core Pacote
Contém pacotes principais, módulos e classes para o Azure Machine Learning.
As principais áreas incluem o gerenciamento de destinos de computação, criação/gerenciamento de workspaces e experimentos e envio/acesso a execuções de modelo e execução de saída/registro em log.
Pacotes
compute |
Este pacote contém as classes usadas para gerenciar os destinos de computação no Azure Machine Learning. Para saber como escolher destinos de computação para treinamento e implantação, confira O que são destinos de computação no Azure Machine Learning? |
image |
Contém a funcionalidade para gerenciar imagens implantadas como pontos de extremidade de serviço Web no Azure Machine Learning. Essa classe foi PRETERIDA. Use a classe Environment em seu lugar. 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 de chave desse pacote são a classe Image, a classe pai das imagens do Azure Machine Learning e a classe ContainerImage derivada para imagens do Docker, além de imagens de visualização como FPGA. A menos que você tenha um fluxo de trabalho que exija especificamente o uso de imagens, você deve usar a classe Environment para definir a imagem. Em seguida, você pode usar o objeto de ambiente com o método Model Para obter informações sobre como usar a classe Modelo, consulte Implantar modelos com o Azure Machine Learning. Para obter informações sobre como usar imagens personalizadas, consulte Implantar um modelo usando uma imagem de base personalizada do Docker. |
webservice |
Contém a funcionalidade para implantar os modelos de machine learning como pontos de extremidade de serviço Web no Azure Machine Learning. A implantação de 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 quando implanta um Model ou Image em Instâncias de Contêiner do Azure (módulo aci), Serviço de Kubernetes do Azure (módulo aks) e AksEndpoint (Ponto de Extremidade do Kubernetes do Azure) ou FPGA (matrizes de portas programáveis no 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 a funcionalidade para gerenciar tipos diferentes de autenticação no Azure Machine Learning. Tipos de autenticação com suporte:
Para saber mais sobre esses mecanismos de autenticação, consulte https://aka.ms/aml-notebook-auth. |
compute_target |
Contém a 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 escale verticalmente ou horizontalmente a experimentação do machine learning aproveitando os recursos acelerados de processamento de CPU e GPU. Para obter informações sobre destinos de computação gerenciados pelo Azure Machine Learning, consulte a classe ComputeTarget. Para obter mais informações, confira O que são destinos de computação no Azure Machine Learning? |
conda_dependencies |
Contém funcionalidade para gerenciar dependências de ambiente conda. Use a classe CondaDependencies para carregar arquivos de ambiente conda existentes e configurar e gerenciar novos ambientes onde experimentos são executados. |
container_registry |
Contém a funcionalidade para gerenciar um Registro de Contêiner do Azure. |
databricks |
Contém a funcionalidade para gerenciar os 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 os conjuntos de dados do Azure Machine Learning. Este módulo contém uma funcionalidade para consumir dados brutos, gerenciar dados e realizar ações nos dados do Azure Machine Learning. Use a classe Dataset neste módulo para criar conjuntos de dados com a funcionalidade do pacote data, que contém as classes de suporte FileDataset e TabularDataset. Para começar a usar conjuntos de dados, consulte o artigo Adicionar & registrar conjuntos de dados. |
datastore |
Contém a funcionalidade para gerenciar os 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 alterna entre ambientes de desenvolvimento de nuvem locais e distribuídos. Um ambiente encapsula pacotes Python, variáveis de ambiente, configurações de software para scripts de treinamento e pontuação e tempos de execução no 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. Esse 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 do Azure Machine Learning. |
model |
Contém a funcionalidade para gerenciar modelos de machine learning no Azure Machine Learning. Com a classe Model, você pode realizar as seguintes tarefas principais:
Para obter mais informações sobre como os modelos são usados, confira Como funciona o Azure Machine Learning: arquitetura e conceitos. |
private_endpoint |
Contém a funcionalidade para definir e configurar pontos de extremidade privados do Azure. |
profile |
Contém a funcionalidade para modelos de perfil no Azure Machine Learning. |
resource_configuration |
Contém a funcionalidade para gerenciar a configuração de recursos das entidades do Azure Machine Learning. |
run |
Contém a funcionalidade para gerenciar métricas e artefatos de experimentos no Azure Machine Learning. |
runconfig |
Contém 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. Ela inclui um amplo conjunto de definições de comportamento, como se deseja usar um ambiente de Python existente ou usar um ambiente de 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 as execuções de treinamento enviadas no Azure Machine Learning. |
script_run_config |
