O azureml-interpret foi atualizado para usar o interpret-community 0.17.0
  • azureml-opendatasets
    • Validação de tipo de data de início e data de término de entrada e indicação de erro caso ele não seja do tipo datetime.
  • azureml-pipeline-core
    • Correção de bug – Suporte a path_on_compute ao enviar a configuração do conjunto de dados como um download.
  • azureml-pipeline-steps
    • Correção de bug – Suporte a path_on_compute ao enviar a configuração do conjunto de dados como um download.
    • O RScriptStep foi preterido em favor do uso de CommandStep para executar scripts R em pipelines.
    • O EstimatorStep foi preterido em favor do uso de CommandStep para executar o treinamento de ML (incluindo treinamento distribuído) em pipelines.
  • azureml-train-automl-runtime
    • A saída do console foi alterada ao enviar uma execução do AutoML para mostrar um link do portal para a execução.
  • azureml-train-core
    • Os atributos 'enabled', 'shared_volume' e 'arguments' do DockerSection foram preteridos em favor do uso de DockerConfiguration com ScriptRunConfig.
    • Usar o Azure Open Datasets para o conjunto de dados do MNIST
    • As mensagens de erro de Hyperdrive foram atualizadas.

31/03/2021

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de março)

• Novos recursos

  • Renderizar CSV/TSV. Os usuários podem renderizar e usar arquivos CSV/TSV em um formato de grade para facilitar a análise de dados.
  • Autenticação de SSO para Instância de Computação. Agora, os usuários podem autenticar facilmente as novas instâncias de computação diretamente na interface do usuário do Notebook, facilitando a autenticação e o uso dos SDKs do Azure diretamente no Azure Machine Learning.
  • Métricas da Instância de Computação. Os usuários podem visualizar as métricas de computação, como uso da CPU e da memória pelo terminal.
  • Detalhes do Arquivo. Os usuários já podem visualizar os detalhes do arquivo, incluindo a hora da última modificação e o tamanho do arquivo clicando nos três pontos ao lado de um arquivo.

• Correções de bug e melhorias

  • Melhoramos os tempos de carregamento de página.
  • Desempenho aprimorado.
  • Melhoramos velocidade e confiabilidade do kernel.
  • Ganho de espaço vertical com a movimentação permanente para cima do painel de arquivos do Notebook.
  • Agora os links são clicáveis no Terminal
  • Melhoramos o desempenho do IntelliSense

08-03-2021

SDK do Azure Machine Learning para Python v1.24.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Removemos as importações compatíveis com versões anteriores do azureml.automl.core.shared. Os erros de módulo não encontrados no namespace azureml.automl.core.shared podem ser resolvidos pela importação de azureml.automl.runtime.shared.
  • azureml-contrib-automl-dnn-vision
    • Expomos o modelo de Yolo de detecção de objeto.
  • azureml-contrib-dataset
    • Adicionamos a funcionalidade para filtrar conjuntos de dados de tabela por valores de coluna e conjuntos de dados de arquivo por metadados.
  • azureml-contrib-fairness
    • Incluir o esquema JSON na roda para azureml-contrib-fairness
  • azureml-contrib-mir
    • Com a configuração de show_output definida como True ao implantar modelos, a configuração de inferência e a configuração de implantação são reproduzidas novamente antes de enviar a solicitação ao servidor.
  • azureml-core
    • Adicionamos a funcionalidade para filtrar conjuntos de dados de tabela por valores de coluna e conjuntos de dados de arquivo por metadados.
    • Anteriormente, os usuários podiam criar configurações de provisionamento para os ComputeTargets que não atendiam aos requisitos de força da senha no campo admin_user_password (ou seja, requisitos de que elas precisam conter, pelo menos, três dos seguintes: uma letra minúscula, uma letra maiúscula, um dígito e um caractere especial do seguinte conjunto: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Se o usuário criou uma configuração com uma senha fraca e executou um trabalho usando essa configuração, o trabalho poderia falhar no runtime. Agora, a chamada a AmlCompute.provisioning_configuration gera uma ComputeTargetException com uma mensagem de erro complementar, explicando os requisitos de força da senha.
    • Além disso, também era possível, em alguns casos, especificar uma configuração com um número negativo de nós máximos. Não é mais possível fazer isso. Agora, AmlCompute.provisioning_configuration gera uma ComputeTargetException se o argumento max_nodes é um inteiro negativo.
    • Com a configuração de show_output definida como True ao implantar modelos, a configuração de inferência e a configuração de implantação são reproduzidas.
    • Com a configuração de show_output definida como True ao aguardar a conclusão da implantação do modelo, o progresso da operação de implantação é exibido.
    • Permitir o diretório de configuração de autenticação do Azure Machine Learning especificado pelo cliente por meio da variável de ambiente: AZUREML_AUTH_CONFIG_DIR
    • Antes, era possível criar uma configuração de provisionamento com a contagem de nós mínima menor que a contagem máxima de nós. O trabalho seria executado, mas falharia no runtime. Esse bug não foi corrigido. Se agora você tentar criar uma configuração de provisionamento com min_nodes < max_nodes, o SDK vai gerar uma ComputeTargetException.
  • azureml-interpret
    • corrigir o painel de explicação que não mostra as importâncias do recurso agregado para explicações de engenharia esparsas
    • uso otimizado de memória do ExplanationClient no pacote azureml-interpret
  • azureml-train-automl-client
    • Corrigimos o show_output=False para devolver o controle ao usuário ao executar usando o Spark.

28/02/2021

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de fevereiro)

• Novos recursos

  • Terminal nativo (GA). Agora, os usuários têm acesso a um terminal integrado e às operações do Git por meio do terminal integrado.
  • Snippets do Notebook (versão prévia). Trechos de código comuns do Azure Machine Learning agora estão ao seu alcance. Navegue até o painel snippets de código, acessíveis por meio da barra de ferramentas ou ative o menu de snippets nos códigos usando Ctrl + Espaço.
  • Atalhos do teclado. Paridade completa com atalhos de teclado disponíveis no Jupyter.
  • Indicar os Parâmetros da Célula. Mostra os usuários quais células em um notebook são células de parâmetro e podem executar notebooks parametrizados por meio de Papermill na Instância de computação.
  • Gerenciador de sessão do terminal e do kernel: os usuários podem gerenciar todas as sessões de kernels e do terminal em execução na respectiva computação.
  • Botão de Compartilhamento. Agora, os usuários podem compartilhar arquivos no explorador de arquivos do Notebook clicando com o botão direito do mouse no arquivo e usando o botão Compartilhar.

• Correções de bug e melhorias

  • Melhoramos os tempos de carregamento de página
  • desempenho aprimorado
  • Melhoramos a velocidade e confiabilidade do kernel
  • Adicionamos roda giratória para mostrar o progresso de todas as operações de instância de computação em andamento.
  • Clicar com o botão direito do mouse no Explorador de Arquivos. Agora, clicar com o botão direito do mouse em qualquer arquivo abre as operações do arquivo.

16/02/2021

SDK do Azure Machine Learning para Python v1.23.0

• Correções de bug e melhorias
  • azureml-core
    • [Recurso experimental] Adicionar suporte para vincular o espaço de trabalho Synapse ao AML como um serviço vinculado
    • [Recurso experimental] Adicionar suporte para anexar o pool do Spark no Synapse no AML como uma computação
    • [Recurso experimental] Adicionar suporte para acesso a dados com base em identidade. Os usuários podem registrar armazenamento de dados ou conjuntos de dados sem fornecer credenciais. Nesse caso, o token do Azure AD dos usuários ou a identidade gerenciada do destino de computação são usados para autenticação. Para saber mais, consulte Conectar-se ao armazenamento usando o acesso a dados baseados em identidade.
  • azureml-pipeline-steps
    • [Recurso experimental] Adicionar suporte para SynapseSparkStep
  • azureml-synapse
    • [Recurso experimental] Adicionar suporte ao magic do Spark para executar sessão interativa no pool do Spark no Synapse.
• Correções de bug e melhorias
  • azureml-automl-runtime
    • Nessa atualização, adicionamos a suavização exponencial de Holt de inverno à caixa de ferramentas de previsão do SDK do AutoML. Dada uma série temporal, o melhor modelo é selecionado pelo AICc (critério de informações do Akaike corrigido) e devolvido.
    • O AutoML agora gera dois arquivos de log em vez de um. As instruções de log vão para uma ou outra, dependendo de qual processo a instrução de log foi gerada.
    • Remova a previsão em amostra desnecessária durante o treinamento do modelo com validações cruzadas. Isso pode diminuir o tempo de treinamento do modelo em alguns casos, especialmente para modelos de previsão de série temporal.
  • azureml-contrib-fairness
    • Adicionar um esquema JSON para os carregamentos do dashboardDictionary.
  • azureml-contrib-interpret
    • O README do azureml-contrib-interpret foi atualizado para refletir que o pacote será removido na próxima atualização depois de ser preterido desde outubro, em vez disso use o pacote azureml-interprete
  • azureml-core
    • Antes, era possível criar uma configuração de provisionamento com a contagem de nós mínima menor que a contagem máxima de nós. Isso já foi corrigido agora. Se agora você tentar criar uma configuração de provisionamento com min_nodes < max_nodes, o SDK vai gerar uma ComputeTargetException.
    • Correção do bug em wait_for_completion no AmlCompute que fazia com que a função retornasse o fluxo de controle antes de a operação ser realmente concluída
    • Run.fail() agora está preterido, use Run.tag() para marcar a execução como falha ou use Run.cancel() para marcar a execução como cancelada.
    • Mostrar mensagem de erro ''nome do ambiente esperado str, {} encontrado'' quando o nome do ambiente fornecido não for uma cadeia de caracteres.
  • azureml-train-automl-client
    • Corrigimos um bug que impedia que experimentos da AutoML executadas em clusters do Azure Databricks fossem cancelados.

09/02/2021

SDK do Azure Machine Learning para Python v1.22.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Corrigimos um bug em que uma dependência pip extra foi adicionada ao arquivo conda yml para modelos de visão.
  • azureml-automl-runtime
    • Corrigido um bug em que os modelos de previsão clássicos (por exemplo, o AutoArima) podiam receber dados de treinamento, nos quais as linhas com valores de destino imputados não estavam presentes. Isso violou o contrato de dados desses modelos. * Corrigimos vários bugs com o comportamento de retardo por ocorrência no operador de retardos da série temporal. Anteriormente, a operação de retardo por ocorrência não marcou todas as linhas imputadas corretamente, portanto, nem sempre gerou os valores de retardo de ocorrência corretos. Também foram corrigidos alguns problemas de compatibilidade entre o operador de retardos e o operador de janela rolante com comportamento de retardo por ocorrência. Anteriormente isso resultou no operador de janela rolante descartando algumas linhas dos dados de treinamento que na verdade deveria usar.
  • azureml-core
    • Adicionando suporte para autenticação de token por público.
    • Adicionar process_count ao PyTorchConfiguration para dar suporte a trabalhos de PyTorch de vários nós de vários processos.
  • azureml-pipeline-steps

    • O CommandStep agora é GA e não mais experimental.

    • ParallelRunConfig: adicionar o argumento allowed_failed_count e allowed_failed_percent para verificar o limite de erros no mini nível do lote. Agora, o limite de erros tem três variantes:

      • error_threshold - o número de itens de mini lote permitidos com falha;
      • allowed_failed_count - o número de mini lotes permitidos com falha;
      • allowed_failed_percent - o percentual de mini lotes permitidos com falha.

      Um trabalho será interrompido se exceder um deles. O error_threshold é necessário para manter a compatibilidade com versões anteriores. Defina o valor como -1 para ignorá-lo.

    • Corrigimos o tratamento de espaço em branco no nome do AutoMLStep.

    • O ScriptRunConfig agora tem suporte do HyperDriveStep

  • azureml-train-core
    • As execuções do HyperDrive invocadas a partir de um ScriptRun agora são consideradas uma execução filho.
    • Adicionar process_count ao PyTorchConfiguration para dar suporte a trabalhos de PyTorch de vários nós de vários processos.
  • azureml-widgets
    • Adicionar o widget ParallelRunStepDetails para visualizar o status de um ParallelRunStep.
    • Permite que os usuários do hyperdrive vejam um eixo no gráfico de coordenadas paralelas que mostra o valor da métrica correspondente a cada conjunto de hiperparâmetros de cada execução filho.

31/01/2021

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de janeiro)

• Novos recursos

  • Markdown editor nativo no Azure Machine Learning. Os usuários já podem renderizar e editar arquivos markdown nativamente no Estúdio do Azure Machine Learning.
  • Botão Executar para Scripts (.py, .R e .sh). Os usuários já podem executar scripts Python, R e Bash com facilidade no Azure Machine Learning
  • Gerenciador de Variáveis. Examinar o conteúdo de variáveis e quadros de dados em um painel pop-up. Os usuários podem verificar facilmente o tipo de dados, o tamanho e os conteúdos.
  • Tabela de Conteúdo. Navegue até as seções do seu notebook, indicadas por cabeçalhos de Markdown.
  • Exportar o seu Notebook como Latex/HTML/Py. Crie arquivos de notebook de fácil compartilhamento exportando-os para LaTeX, HTML ou .py
  • IntelliCode. Os resultados com base no ML fornecem uma experiência de preenchimento automático inteligente aprimorada.

• Correções de bug e melhorias

  • Melhoramos os tempos de carregamento de página
  • desempenho aprimorado
  • Melhoramos a velocidade e confiabilidade do kernel

25/01/2021

SDK do Azure Machine Learning para Python v1.21.0

• Correções de bug e melhorias
  • azure-cli-ml
    • Corrigimos o texto de ajuda da CLI ao usar o AmlCompute com a identidade do UserAssigned
  • azureml-contrib-automl-dnn-vision
    • Os botões Implantar e Baixar ficam visíveis nas execuções da pesquisa visual do AutoML, e os modelos podem ser implantados ou baixados de maneira semelhante a outras execuções do AutoML. Existem dois arquivos novos (scoring_file_v_1_0_0. py e conda_env_v_1_0_0. yml) que contêm um script para executar inferência e um arquivo yml para recriar o ambiente conda. O arquivo 'model.pth' também foi renomeado para usar a extensão '.pt'.
  • azureml-core
    • Suporte a MSI para azure-cli-ml
    • Suporte da Identidade Gerenciada Atribuída pelo Usuário.
    • Com essa alteração, os clientes devem ser capazes de fornecer uma identidade atribuída pelo usuário que possa ser usada para buscar a chave do cofre de chaves do cliente para criptografia em repouso.
    • Correção de row_count=0 para o perfil de arquivos muito grandes. Correção de erro na conversão dupla para valores delimitados com preenchimento de espaço em branco
    • Remover sinalizador experimental da GA do conjunto de dados de saída
    • Atualizar a documentação sobre como buscar uma versão específica de um modelo
    • Permissão da atualização do workspace para acesso de modo misto no link privado
    • Correção para remover outro registro no armazenamento de dados para o recurso Retomar a execução
    • Adicionamos suporte de CLI/SDK para atualizar a identidade de espaço de trabalho atribuída ao usuário principal
  • azureml-interpret
    • atualizamos o azureml-interpret para o interpret-community 0.16.0
    • otimizações de memória para o cliente de explicação no azureml-interpret
  • azureml-train-automl-runtime
    • Habilitamos streaming para execuções de ADB
  • azureml-train-core
    • Correção para remover outro registro no armazenamento de dados para o recurso Retomar a execução
  • azureml-widgets
    • Os clientes não devem ver alterações na visualização de dados de execução existente usando o widget e agora têm suporte se optarem por usar hiperparametros condicionais.
    • O widget executar usuário agora inclui uma explicação detalhada do motivo de uma execução estar no estado enfileirado.

11/01/2021

SDK do Azure Machine Learning para Python v1.20.0

• Correções de bug e melhorias
  • azure-cli-ml
    • Adicionamos framework_version no OptimizationConfig. Será usado quando o modelo for registrado com a estrutura MULTI.
  • azureml-contrib-optimization
    • Adicionamos framework_version no OptimizationConfig. Será usado quando o modelo for registrado com a estrutura MULTI.
  • azureml-pipeline-steps
    • Apresentação de CommandStep, que usará um comando para o processamento. O comando pode incluir executáveis, comandos do Shell, scripts, etc.
  • azureml-core
    • Agora a criação do espaço de trabalho dá suporte à identidade atribuída pelo usuário. Adicionando o suporte a UAI do SDK/CLI
    • Corrigimos o problema no service.reload() para acompanhar alterações no score.py na implantação local.
    • run.get_details() tem um campo extra chamado "submittedBy", que exibe o nome do autor desta execução.
    • A documentação do método editado Model.register para mencionar como registrar o modelo diretamente da execução
    • Corrigimos o problema de tratamento de alteração de status de conexão do IOT-Server.

31/12/2020

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de dezembro)

• Novos recursos

  • Pesquisa de Nome de Arquivo do Usuário. Agora os usuários podem pesquisar todos os arquivos salvos em um espaço de trabalho.
  • Suporte para Markdown Lado a Lado por Célula do Notebook. Agora os usuários podem ver o markdown renderizado e a sintaxe do markdown lado a lado em uma célula do notebook.
  • Barra de Status da Célula. A barra de status indica em qual estado uma célula de código está, se a execução de uma célula teve êxito e quanto tempo ela levou para ser executada.

• Correções de bug e melhorias

  • Melhoramos os tempos de carregamento de página
  • desempenho aprimorado
  • Melhoramos a velocidade e confiabilidade do kernel

07/12/2020

SDK do Azure Machine Learning para Python v1.19.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Adicionamos suporte experimental para dados de teste para AutoMLStep.
    • Adicionamos a implementação principal inicial do recurso de ingestão de conjunto de teste.
    • Referências movidas para sklearn.externals.joblib para depender diretamente de joblib.
    • Introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
  • azureml-automl-runtime
    • Adicionamos a implementação principal inicial do recurso de ingestão de conjunto de teste.
    • Quando todas as cadeias de caracteres de uma coluna de texto tiverem um comprimento de exatamente um caractere, o transformador de recursos por grau de palavra TfIdf não funcionará, porque o gerador de token ignora as cadeias de caracteres com menos de dois caracteres. A alteração de código atual permite que o AutoML cuide desse caso de uso.
    • Introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
  • azureml-contrib-automl-dnn-nlp
    • PR inicial para o novo pacote dnn-nlp
  • azureml-contrib-automl-dnn-vision
    • Introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
  • azureml-contrib-automl-pipeline-steps
    • Esse novo pacote é responsável pela criação de etapas necessárias para vários cenários de treinamento/inferência de modelos. - Ele também move o código de treinamento/inferência no pacote azureml.train.automl.runtime para que as correções futuras sejam disponibilizadas automaticamente por meio de versões de ambiente organizadas.
  • azureml-contrib-dataset
    • Introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
  • azureml-core
    • Adicionamos a implementação principal inicial do recurso de ingestão de conjunto de teste.
    • Corrigindo os avisos de xref para a documentação no pacote azureml-core
    • Correções de cadeia de caracteres do documento para o recurso de suporte do comando no SDK
    • Adicionando propriedade do comando em RunConfiguration. O recurso permite que os usuários executem um comando ou executáveis de fato na computação por meio do SDK do Azure Machine Learning.
    • Os usuários podem excluir um experimento vazio, considerando a ID desse experimento.
  • azureml-dataprep
    • Adicionamos suporte ao conjunto de dados para Spark criado com escala de 2.12. Isso é somado ao suporte 2.11 existente.
  • azureml-mlflow
    • O AzureML-MLflow adiciona proteções seguras em scripts remotos para evitar o encerramento antecipado de execuções enviadas.
  • azureml-pipeline-core
    • Corrigimos um bug na definição de um pipeline padrão para o ponto de extremidade de pipeline criado via interface do usuário
  • azureml-pipeline-steps
    • Adicionamos suporte experimental para dados de teste para AutoMLStep.
  • azureml-tensorboard
    • Corrigindo os avisos de xref para a documentação no pacote azureml-core
  • azureml-train-automl-client
    • Adicionamos suporte experimental para dados de teste para AutoMLStep.
    • Adicionamos a implementação principal inicial do recurso de ingestão de conjunto de teste.
    • Introduzir um novo tipo de tarefa AutoML de "image-instance-segmentation".
  • azureml-train-automl-runtime
    • Adicionamos a implementação principal inicial do recurso de ingestão de conjunto de teste.
    • Corrigir a computação das explicações brutas para o melhor modelo de AutoML se os modelos de AutoML forem treinados usando a definição validation_size.
    • Referências movidas para sklearn.externals.joblib para depender diretamente de joblib.
  • azureml-train-core

    • O HyperDriveRun.get_children_sorted_by_primary_metric() deve ser concluído mais rapidamente agora

    • Melhoramos o tratamento de erros no SDK do HyperDrive.

    • Preterimos todas as classes estimadas em favor do uso de ScriptRunConfig para configurar execuções experimentais. As classes preteridas incluem:

      • MMLBase
      • Avaliador
      • PyTorch
      • TensorFlow
      • Chainer
      • SKLearn

    • Preterimos o uso de Nccl e Gloo como tipos de entrada válidos para classes de estimação em favor do uso de PyTorchConfiguration com ScriptRunConfig.

    • Preterimos o uso de MPI como um tipo de entrada válido para classes de estimação em favor de usar MpiConfiguration com ScriptRunConfig.

    • Adição da propriedade do comando à configuração de execução. O recurso permite que os usuários executem um comando ou executáveis de fato na computação por meio do SDK do Azure Machine Learning.

    • Preterimos todas as classes estimadas em favor do uso de ScriptRunConfig para configurar execuções experimentais. Preterimos as classes: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

    • Preterimos o uso de Nccl e Gloo como tipo válido de entrada para classes de estimação em favor do uso de PyTorchConfiguration com ScriptRunConfig.

    • Preterimos o uso de MPI como um tipo válido de entrada para classes de estimação em favor de usar MpiConfiguration com ScriptRunConfig.

30/11/2020

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de novembro)

• Novos recursos

  • Terminal Nativo. Agora, os usuários terão acesso a um terminal integrado e às operações do Git por meio do terminal integrado.
  • Duplicar pasta
  • Lista suspensa de Custos para computação
  • Pylance de Computação offline

• Correções de bug e melhorias

  • Melhoramos os tempos de carregamento de página
  • desempenho aprimorado
  • Melhoramos a velocidade e confiabilidade do kernel
  • Carregamento de arquivo grande. Agora você pode carregar um arquivo >95 MB

11/09/2020

SDK do Azure Machine Learning para Python v1.18.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Melhoramos o tratamento de série temporal curta, permitindo o preenchimento delas com ruído gaussiano.
  • azureml-automl-runtime
    • Lançar Configexception se uma coluna DateTime tiver um valor OutOfBoundsDatetime
    • Melhoramos o tratamento de série temporal curta, permitindo o preenchimento delas com ruído gaussiano.
    • Verificando se cada coluna de texto pode usar a transformação char-gram com o intervalo de n-gram com base no comprimento das cadeias de caracteres na coluna de texto
    • Fornecendo explicações de recursos brutos para o melhor modo para experimentos AutoML em execução na computação local do usuário
  • azureml-core
    • Afixação do pacote: pyjwt para evitar a introdução de interrupção nas versões mais recentes em versões futuras.
    • A criação de um experimento retorna o experimento ativo ou arquivado pela última vez com o mesmo nome fornecido, se esse experimento existir, ou um novo experimento.
    • A chamada de get_experiment pelo nome retorna o experimento ativo ou arquivado pela última vez com o nome fornecido.
    • Os usuários não podem renomear um experimento ao reativá-lo.
    • Mensagem de erro aprimorada para incluir possíveis correções quando um conjunto de dados é transmitido incorretamente para um experimento (por exemplo, ScriptRunConfig).
    • Melhoramos a documentação do OutputDatasetConfig.register_on_complete para incluir o comportamento do que acontece quando o nome já existe.
    • Especificar os nomes de entrada e saída do conjunto de dados que têm o potencial de colidir com variáveis de ambiente comuns agora resulta em um aviso
    • Parâmetro de realocação grant_workspace_access ao registrar os armazenamento de dados. Defina-o como True para acessar os dados por trás da rede virtual do Estúdio do Machine Learning. Saiba mais
    • A API de serviço vinculado está refinada. Em vez de fornecer a ID do recurso, temos três parâmetros separados, sub_id, rg e name, definidos na configuração.
    • Para permitir que os clientes resolvam sozinhos os problemas de corrupção de token, habilite a sincronização de token de espaço de trabalho como um método público.
    • Essa alteração permite que uma cadeia de caracteres vazia seja usada como um valor para um script_param
  • azureml-train-automl-client
    • Melhoramos o tratamento de série temporal curta, permitindo o preenchimento delas com ruído gaussiano.
  • azureml-train-automl-runtime
    • Lançar Configexception se uma coluna DateTime tiver um valor OutOfBoundsDatetime
    • Adicionamos suporte para fornecer explicações de recursos brutos para o melhor modulo para experimentos AutoML em execução na computação local do usuário
    • Melhoramos o tratamento de série temporal curta, permitindo o preenchimento delas com ruído gaussiano.
  • azureml-train-core
    • Essa alteração permite que uma cadeia de caracteres vazia seja usada como um valor para um script_param
  • azureml-train-restclients-hyperdrive
    • O LEIAME foi alterado para oferecer mais contexto
  • azureml-widgets
    • Adicionar suporte de cadeia de caracteres à biblioteca de coordenadas de gráficos/paralelas para widget.

