Ler em inglês

Compartilhar via


core Pacote

Contém pacotes principais, módulos e classes para o Azure Machine Learning.

As áreas principais incluem o gerenciamento de destinos de computação, a criação/gerenciamento de workspaces e experimentos e o envio/acesso a execuções de modelos e a execução de saída/registro em log.

Pacotes

compute

Esse pacote contém classes usadas para gerenciar destinos de computação no Azure Machine Learning.

Para obter mais informações sobre como escolher destinos de computação para treinamento e implantação, consulte O que são destinos de computação no Azure Machine Learning?

image

Contém funcionalidade para gerenciar imagens implantadas como pontos de extremidade de serviço Web no Azure Machine Learning.

Essa classe é PRETERIDA. Em vez disso, use a classe Environment.

Uma imagem é usada para implantar um Model, script e arquivos associados como um ponto de extremidade de serviço Web ou dispositivo IoT Edge. O ponto de extremidade lida com solicitações de pontuação de entrada e previsões de retorno. As classes-chave desse pacote são a Image classe, a classe pai das imagens do Azure Machine Learning e a classe derivada ContainerImage para imagens do Docker, bem como visualizar imagens como FPGA.

A menos que você tenha um fluxo de trabalho que exija especificamente o uso de imagens, você deve usar a Environment classe para definir sua imagem. Em seguida, você pode usar o objeto Environment com o Modeldeploy() método para implantar o modelo como um serviço Web. Você também pode usar o método Model package() para criar uma imagem que pode ser baixada para a instalação local do Docker como uma imagem ou como um Dockerfile.

Para obter informações sobre como usar a classe Model, consulte Implantar modelos com o Azure Machine Learning.

Para obter informações sobre como usar imagens personalizadas, consulte Implantar um modelo usando uma imagem base personalizada do Docker.

webservice

Contém a funcionalidade para implantar modelos de machine learning como pontos de extremidade de serviço Web no Azure Machine Learning.

Implantar um modelo do Azure Machine Learning como um serviço Web cria um ponto de extremidade e uma API REST. Você pode enviar dados para essa API e receber a previsão retornada pelo modelo.

Você cria um serviço Web ao implantar um ModelImage ou para Instâncias de Contêiner do Azure (aci módulo), Serviço de Kubernetes do Azure (aks módulo) e Ponto de Extremidade de Kubernetes do Azure (AksEndpoint) ou FPGA (matrizes de portão programáveis em campo). A implantação usando um modelo é recomendada para a maioria dos casos de uso, enquanto a implantação usando uma imagem é recomendada para casos de uso avançados. Ambos os tipos de implantação têm suporte nas classes neste módulo.

Módulos

authentication

Contém funcionalidade para gerenciar diferentes tipos de autenticação no Azure Machine Learning.

Tipos de autenticação com suporte:

  • Logon Interativo – o modo padrão ao usar o SDK do Azure Machine Learning. Usa uma caixa de diálogo interativa.
  • CLI do Azure – Para uso com o pacote azure-cli .
  • Entidade de Serviço – Para uso com fluxos de trabalho automatizados de machine learning.
  • MSI – Para uso com ativos habilitados para Identidade de Serviço Gerenciado, como com uma Máquina Virtual do Azure.
  • Token do Azure ML – usado para adquirir tokens do Azure ML somente para execuções enviadas.

Para saber mais sobre esses mecanismos de autenticação, consulte https://aka.ms/aml-notebook-auth.

compute_target

Contém funcionalidade para destinos de computação não gerenciados pelo Azure Machine Learning.

Os destinos de computação definem seu ambiente de computação de treinamento e podem ser recursos locais ou remotos na nuvem. Os recursos remotos permitem que você expanda ou expanda facilmente sua experimentação de machine learning aproveitando as funcionalidades aceleradas de processamento de CPU e GPU.

Para obter informações sobre destinos de computação gerenciados pelo Azure Machine Learning, consulte a ComputeTarget classe. Para obter mais informações, consulte O que são destinos de computação no Azure Machine Learning?

conda_dependencies

Contém a funcionalidade para gerenciar dependências de ambiente conda.

Use a CondaDependencies classe para carregar arquivos de ambiente conda existentes e configurar e gerenciar novos ambientes em que os experimentos são executados.

container_registry

Contém a funcionalidade para gerenciar um Registro de Contêiner do Azure.

databricks

Contém a funcionalidade para gerenciar ambientes do Databricks no Azure Machine Learning.