Contém a funcionalidade para gerenciar a configuração de envio de execuções de treinamento no Azure Machine Learning. |
util |
Contém a classe para especificar o nível de detalhes do registro em log. |
workspace |
Contém a funcionalidade para gerenciar um workspace, o recurso de nível superior no Azure Machine Learning. Esse módulo contém a classe Workspace, os métodos e os atributos que permitem gerenciar artefatos de machine learning, 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 método 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 recurso/ambiente de computação designado em que você executa um script de treinamento ou hospeda a implantação do serviço. Esse local pode ser seu computador local ou um recurso de computação baseado em nuvem. Para obter mais informações, confira O que são destinos de computação no Azure Machine Learning? Construtor ComputeTarget de classe. Recupere uma representação na nuvem de um objeto Compute 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 aos dados em um Datastore ou por trás de URLs da Web pública. Para métodos preteridos nessa classe, verifique a classe AbstractDataset para ver as APIs aprimoradas. Há suporte para os seguintes tipos de Conjuntos de dados:
Para começar a usar conjuntos de dados, confira o artigo Adicionar & registrar conjuntos de dados ou ver os notebooks https://aka.ms/tabulardataset-samplenotebook e https://aka.ms/filedataset-samplenotebook. Inicialize o objeto Dataset. Para obter um conjunto de dados que já foi registrado com o workspace, use o método get. |
Datastore |
Representa uma abstração de armazenamento de uma conta de armazenamento do Azure Machine Learning. Os armazenamentos de dados são anexados a workspaces e usados para armazenar informações de conexão aos serviços de armazenamento do Azure, para que você possa consultá-los pelo nome e não precise se lembrar das informações de conexão e do segredo usado para se conectar aos serviços de armazenamento. Os exemplos de serviços de armazenamento do Azure compatíveis que podem ser registrados como armazenamentos de dados são:
Use essa classe para executar operações de gerenciamento, incluindo registrar, listar, obter e remover os armazenamentos de dados.
Os armazenamentos de dados para cada serviço são criados com os métodos Para obter mais informações sobre os armazenamentos de dados e como eles podem ser usados no machine learning, consulte os seguintes artigos: Obter um armazenamento de dados por nome. Essa chamada fará uma solicitação para o serviço de armazenamento de dados. |
Environment |
Configura um ambiente do Python reproduzível para experimentos de aprendizado de máquina. Um ambiente define pacotes Python, variáveis de ambiente e configurações do Docker que são usadas em experimentos de aprendizado de máquina, inclusive na preparação de dados, treinamento e implantação em um serviço Web. Um ambiente é gerenciado e tem versão em um Azure Machine Learning Workspace. Você pode atualizar um ambiente existente e recuperar uma versão a ser reutilizada. Os ambientes são exclusivos para o workspace em que são criados e não podem ser usados em diferentes workspaces. Para obter mais informações sobre ambientes, consulte Criar e gerenciar ambientes reutilizáveis. Construtor de Ambiente de Classe. |
Experiment |
Representa o ponto de entrada principal para criar experimentos e trabalhar com eles no Azure Machine Learning. Um Experimento é um contêiner de avaliações que representa várias execuções de modelo. Construtor de experimentos. |
Image |
Define a classe pai abstrata para Imagens do Azure Machine Learning. Essa classe foi PRETERIDA. Use a classe Environment em seu lugar. Construtor de imagem. Essa classe foi PRETERIDA. Use a classe Environment em seu lugar. 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 os 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 a você 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 não criptografado. Para obter mais informações, consulte Usar segredos em execuções de treinamento. Construtor keyvault de classe. |
LinkedService |
Observação Essa 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 do AML e outros serviços no Azure. Inicialize o objeto LinkedService. |
Model |
Representa o resultado do treinamento do Machine Learning. Um modelo é o resultado de um treinamento do Azure Machine Learning Run ou 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 completo mostrando como os modelos são criados, gerenciados e consumidos, consulte Treinar modelo de classificação de imagem com dados do 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 o nome ou a 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 para um ponto de extremidade privado do Azure. O ponto de extremidade privado do Azure é um adaptador de rede que conecta você de maneira privada e segura a um workspace do Azure ML com Link Privado. Inicialize 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. Execuções são usadas para monitorar a execução assíncrona de uma avaliação, registrar métricas e armazenar saída dessa avaliação, bem como analisar resultados e acessar artefatos gerados por ela. Os objetos de execução são criados quando você envia um script para treinar um modelo em vários cenários diferentes no Azure Machine Learning, incluindo execuções de HyperDrive, execuções de Pipeline e execuções de AutoML. Um objeto de Execução também é criado quando você submit ou start_logging com a classe Experiment. Para começar com experimentos e execuções, confira Inicialize o objeto Run. |