05/11/2020

Rotulagem de dados para segmentação de instância de imagem (anotação de polígono) (visualização)

O tipo de projeto de segmentação de instância de imagem (anotações de polígono) na rotulagem de dados agora está disponível para que os usuários possam desenhar e anotar com polígonos em torno da delimitação dos objetos nas imagens. Os usuários podem atribuir uma classe e um polígono a cada objeto de interesse em uma imagem.

Saiba mais sobre rotulagem de segmentação de instância de imagem.

26/10/2020

SDK do Azure Machine Learning para Python v1.17.0

• Exemplos Novos
  • Um novo repositório controlado pela comunidade de exemplos está disponível em https://github.com/Azure/azureml-examples
• Correções de bug e melhorias
  • azureml-automl-core
    • Corrigimos um problema em que get_output pode gerar um XGBoostError.
  • azureml-automl-runtime
    • Os recursos baseados em tempo/calendário criados pelo AutoML agora têm o prefixo.
    • Corrigimos um IndexError ocorrido durante o treinamento de StackEnsemble para conjuntos de dados de classificação com um grande número de classes e a subamostra habilitada.
    • Corrigimos um problema em que as previsões de VotingRegressor podem ser imprecisas depois de reajustar o modelo.
  • azureml-core
    • Adição de mais detalhes sobre a relação entre a configuração de implantação do AKS e os conceitos do Serviço de Kubernetes do Azure.
    • Suporte a rótulos de cliente de ambiente. O usuário pode rotular os ambientes e referenciá-los por rótulo.
  • azureml-dataprep
    • Mensagem de erro melhor ao usar o Spark sem suporte no momento com o Scala de 2.12.
  • azureml-explain-model
    • O pacote azureml-explain-model é oficialmente preterido
  • azureml-mlflow
    • Corrigido um bug em mlflow.projects.run no back-end azureml no qual o estado Finalizando não foi manipulado corretamente.
  • azureml-pipeline-core
    • Adicionar suporte para criar, listar e obter agenda de pipeline com base em um ponto de extremidade de pipeline.
    • Melhoramos a documentação de PipelineData.as_dataset com um exemplo de uso inválido - usar PipelineData.as_dataset de forma inadequada agora resulta em um ValueException sendo lançado
    • Os pipelines de notebook do HyperDriveStep foi alterado para registrar o melhor modelo em um PipelineStep diretamente após a execução do HyperDriveStep.
  • azureml-pipeline-steps
    • Os pipelines de notebook do HyperDriveStep foi alterado para registrar o melhor modelo em um PipelineStep diretamente após a execução do HyperDriveStep.
  • azureml-train-automl-client
    • Corrigimos um problema em que get_output pode gerar um XGBoostError.

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de outubro)

• Novos recursos

  • Suporte de rede virtual total
  • Modo de Foco
  • Salvar notebooks Ctrl-S
  • Números de Linha

• Correções de bug e melhorias

  • Velocidade e confiabilidade do kernel aprimoradas
  • Atualizações da interface do usuário do widget Jupyter

12/10/2020

SDK do Azure Machine Learning para Python v1.16.0

• Correções de bug e melhorias
  • azure-cli-ml
    • AKSWebservice e AKSEndpoints agora dão suporte a limites de recursos de CPU e memória no nível de Pod. Esses limites opcionais podem ser usados pela definição dos sinalizadores --cpu-cores-limit e --memory-gb-limit nas chamadas da CLI aplicáveis
  • azureml-core
    • Fixe as principais versões de dependências diretas do azureml-core
    • AKSWebservice e AKSEndpoints agora dão suporte a limites de recursos de CPU e memória no nível de Pod. Mais informações sobre os Recursos e limites do Kubernetes
    • Atualizamos o run.log_table para permitir que linhas individuais sejam registradas.
    • Adicionamos método estático Run.get(workspace, run_id) para recuperar uma execução usando somente um espaço de trabalho
    • Adicionamos método de instância Workspace.get_run(run_id) para recuperar uma execução no espaço de trabalho
    • Introdução da propriedade command na configuração de execução, que permite que os usuários enviem comandos em vez de argumentos de script eN.
  • azureml-interpret
    • corrigimos sinalizador de comportamento da explicação do cliente is_raw no azureml-interpret
  • azureml-sdk
    • azureml-sdk Suporte oficial ao Python 3.8.
  • azureml-train-core
    • Adicionando o ambiente coletado do TensorFlow 2.3
    • Introdução da propriedade command na configuração de execução, que permite que os usuários enviem comandos em vez de argumentos de script eN.
  • azureml-widgets
    • Interface reprojetada para widget de execução de script.

28/09/2020

SDK do Azure Machine Learning para Python v1.15.0

• Correções de bug e melhorias
  • azureml-contrib-interpret
    • Movemos o explicador LIME do azureml-contrib-interpret para o pacote do interpret-community e removemos o explicador de imagem do pacote azureml-contrib-interpret
    • removemos o painel de visualização do pacote azureml-contrib-interpret, movemos o cliente de explicação para o pacote azureml-interpret e preterimos o pacote azureml-contrib-interpret e notebooks atualizados para refletir a API melhorada
    • corrigir descrições de pacote pypi para o azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-contrib-notebook
    • Fixe a dependência nbcovert para < 6 para que o papermill 1.x continue a funcionar.
  • azureml-core
    • Adicionamos parâmetros ao construtor TensorflowConfiguration e MpiConfiguration para permitir uma inicialização mais simplificada dos atributos de classe sem exigir que o usuário defina cada um dos atributos. Adicionamos uma classe PyTorchConfiguration para configurar trabalhos PyTorch distribuídos no ScriptRunConfig.
    • Fixar a versão do azure-mgmt-resource para corrigir o erro de autenticação.
    • Suporte do Triton sem implantação de código
    • os diretórios de saída especificados em Run.start_logging() agora são controlados ao usar a execução em cenários interativos. Os arquivos acompanhados são visíveis no Estúdio de ML após a chamada de Run.complete()
    • Agora, a codificação de arquivo pode ser especificada durante a criação do conjunto de dados com Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_json_lines_files passando o argumento encoding. As codificações com suporte são 'utf8', 'iso88591', 'latin1', 'ascii', utf16', 'utf32', 'utf8bom' e 'windows1252'.
    • Corrigido o bug quando o objeto de ambiente não é passado para o construtor ScriptRunConfig.
    • Atualizamos Run.cancel() para permitir o cancelamento de uma execução local de outro computador.
  • azureml-dataprep
    • Corrigimos problemas de tempo limite para montar conjunto de dados.
  • azureml-explain-model
    • corrigir descrições de pacote pypi para o azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-interpret
    • removemos o painel de visualização do pacote azureml-contrib-interpret, movemos o cliente de explicação para o pacote azureml-interpret e preterimos o pacote azureml-contrib-interpret e notebooks atualizados para refletir a API melhorada
    • atualizamos o pacote azureml-interpret para depender do interpret-community 0.15.0
    • corrigir descrições de pacote pypi para o azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-pipeline-core
    • Corrigimos problema de pipeline com OutputFileDatasetConfig no qual o sistema pode parar de responder quando register_on_complete é chamado com o parâmetro name definido como um nome de conjunto de dados pré-existente.
  • azureml-pipeline-steps
    • Removemos os notebooks databricks obsoletos.
  • azureml-tensorboard
    • corrigir descrições de pacote pypi para o azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
  • azureml-train-automl-runtime
    • removemos o painel de visualização do pacote azureml-contrib-interpret, movemos o cliente de explicação para o pacote azureml-interpret e preterimos o pacote azureml-contrib-interpret e notebooks atualizados para refletir a API melhorada
  • azureml-widgets
    • removemos o painel de visualização do pacote azureml-contrib-interpret, movemos o cliente de explicação para o pacote azureml-interpret e preterimos o pacote azureml-contrib-interpret e notebooks atualizados para refletir a API melhorada

21/09/2020

SDK do Azure Machine Learning para Python v1.14.0

• Correções de bug e melhorias

  • azure-cli-ml

    • A criação de perfil de grade foi removida do SDK e não tem mais suporte.

  • azureml-accel-models

    • o pacote azureml-accel-models agora dá suporte a TensorFlow 2.x

  • azureml-automl-core

    • Adicionamos o tratamento de erros em get_output para casos em que as versões locais do pandas/sklearn não correspondam às usadas durante o treinamento

  • azureml-automl-runtime

    • Corrigimos um bug em que as iterações AutoArima falhariam com um PredictionException e a mensagem: "falha silenciosa durante a previsão".

  • azureml-cli-common

    • A criação de perfil de grade foi removida do SDK e não tem mais suporte.

  • azureml-contrib-server

    • Descrição da atualização do pacote para a página de visão geral do pypi.

  • azureml-core

    • A criação de perfil de grade foi removida do SDK e não tem mais suporte.
    • Reduz o número de mensagens de erro quando a recuperação do espaço de trabalho falhar.
    • Não mostrar aviso quando a busca de metadados falhar
    • Nova etapa Kusto e destino de computação Kusto.
    • Atualize o documento para o parâmetro SKU. Remover a SKU na funcionalidade de atualização do espaço de trabalho na CLI e no SDK.
    • Descrição da atualização do pacote para a página de visão geral do pypi.
    • Documentação atualizada para Ambientes do Azure Machine Learning.
    • Mostrar configurações de recursos gerenciados de serviço para o espaço de trabalho AML no SDK.

  • azureml-dataprep

    • Habilitar a permissão executar em arquivos para montagem de conjunto de dados.

  • azureml-mlflow

    • Documentação do MLflow do Azure Machine Learning atualizada e exemplos de notebook
    • Novo suporte para projetos do MLflow com o back-end do Azure Machine Learning
    • Suporte do registro de modelos do MLflow
    • Adicionamos suporte do RBAC do Azure para operações de AzureML - MLflow

  • azureml-pipeline-core

    • Melhoramos a documentação dos métodos PipelineOutputFileDataset.parse_ *.
    • Nova etapa Kusto e destino de computação Kusto.
    • A propriedade Swaggerurl fornecida para a entidade de ponto de extremidade de pipeline por meio desse usuário pode ver a definição de esquema para o ponto de extremidade de pipeline publicado.

  • azureml-pipeline-steps

    • Nova etapa Kusto e destino de computação Kusto.

  • azureml-telemetry

    • Descrição da atualização do pacote para a página de visão geral do pypi.

  • azureml-train

    • Descrição da atualização do pacote para a página de visão geral do pypi.

  • azureml-train-automl-client

    • Adicionamos o tratamento de erros em get_output para casos em que as versões locais do pandas/sklearn não correspondam às usadas durante o treinamento

  • azureml-train-core

    • Descrição da atualização do pacote para a página de visão geral do pypi.

31/08/2020

SDK do Azure Machine Learning para Python v1.13.0

• Versão prévia dos recursos

  • azureml-core Com a nova funcionalidade de conjuntos de dados de saída, você pode fazer write-back para o armazenamento em nuvem, incluindo blob, ADLS Gen 1, ADLS Gen 2 e FileShare. Você pode configurar o local da saída de dados, como gerar dados de saída (via montagem ou carregamento), se deseja registrar os dados de saída para reutilização e compartilhamento no futuro e passar dados intermediários entre as etapas do pipeline sem problemas. Isso permite a reprodutibilidade, o compartilhamento, impede a duplicação de dados e resulta em eficiência de custo e ganhos de produtividade. Saiba como usá-lo

• Correções de bug e melhorias

  • azureml-automl-core
    • Adicionamos o arquivo validated_{platform}_requirements.txt para fixar todas as dependências de pip para AutoML.
    • Esta versão dá suporte a modelos maiores que 4 GB.
    • Dependências de AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
  • azureml-automl-runtime
    • Define horovod para Text DNN para sempre usar a compactação FP16.
    • Esta versão dá suporte a modelos maiores que 4 GB.
    • Corrigido o problema em que AutoML falha com ImportError: não é possível importar o nome RollingOriginValidator.
    • Dependências de AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
  • azureml-contrib-automl-dnn-forecasting
    • Dependências de AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
  • azureml-contrib-fairness
    • Fornece um pequena descrição para o azureml-contrib-fairness.
  • azureml-contrib-pipeline-steps
    • Adicionamos mensagem indicando que preterimos este pacote e o usuário deve usar o azureml-pipeline-steps agora.
  • azureml-core
    • Adicionamos comando de chave de lista para o espaço de trabalho.
    • Adicionar parâmetro de marcas no SDK do espaço de trabalho e na CLI.
    • Correção do bug em que o envio de uma execução filho com o conjunto de dados falha devido a TypeError: can't pickle _thread.RLock objects.
    • Adicionando page_count padrão/documentação para Model list().
    • Modificar o CLI&SDK para obter o parâmetro adbworkspace e adicionar o executor vincular/desvincular ADB de espaço de trabalho.
    • Corrigir o bug no Dataset.update que fez com que fosse atualizada a versão do conjunto de dados mais recente, não a versão da atualização do conjunto de dados chamada.
    • Corrigir o bug no Dataset.get_by_name que mostraria as marcas para a versão mais recente do conjunto de dados, mesmo quando uma versão específica anterior fosse recuperada.
  • azureml-interpret
    • Adicionamos saídas de probabilidade aos explicadores de pontuação shap no azureml-interpret com base no parâmetro shap_values_output do explicador original.
  • azureml-pipeline-core
    • Melhoramos a documentação de PipelineOutputAbstractDataset.register.
  • azureml-train-automl-client
    • Dependências de AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
  • azureml-train-automl-runtime
    • Dependências de AutoML atualizadas: scikit-learn (agora 0.22.1), pandas (agora 0.25.1), numpy (agora 1.18.2).
  • azureml-train-core
    • Agora, os usuários devem fornecer um ARG hyperparameter_sampling válido ao criar um HyperDriveConfig. Além disso, a documentação do HyperDriveRunConfig foi editada para informar os usuários sobre a substituição do HyperDriveRunConfig.
    • Revertendo a versão padrão do PyTorch para 1.4.
    • Adicionando imagens e ambiente coletado do PyTorch 1.6 & TensorFlow 2.2.

Experiência de Notebooks do Estúdio do Azure Machine Learning (Atualização de agosto)

• Novos recursos

  • Nova página de aterrissagem Introdução

• Versão prévia dos recursos

  • Colete recursos nos Notebooks. Com o recurso de Coletar, agora os usuários podem limpar os notebooks facilmente. A Coleta usa uma análise de dependência automatizada do notebook, garantindo que o código essencial seja mantido, mas removendo as partes irrelevantes.

• Correções de bug e melhorias

  • Velocidade e confiabilidade aprimoradas
  • Bugs de modo escuro corrigidos
  • Erros de rolagem de saída corrigidos
  • A pesquisa de exemplo agora pesquisa todo o conteúdo de todos os arquivos no repositório de notebooks de exemplo do Azure Machine Learning
  • As células do R de várias linhas agora podem ser executadas
  • Agora, "Eu confio no conteúdo deste arquivo" é automaticamente marcado após a primeira vez
  • Melhoramos a caixa de diálogo resolução de conflitos com a nova opção "Fazer uma cópia"

17/08/2020

SDK do Azure Machine Learning para Python v1.12.0

• Correções de bug e melhorias
  • azure-cli-ml
    • Adicionar os parâmetros image_name e image_label no Model.package() para habilitar a renomeação da imagem do pacote compilado.
  • azureml-automl-core
    • O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
  • azureml-automl-runtime
    • Adicionamos alertas para o usuário quando existem valores ausentes nos dados, mas a definição de recursos está desativada.
    • Corrigimos as falhas de execuções filho quando os dados contêm nan e a definição de recursos está desativada.
    • O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
    • Atualizamos normalização para que as métricas de previsão ocorram por granulação.
    • Melhoramos o cálculo de previsão de quantis quando os recursos de retrospectiva estão desabilitados.
    • Corrigimos o tratamento de matriz esparsa de bool ao computar explicações após AutoML.
  • azureml-core
    • Agora um novo método run.get_detailed_status() mostra a explicação detalhada do status de execução atual. No momento, ele só mostra a explicação do status Queued.
    • Adicionar os parâmetros image_name e image_label no Model.package() para habilitar a renomeação da imagem do pacote compilado.
    • Novo método set_pip_requirements() para definir a toda a seção pip em CondaDependencies ao mesmo tempo.
    • Habilitar o registro de armazenamento de dados ADLS Gen2 com menos credenciais.
    • Melhoramos a mensagem de erro ao tentar baixar ou montar um tipo de conjunto de dados incorreto.
    • Atualize o notebook de exemplo de filtro de conjunto de dados de série temporal com mais exemplos de partition_timestamp que fornece otimização de filtro.
    • Altere o SDK e a CLI para aceitar subscriptionId, resourcegroup, WorkspaceName, peConnectionName como parâmetros em vez de ArmResourceId ao excluir uma conexão de ponto de extremidade privada.
    • Decorador experimental mostra o nome da classe para facilitar a identificação.
    • As descrições dos ativos dentro de modelos não são mais geradas automaticamente com base em uma execução.
  • azureml-datadrift
    • Marcar a API create_from_model no DataDriftDetector para ser a preterida.
  • azureml-dataprep
    • Melhoramos a mensagem de erro ao tentar baixar ou montar um tipo de conjunto de dados incorreto.
  • azureml-pipeline-core
    • Corrigimos o bug desserializando o grafo do pipeline que contém conjuntos de dados registrados.
  • azureml-pipeline-steps
    • O RScriptStep dá suporte a RSection do azureml.core.environment.
    • Removemos o parâmetro passthru_automl_config da AutoMLStep API pública e o converteu em um parâmetro somente interno.
  • azureml-train-automl-client
    • Removemos execuções de ambiente gerenciado assíncrono local da AutoML. Todas as execuções locais são executadas no ambiente em que a execução foi iniciada.
    • Corrigimos problemas de instantâneo ao enviar execuções do AutoML sem scripts fornecidos pelo usuário.
    • Corrigimos as falhas de execução filho quando os dados contêm nan e a definição de recursos está desativada.
  • azureml-train-automl-runtime
    • O AutoML gera um novo código de erro do dataprep quando o conteúdo é modificado durante a leitura.
    • Corrigimos problemas de instantâneo ao enviar execuções do AutoML sem scripts fornecidos pelo usuário.
    • Corrigimos as falhas de execução filho quando os dados contêm nan e a definição de recursos está desativada.
  • azureml-train-core
    • Adição de suporte para especificar as opções do Pip (por exemplo, extra-index-url) no arquivo de requisitos do Pip transmitido para um Estimator por meio do parâmetro pip_requirements_file.

03/08/2020

SDK do Azure Machine Learning para Python v1.11.0

• Correções de bug e melhorias
  • azure-cli-ml
    • Corrigir estrutura de modelo e estrutura de modelo não passada no objeto de execução no caminho de registro do modelo da CLI
    • Corrigir o comando mostrar identidade amlcompute da CLI para mostrar a ID do locatário e a ID da entidade de segurança
  • azureml-train-automl-client
    • Adicionamos get_best_child() na AutoMLRun para buscar a melhor execução de filho para uma execução do AutoML sem baixar o modelo associado.
    • Adicionamos o objeto ModelProxy que permite que a previsão seja executada em um ambiente de treinamento remoto sem baixar o modelo localmente.
    • As exceções sem tratamento no AutoML agora apontam para uma página HTTP de problemas conhecidos, onde podem ser encontradas mais informações sobre os erros.
  • azureml-core
    • Os nomes de modelos podem ter até 255 caracteres.
    • Environment.get_image_details() devolve tipo de objeto alterado. A classe DockerImageDetails substituiu dict, os detalhes da imagem estão disponíveis nas propriedades da nova classe. As alterações são compatíveis com versões anteriores.
    • Corrigir o bug de Environment.from_pip_requirements() para preservar a estrutura de dependências
    • Corrigimos um bug em que o log_list falharia se um int e duplo fossem incluídos na mesma lista.
    • Ao habilitar o link privado em um espaço de trabalho existente, observe que, se houver destinos de computação associados ao espaço de trabalho, esses destinos não funcionarão se não estiverem atrás da mesma rede virtual que o ponto de extremidade privado do espaço de trabalho.
    • Tornamos as_named_input opcional ao usar conjuntos de dados em experimentos e adicionado a as_mount e as_download ao FileDataset. O nome de entrada é gerado automaticamente se as_mount ou as_download for chamado.
  • azureml-automl-core
    • As exceções sem tratamento no AutoML agora apontam para uma página HTTP de problemas conhecidos, onde podem ser encontradas mais informações sobre os erros.
    • Adicionamos get_best_child() na AutoMLRun para buscar a melhor execução de filho para uma execução do AutoML sem baixar o modelo associado.
    • Adicionamos o objeto ModelProxy que permite que a previsão seja executada em um ambiente de treinamento remoto sem baixar o modelo localmente.
  • azureml-pipeline-steps
    • Adicionamos os sinalizadores enable_default_model_output e enable_default_metrics_output ao AutoMLStep. Esses sinalizadores podem ser usados para habilitar/desabilitar as saídas padrão.

20/07/2020

SDK do Azure Machine Learning para Python v1.10.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Durante o uso do AutoML, se um caminho for transmitido para o objeto AutoMLConfig e ele ainda não existir, ele será criado automaticamente.
    • Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o parâmetro freq.
  • azureml-automl-runtime
    • Durante o uso do AutoML, se um caminho for transmitido para o objeto AutoMLConfig e ele ainda não existir, ele será criado automaticamente.
    • Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o parâmetro freq.
    • A previsão do AutoML agora dá suporte à avaliação sem interrupção, que se aplica ao caso de uso em que a duração de um conjunto de teste ou de validação é maior do que o horizonte de entrada e o valor conhecido de y_pred é usado como contexto de previsão.
  • azureml-core
    • Mensagens de aviso serão impressas se nenhum arquivo tiver sido baixado do armazenamento de dados em uma execução.
    • Adicionamos a documentação do skip_validation ao Datastore.register_azure_sql_database method.
    • Os usuários precisam atualizar para o SDK v1.10.0 ou superior para criar um ponto de extremidade privado aprovado automaticamente. Isso inclui o recurso de Notebook que pode ser usado além da VNet.
    • Mostrar NotebookInfo na resposta de obter espaço de trabalho.
    • Alterações para ter chamadas para listar destinos de computação e obter o destino de computação com sucesso em uma execução remota. Agora as funções do SDK para obter destino de computação e listar destinos de computação do espaço de trabalho agora funcionam em execuções remotas.
    • Adicionar mensagens de substituição às descrições de classe para as classes do azureml.core.image.
    • Gerar exceção e limpar espaço de trabalho e recursos dependentes se a criação de ponto de extremidade privado do espaço de trabalho falhar.
    • Suporte para atualização de SKU do espaço de trabalho no método de atualização do espaço de trabalho.
  • azureml-datadrift
    • Atualizar a versão do matplotlib de 3.0.2 para 3.2.1 para dar suporte ao Python 3.8.
  • azureml-dataprep
    • Adicionamos suporte de fontes de dados de URL da Web com a solicitação Range ou Head.
    • Melhoramos a estabilidade para montagem e download do conjunto de dados de arquivo.
  • azureml-train-automl-client
    • Corrigimos problemas relacionados à remoção de RequirementParseError dos setuptools.
    • Use o docker em vez de conda para execuções locais enviadas usando "compute_target = 'local'"
    • A duração da iteração impressa no console foi corrigida. Anteriormente, a duração da iteração era impressa como tempo de término da execução menos o tempo de criação de execução, às vezes. Isso foi corrigido para igualar a tempo de término da execução menos o tempo de início da execução.
    • Durante o uso do AutoML, se um caminho for transmitido para o objeto AutoMLConfig e ele ainda não existir, ele será criado automaticamente.
    • Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o parâmetro freq.
  • azureml-train-automl-runtime
    • Melhoramos a saída de console quando melhores explicações de modelo falham.
    • Parâmetro de entrada renomeado como "blocked_models" para remover um termo confidencial.
      • Parâmetro de entrada renomeado como "allowed_models" para remover um termo confidencial.
    • Os usuários agora podem especificar uma frequência de série temporal para tarefas de previsão usando o parâmetro freq.