Para obter mais informações sobre como trabalhar com o Databricks no Azure Machine Learning, consulte Configurar um ambiente de desenvolvimento para o Azure Machine Learning.

dataset

Gerencia a interação com conjuntos de dados do Azure Machine Learning.

Este módulo fornece funcionalidade para consumir dados brutos, gerenciar dados e executar ações em dados no Azure Machine Learning. Use a Dataset classe neste módulo para criar conjuntos de dados junto com a funcionalidade no data pacote, que contém as classes FileDataset de suporte e TabularDataset.

Para começar a usar conjuntos de dados, consulte o artigo Adicionar ®istrar conjuntos de dados.

datastore

Contém a funcionalidade para gerenciar armazenamentos de dados no Azure Machine Learning.

environment

Contém a funcionalidade para criar e gerenciar ambientes reproduzíveis no Azure Machine Learning.

Os ambientes fornecem uma maneira de gerenciar a dependência de software para que ambientes controlados sejam reproduzíveis com configuração manual mínima à medida que você se move entre ambientes de desenvolvimento de nuvem locais e distribuídos. Um ambiente encapsula pacotes do Python, variáveis de ambiente, configurações de software para scripts de treinamento e pontuação e tempos de execução em Python, Spark ou Docker. Para obter mais informações sobre como usar ambientes para treinamento e implantação com o Azure Machine Learning, consulte Criar e gerenciar ambientes reutilizáveis.

experiment

Contém a funcionalidade usada para enviar experimentos e gerenciar o histórico de experimentos no Azure Machine Learning.

keyvault

Contém a funcionalidade para gerenciar segredos no Key Vault associado a um workspace do Azure Machine Learning.

Este módulo contém métodos de conveniência para adicionar, recuperar, excluir e listar segredos do Azure Key Vault associado a um workspace.

linked_service

Contém a funcionalidade para criar e gerenciar o serviço vinculado no workspace AML.

model

Contém funcionalidade para gerenciar modelos de machine learning no Azure Machine Learning.

Com a Model classe, você pode realizar as seguintes tarefas principais:

  • registrar seu modelo com um workspace
  • criar o perfil do modelo para entender os requisitos de implantação
  • empacotar seu modelo para uso com o Docker
  • implantar seu modelo em um ponto de extremidade de inferência como um serviço Web

Para obter mais informações sobre como os modelos são usados, consulte como o Azure Machine Learning funciona: arquitetura e conceitos.

private_endpoint

Contém a funcionalidade para definir e configurar pontos de extremidade privados do Azure.

profile

Contém funcionalidade para modelos de criação de perfil no Azure Machine Learning.

resource_configuration

Contém a funcionalidade para gerenciar a configuração de recursos para entidades do Azure Machine Learning.

run

Contém funcionalidade para gerenciar métricas de experimento e artefatos no Azure Machine Learning.

runconfig

Contém a funcionalidade para gerenciar a configuração de execuções de experimento no Azure Machine Learning.

A classe chave neste módulo é RunConfiguration, que encapsula as informações necessárias para enviar uma execução de treinamento em um destino de computação especificado. A configuração inclui um amplo conjunto de definições de comportamento, como usar um ambiente python existente ou usar um ambiente Conda criado a partir de uma especificação.

Outras classes de configuração no módulo são acessadas por meio de RunConfiguration.

script_run

Contém a funcionalidade para gerenciar execuções de treinamento enviadas no Azure Machine Learning.

script_run_config

Contém a funcionalidade para gerenciar a configuração para enviar execuções de treinamento no Azure Machine Learning.

util

Contém a classe para especificar o nível de detalhes do log.

workspace

Contém a funcionalidade para gerenciar um workspace, o recurso de nível superior no Azure Machine Learning.

Este módulo contém a Workspace classe e seus métodos e atributos que permitem gerenciar artefatos de aprendizado de máquina, como destinos de computação, ambientes, armazenamentos de dados, experimentos e modelos. Um workspace está vinculado a uma assinatura do Azure e a um grupo de recursos e é o principal meio de cobrança. Os workspaces dão suporte ao RBAC (controle de acesso baseado em função) do Azure Resource Manager e à afinidade de região para todos os dados de machine learning salvos no workspace.

Classes

ComputeTarget

Classe pai abstrata para todos os destinos de computação gerenciados pelo Azure Machine Learning.