RunConfiguration |
Representa a configuração para execuções de experimentos visando diferentes destinos de computação 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 retorne, como o método submit da classe Experiment. O 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 PythonScriptStep, você pode acessar o objeto RunConfiguration da etapa e configurar 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 o acesso programático para gerenciar as execuções de treinamento enviadas. Uma execução enviada com ScriptRunConfig representa uma avaliação individual em um experimento. O envio da execução retorna um objeto ScriptRun que pode ser usado para monitorar a execução assíncrona da execução, registrar as métricas e armazenar a saída da execução e analisar os resultados e acessar os artefatos gerados pela execução. Para introdução com experimentos e ScriptRunConf, confira Construtor ScriptRun de classe. |
ScriptRunConfig |
Representa informações de configuração para enviar uma execução de treinamento no Azure Machine Learning. Um ScriptRunConfig empacota as informações de configuração necessárias para enviar uma execução no Azure Machine Learning, incluindo o script, o destino de computação, o ambiente e as configurações específicas a um trabalho distribuído. Quando uma execução de script é configurada e enviada com o submit, um ScriptRun é retornado. Construtor ScriptRunConfig de classe. |
SynapseWorkspaceLinkedServiceConfiguration |
Observação Essa 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 básica para implantar modelos como pontos de extremidade de serviço Web no Azure Machine Learning. O construtor do serviço Web é usado para recuperar uma representação em nuvem de um objeto do serviço Web associado ao workspace fornecido. Retorna uma instância de uma classe filho correspondente ao tipo específico do objeto do serviço Web recuperado. A classe do serviço Web permite implantar modelos de machine learning de um objeto Model ou Image. Para obter mais informações sobre como trabalhar com o serviço Web, consulte Implantar modelos com o Azure Machine Learning. Inicialize a instância de serviço Web. O construtor de serviço Web recupera uma representação na nuvem de um objeto de serviço Web associado ao workspace fornecido. Ele retornará uma instância de uma classe filho correspondente ao tipo específico do objeto de serviço Web recuperado. |
Workspace |
Define um recurso do Azure Machine Learning para gerenciar artefatos de treinamento e implantação. Um workspace é um recurso fundamental para machine learning no Azure Machine Learning. Use um workspace para experimentar, treinar e implantar modelos de machine learning. Cada workspace está vinculado a uma assinatura e um grupo de recursos do Azure e tem um SKU associado. Para obter mais informações sobre workspaces, confira: 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
|
|
compute_target
Obrigatório
|
Um objeto de destino de computação a ser anexado. |
Retornos
Tipo | Description |
---|---|
Nenhum se a anexação for bem-sucedida; caso contrário, uma exceção será lançada. |
get_run
Obter a execução para este experimento com a ID da execução.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parâmetros
Nome | Description |
---|---|
experiment
Obrigatório
|
O experimento que a contém. |
run_id
Obrigatório
|
A ID de execução. |
rehydrate
|
<xref:boolean>
Indica se o objeto de execução original foi retornado ou apenas um objeto de execução base. Se True, essa função retornará o tipo de objeto da execução original. Por exemplo, para uma execução do ML automatizado, um objeto AutoMLRun é retornado, enquanto para uma execução do HyperDrive, um objeto HyperDriveRun é retornado. Se False, a função retornará um objeto Run. valor padrão: True
|
clean_up
|
Se for true, chame _register_kill_handler de run_base valor padrão: True
|
Retornos
Tipo | Description |
---|---|
A execução enviada. |
is_compute_target_prepared
Verifique se o destino de computação está preparado.
Verifica se o destino de computação, especificado no 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
|
|
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 do 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
|
|
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
|
|
compute_target_name
Obrigatório
|
|
Retornos
Tipo | Description |
---|---|
Nenhum se a remoção do destino de computação for bem-sucedida; caso contrário, uma exceção será lançada. |
Comentários
https://aka.ms/ContentUserFeedback.
Em breve: Ao longo de 2024, eliminaremos os problemas do GitHub como o mecanismo de comentários para conteúdo e o substituiremos por um novo sistema de comentários. Para obter mais informações, consulteEnviar e exibir comentários de