06/07/2020

SDK do Azure Machine Learning para Python v1.9.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Substituiu get_model_path () pela variável de ambiente AZUREML_MODEL_DIR no script de pontuação gerado automaticamente do AutoML. Também adicionamos telemetria para rastrear falhas durante init().
    • Removemos a capacidade de especificar enable_cache como parte do AutoMLConfig
    • Corrigimos um bug em que execuções podem falhar com erros de serviço durante execuções específicas de previsão
    • Melhoramos o tratamento de erros em relação a modelos específicos durante get_output
    • Corrigimos chamada para fitted_model.fit(X, y) para classificação com o transformador y
    • Habilitamos o atribuidor de preenchimento de encaminhado personalizado para tarefas de previsão
    • Uma nova classe ForecastingParameters será usada no lugar de parâmetros de previsão em um formato dict
    • Melhoramos a detecção automática de retardo de destino
    • Adicionamos a disponibilidade limitada de vários nós de definição de recursos distribuídos de várias GPU com BERT
  • azureml-automl-runtime
    • Agora o Prophet faz a modelagem de sazonalidade aditiva em vez de multiplicativa.
    • Correção do problema que ocorre quando as granularidades curtas, com frequências diferentes das granularidades longas, resultam em execuções com falha.
  • azureml-contrib-automl-dnn-vision
    • Coletar estatísticas de sistema/GPU e médias de log para treinamento e pontuação
  • azureml-contrib-mir
    • Adicionamos suporte para o sinalizador enable-app-insights no ManagedInferencing
  • azureml-core
    • Um parâmetro válido para essas APIs, permitindo que a validação seja ignorada quando a fonte de dados não estiver acessível da computação atual.
      • TabularDataset.time_before(end_time, include_boundary=True, validate=True)
      • TabularDataset.time_after(start_time, include_boundary=True, validate=True)
      • TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
      • TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
    • Adicionamos suporte à filtragem de estrutura para a lista de modelos e adicionou o exemplo NCD AutoML no notebook
    • Para Datastore.register_azure_blob_container e Datastore.register_azure_file_share (somente opções que dão suporte ao token SAS), atualizamos as cadeias de caracteres de documento para o campo sas_token para incluir requisitos mínimos de permissões para cenários de leitura e gravação típicos.
    • Deprecating _with_auth param in ws.get_mlflow_tracking_uri()
  • azureml-mlflow
    • Adicionar suporte para a implantação de modelos de file:// models with AzureML-MLflow
    • Deprecating _with_auth param in ws.get_mlflow_tracking_uri()
  • azureml-opendatasets
    • Os conjuntos de dados de acompanhamento da Covid-19 recentemente publicados agora estão disponíveis com o SDK
  • azureml-pipeline-core
    • Aviso de logoff quando "azureml-defaults" não está incluído como parte da dependência de pip
    • Aprimorar renderização de observação.
    • Adicionamos suporte para quebras de linha entre aspas ao analisar arquivos delimitados para PipelineOutputFileDataset.
    • A classe PipelineDataset é preterida. Para obter mais informações, consulte https://aka.ms/dataset-deprecation. Saiba como usar o conjunto de dados com o pipeline, confira https://aka.ms/pipeline-with-dataset.
  • azureml-pipeline-steps
    • Atualizações do documento para o azureml-pipeline-steps.
    • Adicionamos suporte no ParallelRunConfig load_yaml() para que os usuários definam ambientes em linha com o restante da configuração ou em um arquivo separado
  • azureml-train-automl-client.
    • Removemos a capacidade de especificar enable_cache como parte do AutoMLConfig
  • azureml-train-automl-runtime
    • Adicionamos a disponibilidade limitada de vários nós de definição de recursos distribuídos de várias GPU com BERT.
    • Adicionamos o tratamento de erros para pacotes incompatíveis em execuções de aprendizado de máquina automatizadas baseadas em ADB.
  • azureml-widgets
    • Atualizações do documento para azureml-widgets.

2020-06-22

SDK do Azure Machine Learning para Python v1.8.0

• Versão prévia dos recursos

  • azureml-contrib-fairness O pacote azureml-contrib-fairness fornece integração entre a avaliação de imparcialidade open-source e o pacote de mitigação de parcialidade Fairlearn e o Estúdio do Azure Machine Learning. Em particular, o pacote permite que os painéis de avaliação de imparcialidade do modelo sejam carregados como parte de uma execução do Azure Machine Learning e apareçam no Estúdio do Azure Machine Learning

• Correções de bug e melhorias

  • azure-cli-ml
    • Suporte ao obter logs do contêiner de inicialização.
    • Adicionamos novos comandos da CLI para gerenciar ComputeInstance
  • azureml-automl-core
    • Agora, os usuários podem habilitar a iteração de conjunto de pilha para tarefas de série temporal com um aviso de que ela pode se ajustar demais.
    • Adicionamos um novo tipo de exceção de usuário que é gerado se o conteúdo armazenado em cache tiver sido adulterado
  • azureml-automl-runtime
    • A limpeza de balanceamento de classe não é mais habilitada se o usuário desabilita a definição de recursos.
  • azureml-contrib-notebook
    • Aprimoramento de documentos do pacote azureml-contrib-notebook.
  • azureml-contrib-pipeline-steps
    • Aprimoramentos de documentos para o pacote azureml-contrib--pipeline-steps.
  • azureml-core
    • Adicionar funções set_connection, get_connection, list_connections, delete_connection para cliente operar no recurso de conexão do espaço de trabalho
    • Atualizações de documentação para o pacote azureml-coore/azureml.exceptions.
    • Atualizações de documentação para o pacote azureml-core.
    • Atualizações de documentação para a classe ComputeInstance.
    • Aprimoramentos de documentação no pacote azureml-core/azureml.core.compute.
    • Aprimoramentos de documentação para classes relacionadas ao WebService no azureml-core.
    • Dar suporte ao armazenamento de dados selecionados pelo usuário para armazenar dados da criação de perfil
    • Adicionamos a propriedade expandir e page_count para a API de lista de modelos
    • Correção do bug no qual a remoção da propriedade de substituição causa uma falha na execução enviada com um erro de desserialização.
    • Corrigimos estrutura de pastas inconsistentes ao baixar ou montar um FileDataset referenciando um único arquivo.
    • Agora carregar um conjunto de dados de arquivos parquet to_spark_dataframe é mais rápido e dá suporte a todos os tipos de dados parquet e SQL do Spark.
    • Suporte ao obter logs do contêiner de inicialização.
    • As execuções de AutoML agora estão marcadas como execução filho da etapa de execução paralela.
  • azureml-datadrift
    • Aprimoramento de documentos do pacote azureml-contrib-notebook.
  • azureml-dataprep
    • Agora carregar um conjunto de dados de arquivos parquet to_spark_dataframe é mais rápido e dá suporte a todos os tipos de dados parquet e SQL do Spark.
    • Tratamento de memória melhor para o problema de OutOfMemory para to_pandas_dataframe.
  • azureml-interpret
    • Atualizamos o azureml-interpret para usar o interpret-community versão 0.12. *
  • azureml-mlflow
    • Aprimoramentos de documentação para o azureml-mlflow.
    • Adiciona suporte para o registro de modelo AML com MLFlow.
  • azureml-opendatasets
    • Suporte adicionado para Python 3.8
  • azureml-pipeline-core
    • Atualizamos a documentação de PipelineDataset para tornar claro que ela é uma classe interna.
    • Atualizações de ParallelRunStep para aceitar vários valores para um argumento, por exemplo: "--group_column_names", "Col1", "Col2", "Col3"
    • Removemos o requisito da passthru_automl_config para uso de dados intermediários com o AutoMLStep em pipelines.
  • azureml-pipeline-steps
    • Aprimoramentos de documentos para o pacote azureml-pipeline-steps.
    • Removemos o requisito da passthru_automl_config para uso de dados intermediários com o AutoMLStep em pipelines.
  • azureml-telemetry
    • Aprimoramentos de documentação para o azureml-telemetry.
  • azureml-train-automl-client
    • Corrigimos um bug onde experiment.submit() chamado duas vezes em um objeto AutoMLConfig resultou em um comportamento diferente.
    • Agora, os usuários podem habilitar a iteração de conjunto de pilha para tarefas de série temporal com um aviso de que ela pode se ajustar demais.
    • Alterou o comportamento de execução do AutoML para gerar UserErrorException se o serviço lançar o erro do usuário
    • Corrige um bug que faz com que azureml_automl.log não seja gerado ou não tenha falta de logs ao executar um experimento do AutoML em um destino de computação remota.
    • Para conjuntos de dados de classificação com classes desbalanceadas, aplicamos o balanceamento de peso se a varredura de recurso determina isso para os dados subamostrados. O balanceamento de peso aprimora o desempenho da tarefa de classificação por determinado limite.
    • As execuções de AutoML agora estão marcadas como execução filho da etapa de execução paralela.
  • azureml-train-automl-runtime
    • Alterou o comportamento de execução do AutoML para gerar UserErrorException se o serviço lançar o erro do usuário
    • As execuções de AutoML agora estão marcadas como execução filho da etapa de execução paralela.

08/06/2020

SDK do Azure Machine Learning para Python v1.7.0

• Correções de bug e melhorias
  • azure-cli-ml
    • Concluída a remoção a criação de perfil de modelo do Mir contrib limpando os comandos da CLI e as dependências do pacote, a criação de perfil de modelo está disponível no núcleo.
    • Atualiza a versão mínima da CLI do Azure para 2.3.0
  • azureml-automl-core
    • Mensagem de exceção melhor na etapa de definição de recursos fit_transform () devido aos parâmetros de transformador personalizados.
    • Adicionar suporte para vários idiomas para modelos de transformadores de aprendizado avançado, como o BERT no ML automatizado.
    • Remover o parâmetro de lag_length preterido da documentação.
    • A documentação dos parâmetros de previsão foi aprimorada. O parâmetro lag_length foi preterido.
  • azureml-automl-runtime
    • Corrigimos o erro gerado quando uma das colunas categóricas está vazia no tempo de previsão/teste.
    • Corrigir as falhas de execução que aconteciam quando os recursos de retrospectiva estavam habilitados e os dados continham granularidades curtas.
    • Corrigimos o problema com a mensagem de erro de índice de tempo duplicado quando as janelas rolantes ou com retardo foram definidas como 'auto'.
    • Corrigimos o problema com os modelos Prophet e Arima em conjuntos de dados, contendo os recursos de retrospectiva.
    • Adicionamos suporte de datas anteriores a 21/09/1677 ou posteriores a 11/04/2262 em colunas diferentes de data de hora nas tarefas de previsão. Melhoramos as mensagens de erro.
    • A documentação dos parâmetros de previsão foi aprimorada. O parâmetro lag_length foi preterido.
    • Mensagem de exceção melhor na etapa de definição de recursos fit_transform () devido aos parâmetros de transformador personalizados.
    • Adicionar suporte para vários idiomas para modelos de transformadores de aprendizado avançado, como o BERT no ML automatizado.
    • As operações de cache que resultam em alguns OSErrors geram um erro do usuário.
    • Adicionamos verificações para garantir que os dados de treinamento e validação tenham o mesmo número e conjunto de colunas
    • Corrigimos o problema com o script de pontuação do AutoML gerado automaticamente quando os dados contêm aspas
    • Habilitação de explicações para modelos AutoML Prophet e modelos de conjuntos que contêm o modelo Prophet.
    • Um problema recente do cliente revelou um bug de site ativo no qual registramos as mensagens ao longo da varredura de balanceamento de classe, mesmo quando a lógica de balanceamento de classe não está habilitada corretamente. Remover os logs/mensagens com esta PR.
  • azureml-cli-common
    • Concluída a remoção a criação de perfil de modelo do Mir contrib limpando os comandos da CLI e as dependências do pacote, a criação de perfil de modelo está disponível no núcleo.
  • azureml-contrib-reinforcementlearning
    • Ferramenta de teste de carga
  • azureml-core
    • Alterações de documentação em Script_run_config.py
    • Corrige um bug com a impressão da saída executar CLI de pipeline de envio
    • Aprimoramentos de documentação para azureml-core/azureml.data
    • Corrigiu o problema ao recuperar a conta de armazenamento usando o comando HDFS getconf
    • Melhoramos a documentação de register_azure_blob_container e register_azure_file_share
  • azureml-datadrift
    • Melhoramos a implementação para desabilitar e habilitar monitores de descompasso de conjuntos de dados
  • azureml-interpret
    • Na explicação do cliente, remova NaNs ou INFs antes da serialização JSON ao carregar de artefatos
    • Atualize para a versão mais recente do interpret-community para melhorar erros de memória para explicações globais com muitos recursos e classes
    • Adição do parâmetro opcional true_ys ao upload da explicação para habilitar mais recursos na interface do usuário do estúdio
    • Melhorar o desempenho de download_model_explanations() e list_model_explanations()
    • Pequenos ajustes nos notebooks para auxiliar na depuração
  • azureml-opendatasets
    • O azureml-opendatasets precisa do azureml-dataprep versão 1.4.0 ou superior. Adicionamos aviso se uma versão inferior for detectada
  • azureml-pipeline-core
    • Essa alteração permite que o usuário forneça um runconfig opcional para o moduleVersion ao chamar o module.Publish_python_script.
    • Habilitar a conta de nó pode ser um parâmetro de pipeline em ParallelRunStep no azureml.pipeline.steps
  • azureml-pipeline-steps
    • Essa alteração permite que o usuário forneça um runconfig opcional para o moduleVersion ao chamar o module.Publish_python_script.
  • azureml-train-automl-client
    • Adicionar suporte para vários idiomas para modelos de transformadores de aprendizado avançado, como o BERT no ML automatizado.
    • Remover o parâmetro de lag_length preterido da documentação.
    • A documentação dos parâmetros de previsão foi aprimorada. O parâmetro lag_length foi preterido.
  • azureml-train-automl-runtime
    • Habilitação de explicações para modelos AutoML Prophet e modelos de conjuntos que contêm o modelo Prophet.
    • Atualizações de documentação para os pacotes azureml-train-automl-*.
  • azureml-train-core
    • Dá suporte ao TensorFlow versão 2.1 no avaliador PyTorch
    • Aprimoramentos no pacote azureml-train-core.

26/05/2020

SDK do Azure Machine Learning para Python v1.6.0

• Novos recursos

  • azureml-automl-runtime

    • A previsão do AutoML agora dá suporte a previsões de clientes além do máximo de horizonte predefinido sem treinar novamente o modelo. Quando o destino da previsão estiver mais distante no futuro do que o horizonte máximo especificado, a função forecast() ainda fará previsões pontuais para a data posterior usando um modo de operação recursivo. Para obter a ilustração do novo recurso, confira a seção "Previsão mais distante do que o horizonte máximo" do notebook "forecasting-forecast-function" na pasta."

  • azureml-pipeline-steps

    • O ParallelRunStep agora é liberado e faz parte do pacote azureml-pipeline-steps. O ParallelRunStep existente no pacote azureml-contrib-pipeline-Steps foi preterido. Alterações da versão preliminar pública:
      • Adicionamos parâmetro opcional configurável run_max_try para controlar a chamada máxima para executar método para qualquer lote, o valor padrão é 3.
      • Não existe mais PipelineParameters gerado automaticamente. Os seguintes valores configuráveis podem ser definidos como PipelineParameter explicitamente.
        • mini_batch_size
        • node_count
        • process_count_per_node
        • logging_level
        • run_invocation_timeout
        • run_max_try
      • O valor padrão para process_count_per_node é alterado para 1. O usuário deve ajustar esse valor para melhorar o desempenho. A melhor prática é definir como o número de GPU ou nó de CPU.
      • O ParallelRunStep não injeta nenhum pacote, o usuário precisa incluir pacotes azureml-core e azureml-dataprep[pandas, fuse] na definição de ambiente. Se uma imagem personalizada do Docker é usada com user_managed_dependencies, o usuário precisa instalar o Conda na imagem.

• Alterações da falha

  • azureml-pipeline-steps
    • Preterimos o uso de azureml.dprep.Dataflow como um tipo válido de entrada para AutoMLConfig
  • azureml-train-automl-client
    • Preterimos o uso de azureml.dprep.Dataflow como um tipo válido de entrada para AutoMLConfig

• Correções de bug e melhorias

  • azureml-automl-core
    • Corrigimos o bug no qual um aviso pode ser impresso durante o get_output que solicitou ao usuário fazer downgrade do cliente.
    • Atualizamos o Mac para contar com cudatoolkit=9.0, pois ele ainda não está disponível na versão 10.
    • Remover restrições em modelos Prophet e xgboost quando treinado em computação remota.
    • Melhoramos o registro no AutoML
    • O tratamento de erros para definição de recursos personalizado em tarefas de previsão foi aprimorado.
    • Adicionamos funcionalidade para permitir que os usuários incluam recursos atrasados para gerar previsões.
    • Atualizações da mensagem de erro para exibir corretamente o erro do usuário.
    • Suporte para cv_split_column_names ser usado com training_data
    • Atualizar registro de mensagem de exceção e rastreamento.
  • azureml-automl-runtime
    • Habilite o verificador de integridade para prever o imputações de valor ausente.
    • Melhoramos o registro no AutoML
    • Adicionamos tratamento de erro refinado para exceções de preparação de dados
    • Remover restrições em modelos Prophet e xgboost quando treinado em computação remota.
    • azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipy e cudatoolkit. Agora, damos suporte a pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 e cudatoolkit==10.1.243.
    • O tratamento de erros para definição de recursos personalizado em tarefas de previsão foi aprimorado.
    • O mecanismo de detecção de frequência do conjunto de dados de previsão foi melhorado.
    • Corrigimos o problema com o treinamento do modelo Prophet em alguns conjuntos de dados.
    • A detecção automática de horizonte máximo durante a previsão foi melhorada.
    • Adicionamos funcionalidade para permitir que os usuários incluam recursos atrasados para gerar previsões.
    • Adiciona a funcionalidade na função de previsão para habilitar o fornecimento de previsões além do horizonte treinado sem novo treinamento do modelo de previsão.
    • Suporte para cv_split_column_names ser usado com training_data
  • azureml-contrib-automl-dnn-forecasting
    • Melhoramos o registro no AutoML
  • azureml-contrib-mir
    • Adicionamos suporte para serviços do Windows no ManagedInferencing
    • Remover fluxos de trabalho MIR antigos, como computação MIR anexa, classe SingleModelMirWebservice - limpar criação de perfil de modelo colocado no pacote contrib-mir
  • azureml-contrib-pipeline-steps
    • Correção secundária para o suporte do YAML
    • O ParallelRunStep foi liberado para disponibilidade geral - o azureml.contrib.pipeline.steps tem um aviso de substituição e foi movido para o azureml.pipeline.steps
  • azureml-contrib-reinforcementlearning
    • Ferramenta de teste de carga de RL
    • O estimador RL tem padrões inteligentes
  • azureml-core
    • Remover fluxos de trabalho MIR antigos, como computação MIR anexa, classe SingleModelMirWebservice - limpar criação de perfil de modelo colocado no pacote contrib-mir
    • Correção das informações fornecidas ao usuário na falha de criação de perfil: a ID de solicitação foi incluída e a mensagem foi reformulada para ser mais significativa. Adicionamos novo fluxo de trabalho de criação de perfil para criação de perfil de executores
    • Aprimoramento do texto de erro nas falhas de execução do conjunto de dados.
    • O suporte à CLI do link privado do espaço de trabalho foi adicionado.
    • Adicionamos um parâmetro opcional invalid_lines ao Dataset.Tabular.from_json_lines_files que permite especificar como lidar com linhas que contêm JSON inválido.
    • Iremos substituir a criação de computação baseada em execução na próxima versão. É recomendável criar um cluster Amlcompute real como um destino de computação persistente e usar o nome do cluster como o destino de computação em sua configuração de execução. Consulte o notebook de exemplo aqui: aka.ms/amlcomputenb
    • Aprimoramento das mensagens de erro nas falhas de execução do conjunto de dados.
  • azureml-dataprep
    • Fizemos um aviso para atualizar a versão pyarrow mais explícita.
    • Aprimoramento do tratamento de erro e da mensagem retornada na falha de execução do fluxo de dados.
  • azureml-interpret
    • Atualizações de documentação para o pacote azureml-interpret.
    • Corrigimos pacotes de interpretação e notebooks para serem compatíveis com a atualização mais recente do sklearn
  • azureml-opendatasets
    • devolve Nenhum quando não existem dados para devolver.
    • Melhorar o desempenho de to_pandas_dataframe.
  • azureml-pipeline-core
    • Correção rápida para ParallelRunStep em que o carregamento de YAML foi rompido
    • O ParallelRunStep foi liberado para disponibilidade geral - o azureml.contrib.pipeline.steps tem um aviso de substituição e foi movido para o azureml.pipeline.steps - novas funcionalidades incluem: 1. Conjuntos de dados como PipelineParameter 2. Novo parâmetro run_max_retry 3. Nome de arquivo de saída append_row configurável
  • azureml-pipeline-steps
    • Preterimos o azureml.dprep.Dataflow como um tipo válido para dados de entrada.
    • Correção rápida para ParallelRunStep em que o carregamento de YAML foi rompido
    • O ParallelRunStep foi liberado para disponibilidade geral - o azureml.contrib.pipeline.steps tem um aviso de substituição e foi movido para o azureml.pipeline.steps - novas funcionalidades incluem:
      • Conjuntos de dados como PipelineParameter
      • Novo parâmetro run_max_retry
      • Nome de arquivo de saída append_row configurável
  • azureml-telemetry
    • Atualizar registro de mensagem de exceção e rastreamento.
  • azureml-train-automl-client
    • Melhoramos o registro no AutoML
    • Atualizações da mensagem de erro para exibir corretamente o erro do usuário.
    • Suporte para cv_split_column_names ser usado com training_data
    • Preterimos o azureml.dprep.Dataflow como um tipo válido para dados de entrada.
    • Atualizamos o Mac para contar com cudatoolkit=9.0, pois ele ainda não está disponível na versão 10.
    • Remover restrições em modelos Prophet e xgboost quando treinado em computação remota.
    • azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipy e cudatoolkit. agora, damos suporte a pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 e cudatoolkit==10.1.243.
    • Adicionamos funcionalidade para permitir que os usuários incluam recursos atrasados para gerar previsões.
  • azureml-train-automl-runtime
    • Melhoramos o registro no AutoML
    • Adicionamos tratamento de erro refinado para exceções de preparação de dados
    • Remover restrições em modelos Prophet e xgboost quando treinado em computação remota.
    • azureml-train-automl-runtime e azureml-automl-runtime ter dependências atualizadas para pytorch, scipy e cudatoolkit. agora, damos suporte a pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 e cudatoolkit==10.1.243.
    • Atualizações da mensagem de erro para exibir corretamente o erro do usuário.
    • Suporte para cv_split_column_names ser usado com training_data
  • azureml-train-core
    • Adicionamos um novo conjunto de exceções específicas do HyperDrive. O azureml.train.hyperdrive agora lança exceções detalhadas.
  • azureml-widgets
    • Os Widgets do Azure Machine Learning não são exibidos no JupyterLab

11/05/2020

SDK do Azure Machine Learning para Python v1.5.0

• Novos recursos

  • Versão prévia dos recursos
    • azureml-contrib-reinforcementlearning
      • O Azure Machine Learning está liberando o suporte de pré-visualização para aprendizado de reforço usando a estrutura doRay. O ReinforcementLearningEstimator habilita o treinamento de agentes do reforço de aprendizado em destinos de computação de CPU e de GPU no Azure Machine Learning.