Um destino de computação é um ambiente/recurso de computação designado em que você executa seu script de treinamento ou hospeda sua implantação de serviço. Esse local pode ser seu computador local ou um recurso de computação baseado em nuvem. Para obter mais informações, consulte O que são destinos de computação no Azure Machine Learning?

Construtor computeTarget de classe.

Recupere uma representação na nuvem de um objeto de computação associado ao workspace fornecido. Retorna uma instância de uma classe filho correspondente ao tipo específico do objeto compute recuperado.

ContainerRegistry

Define uma conexão com um Registro de Contêiner do Azure.

Construtor ContainerRegistry de classe.

Dataset

Representa um recurso para explorar, transformar e gerenciar dados no Azure Machine Learning.

Um conjunto de dados é uma referência a dados em uma Datastore ou por trás de URLs da Web públicas.

Para métodos preteridos nesta classe, verifique AbstractDataset a classe para obter as APIs aprimoradas.

Há suporte para os seguintes tipos de conjuntos de dados:

  • TabularDataset representa dados em um formato tabular criado analisando o arquivo fornecido ou a lista de arquivos.

  • FileDataset faz referência a arquivos únicos ou múltiplos em armazenamentos de dados ou de URLs públicas.

Para começar a usar conjuntos de dados, consulte o artigo Adicionar ®istrar conjuntos de dados ou ver os blocos https://aka.ms/tabulardataset-samplenotebook de anotações e https://aka.ms/filedataset-samplenotebook.

Inicialize o objeto Dataset.

Para obter um conjunto de dados que já foi registrado no workspace, use o método get.

Datastore

Representa uma abstração de armazenamento em uma conta de armazenamento do Azure Machine Learning.

Os armazenamentos de dados são anexados a workspaces e são usados para armazenar informações de conexão para os serviços de armazenamento do Azure para que você possa se referir a eles pelo nome e não precise lembrar as informações de conexão e o segredo usados para se conectar aos serviços de armazenamento.

Exemplos de serviços de armazenamento do Azure com suporte que podem ser registrados como repositórios de dados são:

  • Contêiner de Blob do Azure

  • Partilha de Ficheiros do Azure

  • Azure Data Lake

  • Azure Data Lake Gen2

  • Banco de Dados SQL do Azure

  • Banco de Dados do Azure para PostgreSQL

  • Sistema de arquivos do Databricks

  • Banco de Dados do Azure para MySQL

Use essa classe para executar operações de gerenciamento, incluindo registrar, listar, obter e remover armazenamentos de dados. Os repositórios de dados para cada serviço são criados com os register* métodos dessa classe. Ao usar um armazenamento de dados para acessar dados, você deve ter permissão para acessar esses dados, o que depende das credenciais registradas com o armazenamento de dados.

Para obter mais informações sobre armazenamentos de dados e como eles podem ser usados no machine learning, consulte os seguintes artigos:

Obtenha um armazenamento de dados pelo nome. Essa chamada fará uma solicitação para o serviço de armazenamento de dados.

Environment

Configura um ambiente python reproduzível para experimentos de aprendizado de máquina.

Um ambiente define pacotes do Python, variáveis de ambiente e configurações do Docker que são usadas em experimentos de aprendizado de máquina, incluindo preparação de dados, treinamento e implantação em um serviço Web. Um ambiente é gerenciado e com versão em um Azure Machine Learning Workspace. Você pode atualizar um ambiente existente e recuperar uma versão para reutilização. Os ambientes são exclusivos para o workspace no qual são criados e não podem ser usados em workspaces diferentes.

Para obter mais informações sobre ambientes, consulte Criar e gerenciar ambientes reutilizáveis.

Construtor de ambiente de classe.

Experiment

Representa o principal ponto de entrada para criar e trabalhar com experimentos no Azure Machine Learning.

Um Experimento é um contêiner de avaliações que representam várias execuções de modelo.

Construtor de experimentos.

Image

Define a classe pai abstrata para imagens do Azure Machine Learning.

Essa classe é PRETERIDA. Em vez disso, use a classe Environment.

Construtor de imagem.

Essa classe é PRETERIDA. Em vez disso, use a classe Environment.

O construtor de imagem é usado para recuperar uma representação na nuvem de um objeto Image associado ao workspace fornecido. Retornará uma instância de uma classe filho correspondente ao tipo específico do objeto Image recuperado.

Keyvault

Gerencia segredos armazenados no Azure Key Vault associado a um workspace do Azure Machine Learning.