• Correções de bug e melhorias

  • azure-cli-ml
    • Corrige um log de aviso acidentalmente deixado para trás na minha PR anterior. O log foi usado para depuração e foi deixado para trás acidentalmente.
    • Correção de bug: informar aos clientes sobre falha parcial durante a criação de perfil
  • azureml-automl-core
    • Acelere o modelo Prophet/AutoArima na previsão do AutoML habilitando a ajuste paralelo para a série temporal quando os conjuntos de dados tiverem várias séries temporais. Para se beneficiar desse novo recurso, é recomendável definir "max_cores_per_iteration =-1" (ou seja, usar todos os núcleos de CPU disponíveis) no AutoMLConfig.
    • Corrigir o KeyError ao imprimir o verificador de integridade na interface do console
    • Corrigimos mensagem de erro para experimentation_timeout_hours
    • Preterimos modelos TensorFlow para AutoML.
  • azureml-automl-runtime
    • Corrigimos mensagem de erro para experimentation_timeout_hours
    • Corrigimos exceção não classificada ao tentar desserializar do armazenamento de cache
    • Acelere o modelo Prophet/AutoArima na previsão do AutoML habilitando a ajuste paralelo para a série temporal quando os conjuntos de dados tiverem várias séries temporais.
    • Corrigimos a previsão com a janela rolante habilitada nos conjuntos de dados em que o conjunto de teste/previsão não contém uma das granulações do conjunto de treinamento.
    • Melhoramos o tratamento de dados ausentes
    • Corrigimos o problema com intervalos de previsão durante a previsão de conjuntos de dados, contendo séries temporais, que não estão alinhadas no tempo.
    • Adicionamos uma validação melhor da forma de dados para as tarefas de previsão.
    • Melhoramos a detecção de frequência.
    • Criamos uma mensagem de erro melhor se as dobras de validação cruzada para tarefas de previsão não puderem ser geradas.
    • Corrigir a interface do console para imprimir corretamente o verificador de integridade do valor ausente.
    • Impor verificações de datatype em entrada cv_split_indices no AutoMLConfig.
  • azureml-cli-common
    • Correção de bug: informar aos clientes sobre falha parcial durante a criação de perfil
  • azureml-contrib-mir
    • Adiciona uma classe azureml.contrib.mir.RevisionStatus, que retransmite as informações sobre a revisão do MIR implantada atualmente e a versão mais recente especificada pelo usuário. Essa classe está incluída no objeto MirWebservice no atributo 'deployment_status'.
    • Habilita a atualização em WebServices do tipo MirWebservice e sua classe filho SingleModelMirWebservice.
  • azureml-contrib-reinforcementlearning
    • Adicionamos suporte para Ray 0.8.3
    • O AmlWindowsCompute só dá suporte a arquivos do Azure como armazenamento montado
    • Renomeamos health_check_timeout para health_check_timeout_seconds
    • Corrigimos algumas descrições de classe/método.
  • azureml-core
    • Habilitamos as conversões de blob -> WASB no Azure Governamental e nuvens da China.
    • Corrige o bug para permitir que as funções de leitor usem os comandos da CLI de execução do Azure ML para obter informações de execução
    • Foi removido o registro em log desnecessário durante execuções remotas do Azure Machine Learning com conjuntos de dados de entrada.
    • O RCranPackage agora dá suporte ao parâmetro "version" para a versão do pacote CRAN.
    • Correção de bug: informar aos clientes sobre falha parcial durante a criação de perfil
    • Adicionamos o tratamento de float de estilo europeu para o azureml-core.
    • Foram habilitados recursos de link privado do workspace no SDK do Azure Machine Learning.
    • Ao criar um TabularDataset usando from_delimited_files, você pode especificar se os valores vazios devem ser carregados como Nenhum ou como uma cadeia de caracteres vazia, definindo o argumento booliano empty_as_string.
    • Adicionamos o tratamento de float de estilo europeu para conjunto de dados.
    • Melhoramos mensagens de erro em falhas de montagem de conjunto de dados.
  • azureml-datadrift
    • A consulta de resultados de descompasso de dados do SDK teve um bug que não diferenciava as métricas de recurso mínima, máxima e média, resultando em valores duplicados. Corrigimos esse bug ao prefixar o destino ou a linha de base para os nomes de métrica. Antes: mínima, máxima e média duplicação. Depois: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
  • azureml-dataprep
    • Melhora o tratamento de ambientes Python restritos de gravação ao garantir as dependências do .NET necessárias para a entrega de dados.
    • Corrigimos a criação de fluxo de dados em arquivos com principais registros vazios.
    • Adicionamos opções de tratamento de erros para to_partition_iterator semelhantes a to_pandas_dataframe.
  • azureml-interpret
    • Reduzimos os limites de tamanho de caminho de explicação para reduzir a probabilidade de passar do limite do Windows
    • Correção de bug de explicações esparsas criadas com o explicador de imitação usando um modelo substituto linear.
  • azureml-opendatasets
    • Corrigir o problema das colunas de MNIST analisadas como cadeia de caracteres, que deve ser int.
  • azureml-pipeline-core
    • Permitir a opção de regenerate_outputs ao usar um módulo inserido em um ModuleStep.
  • azureml-train-automl-client
    • Preterimos modelos TensorFlow para AutoML.
    • Corrigir a permissão de usuários de listar algoritmos sem suporte no modo local
    • Correção de documentação do AutoMLConfig.
    • Impor verificações de datatype em entrada cv_split_indices no AutoMLConfig.
    • Corrigimos problema com execuções do AutoML falhando no show_output
  • azureml-train-automl-runtime
    • Corrigindo um bug em iterações de conjuntos que estava impedindo o tempo limite de download do modelo de iniciar com êxito.
  • azureml-train-core
    • Corrigir a digitação na classe azureml.train.dnn.Nccl.
    • Dá suporte ao PyTorch versão 1.5 no avaliador PyTorch
    • Corrigir do problema que a imagem de estrutura não pode ser buscada na região do Azure Governamental ao usar estimadores de estrutura de treinamento

04/05/2020

Experiência de Notebook Nova

Agora você pode criar, editar e compartilhar arquivos e notebooks do aprendizado de máquina diretamente dentro da experiência da Web do estúdio do Azure Machine Learning. Você pode usar todas as classes e os métodos disponíveis no SDK do Python do Azure Machine Learning de dentro desses notebooks. Para começar, visite o artigo Executar Jupyter Notebooks no workspace.

Novos Recursos introduzidos:

• Aprimoramento do editor (editor Monaco) usado pelo Visual Studio Code
• Melhorias na interface do usuário/UX
• Barra de ferramentas da célula
• Nova barra de ferramentas e controles de computação do Notebook
• Barra de status do Notebook
• Alternância de Kernel embutido
• Suporte a R
• Melhorias de acessibilidade e localização
• Paleta de Comandos
• Mais atalhos de teclado
• Salvar automaticamente,
• Melhoramos o desempenho e confiabilidade

Acesse as seguintes ferramentas de criação baseadas na Web no estúdio:

Ferramenta baseada na Web	Descrição
Notebooks do Estúdio do Azure Machine Learning	Primeira criação na classe para arquivos de notebooks e suporte a todas as operações disponíveis no SDK do Python do Azure Machine Learning.

27/04/2020

SDK do Azure Machine Learning para Python v1.4.0

• Novos recursos

  • Os clusters AmlCompute agora dão suporte à configuração de uma identidade gerenciada no cluster no momento do provisionamento. Basta especificar se você deseja usar uma identidade atribuída pelo sistema ou uma identidade atribuída pelo usuário e passar uma identityid para esta última. Em seguida, você pode configurar permissões para acessar vários recursos, como armazenamento ou ACR, de uma forma que a identidade da computação seja usada para acessar os dados com segurança, em vez de uma abordagem baseada em token que o AmlCompute emprega hoje. Confira nossa referência de SDK para saber mais sobre os parâmetros.

• Alterações da falha

  • Os clusters AmlCompute suportavam uma versão prévia do recurso em relação à criação baseada em execução, que estamos planejando substituir em duas semanas. Você pode continuar criando destinos de computação persistentes como sempre usando a classe Amlcompute, mas a abordagem específica de indicar o identificador "amlcompute" como o destino de computação na configuração de execução não terá mais suporte em breve.

• Correções de bug e melhorias

  • azureml-automl-runtime
    • Habilite o suporte para tipo sem hash ao calcular o número de valores exclusivos em uma coluna.
  • azureml-core
    • Melhoramos a estabilidade na leitura do armazenamento de blobs do Azure usando um TabularDataset.
    • Melhoramos a documentação do parâmetro grant_workspace_msi para Datastore.register_azure_blob_store.
    • Corrigimos o bug com datastore.upload para dar suporte ao argumento src_dir que termina com um / ou \.
    • Adicionamos mensagem de erro acionável ao tentar carregar em um Armazenamento de blobs do Azure que não tem uma chave de acesso ou token SAS.
  • azureml-interpret
    • Adicionamos limite superior ao tamanho do arquivo para os dados de visualização nas explicações carregadas.
  • azureml-train-automl-client
    • Verificar explicitamente parâmetros label_column_name & weight_column_name para que AutoMLConfig seja do tipo cadeia de caracteres.
  • azureml-contrib-pipeline-steps
    • O ParallelRunStep agora dá suporte ao conjunto de dados como parâmetro de pipeline. O usuário pode construir o pipeline com o conjunto de dados de exemplo e pode alterar o conjunto de dados de entrada do mesmo tipo (arquivo ou tabular) para a nova execução do pipeline.

13/04/2020

SDK do Azure Machine Learning para Python v1.3.0

• Correções de bug e melhorias
  • azureml-automl-core
    • Adição de mais dados telemétricos nas operações pós-treinamento.
    • Acelera o treinamento da ARIMA automático usando o treinamento de soma de quadrados (CSS) condicional para uma série de comprimentos maiores do que 100. O comprimento usado é armazenado como a constante ARIMA_TRIGGER_CSS_TRAINING_LENGTH com/na classe de tempo TimeSeriesInternal na /src/azureml-automl-core/azureml/automl/core/shared/constants.py
    • O registro do usuário de execuções de previsão foi aprimorado. Agora, são mostradas no log mais informações sobre qual fase está em execução no momento
    • Não permitimos mais que target_rolling_window_size seja definido com valores menores do que 2
  • azureml-automl-runtime
    • Melhoramos a mensagem de erro mostrada quando são encontrados carimbos de data/hora duplicados.
    • Não permitimos mais que target_rolling_window_size seja definido com valores menores do que 2.
    • Corrigimos a falha de imputação de retardo. O problema foi causado pelo número insuficiente de observações necessárias para decompor uma série sazonalmente. Os dados "fora da sazonalidade" são usados para calcular uma PACF (função parcial de correlação) para determinar o tamanho do retardo.
    • Habilitamos a finalidade da coluna de personalização de definição de recursos para previsão de tarefas pela configuração da definição de recursos. Agora, há suporte para a finalidade de coluna como numérica e categórica para tarefas de previsão.
    • Habilitamos a personalização de definição de recursos da coluna solta para previsão de tarefas pela configuração da definição de recursos.
    • Habilitada a personalização de imputação para tarefas de previsão pela configuração da definição de recursos. Agora, há suporte para imputação de valor constante para a coluna de destino e a média, mediana, most_frequent e para imputação de valor constante para dados de treinamento.
  • azureml-contrib-pipeline-steps
    • Aceite os nomes de computação da cadeia de caracteres a serem passados para ParallelRunConfig
  • azureml-core
    • Adicionamos a API Environment.clone(new_name) para criar uma cópia do objeto de ambiente
    • O Environment.docker.base_dockerfile aceita o FilePath. Se for capaz de resolver um arquivo, o conteúdo será lido na propriedade de ambiente base_dockerfile
    • Redefine automaticamente valores mutuamente exclusivos para base_image e base_dockerfile quando o usuário define manualmente um valor em Environment.docker
    • Adição do sinalizador user_managed em RSection que indica se o ambiente é gerenciado pelo usuário ou pelo Azure Machine Learning.
    • Conjunto de dados: corrigimos a falha no download do conjunto de dados se o caminho de dado contém caracteres unicode.
    • Conjunto de dados: melhoramos o mecanismo de cache de montagem de conjunto de dados para respeitar o requisito mínimo de espaço em disco na computação do Machine Learning, o que evita tornar o nó inutilizável e fazer com que o trabalho seja cancelado.
    • Conjunto de dados: adicionamos um índice para a coluna de série temporal quando você acessa um conjunto de dados de série temporal como um data frame do pandas, que é usado para acelerar o acesso ao acesso de dados baseado em séries temporais. Antes, o índice tinha o mesmo nome que a coluna carimbo de data/hora, confundindo os usuários sobre qual era a coluna de carimbo de data/hora e qual era o índice. Agora, não nomeamos especificamente o índice, pois ele não deve ser usado como uma coluna.
    • Conjunto de dados: corrigimos o problema de autenticação de conjunto de dados em nuvem soberana.
    • Conjunto de dados: corrigimos a falha Dataset.to_spark_dataframe para conjuntos de dados criados a partir do armazenamento de dados do Azure PostgreSQL.
  • azureml-interpret
    • Adicionamos pontuações globais à visualização se os valores de importância local forem esparsos
    • Atualizamos o azureml-interpret para usar o interpret-community 0.9.*
    • Corrigimos o problema com a explicação de download que tinha dados de avaliação esparsos
    • Adicionamos suporte do formato esparso do objeto de explicação no AutoML
  • azureml-pipeline-core
    • Suporte do ComputeInstance como destino de computação em pipelines
  • azureml-train-automl-client
    • Adição de mais dados telemétricos nas operações pós-treinamento.
    • Corrigimos a regressão em parada antecipada
    • Preterimos o azureml.dprep.Dataflow como um tipo válido para dados de entrada.
    • Alteração do tempo limite de experimento padrão do AutoML para seis dias.
  • azureml-train-automl-runtime
    • Adição de mais dados telemétricos nas operações pós-treinamento.
    • adicionamos suporte de ponta a ponta para AutoML esparsa
  • azureml-opendatasets
    • Adição de outra telemetria ao monitor de serviço.
    • Habilitar a porta frontal para o blob aumentar a estabilidade

23/03/2020

SDK do Azure Machine Learning para Python v1.2.0

• Alterações da falha

  • Remover o suporte ao Python 2.7

• Correções de bug e melhorias

  • azure-cli-ml
    • Adiciona "--subscription-id" aos comandos az ml model/computetarget/service na CLI
    • Adicionando suporte para passar a CMK (chave gerenciada pelo cliente) vault_url, key_name e key_version para implantação do ACI
  • azureml-automl-core
    • Habilitamos a imputação personalizada com valor constante para tarefas de previsão de dados X e y.
    • Corrigimos o problema com a exibição de mensagens de erro para o usuário.
  • azureml-automl-runtime
    • Corrigimos o problema com a previsão nos conjuntos de dados, contendo granularidades com apenas uma linha
    • Diminuímos a quantidade de memória exigida pelas tarefas de previsão.
    • Adicionamos mensagens de erro melhores se a coluna de tempo tiver um formato incorreto.
    • Habilitamos a imputação personalizada com valor constante para tarefas de previsão de dados X e y.
  • azureml-core
    • Adicionamos suporte para carregar o ServicePrincipal de variáveis de ambiente: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID, e AZUREML_SERVICE_PRINCIPAL_PASSWORD
    • Introduzimos um novo parâmetro support_multi_line para Dataset.Tabular.from_delimited_files: por padrão (support_multi_line=False), todas as quebras de linha, incluindo aquelas em valores de campo entre aspas, serão interpretadas como uma quebra de registro. A leitura de dados dessa maneira é mais rápida e mais otimizada para execução paralela em vários núcleos de CPU. No entanto, isso pode resultar na produção silenciosa de mais registros com valores de campo desalinhados. Isso deve ser definido como True quando os arquivos delimitados são conhecidos por conter quebras de linha entre aspas.
    • Adicionamos a capacidade de registrar ADLS Gen2 na CLI do Azure Machine Learning
    • Renomeamos o parâmetro 'fine_grain_timestamp' para 'timestamp' e o parâmetro 'coarse_grain_timestamp' to 'partition_timestamp' para o método with_timestamp_columns() no TabularDataset para refletir melhor o uso dos parâmetros.
    • Aumentamos o tamanho máximo do nome de experimento para 255.
  • azureml-interpret
    • Atualizamos o azureml-interpret para o interpret-community 0.7.*
  • azureml-sdk
    • Mudando para dependências com versão compatível do Tilde para dar suporte a aplicação de patch em versões de pré-lançamento e estáveis.

11/03/2020

SDK do Azure Machine Learning para Python v1.1.5

• Substituição de recursos

  • Python 2,7
    • Versão mais recente para dar suporte ao Python 2.7

• Alterações da falha

  • Controle de versão semântico 2.0.0
    • Começando na versão 1.1, o SDK do Python do Azure Machine Learning adota o controle de versão semântico 2.0.0. Todas as versões posteriores seguem o novo esquema de numeração e o contrato de controle de versão semântico.

• Correções de bug e melhorias

  • azure-cli-ml
    • Alterar o nome de comando da CLI do ponto de extremidade de 'az ml endpoint aks' para 'az ml endpoint real time' para fins de consistência.
    • atualizar instruções de instalação da CLI para a CLI de ramificação estável e experimental
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
  • azureml-automl-core
    • Habilitamos a inferência de modo de lote (levando várias linhas uma vez) para modelos ONNX do AutoML
    • Melhoramos a detecção de frequência nos conjuntos de dados, falta de dados ou pontos de dados irregulares existentes
    • Adicionamos a capacidade de remover pontos de dados que não estão em conformidade com a frequência dominante.
    • Alteramos a entrada do construtor para obter uma lista de opções para aplicar as opções imputação para as colunas correspondentes.
    • O log de erros foi melhorado.
  • azureml-automl-runtime
    • Corrigimos o problema com o erro gerado se a granulação não estiver presente no conjunto de treinamento exibido no conjunto de teste
    • Removemos a y_query requisito durante a pontuação no serviço de previsão
    • Corrigimos o problema com a previsão quando o conjunto de dados contém granulações curtas com longos intervalos de tempo.
    • Corrigimos o problema quando o horizonte máximo automático é ativado e a coluna de data contém datas na forma de cadeias de caracteres. A conversão adequada e as mensagens de erro foram adicionadas para quando a conversão em data não é possível
    • Usando NumPy e SciPy nativos para serialização e desserialização de dados intermediários para FileCacheStore (usado para execuções locais do AutoML)
    • Corrigimos um bug em que as execuções de filho com falha poderiam ficar paralisadas no estado de execução.
    • Velocidade maior de definição de recursos.
    • Corrigimos a verificação de frequência durante a pontuação, agora as tarefas de previsão não exigem uma equivalência de frequência estrita entre o treinamento e o conjunto de teste.
    • Alteramos a entrada do construtor para obter uma lista de opções para aplicar as opções imputação para as colunas correspondentes.
    • Corrigimos erros relacionados à seleção do tipo de retardo.
    • Corrigimos o erro não classificado gerado nos conjuntos de dados, com granularidade com linha única
    • Corrigimos o problema com a lentidão da detecção de frequência.
    • Corrigimos um bug no tratamento de exceção do AutoML que causou o verdadeiro motivo para a falha do treinamento ser substituída por um AttributeError.
  • azureml-cli-common
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
  • azureml-contrib-mir
    • Adiciona a funcionalidade na classe MirWebservice para recuperar o token de acesso
    • Usar autenticação de token para MirWebservice por padrão durante chamada MirWebservice.run() - atualizar somente se a chamada falhar
    • A implantação do Mir WebService agora requer SKUs apropriados [Standard_DS2_v2, Standard_F16, Standard_A2_v2] em vez de [Ds2v2, A2v2 e F16] respectivamente.
  • azureml-contrib-pipeline-steps
    • Parâmetro opcional side_inputs adicionado ao ParallelRunStep. Esse parâmetro pode ser usado para montar a pasta no contêiner. Atualmente, os tipos com suporte são DataReference e PipelineData.
    • Os parâmetros passados em ParallelRunConfig agora podem ser substituídos passando parâmetros de pipeline. Novos parâmetros de pipeline com suporte aml_mini_batch_size, aml_error_threshold, aml_logging_level aml_run_invocation_timeout (o aml_node_count e aml_process_count_per_node já fazem parte da versão anterior).
  • azureml-core
    • Os serviços Web do Azure Machine Learning implantados agora têm como padrão o registro em log INFO. Isso pode ser controlado pela definição da variável de ambiente AZUREML_LOG_LEVEL no serviço implantado.
    • O SDK do Python usa o serviço de descoberta para usar o ponto de extremidade 'API' em vez de 'pipelines'.
    • Troque para as novas rotas em todas as chamadas do SDK.
    • Alteramos o roteamento de chamadas do ModelManagementService para uma nova estrutura unificada.
      • Método de atualização do espaço de trabalho foi disponibilizado publicamente.
      • Adicionamos o parâmetro image_build_compute no método de atualização do espaço de trabalho para permitir que o usuário atualize a computação para a compilação de imagem.
    • Adicionamos mensagens de substituição ao antigo fluxo de trabalho de criação de perfil. Corrigimos os limites de CPU e memória de criação de perfil.
    • Adicionamos RSection como parte do ambiente para executar trabalhos do R.
    • Adicionamos validação a Dataset.mount para gerar erro quando a origem do conjunto de dados não estiver acessível ou não tiver dados.
    • Adição de --grant-workspace-msi-access como outro parâmetro à CLI do Armazenamento de Dados para registrar o contêiner de blob do Azure que permite que você registre o contêiner de blob que é protegido por uma VNet.
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
    • Corrigimos o problema no aks.py_deploy.
    • Valida a integridade dos modelos que estão sendo carregados para evitar falhas de armazenamento silencioso.
    • Agora, o usuário pode especificar um valor para a chave de autenticação ao regenerar chaves para WebServices.
    • Corrigimos o bug em que letras maiúsculas não podem ser usadas como nome de entrada do conjunto de dados.
  • azureml-defaults
    • azureml-dataprep agora será instalado como parte do azureml-defaults. Não é mais necessário instalar os dados prep[fuse] manualmente em destinos de computação para montar conjuntos de dados.
  • azureml-interpret
    • Atualizamos o azureml-interpret para o interpret-community 0.6.*
    • Atualizamos o azureml-interpret para o interpret-community 0.5.0
    • Adicionamos exceções do estilo do azureml ao azureml-interpret
    • Corrigimos a serialização do DeepScoringExplainer para modelos de Keras
  • azureml-mlflow
    • Adicionar suporte para nuvens soberanas do azureml.mlflow
  • azureml-pipeline-core
    • O notebook de pontuação do lote de pipeline agora usa ParallelRunStep
    • Corrigimos um bug em que os resultados de PythonScriptStep podem ser reutilizados incorretamente apesar de alterar a lista de argumentos
    • Adicionamos a capacidade de definir o tipo de colunas ao chamar os métodos parse_ * em PipelineOutputFileDataset
  • azureml-pipeline-steps
    • Movemos o AutoMLStep para o pacote azureml-pipeline-steps. Preterimos o AutoMLStep no azureml-train-automl-runtime.
    • Adicionamos exemplo de documentação para o conjunto de dados como entrada PythonScriptStep
  • azureml-tensorboard
    • Atualizamos o azureml-tensorboard para dar suporte ao TensorFlow 2.0
    • Mostrar o número de porta correto ao usar uma porta TensorBoard personalizada em uma instância de computação
  • azureml-train-automl-client
    • Corrigimos um problema em que determinados pacotes podem ser instalados em versões incorretas em execuções remotas.
    • corrigimos o problema de substituição de FeaturizationConfig que filtra a configuração de definição de recursos personalizada.
  • azureml-train-automl-runtime
    • Corrigimos o problema com a detecção de frequência nas execuções remotas
    • Movemos o AutoMLStep no pacote azureml-pipeline-steps. Preterimos o AutoMLStep no azureml-train-automl-runtime.
  • azureml-train-core
    • Dá suporte ao PyTorch versão 1.4 no avaliador PyTorch

02/03/2020

SDK do Azure Machine Learning para Python v 1.1.2rc0 (pré-lançamento)

• Correções de bug e melhorias
  • azureml-automl-core
    • Habilitamos a inferência de modo de lote (levando várias linhas uma vez) para modelos ONNX do AutoML
    • Melhoramos a detecção de frequência nos conjuntos de dados, falta de dados ou pontos de dados irregulares existentes
    • Adicionamos a capacidade de remover pontos de dados que não estão em conformidade com a frequência dominante.
  • azureml-automl-runtime
    • Corrigimos o problema com o erro gerado se a granulação não estiver presente no conjunto de treinamento exibido no conjunto de teste
    • Removemos a y_query requisito durante a pontuação no serviço de previsão
  • azureml-contrib-mir
    • Adiciona a funcionalidade na classe MirWebservice para recuperar o token de acesso
  • azureml-core
    • Os serviços Web do Azure Machine Learning implantados agora têm como padrão o registro em log INFO. Isso pode ser controlado pela definição da variável de ambiente AZUREML_LOG_LEVEL no serviço implantado.
    • Corrigir a iteração em Dataset.get_all para devolver todos os conjuntos de valores registrados com o espaço de trabalho.
    • Melhorar a mensagem de erro quando o tipo inválido passa para o argumento path de APIs de criação de conjunto de dados.
    • O SDK do Python usa o serviço de descoberta para usar o ponto de extremidade 'API' em vez de 'pipelines'.
    • Trocar para as novas rotas em todas as chamadas do SDK
    • Alterações no roteamento de chamadas do ModelManagementService para uma nova estrutura unificada
      • Método de atualização do espaço de trabalho foi disponibilizado publicamente.
      • Adicionamos o parâmetro image_build_compute no método de atualização do espaço de trabalho para permitir que o usuário atualize a computação para a compilação de imagem
    • Adicionamos mensagens de substituição ao antigo fluxo de trabalho de criação de perfil. Corrigimos os limites de CPU e memória de criação de perfil
  • azureml-interpret
    • atualizar o azureml-interpret para o interpret-community 0.6.*
  • azureml-mlflow
    • Adicionar suporte para nuvens soberanas do azureml.mlflow
  • azureml-pipeline-steps
    • Movemos AutoMLStep para o azureml-pipeline-steps package. Preterimos o AutoMLStep no azureml-train-automl-runtime.
  • azureml-train-automl-client
    • Corrigimos um problema em que determinados pacotes podem ser instalados em versões incorretas em execuções remotas.
  • azureml-train-automl-runtime
    • Corrigimos o problema com a detecção de frequência nas execuções remotas
    • Movemos AutoMLStep para o azureml-pipeline-steps package. Preterimos o AutoMLStep no azureml-train-automl-runtime.
  • azureml-train-core
    • Movemos AutoMLStep para o azureml-pipeline-steps package. Preterimos o AutoMLStep no azureml-train-automl-runtime.

18/02/2020

SDK do Azure Machine Learning para Python v1.1.1rc0 (pré-lançamento)

• Correções de bug e melhorias
  • azure-cli-ml
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
  • azureml-automl-core
    • O log de erros foi melhorado.
  • azureml-automl-runtime
    • Corrigimos o problema com a previsão quando o conjunto de dados contém granulações curtas com longos intervalos de tempo.
    • Corrigimos o problema quando o horizonte máximo automático é ativado e a coluna de data contém datas na forma de cadeias de caracteres. Adicionamos uma conversão adequada e um erro razoável se a conversão para a data não for possível
    • Usando NumPy e SciPy nativos para serialização e desserialização de dados intermediários para FileCacheStore (usado para execuções locais do AutoML)
    • Corrigimos um bug em que as execuções de filho com falha poderiam ficar paralisadas no estado de execução.
  • azureml-cli-common
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
  • azureml-core
    • Adição de --grant-workspace-msi-access como outro parâmetro à CLI do Armazenamento de Dados para registrar o contêiner de blob do Azure que permitirá que você registre o contêiner de blob que é protegido por uma VNet
    • A criação de perfil de instância única foi corrigida para produzir uma recomendação e foi disponibilizada no SDK principal.
    • Corrigimos o problema no aks.py_deploy
    • Valida a integridade dos modelos que estão sendo carregados para evitar falhas de armazenamento silencioso.
  • azureml-interpret
    • adicionamos exceções do estilo do azureml ao azureml-interpret
    • corrigimos a serialização do DeepScoringExplainer para modelos de Keras
  • azureml-pipeline-core
    • O notebook de pontuação do lote de pipeline agora usa ParallelRunStep
  • azureml-pipeline-steps
    • Movemos o AutoMLStep no pacote azureml-pipeline-steps. Preterimos o AutoMLStep no azureml-train-automl-runtime.
  • azureml-contrib-pipeline-steps
    • Parâmetro opcional side_inputs adicionado ao ParallelRunStep. Esse parâmetro pode ser usado para montar a pasta no contêiner. Atualmente, os tipos com suporte são DataReference e PipelineData.
  • azureml-tensorboard
    • Atualizamos o azureml-tensorboard para dar suporte ao TensorFlow 2.0
  • azureml-train-automl-client
    • Corrigimos o problema de substituição de FeaturizationConfig que filtra a configuração de definição de recursos personalizada.
  • azureml-train-automl-runtime
    • Movemos o AutoMLStep no pacote azureml-pipeline-steps. Preterimos o AutoMLStep no azureml-train-automl-runtime.
  • azureml-train-core
    • Dá suporte ao PyTorch versão 1.4 no avaliador PyTorch

04/02/2020

SDK do Azure Machine Learning para Python v1.1.0rc0 (pré-lançamento)

• Alterações da falha

  • Controle de versão semântico 2.0.0
    • Começando na versão 1.1, o SDK do Python do Azure Machine Learning adota o controle de versão semântico 2.0.0. Todas as versões posteriores seguem o novo esquema de numeração e o contrato de controle de versão semântico.

• Correções de bug e melhorias

  • azureml-automl-runtime
    • Velocidade maior de definição de recursos.
    • Corrigimos a verificação de frequência durante a pontuação, agora nas tarefas de previsão não exigimos uma equivalência de frequência estrita entre o treinamento e o conjunto de teste.
  • azureml-core
    • Agora, o usuário pode especificar um valor para a chave de autenticação ao regenerar chaves para WebServices.
  • azureml-interpret
    • Atualizamos o azureml-interpret para o interpret-community 0.5.0
  • azureml-pipeline-core
    • Corrigimos um bug em que os resultados de PythonScriptStep podem ser reutilizados incorretamente apesar de alterar a lista de argumentos
  • azureml-pipeline-steps
    • Adicionamos exemplo de documentação para o conjunto de dados como entrada PythonScriptStep
  • azureml-contrib-pipeline-steps
    • Os parâmetros passados em ParallelRunConfig agora podem ser substituídos passando parâmetros de pipeline. Novos parâmetros de pipeline com suporte aml_mini_batch_size, aml_error_threshold, aml_logging_level aml_run_invocation_timeout (o aml_node_count e aml_process_count_per_node já fazem parte da versão anterior).

21/01/2020

SDK do Azure Machine Learning para Python v1.0.85

• Novos recursos

  • azureml-core

    • Obter o uso principal atual e a limitação de cota para recursos de AmlCompute em um determinado espaço de trabalho e assinatura

  • azureml-contrib-pipeline-steps

    • Habilitar o usuário a passar o conjunto de dados de tabela como resultado intermediário da etapa anterior para parallelrunstep

• Correções de bug e melhorias

  • azureml-automl-runtime
    • Removemos a necessidade da coluna y_query na solicitação para o serviço de previsão implantado.
    • A 'y_query' foi removida da seção de solicitação de serviço do notebook Dominick's Orange Juice.
    • Corrigimos o bug que impede a previsão nos modelos implantados, operando em conjuntos de dados com colunas de data e hora.
    • Adicionamos o coeficiente de correlação de Matthews como uma métrica de classificação, para classificação binária e de várias classes.
  • azureml-contrib-interpret
    • Removemos os explicadores de texto do azureml-contrib-interpret como explicações de texto foram movidos para o repositório de texto de interpretação que será lançado em breve.
  • azureml-core
    • Conjunto de dados: os usos do conjunto de dados de arquivo não dependem mais do numpy e do pandas para serem instalados no Python env.
    • Alteramos LocalWebservice.wait_for_deployment() para verificar o status do contêiner do Docker local antes de tentar executar ping no seu ponto de extremidade integro, reduzindo muito o tempo que leva para relatar uma implantação com falha.
    • Corrigimos a inicialização de uma propriedade interna usada em LocalWebservice.reload() quando o objeto de serviço é criado a partir de uma implantação existente usando o construtor LocalWebservice().
    • Editamos a mensagem de erro para fins de esclarecimento.
    • Adicionamos um novo método chamado get_access_token() ao AksWebservice que devolverá o objeto AksServiceAccessToken, que contém de token de acesso, atualização após o carimbo de data/hora, expiração no carimbo de data/hora e tipo de token.
    • Preterimos o método existente de get_token() em AksWebservice pois o novo método devolve todas as informações que esse método devolve.
    • Modificamos a saída do comando de token de acesso do serviço do Azure ML. Renomeamos o token para accessToken e refreshBy para refreshAfter. Adicionamos propriedades expiryOn e tokenType.
    • Corrigimos get_active_runs
  • azureml-explain-model
    • atualizamos o shap para 0.33.0 e o interpret-community para 0.4.*
  • azureml-interpret
    • atualizamos o shap para 0.33.0 e o interpret-community para 0.4.*
  • azureml-train-automl-runtime
    • Adicionamos o coeficiente de correlação de Matthews como uma métrica de classificação, para classificação binária e de várias classes.
    • Depreciar o sinalizador de pré-processamento do código e substituído por definição de recursos - definição de recursos é ativada por padrão

06/01/2020

SDK do Azure Machine Learning para Python v1.0.83

• Novos recursos

  • Conjunto de dados: adicionar duas opções on_error e out_of_range_datetime para to_pandas_dataframe falhar quando os dados tiverem valores de erro em vez de preenchê-los com None.
  • Espaço de trabalho: adicionamos o sinalizador hbi_workspace para espaços de trabalho com dados confidenciais que habilitam a criptografia adicional e desabilitam o diagnóstico avançado em espaços de trabalho. Também adicionamos suporte para trazer suas próprias chaves para a instância associada do Azure Cosmos DB, especificando os parâmetros cmk_keyvault e resource_cmk_uri ao criar um espaço de trabalho, o que cria uma instância do Azure Cosmos DB em sua assinatura ao provisionar seu espaço de trabalho. Para saber mais, consulte a seção do Azure Cosmos DB do artigo de criptografia de dados.

• Correções de bug e melhorias

  • azureml-automl-runtime
    • Corrigimos uma regressão que causou a geração de um TypeError ao executar AutoML em versões do Python abaixo de 3.5.4.
  • azureml-core
    • Corrigimos o bug em datastore.upload_files no qual o caminho relativo que não iniciou com o ./ não pôde ser usado.
    • Adicionamos mensagens de substituição para todos os caminhos de código de classe de imagem
    • Correção da construção da URL de Gerenciamento de Modelos para o Microsoft Azure operado pela 21Vianet.
    • Corrigimos o problema em que os modelos que usam source_dir não puderam ser empacotados para o Azure Functions.
    • Adição de uma opção para Environment.build_local() para efetuar push de uma imagem para o Registro de contêiner do workspace do Azure Machine Learning
    • Atualizamos o SDK para usar a nova biblioteca de tokens no Azure Synapse de forma compatível com outras versões.
  • azureml-interpret
    • Corrigimos o bug onde Nenhum foi devolvido quando nenhuma explicação estava disponível para download. Agora gera uma exceção, que corresponde ao comportamento em outro lugar.
  • azureml-pipeline-steps
    • Não permitido passar de DatasetConsumptionConfig para o parâmetro Estimator do inputs quando o Estimator será usado em um EstimatorStep.
  • azureml-sdk
    • Adicionamos o cliente AutoML ao pacote azureml-sdk, permitindo que as execuções de AutoML remotas sejam enviadas sem instalar o pacote completo do AutoML.
  • azureml-train-automl-client
    • Corrigimos o alinhamento na saída do console para execuções do AutoML
    • Corrigimos um bug em que a versão incorreta do pandas pode ser instalada em amlcompute remotas.

23/12/2019

SDK do Azure Machine Learning para Python v1.0.81

• Correções de bug e melhorias
  • azureml-contrib-interpret
    • adiar dependência de shap para interpret-community do azureml-interpret
  • azureml-core
    • O destino de computação agora pode ser especificado como um parâmetro para os objetos de configuração de implantação correspondentes. Isso é especificamente o nome do destino de computação no qual implantar, não o objeto do SDK.
    • Adicionamos informações de CreatedBy aos objetos de modelo e de serviço. Pode ser acessado through.created_by
    • Corrigimos ContainerImage.run(), que não configurava corretamente a porta HTTP do contêiner do Docker.
    • Tornar azureml-dataprep opcional para o comando da CLI az ml dataset register
    • Correção de um bug em que TabularDataset.to_pandas_dataframe recorria incorretamente a um leitor alternativo e imprimia um aviso.
  • azureml-explain-model
    • adiar dependência de shap para interpret-community do azureml-interpret
  • azureml-pipeline-core
    • Adicionamos nova etapa de pipeline NotebookRunnerStep para executar um notebook local como uma etapa no pipeline.
    • Removidas funções preteridas de get_all para PublishedPipelines, agendas e PipelineEndpoints
  • azureml-train-automl-client
    • Iniciamos a substituição de data_script como uma entrada para o AutoML.

09/12/2019

SDK do Azure Machine Learning para Python v1.0.79

• Correções de bug e melhorias
  • azureml-automl-core
    • Removemos featurizationConfig para fazer registro de log
      • Atualizamos o registro apenas para o log "auto"/"off"/"customized".
  • azureml-automl-runtime
    • Adicionamos suporte para pandas. Séries e pandas. Categórico para detectar o tipo de dados da coluna. Anteriormente, só havia suporte para numpy.ndarray
      • Adicionamos alterações de código relacionadas para lidar com dtype categóricos corretamente.
    • A interface da função de previsão foi melhorada: o parâmetro y_pred tornou-se opcional. \- Os docstrings foram melhorados.
  • azureml-contrib-dataset
    • Corrigimos um bug em que não foi possível montar os conjuntos de dados rotulados.
  • azureml-core
    • Correção de bug para Environment.from_existing_conda_environment(name, conda_environment_name). O usuário pode criar uma instância do ambiente que é a réplica exata do ambiente local
    • Alteramos métodos de conjuntos de dados relacionados à série temporal para include_boundary=True por padrão.
  • azureml-train-automl-client
    • Corrigimos o problema em que os resultados da validação não são impressos quando mostrar saída está definido como false.

25/11/2019

SDK do Azure Machine Learning para Python v1.0.76

• Alterações da falha

  • Problemas de atualização do Azureml-Train-AutoML
    • Atualizando para o azureml-Train-automl>= 1.0.76 do azureml-Train-automl<1.0.76 pode causar instalações parciais, causando falhas em algumas importações do AutoML. Para resolver isso, você pode executar o script de instalação encontrado em https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Ou, se você estiver usando o pip diretamente, poderá executar:
      • "pip install --upgrade azureml-train-automl"
      • "pip install --ignore-installed azureml-train-automl-client"
    • ou você pode desinstalar a versão anterior antes de atualizar
      • "pip uninstall azureml-train-automl"
      • "pip install azureml-train-automl"

• Correções de bug e melhorias

  • azureml-automl-runtime
    • O AutoML agora leva em conta as classes true e false ao calcular as métricas escalares médias para tarefas de classificação binária.
    • Movemos o aprendizado de máquina e o código de treinamento no AzureML-AutoML-Core para um novo pacote AzureML-AutoML-Runtime.
  • azureml-contrib-dataset
    • Ao chamar to_pandas_dataframe em um conjunto de dados rotulado com a opção de download, agora você pode especificar se deseja substituir os arquivos existentes ou não.
    • Ao chamar keep_columns ou drop_columns que resulta na remoção de uma série temporal, rótulo ou coluna de imagem, as funcionalidades correspondentes também serão removidas para o conjunto de dados.
    • Corrigimos um problema com o carregador de pytorch para a tarefa de detecção de objeto.
  • azureml-contrib-interpret
    • Removemos o widget de painel de explicação do azureml-contrib-interpret, pacote alterado para referenciar o novo no interpret_community
    • Atualizamos a versão do interpret-community para 0.2.0
  • azureml-core
    • Melhorar o desempenho de workspace.datasets.
    • Adicionamos a capacidade de registrar o Armazenamento de dados do Banco de Dados SQL do Azure usando o nome de usuário e a autenticação de senha
    • Corrigir para carregar RunConfigurations de caminhos relativos.
    • Ao chamar keep_columns ou drop_columns que resulta na remoção de uma coluna de série temporal, as funcionalidades correspondentes também serão removidas para o conjunto de dados.
  • azureml-interpret
    • Atualizamos a versão do interpret-community para 0.2.0
  • azureml-pipeline-steps
    • Documentamos valores com suporte para runconfig_pipeline_params as etapas de pipeline do Azure Machine Learning.
  • azureml-pipeline-core
    • Adicionamos a opção da CLI para baixar a saída no formato JSON para comandos de pipeline.
  • azureml-train-automl
    • Dividir o AzureML-Train-AutoML em dois pacotes, um pacote do cliente AzureML-Train-AutoML-Client e um pacote de treinamento do AML do AzureML-Train-AutoML-Runtime
  • azureml-train-automl-client
    • Adicionamos um cliente fino para enviar experimentos do AutoML sem a necessidade de instalar nenhuma dependência do aprendizado de máquina localmente.
    • Corrigimos o registro de retardos detectados automaticamente, tamanhos de janela rolante e horizontes máximos nas execuções remotas.
  • azureml-train-automl-runtime
    • Adicionamos um novo pacote AutoML para isolar os componentes de aprendizado de máquina e runtime do cliente.
  • azureml-contrib-train-rl
    • Adicionamos suporte ao aprendizado de reforço no SDK.
    • Adicionamos suporte a AmlWindowsCompute no RL do SDK.

11/11/2019

SDK do Azure Machine Learning para Python v1.0.74

• Versão prévia dos recursos

  • azureml-contrib-dataset
    • Depois de importar o azureml-contrib-dataset, você pode chamar Dataset.Labeled.from_json_lines em vez de ._Labeled para criar um conjunto de dados rotulado.
    • Ao chamar to_pandas_dataframe em um conjunto de dados rotulado com a opção de download, agora você pode especificar se deseja substituir os arquivos existentes ou não.
    • Ao chamar keep_columns ou drop_columns que resulta na remoção de uma série temporal, rótulo ou coluna de imagem, as funcionalidades correspondentes também serão removidas para o conjunto de dados.
    • Corrigimos problemas com o carregador PyTorch ao chamar dataset.to_torchvision().

• Correções de bug e melhorias

  • azure-cli-ml
    • Adicionamos a criação de perfil de modelo à CLI de pré-visualização.
    • Corrige alterações interruptivas no Armazenamento do Azure causando falhas na CLI do Azure Machine Learning.
    • Adicionamos tipo de balanceador de carga para MLC para tipos AKS
  • azureml-automl-core
    • Corrigimos o problema com a detecção de horizonte máximo na série temporal, tendo valores ausentes e várias granularidades.
    • Corrigimos o problema com falhas durante a geração de divisões de validação cruzada.
    • Substituir esta seção por uma mensagem no formato do markdown para aparecer nas notas sobre a versão: -melhoramos o tratamento de granularidades em conjuntos de dados de previsão.
    • Corrigimos o problema com o mascaramento de algumas informações do usuário durante o registro em log. -Melhoramos o registro em log dos erros durante a previsão de execuções.
    • Adicionar psutil como uma dependência Conda ao arquivo de implantação yml gerado automaticamente.
  • azureml-contrib-mir
    • Corrige alterações interruptivas no Armazenamento do Azure causando falhas na CLI do Azure Machine Learning.
  • azureml-core
    • Correção de um bug que fazia com que os modelos implantados no Azure Functions produzissem erros 500.
    • Corrigimos um problema em que o arquivo amlignore não foi aplicado em instantâneos.
    • Adicionamos uma nova API amlcompute.get_active_runs que devolve um gerador para execuções ativas e em fila em um determinado amlcompute.
    • Adicionamos tipo do Azure Load Balancer para MLC para tipos AKS.
    • Adicionamos o parâmetro append_prefix bool para download_files em run.py e download_artifacts_from_prefix no artifacts_client. Esse sinalizador é usado para mesclar seletivamente o FilePath de origem para que apenas o nome de arquivo ou pasta seja adicionado ao output_directory
    • Corrigir o problema de desserialização para run_config.yml com o uso do conjunto de dados.
    • Ao chamar keep_columns ou drop_columns que resulta na remoção de uma coluna de série temporal, as funcionalidades correspondentes também serão removidas para o conjunto de dados.
  • azureml-interpret
    • Atualizamos a versão de interpret-community para 0.1.0.3
  • azureml-train-automl
    • Corrigimos um problema em que automl_step pode não imprimir problemas de validação.
    • Corrigimos o register_model para ter sucesso mesmo que o ambiente do modelo não tenha dependências locais.
    • Corrigimos um problema em que algumas execuções remotas não estavam habilitadas para o docker.
    • Adicionar o registro do log da exceção que está causando a falha prematura de uma execução local.
  • azureml-train-core
    • Considerar execuções resume_from no cálculo de hiperparâmetro automático ajustando melhores execuções filho.
  • azureml-pipeline-core
    • Corrigimos o tratamento de parâmetro na construção de argumento de pipeline.
    • Adicionamos a descrição de pipeline e o parâmetro de tipo de etapa YAML.
    • Novo formato YAML para etapa de pipeline e aviso de substituição adicionado para o formato antigo.

2019-11-04

Experiência Web

A página de aterrissagem do espaço de trabalho colaborativo em https://ml.azure.com foi aprimorada e remarcada como o Estúdio do Azure Machine Learning.

No estúdio, você pode treinar, testar, implantar e gerenciar os ativos do Azure Machine Learning, como conjuntos de dados, pipelines, modelos, pontos de extremidade e muito mais.

Acesse as seguintes ferramentas de criação baseadas na Web no estúdio:

Ferramenta baseada na Web	Descrição
VM do Notebook (pré-visualização)	Estação de trabalho baseada em nuvem totalmente gerenciada
Machine Learning automatizado (versão prévia)	Não há experiência de código para automatizar o desenvolvimento de modelos do Machine Learning
Designer	Ferramenta de modelagem de aprendizado de máquina de arrastar e soltar anteriormente conhecida como interface visual

Aprimoramentos do designer do Azure Machine Learning

• Anteriormente conhecido como interface visual
• 11 novos módulos, incluindo recomendados, classificadores e utilitários de treinamento, incluindo engenharia de recursos, validação cruzada e transformação de dados.

SDK do R

Cientistas de dados e desenvolvedores de IA usam o SDK do Azure Machine Learning para R para criar e executar fluxos de trabalho de aprendizado de máquina com o Azure Machine Learning.

O SDK do Azure Machine Learning para R usa o pacote reticulate para se associar ao SDK do Python. Ao vincular diretamente ao Python, o SDK para R permite que você acesse os principais objetos e métodos implementados no SDK do Python a partir do ambiente de R que você escolher.