Cada workspace do Azure Machine Learning tem um Azure Key Vault associado. A classe Keyvault é um wrapper simplificado do Azure Key Vault que permite gerenciar segredos no cofre de chaves, incluindo configuração, recuperação, exclusão e listagem de segredos. Use a classe Keyvault para passar segredos para execuções remotas com segurança sem expor informações confidenciais em texto claro.

Para obter mais informações, consulte Como usar segredos em execuções de treinamento.

Construtor keyvault de classe.

LinkedService

Observação

Esta é uma classe experimental e pode mudar a qualquer momento. Consulte https://aka.ms/azuremlexperimental para obter mais informações.

Define um recurso para gerenciar a vinculação entre o workspace AML com outros serviços no Azure.

Inicializar o objeto LinkedService.

Model

Representa o resultado do treinamento de machine learning.

Um modelo é o resultado de um treinamento Run do Azure Machine Learning ou de algum outro processo de treinamento de modelo fora do Azure. Independentemente de como o modelo é produzido, ele pode ser registrado em um workspace, onde é representado por um nome e uma versão. Com a classe Model, você pode empacotar modelos para uso com o Docker e implantá-los como um ponto de extremidade em tempo real que pode ser usado para solicitações de inferência.

Para obter um tutorial de ponta a ponta mostrando como os modelos são criados, gerenciados e consumidos, consulte Treinar modelo de classificação de imagem com dados MNIST e scikit-learn usando o Azure Machine Learning.

Construtor de modelo.

O construtor Model é usado para recuperar uma representação na nuvem de um objeto Model associado ao workspace fornecido. Deve fornecer nome ou ID.

PrivateEndPoint

Define um ponto de extremidade privado para gerenciar conexões de ponto de extremidade privado associadas a um workspace do Azure ML.

Inicializar PrivateEndPoint.

PrivateEndPointConfig

Define a configuração de um Ponto de Extremidade Privado do Azure.

O Ponto de Extremidade Privado do Azure é uma interface de rede que conecta você de forma privada e segura a um workspace do Azure ML com Link Privado.

Inicializar PrivateEndPointConfig.

Run

Define a classe base para todas as execuções de experimento do Azure Machine Learning.

Uma execução representa uma única avaliação de um experimento. As execuções são usadas para monitorar a execução assíncrona de uma avaliação, as métricas de log e a saída do armazenamento da avaliação e para analisar os resultados e os artefatos de acesso gerados pela avaliação.

Os objetos de execução são criados quando você envia um script para treinar um modelo em muitos cenários diferentes no Azure Machine Learning, incluindo execuções do HyperDrive, execuções de pipeline e execuções de AutoML. Um objeto Run também é criado quando você submit ou start_logging com a Experiment classe.

Para começar a usar experimentos e execuções, confira

Inicialize o objeto Executar.

RunConfiguration

Representa a configuração para execuções de experimento direcionadas a destinos de computação diferentes no Azure Machine Learning.

O objeto RunConfiguration encapsula as informações necessárias para enviar uma execução de treinamento em um experimento. Normalmente, você não criará um objeto RunConfiguration diretamente, mas obterá um de um método que o retorna, como o submit método da Experiment classe.

RunConfiguration é uma configuração de ambiente base que também é usada em outros tipos de etapas de configuração que dependem do tipo de execução que você está disparando. Por exemplo, ao configurar um PythonScriptStepobjeto RunConfiguration da etapa, você pode acessar as dependências do Conda ou acessar as propriedades do ambiente para a execução.

Para obter exemplos de configurações de execução, consulte Selecionar e usar um destino de computação para treinar seu modelo.

Inicialize um RunConfiguration com as configurações padrão.

ScriptRun

Fornece acesso programático para gerenciar execuções de treinamento enviadas.

Uma execução enviada representa ScriptRunConfig uma única avaliação em um experimento. Enviar a execução retorna um objeto ScriptRun, que pode ser usado para monitorar a execução assíncrona da execução, as métricas de log e a saída do repositório da execução e analisar resultados e artefatos de acesso gerados pela execução.

Para começar a usar experimentos e ScriptRunConf, consulte

Construtor ScriptRun de classe.

ScriptRunConfig

Representa as informações de configuração para enviar uma execução de treinamento no Azure Machine Learning.

Um ScriptRunConfig agrupa as informações de configuração necessárias para enviar uma execução no Azure ML, incluindo o script, o destino de computação, o ambiente e as configurações específicas do trabalho distribuído.

Depois que uma execução de script é configurada e enviada com a submit.ScriptRun

Construtor ScriptRunConfig de classe.