As principais funcionalidade do SDK incluem:

• Gerenciar recursos de nuvem para monitorar, registrar em log e organizar seus experimentos de machine learning.
• Treinar modelos localmente ou usando recursos de nuvem, incluindo o treinamento de modelo com aceleração de GPU.
• Implantar seus modelos como WebServices nas ACI (Instâncias de Contêiner do Azure) e no AKS (serviço kubernetes do Azure).

Consulte o site do pacote para obter a documentação completa.

Integração do Azure Machine Learning com a grade de eventos

O Azure Machine Learning agora é um provedor de recursos para a grade de eventos, você pode configurar eventos de Machine Learning por meio do portal do Azure ou da CLI do Azure. Os usuários podem criar eventos para conclusão de execução, registro de modelo, implantação de modelo e descompasso de dados detectados. Esses eventos podem ser roteados para manipuladores de eventos com suporte na Grade de Eventos para consumo. Consulte os artigos sobre o esquema de eventos do Machine Learning e o tutorial para saber mais detalhes.

31/10/2019

SDK do Azure Machine Learning para Python v1.0.72

• Novos recursos

  • Adicionamos os monitores de conjunto de dados por meio do pacote azureml-datadrift, permitindo o monitoramento de conjuntos de dados de série temporal para descompasso de dados ou outras alterações estatísticas ao longo do tempo. Alertas e eventos podem ser disparados se o descompasso for detectado ou se outras condições nos dados forem atendidas. Confira nossa documentação para saber mais detalhes.

  • Anunciar duas novas edições (também chamadas de SKU intercambiáveis) no Azure Machine Learning. Com esta versão, agora você pode criar um espaço de trabalho básico ou empresarial do Azure Machine Learning. Todos os espaços de trabalho existentes serão padronizados para a edição básica e você poderá ir para a portal do Azure ou para o estúdio para atualizar o espaço de trabalho a qualquer momento. Você pode criar um espaço de trabalho básico ou empresarial do portal do Azure. Confira nossa documentação para saber mais. No SDK, a edição do seu espaço de trabalho pode ser determinada usando a propriedade "SKU" do seu objeto de espaço de trabalho.

  • Também fizemos aprimoramentos para a Computação do Azure Machine Learning. Agora você pode exibir métricas para seus clusters (como nós totais, nós em execução, cota de núcleo total) no Azure Monitor, além de exibir os logs de diagnóstico para depuração. Além disso, também é possível exibir execuções ativas ou em fila no momento no seu cluster e detalhes como os IPs dos vários nós no cluster. Você pode exibi-los no portal ou usando funções correspondentes no SDK ou na CLI.

  • Versão prévia dos recursos

    • Estamos lançando o suporte de pré-visualização para a criptografia de disco do SSD local na Computação do Azure Machine Learning. Gere um tíquete de suporte técnico para fazer com que sua assinatura seja listada para usar esse recurso.
    • Pré-visualização pública de inferência de lote do Azure Machine Learning. A inferência de lote do Azure Machine Learning tem como alvo grandes trabalhos de inferência que não são sensíveis ao tempo. A inferência de lote fornece inferência econômica de dimensionamento de computação com taxa de transferência incomparável para aplicativos assíncronos. Ela é otimizada para inferência de alta taxa de transferência, com o método “sair e esquecer” sobre grandes coleções de dados.
    • azureml-contrib-dataset
      • Funcionalidades habilitadas para conjunto de dados rotulado

      import azureml.core
      from azureml.core import Workspace, Datastore, Dataset
      import azureml.contrib.dataset
      from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask
      
      # create a labeled dataset by passing in your JSON lines file
      dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)
      
      # download or mount the files in the `image_url` column
      dataset.download()
      dataset.mount()
      
      # get a pandas dataframe
      from azureml.data.dataset_type_definitions import FileHandlingOption
      dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
      dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)
      
      # get a Torchvision dataset
      dataset.to_torchvision()
      

• Correções de bug e melhorias

  • azure-cli-ml
    • A CLI agora dá suporte ao empacotamento de modelo.
    • Adicionamos a CLI do conjunto de dados. Para mais informações: az ml dataset --help
    • Adicionamos suporte para implantação e empacotamento de modelos com suporte (ONNX, scikit-learn e TensorFlow) sem uma instância InferenceConfig.
    • Adicionamos o sinalizador de substituição para a implantação do serviço (ACI e AKS) no SDK e na CLI. Se fornecido, substituirá o serviço existente se o serviço com o nome já existir. Se o serviço não existir, criará um novo serviço.
    • Os modelos podem ser registrados com duas novas estruturas, Onnx e TensorFlow. - O registro de modelo aceita dados de entrada de exemplo, dados de saída de exemplo e configuração de recurso para o modelo.
  • azureml-automl-core
    • O treinamento de uma iteração seria executado em um processo filho somente quando as restrições de runtime estiverem sendo definidas.
    • Adição de um verificador de integridade para tarefas de previsão, a fim de verificar se um max_horizon especificado causa um problema de memória no computador especificado. Se for o caso, uma mensagem do verificador de integridade será exibida.
    • Adicionamos suporte para frequências complexas, como dois anos e um mês. -Adicionamos mensagem de erro abrangente se a frequência não puder ser determinada.
    • Adicionar azureml-defaults para o Conda env gerado automaticamente para resolver a falha de implantação do modelo
    • Permitir que dados intermediários no pipeline do Azure Machine Learning sejam convertidos para conjunto de dados tabular e usados no AutoMLStep.
    • Implementamos a atualização de finalidade de coluna para streaming.
    • Implementamos a atualização de parâmetro do transformador para atribuidor e HashOneHotEncoder para streaming.
    • Adicionamos o tamanho de dados atual e o tamanho mínimo de dados necessários para as mensagens de erro de validação.
    • Atualizamos o tamanho mínimo de dados necessários para validação cruzada para garantir um mínimo de dois exemplos em cada dobra de validação.
  • azureml-cli-common
    • A CLI agora dá suporte ao empacotamento de modelo.
    • Os modelos podem ser registrados com duas novas estruturas, Onnx e TensorFlow.
    • O registro de modelo aceita dados de entrada de exemplo, dados de saída de exemplo e configuração de recurso para o modelo.
  • azureml-contrib-gbdt
    • corrigimos o canal de liberação para o notebook
    • Adicionamos um aviso para o destino de computação não AmlCompute para o qual não há suporte
    • Adicionamos um estimador de LightGMB para o pacote azureml-contrib-gbdt
  • azureml-core
    • A CLI agora dá suporte ao empacotamento de modelo.
    • Adicionar aviso de substituição para APIs de conjunto de dados. Consulte o aviso de alteração da API do conjunto de dados em https://aka.ms/tabular-dataset.
    • Alterar Dataset.get_by_id para devolver o nome e a versão do registro se o conjunto de dados estiver registrado.
    • Corrigir um bug no qual ScriptRunConfig com o conjunto de dados como argumento não pode ser usado repetidamente para enviar a execução do experimento.
    • Os conjuntos de dados recuperados durante uma execução serão rastreados e poderão ser vistos na página de detalhes da execução ou chamando run.get_details() após a conclusão da execução.
    • Permitir que dados intermediários no pipeline do Azure Machine Learning sejam convertidos para conjunto de dados tabular e usados no AutoMLStep.
    • Adicionamos suporte para implantação e empacotamento de modelos com suporte (ONNX, scikit-learn e TensorFlow) sem uma instância InferenceConfig.
    • Adicionamos o sinalizador de substituição para a implantação do serviço (ACI e AKS) no SDK e na CLI. Se fornecido, substituirá o serviço existente se o serviço com o nome já existir. Se o serviço não existir, criará um novo serviço.
    • Os modelos podem ser registrados com duas novas estruturas, Onnx e TensorFlow. O registro de modelo aceita dados de entrada de exemplo, dados de saída de exemplo e configuração de recurso para o modelo.
    • Adicionamos novo armazenamento de dados para o Banco de Dados do Azure para MySQL. Adicionamos exemplo para usar o Banco de Dados do Azure para MySQL no DataTransferStep em pipelines do Azure Machine Learning.
    • Adicionamos a funcionalidade para adicionar e remover marcas de experimentos com funcionalidade adicionada para remover marcas de execuções
    • Adicionamos o sinalizador de substituição para a implantação do serviço (ACI e AKS) no SDK e na CLI. Se fornecido, substituirá o serviço existente se o serviço com o nome já existir. Se o serviço não existir, criará um novo serviço.
  • azureml-datadrift
    • Movemos de azureml-contrib-datadrift para azureml-datadrift
    • Adicionamos suporte para monitoramento de conjuntos de dados de série temporal para descompasso e outras medidas estatísticas
    • Novos métodos create_from_model() e create_from_dataset() para a classe DataDriftDetector. O método create() foi preterido.
    • Ajustes nas visualizações no Python e na interface do usuário no Estúdio do Azure Machine Learning.
    • Suporte ao agendamento de monitor semanal e mensal, além dos diários para monitores de conjuntos de dados.
    • Suporte ao provisionamento de métricas de monitor de dados para analisar dados históricos de monitores de conjunto de dados.
    • Correções de vários bugs
  • azureml-pipeline-core
    • O azureml-dataprep não é mais necessário para enviar uma execução de pipeline do Azure Machine Learning a partir do arquivo de pipeline yaml.
  • azureml-train-automl
    • Adicionar azureml-defaults para o Conda env gerado automaticamente para resolver a falha de implantação do modelo
    • O treinamento remoto do AutoML agora inclui o azureml-defaults para permitir a reutilização do treinamento env para inferência.
  • azureml-train-core
    • Adicionamos suporte ao PyTorch 1.3 no estimador PyTorch

21/10/2019

Interface visual (versão prévia)

• A interface visual do Azure Machine Learning (versão prévia) foi revisada para ser executada em pipelines do Azure Machine Learning. Os pipelines (anteriormente conhecidos como experimentos) criados na interface visual agora estão totalmente integrados com a principal experiência do Azure Machine Learning.

  • Unificamos a experiência de gerenciamento com ativos do SDK
  • Controle de versão e acompanhamento de modelos de interface visual, pipelines e pontos de extremidade
  • Interface do usuário reprojetada
  • Adicionamos implantação de inferência de lote
  • Adicionamos suporte ao AKS (Serviço de Kubernetes do Azure) para os destinos de computação de inferência
  • Novo fluxo de trabalho de criação do pipeline de etapa do Python
  • Nova página de aterrissagem para ferramentas de criação visual

• Novos módulos

  • Aplicar operação matemática
  • Aplicar transformação SQL
  • Recortar valores
  • Resumir dados
  • Importar do Banco de Dados SQL

14-10-2019

SDK do Azure Machine Learning para Python v1.0.69

• Correções de bug e melhorias
  • azureml-automl-core
    • Limitar explicações de modelo para a executar melhor em vez de calcular explicações para cada execução. Mudar esse comportamento para local, remoto e ADB.
    • Adicionamos suporte para explicações de modelo sob demanda para a interface do usuário
    • Adicionamos psutil como uma dependência de automl e incluímos psutil como uma dependência Conda no amlcompute.
    • Corrigimos o problema com os tamanhos dos retardos heurísticos e da janela rolante nos conjuntos de dados de previsão, algumas dessas séries podem causar erros de álgebra linear
      • Adição de impressão para os parâmetros determinados de maneira heurística nas execuções de previsão.
  • azureml-contrib-datadrift
    • Adicionamos proteção ao criar métricas de saída se o descompasso de nível do conjunto de dados não estiver na primeira seção.
  • azureml-contrib-interpret
    • O pacote azureml-contrib-explain-model foi renomeado para azureml-contrib-interpret
  • azureml-core
    • Adicionamos API para cancelar o registro de conjuntos de dados. dataset.unregister_all_versions()
    • o pacote azureml-contrib-explain-model foi renomeado para azureml-contrib-interpret.
  • azureml-core
    • Adicionamos API para cancelar o registro de conjuntos de dados. dataset.unregister_all_versions().
    • Adicionamos a API do conjunto de dados para verificar a hora da alteração dos dados. dataset.data_changed_time.
    • Ser capaz de consumir FileDataset e TabularDataset como entradas para PythonScriptStep, EstimatorStep e HyperDriveStep no pipeline do Azure Machine Learning
    • O desempenho do FileDataset.mount foi melhorado para pastas com um grande número de arquivos
    • Ser capaz de consumir Filedataset e TabularDataset como entradas para PythonScriptStep, EstimatorStep e HyperDriveStep no pipeline do Azure Machine Learning.
    • O desempenho do FileDataset.mount() foi melhorado para pastas com um grande número de arquivos
    • Adicionamos URL para recomendações de erro conhecidas em detalhes da execução.
    • Corrigimos um bug em run.get_metrics no qual as solicitações falhariam se uma execução tivesse um número excessivo de filhos
    • Corrigimos um bug em run.get_metrics no qual as solicitações falhariam se uma execução tivesse um número excessivo de filhos
    • Adicionamos suporte para autenticação no cluster do Arcadia.
    • Criar um objeto de experimento obtém ou cria o experimento no espaço de trabalho do Azure Machine Learning para acompanhamento do histórico de execução. A ID do experimento e o tempo arquivado são populados no objeto de experimento na criação. Exemplo: experimento = experimento (espaço de trabalho, "novo experimento") experiment_id = experiment.id archive() e rreactivate() são funções que podem ser chamadas em um experimento para ocultar e restaurar o experimento de ser mostrado na UX ou devolvido por padrão em uma chamada para listar experimentos. Se um novo experimento for criado com o mesmo nome de um experimento arquivado, você poderá renomear o teste arquivado ao reativar, passando um novo nome. Pode haver apenas um experimento ativo com um determinado nome. Exemplo: experiment1 = Experimento (espaço de trabalho, "Experimento ativo") experiment1.archive() # Criar novo experimento ativo com o mesmo nome que o arquivado. experiment2. = Experimento (espaço de trabalho, "Experimento ativo") experiment1.reactivate(new_name="Previous Active Experiment") O método estático list() no experimento pode usar um filtro de nome e um filtro ViewType. Os valores de ViewType são "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL" Exemplo: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
    • Suporte ao uso do ambiente para implantação de modelo e atualização de serviço
  • azureml-datadrift
    • O atributo mostrar da classe DataDriftDector não dá mais suporte ao argumento opcional "with_details". O atributo mostrar apresenta apenas o coeficiente de descompasso de dados e a contribuição de descompasso de dados das colunas de recursos.
    • Alterações de comportamento do 'get_output' do atributo DataDriftDetector:
      • O parâmetro de entrada start_time, end_time são opcionais e não obrigatórios;
      • A entrada específica de start_time e/ou end_time com uma run_id específica na mesma chamada resulta na exceção de erro de valor porque são mutuamente exclusivas
      • Com uma entrada específica de start_time e/ou end_time, somente os resultados das execuções agendadas são devolvidos;
      • O parâmetro 'daily_latest_only' foi preterido.
    • Suporte à recuperação de saídas de descompasso de dados baseados em conjunto de dados.
  • azureml-explain-model
    • Renomeia o pacote AzureML-explain-model para o AzureML-interpret, mantendo o pacote antigo para compatibilidade com versões anteriores por enquanto
    • corrigimos o bug automl com explicações brutas definido como tarefa de classificação em vez de regressão por padrão no download do ExplanationClient
    • Adicionar suporte para ScoringExplainer que seja criado diretamente usando MimicWrapper
  • azureml-pipeline-core
    • Melhoramos o desempenho para criação de pipeline grande
  • azureml-train-core
    • Adicionamos suporte ao TensorFlow 2.0 no estimador TensorFlow
  • azureml-train-automl

    • Criar um objeto de experimento obtém ou cria o experimento no espaço de trabalho do Azure Machine Learning para acompanhamento do histórico de execução. A ID do experimento e o tempo arquivado são populados no objeto de experimento na criação. Exemplo:

      experiment = Experiment(workspace, "New Experiment")
      experiment_id = experiment.id
      

      O archive() e reactivate() são funções que podem ser chamadas em um experimento para ocultar e restaurar o experimento de ser mostrado na UX ou devolvido por padrão em uma chamada para listar experimentos. Se um novo experimento for criado com o mesmo nome de um experimento arquivado, você poderá renomear o teste arquivado ao reativar, passando um novo nome. Pode haver apenas um experimento ativo com um determinado nome. Exemplo:

      experiment1 = Experiment(workspace, "Active Experiment")
      experiment1.archive()
      # Create new active experiment with the same name as the archived.
      experiment2 = Experiment(workspace, "Active Experiment")
      experiment1.reactivate(new_name="Previous Active Experiment")
      

      O método estático list() no experimento pode usar um filtro de nome e um filtro ViewType. Os valores ViewType são "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL". Exemplo:

      archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
      all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
      

    • Suporte ao uso do ambiente para implantação de modelo e atualização de serviço.

  • azureml-datadrift
    • O atributo mostrar da classe DataDriftDector não dá mais suporte ao argumento opcional "with_details". O atributo mostrar apresenta apenas o coeficiente de descompasso de dados e a contribuição de descompasso de dados das colunas de recursos.
    • Comportamento é alterado da função DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-):
      • O parâmetro de entrada start_time, end_time são opcionais e não obrigatórios;
      • A entrada específica start_time e/ou end_time com uma run_id específica na mesma chamada resultarão na exceção de erro de valor porque são mutuamente exclusivas;
      • Com uma entrada específica de start_time e/ou end_time, somente os resultados das execuções agendadas são devolvidos;
      • O parâmetro 'daily_latest_only' foi preterido.
    • Suporte à recuperação de saídas de descompasso de dados baseados em conjunto de dados.
  • azureml-explain-model
    • Adicionar suporte para ScoringExplainer a ser criado diretamente usando o MimicWrapper
  • azureml-pipeline-core
    • Melhoramos o desempenho para criação de pipeline grande.
  • azureml-train-core
    • Adicionamos suporte ao TensorFlow 2.0 no estimador TensorFlow.
  • azureml-train-automl
    • A execução pai não falhará mais quando a iteração da instalação falhar, pois a orquestração já cuida dela.
    • Adicionamos suporte ao docker local e ao Conda local para experimentos do AutoML
    • Adicionamos suporte ao docker local e ao Conda local para experimentos do AutoML.

08-10-2019

Nova experiência na Web (versão prévia) para espaços de trabalho do Azure Machine Learning

A guia experimento no novo portal de espaço de trabalho foi atualizada para que os cientistas de dados possam monitorar experimentos de forma mais eficaz. Você pode explorar os seguintes recursos:

• Metadados de experimento para filtrar e classificar facilmente sua lista de experimentos
• Páginas de detalhes do experimento simplificado e de alto desempenho que permitem visualizar e comparar suas execuções
• Novo design para executar páginas de detalhes para entender e monitorar as execuções de treinamento

30/09/2019

SDK do Azure Machine Learning para Python v1.0.65

• Novos recursos

  • Adicionamos ambientes coletados. Esses ambientes foram pré-configurados com bibliotecas para tarefas comuns de aprendizado de máquina e foram previamente compilados e armazenados em cache como imagens do Docker para uma execução mais rápida. Eles aparecem por padrão na lista de ambiente do espaço de trabalho, com o prefixo "AzureML".
  • Adicionamos ambientes coletados. Esses ambientes foram pré-configurados com bibliotecas para tarefas comuns de aprendizado de máquina e foram previamente compilados e armazenados em cache como imagens do Docker para uma execução mais rápida. Eles aparecem por padrão na lista de ambiente do espaço de trabalho, com o prefixo "AzureML".

• azureml-train-automl

• azureml-train-automl

  • Adicionamos o suporte de conversão do ONNX para o ADB e o HDI

• Versão prévia dos recursos

  • azureml-train-automl

  • azureml-train-automl

    • BERT e BiLSTM com suporte como featurizer de texto (somente versão prévia)
    • Personalização da definição de recursos com suporte para finalidade de coluna e parâmetros de transformador (somente versão prévia)
    • Explicações brutas com suporte quando o usuário habilita a explicação do modelo durante o treinamento (somente versão prévia)
    • Adicionamos o Prophet para previsão timeseries como um pipeline treináveis (somente versão prévia)

  • azureml-contrib-datadrift

    • Realocamos pacotes do azureml-contrib-datadrift para o azureml-datadrift; o pacote contrib será removido em uma próxima versão

• Correções de bug e melhorias

  • azureml-automl-core
    • Introduzimos o FeaturizationConfig no AutoMLConfig e AutoMLBaseSettings
    • Introduzimos o FeaturizationConfig no AutoMLConfig e AutoMLBaseSettings
      • Substituir a finalidade da coluna para definição de recursos com a coluna especificada e o tipo de recurso
      • Substituir parâmetros do transformador
    • Adicionamos mensagem de substituição para explain_model() e retrieve_model_explanations()
    • Adicionamos o Prophet como um pipeline treinável (somente versão prévia)
    • Adicionamos mensagem de substituição para explain_model() e retrieve_model_explanations().
    • Adicionamos o Prophet como um pipeline treinável (somente versão prévia).
    • Adicionamos suporte para detecção automática de retardos de destino, tamanho de janela rolante e horizonte máximo. Se um dos target_lags, target_rolling_window_size ou max_horizon for definido como "auto", a heurística será aplicada para estimar o valor do parâmetro correspondente com base nos dados de treinamento.
    • Corrigimos a previsão no caso em que o conjunto de dados contém uma coluna de granularidade, essa granularidade é de um tipo numérico e há uma lacuna entre o treinamento e o conjunto de teste
    • Corrigimos a mensagem de erro sobre o índice duplicado na execução remota em tarefas de previsão
    • Corrigimos a previsão no caso em que o conjunto de dados contém uma coluna de granularidade, essa granularidade é de um tipo numérico e há uma lacuna entre o treinamento e o conjunto de teste.
    • Corrigimos a mensagem de erro sobre o índice duplicado na execução remota em tarefas de previsão.
    • Adicionamos um verificador de integridade para verificar se um conjunto de dados está desequilibrado ou não. Se está, uma mensagem do verificador de integridade será gravada no console.
  • azureml-core
    • Adicionamos a capacidade de recuperar a URL da SAS para o modelo no armazenamento por meio do objeto de modelo. Ex: model.get_sas_url()
    • Introduzir run.get_details()['datasets'] para obter conjuntos de dados associados à execução enviada
    • Adicionar Dataset.Tabular.from_json_lines_files API para criar um TabularDataset de arquivos de linhas JSON. Para saber mais sobre esses dados tabulares em arquivos de linhas JSON no TabularDataset, visite Este artigo para obter a documentação.
    • Adição de outros campos de tamanho da VM (disco de SO, número de GPUs) à função supported_vmsizes()
    • Adição de outros campos à função list_nodes () para mostrar a execução, o IP privado e público, a porta etc.
    • Capacidade de especificar um novo campo durante o provisionamento de cluster --remotelogin_port_public_access, que pode ser definido como habilitado ou desabilitado, dependendo se você deseja manter a porta SSH aberta ou fechada no momento da criação do cluster. Se você não especificá-lo, o serviço abrirá ou fechará a porta de forma inteligente, isso se você estiver implantando o cluster dentro de uma VNet.
  • azureml-explain-model
  • azureml-core
    • Adicionamos a capacidade de recuperar a URL da SAS para o modelo no armazenamento por meio do objeto de modelo. Ex: model.get_sas_url()
    • Introduza run.get_details['datasets'] para obter conjuntos de dados associados à execução enviada
    • Adicionar Dataset.Tabular.from_json_lines_files() API para criar um TabularDataset de arquivos de linhas JSON. Para saber mais sobre esses dados tabulares em arquivos de linhas JSON no TabularDataset, visite https://aka.ms/azureml-data para obter a documentação.
    • Adição de outros campos de tamanho da VM (disco de SO, número de GPUs) à função supported_vmsizes()
    • Adição de outros campos à função list_nodes() para mostrar a execução, o IP privado e público, a porta etc.
    • Capacidade de especificar um novo campo durante o provisionamento de cluster que pode ser definido como habilitado ou desabilitado, dependendo se você deseja deixar a porta SSH aberta ou fechada no momento da criação do cluster. Se você não especificá-lo, o serviço abrirá ou fechará a porta de forma inteligente, isso se você estiver implantando o cluster dentro de uma VNet.
  • azureml-explain-model
    • Melhoramos a documentação para obter as saídas de explicação no cenário de classificação.
    • Adicionamos a capacidade de carregar os valores y previstos na explicação para os exemplos de avaliação. Desbloqueia visualizações mais úteis.
    • Adicionamos a propriedade de explicador para MimicWrapper para habilitar a obtenção do MimicExplainer subjacente.
  • azureml-pipeline-core
    • Adicionamos o notebook para descrever Module, ModuleVersion e ModuleStep
  • azureml-pipeline-steps
    • Adicionar RScriptStep para dar suporte ao script R executado por meio de pipeline do AML.
    • Corrigimos os parâmetros de metadados analisando o AzureBatchStep que estava causando a mensagem de erro "a atribuição para o parâmetro SubscriptionId não foi especificada."
  • azureml-train-automl
    • Training_data, validation_data, label_column_name e weight_column_name com suporte como formato de entrada de dados
    • Adicionamos mensagem de substituição para explain_model() e retrieve_model_explanations()
  • azureml-pipeline-core
    • Adicionamos um notebook para descrever Module, [ModuleVersion e ModuleStep.
  • azureml-pipeline-steps
    • Adicionar RScriptStep para dar suporte ao script R executado por meio de pipeline do AML.
    • Corrigimos os parâmetros de metadados analisando o [AzureBatchStep que estava causando a mensagem de erro "a atribuição para o parâmetro SubscriptionId não foi especificada".
  • azureml-train-automl
    • Training_data, validation_data, label_column_name e weight_column_name com suporte como formato de entrada de dados.
    • Adicionamos mensagem de substituição para explain_model() e retrieve_model_explanations().

16/09/2019

SDK do Azure Machine Learning para Python v1.0.62

• Novos recursos

  • Introduziu a característica timeseries no TabularDataset. Essa característica habilita uma fácil filtragem de carimbo de data/hora nos dados de uma TabularDataset, como a obtenção de todos os dados entre um intervalo de tempo ou os dados mais recentes. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb para um notebook de exemplo.

  • Habilitamos o treinamento com TabularDataset e Filedataset.

  • azureml-train-core

    • Adicionamos suporte ao Nccl e Gloo no estimador do PyTorch

• Correções de bug e melhorias

  • azureml-automl-core
    • Preterimos a configuração do AutoML 'lag_length' e LaggingTransformer.
    • Corrigimos a validação correta de dados de entrada se eles forem especificados em um formato de fluxo de dados
    • Modificamos o fit_pipeline.py para gerar o grafo JSON e carregar em artefatos.
    • Renderizamos o grafo em userrun usando Cytoscape.
  • azureml-core
    • Revisitamos o tratamento de exceção no código ADB e fizemos alterações de acordo com o novo tratamentos de erros
    • Adicionamos autenticação MSI automática para VMs do Notebook.
    • Corrigimos o bug em que modelos corrompidos ou vazios podem ser carregados devido a tentativas com falha.
    • Corrigimos o bug em que o nome DataReference é alterado quando o modo DataReference é alterado (por exemplo, ao chamar as_upload, as_download ou as_mount).
    • Tornar mount_point e target_path opcional para FileDataset.mount e FileDataset.download.
    • Uma exceção indicando que a coluna de carimbo de data/hora não pode ser encontrada será gerada se a API relacionada às séries temporais for chamada sem a coluna de carimbo de data/hora correta atribuída ou se as colunas de carimbo de data/hora atribuídas forem removidas.
    • As colunas de série de tempo devem ser atribuídas na coluna cujo tipo é Data, caso contrário é esperada uma exceção
    • As colunas de série de tempo atribuindo a API "with_timestamp_columns" podem aceitar um valor Nenhum de nome coluna de carimbo de data/hora alto/refinado, o que limpará as colunas de carimbo de data/hora já atribuídas.
    • A exceção será gerada quando a coluna de carimbo de data/hora de alta granularidade ou refinada for removida com a indicação para o usuário de que a remoção pode ser feita após a exclusão da coluna de carimbo de data/hora na lista suspensa ou chamada with_time_stamp com o valor Nenhum para liberar colunas de carimbo de data/hora
    • A exceção será gerada quando a coluna de carimbo de data/hora de alta granularidade ou refinada não estiver incluída na lista manter colunas com a indicação para o usuário de que manter pode ser usado após a inclusão da coluna de carimbo de data/hora na lista manter coluna ou chamar with_time_stamp com valor de Nenhum para liberar colunas de carimbo de data/hora.
    • Adicionamos o registro de log para o tamanho de um modelo registrado.
  • azureml-explain-model
    • Corrigimos o aviso impresso no console quando o pacote do Python "empacotamento" não está instalado: "usando a versão mais antiga do que a com suporte do lightgbm, atualize para a versão superior à 2.2.1"
    • Corrigimos a explicação do modelo de download com a fragmentação para obter explicações globais com muitos recursos
    • Corrigimos o explicador de imitação sem exemplos de inicialização na explicação de saída
    • Corrigimos o erro imutável nas propriedades definidas ao carregar com o cliente de explicação usando dois tipos diferentes de modelos
    • Adicionamos um parâmetro get_raw para pontuação de explainer.explain() para que um explicador de pontuação possa devolver valores de engenharia e brutos.
  • azureml-train-automl
    • Introduzimos as APIs públicas do AutoML para obter explicações de suporte ao SDK de explicação automl – maneira mais recente de dar suporte a explicações do AutoML ao desacoplar a definição de recursos do AutoML e ao SDK de explicação - suporte à explicação bruta integrada ao SDK de explicação do azureml para modelos do AutoML.
    • Remover o azureml-defaults de ambientes de treinamento remoto.
    • Alteramos o local do repositório de cache padrão, do baseado em FileCacheStore para o AzureFileCacheStore para o AutoML no caminho de código do Azure Databricks.
    • Corrigimos a validação correta de dados de entrada se eles forem especificados em um formato de fluxo de dados
  • azureml-train-core

    • Revertemos a substituição de source_directory_data_store.

    • Adicionamos a capacidade de substituir as versões de pacote instaladas do azureml.

    • Adicionamos suporte ao dockerfile no parâmetro environment_definition nos estimadores.

    • Simplificamos os parâmetros de treinamento distribuídos em estimadores.

      from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
      

09/09/2019

Nova experiência na Web (versão prévia) para espaços de trabalho do Azure Machine Learning

A nova experiência na Web habilita cientistas de dados e engenheiros de dados concluir o ciclo de vida de aprendizado de máquina de ponta a ponta da preparação e visualização de dados para treinamento e implantação de modelos em um único local.

Principais recursos:

Ao usar essa nova interface do Azure Machine Learning, agora você pode:

• Gerenciar seus notebooks ou se conectar ao Jupyter
• Executar experimentos de ML automatizados
• Criar conjunto de dados a partir de arquivos locais, armazenamento de dados e arquivos da Web
• Explorar & preparar conjuntos de dados para criação de modelo
• Monitorar o descompasso de dados dos seus modelos
• Exibir os recursos recentes de um painel

No momento desta versão, há suporte para os seguintes navegadores: Chrome, Firefox, Safari e versão prévia do Microsoft Edge.

Problemas conhecidos:

1. Atualizar seu navegador ao ver "Algo deu errado! Erro ao carregar arquivos de parte" enquanto a implantação está em andamento.

2. Não é possível excluir ou renomear o arquivo em Arquivos e Notebooks. Durante a Versão Prévia Pública, você pode usar a interface do usuário do Jupyter ou terminal na VM do Notebook para executar operações de atualização de arquivo. Como é um sistema de arquivos de rede montado, todas as alterações que você faz na VM do Notebook são refletidas imediatamente no espaço de trabalho do notebook.

3. Para SSH na VM do Notebook:

   1. Localizar as chaves SSH que foram criadas durante a configuração da VM. Ou localize as chaves no workspace do Azure Machine Learning > abrir a guia Computação > localizar a VM do Notebook na lista > abrir suas propriedades: copiar as chaves da caixa de diálogo.
   2. Importar as chaves SSH públicas e privadas para o computador local.
   3. Use-as no SSH na VM do Notebook.

03/09/2019

SDK do Azure Machine Learning para Python v1.0.60

• Novos recursos

  • Introduzimos FileDataset, que faz referência a um ou vários arquivos em seus armazenamentos de dados ou URLs públicas. Os arquivos podem estar em qualquer formato. O FileDataset fornece a capacidade de baixar ou montar os arquivos no seu computador.
  • Adicionamos suporte ao YAML do pipeline para a etapa PythonScript, a etapa Adla, a etapa Databricks, a DataTransferStep e a etapa AzureBatch

• Correções de bug e melhorias

  • azureml-automl-core

    • O AutoArima agora é um pipeline sugerido somente para visualização.
    • Melhoramos o relatório de erros para previsão.
    • Melhoramos o registro em log usando exceções personalizadas em vez de genéricas nas tarefas de previsão.
    • Removemos a verificação na max_concurrent_iterations para ser menor do que o número total de iterações.
    • Os modelos AutoML agora devolvem AutoMLExceptions
    • Esta versão melhora o desempenho de execução das execuções locais do aprendizado de máquina automatizado.

  • azureml-core

    • Introduzir Dataset.get_all(workspace), que devolve um dicionário de objetos com chave TabularDataset e FileDataset pelo nome de registro.

    workspace = Workspace.from_config()
    all_datasets = Dataset.get_all(workspace)
    mydata = all_datasets['my-data']
    

    • Introduzir parition_format como argumento para Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. As informações de partição de cada caminho de dados são extraídas em colunas com base no formato especificado. '{column_name}' cria uma coluna de cadeia de caracteres e '{column_name:yyyy/MM/dd/HH/mm/ss}' cria a coluna datetime, na qual 'yyyy', 'MM', 'dd', 'HH', 'mm' e 'ss' são usados para extrair ano, mês, dia, hora, minuto e segundos para o tipo de datetime. O partition_format deve começar da posição da primeira chave de partição até o final do caminho do arquivo. Por exemplo, considerando o caminho '../USA/2019/01/01/data.csv', em que a partição é por país/região e hora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' cria a coluna de cadeia de caracteres 'País' com o valor 'EUA' e a coluna datetime 'PartitionDate' com o valor '01/01/2019'.

      workspace = Workspace.from_config()
      all_datasets = Dataset.get_all(workspace)
      mydata = all_datasets['my-data']
      

    • Introduzir partition_format como argumento para Dataset.Tabular.from_delimited_files e Dataset.Tabular.from_parquet.files. As informações de partição de cada caminho de dados são extraídas em colunas com base no formato especificado. '{column_name}' cria uma coluna de cadeia de caracteres e '{column_name:yyyy/MM/dd/HH/mm/ss}' cria a coluna datetime, na qual 'yyyy', 'MM', 'dd', 'HH', 'mm' e 'ss' são usados para extrair ano, mês, dia, hora, minuto e segundos para o tipo de datetime. O partition_format deve começar da posição da primeira chave de partição até o final do caminho do arquivo. Por exemplo, considerando o caminho '../USA/2019/01/01/data.csv', em que a partição é por país/região e hora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' cria a coluna de cadeia de caracteres 'País' com o valor 'EUA' e a coluna datetime 'PartitionDate' com o valor '01/01/2019'.

    • Os métodos to_csv_files e to_parquet_files foram adicionados ao TabularDataset. Esses métodos habilitam a conversão entre um TabularDataset e um FileDataset convertendo os dados em arquivos do formato especificado.

    • Faça logon automaticamente no registro da imagem base ao salvar um Dockerfile gerado por Model.package().

    • O 'gpu_support' não é mais necessário. Agora, o AML detecta e usa automaticamente a extensão do Docker NVIDIA quando ela está disponível. Ela será removida em uma versão futura.

    • Adicionamos suporte para criar, atualizar e usar PipelineDrafts.

    • Esta versão melhora o desempenho de execução das execuções locais do aprendizado de máquina automatizado.

    • Os usuários podem consultar métricas do histórico de execuções por nome.

    • Melhoramos o registro em log usando exceções personalizadas em vez de genéricas nas tarefas de previsão.

  • azureml-explain-model

    • Adicionamos o parâmetro feature_maps ao novo MimicWrapper, permitindo que os usuários obtenham explicações de recursos brutos.
    • Os carregamentos de conjunto de dados agora estão desativados por padrão para o upload de explicação e podem ser habilitados novamente com upload_datasets=true
    • Adicionamos os parâmetros de filtragem "is_law" à lista de explicação e às funções de download.
    • Adiciona o método get_raw_explanation(feature_maps) a objetos de explicação globais e locais.
    • Adicionamos a verificação de versão para lightgbm com aviso impresso, se for menos do que a versão com suporte
    • Otimizamos o uso de memória no envio em lote de explicações
    • Os modelos AutoML agora devolvem AutoMLExceptions

  • azureml-pipeline-core

    • Adicionamos suporte para criar, atualizar e usar PipelineDrafts - pode ser usado para manter definições de pipeline mutáveis e usá-las interativamente para executar

  • azureml-train-automl

    • Criamos recurso para instalar versões específicas do pytorch v 1.1.0, toolkit cuda 9.0, transformadores pytorch, que é necessário para habilitar o BERT/XLNet no ambiente de runtime do Python remoto.

  • azureml-train-core

    • Falha antecipada de alguns erros de definição de espaço de hiperparâmetro diretamente no SDK, em vez de no lado do servidor.

SDK de Preparação de Dados do Azure Machine Learning v1.1.14

• Correções de bug e melhorias
  • Habilitamos a gravação em ADLS/ADLSGen2 usando caminho e credenciais brutas.
  • Corrigimos um bug que fez com que include_path=True não funcionasse para read_parquet.
  • Corrigimos a falhato_pandas_dataframe() causada pela exceção "valor da propriedade inválido: hostSecret".
  • Corrigimos um bug em que os arquivos não puderam ser lidos em DBFS no modo Spark.

19/08/2019

SDK do Azure Machine Learning para Python v1.0.57

• Novos recursos

  • Habilitamos TabularDataset para ser consumido pelo AutomatedML. Para saber mais sobre TabularDataset, acesse https://aka.ms/azureml/howto/createdatasets..

• Correções de bug e melhorias

  • azure-cli-ml
    • Agora você pode atualizar o certificado TLS/SSL para o ponto de extremidade de pontuação implantado no cluster do AKS para o certificado de cliente gerado pela Microsoft.
  • azureml-automl-core
    • Correção de um problema no AutoML no qual as linhas sem rótulos não eram removidas corretamente.
    • Melhoramos o registro de erros no AutoML; as mensagens de erro completas agora serão sempre gravadas no arquivo de log.
    • O AutoML atualizou sua fixação de pacote para incluir azureml-defaults, azureml-explain-model e azureml-dataprep. O AutoML não avisa mais sobre incompatibilidades de pacotes (exceto para o pacote azureml-train-automl).
    • Corrigimos um problema em timeseries no qual as divisões de CV têm tamanho diferente, causando a falha no cálculo da lixeira.
    • Ao executar a iteração de conjunto para o tipo de treinamento de validação cruzada, se acabarmos tendo problemas para baixar os modelos treinados em todo o conjunto de dados, teremos uma inconsistência entre os pesos do modelo e os modelos que estavam sendo inseridos no conjunto de votação.
    • Corrigimos o erro, gerado quando os rótulos de treinamento e/ou de validação (y e y_valid) são fornecidos na forma de dataframe do pandas, mas não como matriz do numpy.
    • Corrigimos o problema com as tarefas de previsão quando Nenhum foi encontrado nas colunas booleanas das tabelas de entrada.
    • Permissão para que os usuários do AutoML removam a série de treinamento que não são longas o suficiente durante a previsão. - Permitir que usuários do AutoML removam granularidades do conjunto de teste que não existe no conjunto de treinamento ao prever.
  • azureml-core
    • Corrigimos o problema com a ordenação de parâmetro blob_cache_timeout.
    • Adicionamos tipos de exceção de ajuste externo e de transformação a erros do sistema.
    • Adicionamos suporte para segredos do Key Vault para execuções remotas. Adicione uma classe azureml.core.keyvault.Keyvault para adicionar, obter e listar segredos do cofre de chaves associado ao seu espaço de trabalho. As operações com suporte são:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.keyvault.Keyvault.set_secret(name, value)
      • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
      • azureml.core.keyvault.Keyvault.get_secret(name)
      • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
      • azureml.core.keyvault.Keyvault.list_secrets()
      • Mais métodos para obter o cofre de chaves padrão e obter segredos durante a execução remota:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.run.Run.get_secret(name)
      • azureml.core.run.Run.get_secrets(secrets_list)
    • Adição de outros parâmetros de substituição para o comando submit-hyperdrive da CLI.
    • Melhorar a confiabilidade das chamadas de API, expandindo repetições para exceções da biblioteca de solicitações comuns.
    • Adicionar suporte para enviar execuções de uma execução enviada.
    • Corrigimos o problema de token SAS no FileWatcher, que fez com que os arquivos parassem de ser carregados após a expiração do token inicial.
    • Há suporte para importar arquivos HTTP csv/tsv no conjunto de dados SDK do Python.
    • Preterimos o método Workspace.setup(). A mensagem de aviso mostrada aos usuários sugere o uso de create() ou get()/from_config() em vez disso.
    • Adicionamos Environment.add_private_pip_wheel(), que permite carregar pacotes personalizados privados do Python whlno workspace e usá-los com segurança para criar/materializar o ambiente.
    • Agora você pode atualizar o certificado TLS/SSL para o ponto de extremidade de pontuação implantado no cluster do AKS para o certificado de cliente gerado pela Microsoft.
  • azureml-explain-model
    • Adicionamos o parâmetro para adicionar uma ID de modelo a explicações no carregamento.
    • Adicionamos a marcação is_raw a explicações na memória e no carregamento.
    • Adicionamos suporte e testes do pytorch para o pacote azureml-explain-model.
  • azureml-opendatasets
    • Suporte para detectar e registrar em log o ambiente de teste automático.
    • Adicionamos classes para obter a população dos EUA por município e CEP.
  • azureml-pipeline-core
    • Adicionamos a propriedade de rótulo às definições de porta de entrada e saída.
  • azureml-telemetry
    • Corrigimos uma configuração de telemetria incorreta.
  • azureml-train-automl
    • Corrigimos o bug no qual houve uma falha na instalação, o erro não estava sendo registrado no campo "erros" para a execução da instalação e, portanto, não foi armazenado em "erros" na execução pai.
    • Correção de um problema no AutoML no qual as linhas sem rótulos não eram removidas corretamente.
    • Permitir que os usuários do AutoML removam a série de treinamento que não são longas o suficiente ao prever.
    • Permitir que usuários do AutoML removam granularidades do conjunto de teste que não existe no conjunto de treinamento ao prever.
    • Agora, o AutoMLStep passa pela configuração automl para o back-end para evitar problemas de alterações ou adições de novos parâmetros de configuração.
    • O verificador de integridade dos dados do AutoML agora está em pré-visualização pública. O usuário verá um relatório do verificador de integridade dos dados (para tarefas de classificação/regressão) após o treinamento e também poderá acessá-lo por meio da API do SDK.
  • azureml-train-core
    • Adicionamos suporte do Torch 1.2 no estimador do PyTorch.
  • azureml-widgets
    • Melhoramos os gráficos de matriz de confusão para treinamento de classificação.

SDK de Preparação de Dados do Azure Machine Learning v1.1.12

• Novos recursos

  • Listas de cadeias de caracteres agora podem ser passadas como entrada para métodos read_*.

• Correções de bug e melhorias

  • O desempenho de read_parquet foi melhorado ao executar no Spark.
  • Correção de um problema em que ocorria uma falha em column_type_builder em uma só coluna com formatos de data ambíguos.

Portal do Azure

• Versão prévia do Recurso
  • O streaming do arquivo de log e saída agora está disponível para páginas de detalhes de execução. Os arquivos transmitem as atualizações em tempo real quando a alternância de visualização é ativada.
  • A capacidade de definir a cota em um nível de espaço de trabalho é liberada na pré-visualização. As cotas de AmlCompute são alocadas no nível da assinatura, mas agora podemos distribuir essa cota entre espaços de trabalho e alocá-la para compartilhamento e governança justas. Basta clicar na folha Usos + cotas na barra de navegação à esquerda do espaço de trabalho e selecionar a guia Configurar cotas. Você deve ser um administrador de assinatura para poder definir cotas no nível do espaço de trabalho, pois essa é uma operação entre espaços de trabalho.

05/08/2019

SDK do Azure Machine Learning para Python v1.0.55

• Novos recursos

  • A autenticação baseada em token agora tem suporte para as chamadas feitas ao ponto de extremidade de pontuação implantado no AKS. Continuaremos dando suporte à atual autenticação baseada em chave, e os usuários podem usar um desses mecanismos de autenticação de cada vez.
  • Capacidade de registrar um armazenamento de blobs que está atrás da VNet (rede virtual ) como um armazenamento de dados.

• Correções de bug e melhorias

  • azureml-automl-core
    • Corrigimos um bug em que o tamanho da validação para as divisões de CV é pequeno e resulta em gráficos de previsão inválidas contra reais, para regressão e previsões.
    • O registro em log de tarefas de previsão nas execuções remotas foi melhorado. Agora, o usuário receberá uma mensagem de erro abrangente se a execução falhar.
    • Corrigimos falhas de Timeseries se o sinalizador de pré-processamento for verdadeiro.
    • Tornamos algumas mensagens de erro de validação de dados de previsão mais acionáveis.
    • Reduzimos o consumo de memória das execuções do AutoML na remoção e/ou carregamento lento de conjuntos de dados, especialmente entre as criações de processo
  • azureml-contrib-explain-model
    • Adicionamos o sinalizador model_task aos explicadores para permitir que o usuário substitua a lógica de inferência automática padrão para o tipo de modelo
    • Alterações do widget: instala automaticamente com o contrib e não mais com instalar/habilitar nbextension - explicação de suporte com importância de recurso global (por exemplo, permutação)
    • Alterações no dashboard: – Gráficos de caixa e de violino além do gráfico beeswarm na página de resumo – Renderização mais rápida do gráfico beeswarm na alteração de controle deslizante 'Principais k' – Mensagem útil explicando como os Principais k são calculados – Mensagens personalizáveis úteis no lugar de gráficos quando os dados não são fornecidos
  • azureml-core
    • Adicionamos o método Model.package() para criar imagens do Docker e Dockerfiles que encapsulam modelos e suas dependências.
    • Atualizamos os WebServices locais para aceitar o InferenceConfigs que contém objetos de ambiente.
    • Corrigimos o Model.register() produzindo modelos inválidos quando '.' (para o diretório atual) é passado como o parâmetro model_path.
    • Adicionar Run.submit_child, a funcionalidade espelha o Experiment.submit ao especificar a execução como pai da execução filho enviada.
    • Dar suporte à opções de configuração do Model.register no Run.register_model.
    • Capacidade de executar trabalhos JAR no cluster existente.
    • Agora oferecendo suporte a parâmetros instance_pool_id e cluster_log_dbfs_path.
    • Adicionamos suporte para usar um objeto de ambiente ao implantar um modelo em um WebService. O objeto de ambiente agora pode ser fornecido como parte do objeto InferenceConfig.
    • Adicionar mapeamento de appinsifht para novas regiões - centralus - oesteus - northcentralus
    • Adicionamos documentação para todos os atributos em todas as classes de armazenamento de dados.
    • Adicionamos o parâmetro blob_cache_timeout ao Datastore.register_azure_blob_container.
    • Adicionamos os métodos save_to_directory e load_from_directory ao azureml.core.environment.Environment.
    • Adicionamos os comandos "az ml environment download" e "az ml environment register" à CLI.
    • Adicionamos o método Environment.add_private_pip_wheel.
  • azureml-explain-model
    • Adicionamos o acompanhamento de conjunto de dados a explicações usando o serviço de conjunto de dados (versão prévia).
    • Reduzimos o tamanho de lote padrão ao transmitir explicações globais de 10K para 100.
    • Adicionamos o sinalizador model_task aos explicadores para permitir que o usuário substitua a lógica de inferência automática padrão para o tipo de modelo.
  • azureml-mlflow
    • Corrigimos o bug em mlflow.azureml.build_image no qual os diretórios aninhados são ignorados.
  • azureml-pipeline-steps
    • Adicionamos a capacidade de executar trabalhos JAR no cluster existente do Azure Databricks.
    • Adicionamos suporte aos parâmetros instance_pool_id e cluster_log_dbfs_path para a etapa DatabricksStep.
    • Adicionamos suporte aos parâmetros de pipeline na etapa DatabricksStep.
  • azureml-train-automl
    • Adicionamos docstrings para os arquivos relacionados ao conjunto.
    • Atualizamos documentos para linguagem mais apropriada para max_cores_per_iteration e max_concurrent_iterations
    • O registro em log de tarefas de previsão nas execuções remotas foi melhorado. Agora, o usuário receberá uma mensagem de erro abrangente se a execução falhar.
    • Removemos Get_data do pipeline automlstep do notebook.
    • Iniciamos o suporte ao dataprep no automlstep.