SynapseWorkspaceLinkedServiceConfiguration

Observação

Esta é uma classe experimental e pode mudar a qualquer momento. Consulte https://aka.ms/azuremlexperimental para obter mais informações.

Define uma configuração de serviço vinculado para vincular o workspace do synapse.

Inicialize o objeto SynapseWorkspaceLinkedServiceConfiguration.

Webservice

Define a funcionalidade base para implantar modelos como pontos de extremidade de serviço Web no Azure Machine Learning.

O construtor de serviço Web é usado para recuperar uma representação na nuvem de um objeto de serviço Web associado ao Workspace fornecido. Retorna uma instância de uma classe filho correspondente ao tipo específico do objeto webservice recuperado. A classe webservice permite implantar modelos de machine learning de um objeto ou Model de um Image objeto.

Para obter mais informações sobre como trabalhar com o Webservice, consulte Implantar modelos com o Azure Machine Learning.

Inicialize a instância do Webservice.

O construtor do Webservice recupera uma representação na nuvem de um objeto webservice associado ao workspace fornecido. Ele retornará uma instância de uma classe filho correspondente ao tipo específico do objeto webservice recuperado.

Workspace

Define um recurso do Azure Machine Learning para gerenciar artefatos de treinamento e implantação.

Um Workspace é um recurso fundamental para aprendizado de máquina no Azure Machine Learning. Você usa um workspace para experimentar, treinar e implantar modelos de machine learning. Cada workspace está vinculado a uma assinatura do Azure e a um grupo de recursos e tem um SKU associado.

Para obter mais informações sobre workspaces, consulte:

Construtor de workspace de classe para carregar um workspace existente do Azure Machine Learning.

diagnostic_log

Direciona os logs de depuração para um arquivo especificado.

Funções

attach_legacy_compute_target

Anexa um destino de computação a este projeto.

attach_legacy_compute_target(experiment, source_directory, compute_target)

Parâmetros

Nome Description
experiment
Obrigatório
source_directory
Obrigatório
str
compute_target
Obrigatório
str

Um objeto de destino de computação a ser anexado.

Retornos

Tipo Description

Nenhum se a anexação for bem-sucedida, caso contrário, gerará uma exceção.

get_run

Obtenha a execução deste experimento com sua ID de execução.

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

Parâmetros

Nome Description
experiment
Obrigatório

O experimento que contém.

run_id
Obrigatório

A ID de execução.

rehydrate
<xref:boolean>

Indica se o objeto de execução original é retornado ou apenas um objeto de execução base. Se True, essa função retornará o tipo de objeto de execução original. Por exemplo, para uma execução de AutoML, um AutoMLRun objeto é retornado, enquanto para uma execução do HyperDrive, um HyperDriveRun objeto é retornado.

Se False, a função retornará um Run objeto.

Valor padrão: True
clean_up

Se for verdadeiro, chame _register_kill_handler de run_base

Valor padrão: True

Retornos

Tipo Description
Run

A execução enviada.

is_compute_target_prepared

Verifique se o destino de computação está preparado.

Verifica se o destino de computação, especificado em run_config, já está preparado ou não para a configuração de execução especificada.

is_compute_target_prepared(experiment, source_directory, run_config)

Parâmetros

Nome Description
experiment
Obrigatório
source_directory
Obrigatório
str
run_config
Obrigatório

A configuração de execução. Pode ser um nome de configuração de execução, como cadeia de caracteres, ou um objeto azureml.core.runconfig.RunConfiguration.

Retornos

Tipo Description

True, se o destino de computação estiver preparado.

prepare_compute_target

Prepare o destino de computação.

Instala todos os pacotes necessários para uma execução de experimento com base em run_config e custom_run_config.

prepare_compute_target(experiment, source_directory, run_config)

Parâmetros

Nome Description
experiment
Obrigatório
source_directory
Obrigatório
str
run_config
Obrigatório

A configuração de execução. Pode ser um nome de configuração de execução, como cadeia de caracteres, ou um objeto azureml.core.runconfig.RunConfiguration.

Retornos

Tipo Description

Um objeto de execução

remove_legacy_compute_target

Remova um destino de computação do projeto.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parâmetros

Nome Description
experiment
Obrigatório
source_directory
Obrigatório
str
compute_target_name
Obrigatório
str

Retornos

Tipo Description

Nenhum se a remoção do destino de computação for bem-sucedida, caso contrário, gerará uma exceção.