SDK de Preparação de Dados do Azure Machine Learning v1.1.10

• Novos recursos
  • Agora você pode solicitar para executar inspetores específicos (por exemplo, histograma, gráfico de dispersão, etc.) em colunas específicas.
  • Adicionamos um argumento paralelizado a append_columns. Se o valor for True, os dados serão carregados na memória, mas a execução será executada em paralelo. Se for False, a execução será transmitida, mas com thread único.

23/07/2019

SDK do Azure Machine Learning para Python v1.0.53

• Novos recursos

  • O Machine Learning automatizado agora dá suporte a modelos do ONNX de treinamento no destino de computação remota
  • O Azure Machine Learning agora fornece a capacidade de retomar o treinamento a partir de uma execução anterior, de ponto de verificação ou de arquivos modelo.
    • Saiba como usar os estimadores para retomar o treinamento de uma execução anterior

• Correções de bug e melhorias

  • azure-cli-ml
    • Os comandos da CLI "implantação de modelo" e "atualização de serviço" agora aceitam parâmetros, arquivos de configuração ou uma combinação dos dois. Os parâmetros têm precedência sobre atributos em arquivos.
    • A descrição do modelo agora pode ser atualizada após o registro
  • azureml-automl-core
    • Atualize a dependência NimbusML para a versão 1.2.0 (atual mais recente).
    • Adicionar suporte para NimbusML estimados & pipelines a serem usados em estimadores do AutoML.
    • Corrigindo um bug no procedimento de seleção do conjunto que estava aumentando desnecessariamente o conjunto resultante mesmo que as pontuações fossem constantes.
    • Habilitar a reutilização de algumas definições de recursos em divisões de CV para tarefas de previsão. Isso acelera o tempo de execução da execução de configuração por aproximadamente um fator de n_cross_validations para definições de recursos caras, como janelas rolantes e com retardo.
    • Resolver um problema se o tempo estiver fora do intervalo de tempo com suporte do pandas. Agora, geramos uma DataException se o tempo for menor do que pd.Timestamp.min ou maior do que pd.Timestamp.max
    • A previsão agora permite frequências diferentes em conjuntos de treinamento e teste, se eles puderem ser alinhados. Por exemplo, "começar trimestralmente em janeiro" e em "começar trimestralmente em outubro", pode ser alinhado.
    • A propriedade "Parâmetros" foi adicionada ao TimeSeriesTransformer.
    • Remover as classes de exceção antigas.
    • Em tarefas de previsão, o parâmetro target_lags agora aceita um único valor inteiro ou uma lista de inteiros. Se o inteiro tiver sido fornecido, apenas uma latência será criada. Se for fornecida uma lista, os valores exclusivos de retardo serão considerados. target_lags = [1, 2, 2, 4] gera um retardo de um, dois e quatro períodos.
    • Corrigir o bug sobre a perda de tipos de colunas após a transformação (bug vinculado);
    • No model.forecast(X, y_query), permitir que y_query seja um tipo de objeto que contém Nenhum no início (#459519).
    • Adicionar valores esperados à saída automl
  • azureml-contrib-datadrift
    • Melhorias no notebook de exemplo, incluindo alternar para o azureml-opendatasets em vez de para azureml-contrib-opendatasets e melhorias de desempenho ao aprimorar dados
  • azureml-contrib-explain-model
    • Corrigimos argumento de transformações para o explicador LIME para importância de recurso bruto no pacote azureml-contrib-explain-model
    • Adicionamos segmentações a explicações de imagem no explicador de imagem para o pacote AzureML-contrib-explain-model
    • Adicionar suporte esparso scipy para o LimeExplainer
    • Adicionamos batch_size ao explicador de imitação quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel
  • azureml-contrib-featureengineering
    • Corrigir para chamar set_featurizer_timeseries_params(): alteração de tipo de valor dict e verificação nula - Adicionar notebook para o featurizer timeseries
    • Atualize a dependência NimbusML para a versão 1.2.0 (atual mais recente).
  • azureml-core
    • Adição da capacidade de anexar armazenamentos de dados de DBFS na CLI do Azure Machine Learning
    • Corrigimos o bug com o carregamento do armazenamento de dados no qual uma pasta vazia é criada, se target_path inicia com /
    • Corrigimos o problema deepcopy no ServicePrincipalAuthentication.
    • Adicionamos os comandos "az ml environment show" e "az ml environment list" à CLI.
    • Os ambientes agora dão suporte à especificação de um base_dockerfile como uma alternativa a um base_image já criado.
    • A configuração RunConfiguration não utilizada auto_prepare_environment foi marcada como preterida.
    • A descrição do modelo agora pode ser atualizada após o registro
    • Correção de bug: o modelo e a exclusão de imagem agora fornecem mais informações sobre como recuperar objetos upstream que dependem deles se a exclusão falhar devido a uma dependência upstream.
    • Corrigimos o bug que imprimiu a duração em branco para implantações que ocorrem ao criar um espaço de trabalho para alguns ambientes.
    • Melhoramos as exceções de falha para a criação do espaço de trabalho. Para que os usuários não vejam "não é possível criar espaço de trabalho. Não é possível localizar..." como a mensagem, mas que vejam a falha de criação.
    • Adicionar suporte para autenticação de token em WebServices do AKS.
    • Adicionar o método get_token() para objetos Webservice.
    • Adicionamos suporte à CLI para gerenciar os conjuntos de dados de aprendizado de máquina.
    • Datastore.register_azure_blob_container agora, opcionalmente, usa um valor (em segundos) blob_cache_timeout que configura os parâmetros de montagem do blobfuse para habilitar a expiração do cache para esse armazenamento de dados. O padrão não tem tempo limite, como quando um blob é lido. Ele permanece no cache local até que o trabalho seja concluído. A maioria dos trabalhos prefere essa configuração, mas alguns trabalhos precisam ler mais dados de um conjunto de dados grande que se ajustará aos respectivos nós. Para esses trabalhos, o ajuste desse parâmetro os ajudará a ter sucesso. Cuidado ao ajustar esse parâmetro: definir o valor muito baixo pode resultar em baixo desempenho, pois os dados usados em uma época podem expirar antes de serem usados novamente. Todas as leituras são feitas do armazenamento de blobs/rede em vez de no cache local, o que afeta negativamente os tempos de treinamento.
    • A descrição do modelo agora pode ser atualizada corretamente após o registro
    • A exclusão de modelo e imagem agora fornece mais informações sobre objetos upstream que dependem deles, o que faz com que a exclusão falhe
    • Melhorar a utilização de recursos de execuções remotas usando o azureml.mlflow.
  • azureml-explain-model
    • Corrigimos argumento de transformações para o explicador LIME para importância de recurso bruto no pacote azureml-contrib-explain-model
    • adicionar suporte esparso scipy para o LimeExplainer
    • Adição de um wrapper explicador linear de forma e outro nível ao explicador de tabela para explicar modelos lineares
    • para o explicador de imitação na biblioteca de modelos de explicação, corrigimos erro quando include_local=false para entrada de dados esparsas
    • adicionar valores esperados à saída automl
    • corrigimos a importância do recurso de permutação quando o argumento de transformações foi fornecido para obter a importância do recurso bruto
    • adicionamos batch_size ao explicador de imitação quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel
    • para a biblioteca de explicabilidade de modelo, corrigimos os explicadores Blackbox nos quais a entrada de dataframe do pandas é necessária para previsão
    • Corrigimos um bug em que explanation.expected_values às vezes retornaria um float em vez de uma lista contendo um float.
  • azureml-mlflow
    • Melhorar o desempenho de mlflow.set_experiment(experiment_name)
    • Corrigir o bug em uso de InteractiveLoginAuthentication para mlflow tracking_uri
    • Melhorar a utilização de recursos de execuções remotas usando o azureml.mlflow.
    • Melhorar a documentação do pacote azureml-mlflow
    • Bug de patch no qual o mlflow.log_artifacts ("my_dir") salvava artefatos em my_dir/<artifact-paths> em vez <artifact-paths>
  • azureml-opendatasets
    • Fixar pyarrow de opendatasets para versões antigas (<0.14.0) devido a um problema de memória apresentado recentemente.
    • Mover o azureml-contrib-opendatasets para o azureml-opendatasets.
    • Permissão para que as classes de conjunto de dados em aberto sejam registradas no workspace do Azure Machine Learning e usem de modo integrado as funcionalidades do conjunto de dados do AML.
    • Melhorar significativamente o desempenho de enriquecimento do NoaaIsdWeather na versão não-SPARK.
  • azureml-pipeline-steps
    • O armazenamento de dados do DBFS agora tem suporte para entradas e saídas no DatabricksStep.
    • Atualização da documentação para a etapa do Lote do Azure com relação a entradas/saídas.
    • No AzureBatchStep, foi alterado o valor padrão delete_batch_job_after_finish para true.
  • azureml-telemetry
    • Mover o azureml-contrib-opendatasets para o azureml-opendatasets.
    • Permissão para que as classes de conjunto de dados em aberto sejam registradas no workspace do Azure Machine Learning e usem de modo integrado as funcionalidades do conjunto de dados do AML.
    • Melhorar significativamente o desempenho de enriquecimento do NoaaIsdWeather na versão não-SPARK.
  • azureml-train-automl
    • Atualização da documentação sobre get_output para refletir o tipo de retorno exato e fornecer outras observações sobre a recuperação das propriedades da chave.
    • Atualize a dependência NimbusML para a versão 1.2.0 (atual mais recente).
    • adicionar valores esperados à saída automl
  • azureml-train-core
    • As cadeias de caracteres agora são aceitas como destino de computação para ajuste de hiperparâmetro automatizado
    • A configuração RunConfiguration não utilizada auto_prepare_environment foi marcada como preterida.

SDK de Preparação de Dados do Azure Machine Learning v1.1.9

• Novos recursos

  • Adicionamos suporte para leitura de um arquivo diretamente a partir de uma URL HTTP ou HTTPS.

• Correções de bug e melhorias

  • Melhoramos a mensagem de erro ao tentar ler um conjunto de dados Parquet de uma fonte remota (que não tem suporte no momento).
  • Corrigimos um bug ao gravar no formato de arquivo Parquet no ADLS Gen 2 e atualizar o nome do contêiner ADLS Gen 2 no caminho.

09/07/2019

Interface Visual

• Versão prévia dos recursos
  • Adicionamos o módulo "executar script R" na interface visual.

SDK do Azure Machine Learning para Python v1.0.48

• Novos recursos

  • azureml-opendatasets
    • O azureml-contrib-opendatasets agora está disponível como azureml-opendatasets. O pacote antigo ainda pode funcionar, mas é recomendável usar o azureml-opendatasets avançando para obter recursos e melhorias mais avançadas.
    • Esse novo pacote permite que você registre conjuntos de dados em aberto como o conjunto de dados no workspace do Azure Machine Learning e use todas as funcionalidades oferecidas pelo conjunto de dados.
    • Ele também inclui funcionalidades existentes, como conjuntos de dados em aberto demorados como os dataframes do Pandas/SPARK e junções de localização para alguns conjuntos de dados, como de clima.

• Versão prévia dos recursos

  • O HyperDriveConfig agora pode aceitar o objeto de pipeline como um parâmetro para dar suporte ao ajuste de hiperparâmetro usando um pipeline.

• Correções de bug e melhorias

  • azureml-train-automl
    • Corrigimos o bug sobre a perda de tipos de colunas após a transformação.
    • Corrigimos o bug para permitir que y_query seja um tipo de objeto que contém Nenhum no início.
    • Corrigimos um problema no procedimento de seleção do conjunto que estava aumentando desnecessariamente o conjunto resultante mesmo que as pontuações fossem constantes.
    • Corrigimos o problema com as configurações permitir list_models e bloquear list_models no AutoMLStep.
    • Correção do problema que impedia o uso de pré-processamento quando o AutoML teria sido usado no contexto de pipelines do Azure Machine Learning.
  • azureml-opendatasets
    • Movemos o azureml-contrib-opendatasets para o azureml-opendatasets.
    • Permissão de que as classes de um conjunto de dados em aberto sejam registradas no workspace do Azure Machine Learning e use as funcionalidades do conjunto de dados do AML com facilidade.
    • Melhoramos significativamente o desempenho de enriquecimento do NoaaIsdWeather na versão não-SPARK.
  • azureml-explain-model
    • Atualizamos a documentação online atualizada para objetos de interpretação.
    • Adicionamos batch_size ao explicador de imitação quando include_local=False, para transmitir explicações globais em lotes para melhorar o tempo de execução de DecisionTreeExplainableModel para biblioteca de explicabilidade de modelo.
    • Corrigimos um problema no qual explanation.expected_values às vezes retornaria um float em vez de uma lista contendo um float.
    • Adicionamos valores esperados para a saída automl para o explicador de imitação na biblioteca de modelos de explicação.
    • Corrigimos a importância do recurso de permutação quando o argumento de transformações foi fornecido para obter a importância do recurso bruto.
  • azureml-core
    • Adição da capacidade de anexar armazenamentos de dados de DBFS na CLI do Azure Machine Learning.
    • Corrigimos o problema com o carregamento do armazenamento de dados no qual uma pasta vazia é criada, se target_path inicia com /.
    • Habilitamos a comparação de dois conjuntos de dados.
    • O modelo e a exclusão de imagem agora fornecem mais informações sobre como recuperar objetos upstream que dependem deles se a exclusão falhar devido a uma dependência upstream.
    • Preterimos a configuração RunConfiguration não utilizada no auto_prepare_environment.
  • azureml-mlflow
    • Melhoramos a utilização de recursos de execuções remotas que usam o azureml.mlflow.
    • Melhoramos a documentação do pacote azureml-mlflow.
    • Corrigimos o problema no qual o mlflow.log_artifacts ("my_dir") salvaria artefatos em "my_dir/artifact-paths" em vez de "artifact-paths".
  • azureml-pipeline-core
    • O parâmetro hash_paths para todas as etapas de pipeline é preterido e será removido no futuro. Por padrão, o conteúdo do source_directory tem hash (exceto os arquivos listados em .amlignore ou .gitignore)
    • Continuamos a melhorar o módulo e o ModuleStep para dar suporte a módulos específicos de tipo de computação, para se preparar para a integração do RunConfiguration e outras alterações para desbloquear o uso de módulo específico de tipo de computação nos pipelines.
  • azureml-pipeline-steps
    • AzureBatchStep: aprimoramento da documentação sobre entradas/saídas.
    • AzureBatchStep: alteramos o valor padrão delete_batch_job_after_finish para true.
  • azureml-train-core
    • As cadeias de caracteres agora são aceitas como destino de computação para ajuste de hiperparâmetro automatizado.
    • Preterimos a configuração RunConfiguration não utilizada no auto_prepare_environment.
    • Preterimos os parâmetros conda_dependencies_file_path e pip_requirements_file_path em favor de conda_dependencies_file e pip_requirements_file respectivamente.
  • azureml-opendatasets
    • Melhorar significativamente o desempenho de enriquecimento do NoaaIsdWeather na versão não-SPARK.

26/04/2019

SDK do Azure Machine Learning para Python v1.0.33 lançado.

• Os Modelos de Aceleração de Hardware do Azure Machine Learning em FPGAs estão em disponibilidade geral.
  • Agora você pode usar o pacote azureml-accel-models para:
    • Treinar os pesos de uma rede neural profunda com suporte (ResNet 50, ResNet 152, DenseNet-121, VGG-16 e SSD-VGG)
    • Usar o aprendizado de transferência com o DNN com suporte
    • Registrar o modelo com o Serviço Gerenciamento de Modelos e colocar o modelo em contêiner
    • Implantar o modelo em uma VM do Azure com um FPGA em um cluster do AKS (Serviço Kubernetes do Azure)
  • Implantar o contêiner em um dispositivo de servidor do Azure Stack Edge
  • Pontuar seus dados com o ponto de extremidade gRPC com este exemplo

Aprendizado de máquina automatizado

• Recurso de limpeza para habilitar a adição dinâmica featurizers para otimização de desempenho. Novo featurizers: incorporações de trabalho, peso de evidência, codificações de destino, codificação de destino de texto, distância do cluster

• Currículo inteligente para lidar com as divisões de treinamento/válidas dentro do ML automatizado

• Poucas alterações de otimização de memória e melhoria no desempenho de runtime

• Melhoria de desempenho na explicação do modelo

• Conversão de modelo ONNX para execução local

• Adicionamos suporte à subamostragem

• Parada inteligente quando não há critérios de saída definidos

• Conjuntos empilhados

• Previsão de série temporal

  • Nova função prever previsão
  • Agora você pode usar a validação cruzada de origem sem interrupção em dados de série temporal
  • Adicionamos uma nova funcionalidade para configurar o tempo de retardo da série temporal
  • Adicionamos uma nova funcionalidade para dar suporte a funcionalidades agregadas de janelas rolantes
  • Novo recurso e detecção de feriados quando o código do país/região é definido nas configurações do experimento

• Azure Databricks

  • Habilitamos a previsão de série temporal e a funcionalidade modelo de explicabilidade/interpretação
  • Agora você pode cancelar e retomar (continuar) experimentos do ML automatizado
  • Adicionamos suporte para processamento de vários núcleos

MLOps

• Implantação e depuração local para contêineres de pontuação
  Agora você pode implantar um modelo de ML localmente e iterar rapidamente no seu arquivo de pontuação e dependências para garantir que eles se comportem conforme o esperado.

• Apresentamos o InferenceConfig & Model.deploy()
  A implantação de modelo agora dá suporte à especificação de uma pasta de origem com um script de entrada, o mesmo que um RunConfig. Além disso, a implantação do modelo foi simplificada para um único comando.

• Acompanhamento de referência do git
  Os clientes estão solicitando funcionalidades básicas de integração do git há algum tempo, pois elas ajudam a manter uma trilha de auditoria completa. Implementamos o acompanhamento em entidades principais no Azure Machine Learning para metadados relacionados ao git (repositório, commit, estado de limpeza). Essas informações serão coletadas automaticamente pelo SDK e pela CLI.

• Modelo de criação de perfil & serviço de validação
  Os clientes sempre reclamam da dificuldade de dimensionar corretamente a computação associada ao serviço de inferência. Com nosso serviço de criação de perfil de modelo, o cliente pode fornecer exemplos de entradas e criamos perfis em 16 configurações de CPU/memória diferentes para determinar o dimensionamento ideal para a implantação.

• Trazer sua própria imagem base para inferência
  Outra reclamação comum foi a dificuldade de migrar da experimentação para a inferência das dependências de compartilhamento RE. Com nossa nova funcionalidade de compartilhamento de imagem base, agora você pode reutilizar suas imagens base de experimentação e todas as dependências, para inferência. Isso deve acelerar as implantações e reduzir a lacuna do loop interno para o externo.

• Melhoramos a experiência de geração de esquema do Swagger
  Nosso método de geração do Swagger anterior era propenso a erros e impossível de ser automatizado. Temos uma nova maneira alinhada de gerar esquemas do Swagger a partir de funções do Python por meio de decoradores. Nós tornamos esse código aberto e nosso protocolo de geração de esquema não está acoplado à plataforma do Azure Machine Learning.

• A CLI do Azure Machine Learning está em GA (disponibilidade geral)
  Os modelos agora podem ser implantados com um único comando da CLI. Recebemos comentários em comum dos clientes de que ninguém implanta um modelo da ML de um notebook Jupyter. A documentação de referência da CLI foi atualizada.

22/04/2019

SDK do Azure Machine Learning para Python v1.0.30 lançado.

O PipelineEndpoint foi apresentado para adicionar uma nova versão de um pipeline publicado enquanto mantém o mesmo ponto de extremidade.

15/04/2019

Portal do Azure

• Agora você pode reenviar um execução de script existente em um cluster de computação remota existente.
• Agora você pode executar um pipeline publicado com novos parâmetros na guia pipelines.
• Os detalhes da execução agora dão suporte a um novo visualizador de arquivos instantâneo. Você pode exibir um instantâneo do diretório ao enviar uma execução específica. Você também pode baixar o notebook que foi enviado para iniciar a execução.
• Agora você pode cancelar as execuções pai a partir do portal do Azure.

08/04/2019

SDK do Azure Machine Learning para Python v1.0.23

• Novos recursos
  • O SDK do Azure Machine Learning agora dá suporte ao Python 3.7.
  • O estimadores DNN do Azure Machine Learning agora fornecem suporte interno a várias versões. Por exemplo, o estimador TensorFlow agora aceita um parâmetro framework_version e os usuários podem especificar a versão '1.10' ou '1.12'. Para obter uma lista das versões com suporte na versão atual do SDK, chame get_supported_versions() na classe da estrutura desejada (por exemplo, TensorFlow.get_supported_versions()). Para obter uma lista das versões com suporte da versão mais recente do SDK, consulte a documentação do estimador DNN.

25-03-2019

SDK do Azure Machine Learning para Python v1.0.21

• Novos recursos
  • O método azureml.core.Run.create_children permite a criação de baixa latência de várias execuções filho com uma única chamada.

2019-03-11

SDK do Azure Machine Learning para Python v1.0.18

• Alterações
  • O pacote azureml-tensorboard substitui o azureml-contrib-tensorboard.
  • Nesta versão, você pode configurar uma conta de usuário no seu amlcompute (cluster de computação gerenciada), ao criá-lo. É possível fazer isso passando essas propriedades na configuração de provisionamento. Você pode encontrar mais detalhes na documentação de referência do SDK.

SDK de Preparação de Dados do Azure Machine Learning v1.0.17

• Novos recursos

  • Agora dá suporte à adição de duas colunas numéricas para gerar uma coluna resultante usando a linguagem de expressão.

• Correções de bug e melhorias

  • Melhoramos a documentação e a verificação de parâmetros para random_split.

27/02/2019

SDK de Preparação de Dados do Azure Machine Learning v1.0.16

• Correção de bug
  • Corrigimos um problema de autenticação de entidade de serviço que foi causado por uma alteração da API.

25/02/2019

SDK do Azure Machine Learning para Python v1.0.17

• Novos recursos

  • O Azure Machine Learning agora fornece suporte de primeira classe para a estrutura Chainer DNN popular. Usar Chainer usuários de classe pode facilmente treinar e implantar modelos do Chainer.
    • Saiba como executar o ajuste de hiperparâmetro com o Chainer usando o HyperDrive
  • Adicionamos pipelines do Azure Machine Learning a capacidade de disparar uma execução de pipeline com base nas modificações do armazenamento de dados. O pipeline notebook de agendamento é atualizado para demonstrar esse recurso.

• Correções de bug e melhorias

  • Adicionamos suporte em pipelines do Azure Machine Learning para definir a propriedade source_directory_data_store para um armazenamento de dados desejado (como um armazenamento de blobs) no RunConfigurations que são fornecidos para o PythonScriptStep. Por padrão, as etapas usam o armazenamento de arquivos do Azure como backup de armazenamento de dados, o que pode gerar problemas de limitação quando um grande número de etapas é executado ao mesmo tempo.

Portal do Azure

• Novos recursos
  • Nova experiência de edição de tabela arrastar e soltar para relatórios. Os usuários podem arrastar uma coluna da caixa para a área de tabela na qual a pré-visualização da tabela será exibida. As colunas podem ser reorganizadas.
  • Novo visualizador de arquivos de logs
  • Links para execuções de teste, computação, modelos, imagens e implantações da guia de atividades

Próximas etapas

Leia a visão geral do Azure Machine Learning.