Compartilhar via


core Pacote

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

As principais áreas incluem o gerenciamento de destinos de computação, a criação/gerenciamento de workspaces e experimentos e o envio/acesso a execuções de modelo e a saídas/registros em log das execuções.

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 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 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 o FPGA.

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

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), no Serviço de Kubernetes do Azure (módulo aks), no AksEndpoint (Ponto de Extremidade do Kubernetes do Azure) ou no FPGA (matrizes de portas 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 os casos 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:

  • 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 de ML automatizado.
  • 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 as execuções enviadas.

Para saber mais sobre esses mecanismos de autenticação, confira 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, confira 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 e 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:

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

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 funcionalidade para criar perfis de modelos 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 mais importante 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?

Classe ComputeTarget.

Recupere uma representação de 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.

Classe ContainerRegistry construtor.

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 que podem ser acessados por meio 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:

  • TabularDataset representa dados em um formato tabular criado pela análise do arquivo fornecido ou da lista de arquivos.

  • FileDataset faz referência a um ou vários arquivos em repositórios de armazenamento ou de URLs públicas.

Para começar a usar conjuntos de dados, consulte o artigo Adicionar e registrar conjuntos de dados ou consulte os blocos de anotações 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 no 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:

  • Contêiner de Blob do Azure

  • Compartilhamento de arquivos 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 os armazenamentos de dados. Os armazenamentos de dados para cada serviço são criados com os métodos register* dessa classe. Ao usar um armazenamento de dados para acessar os dados, você deverá ter permissão para acessá-los, o que depende das credenciais registradas no armazenamento de dados.

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 ao serviço de armazenamento de dados.

Environment

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

Um ambiente define pacotes Python, variáveis de ambiente e configurações do Docker que são usados em experimentos de aprendizado de máquina, inclusive na preparação de dados, no treinamento e na 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 experimento.

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 Image é usado para recuperar uma representação de 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 do Keyvault de classe.

LinkedService

Observação

Essa é uma classe experimental que pode ser alterada 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 de 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.

Inicialize 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 um teste único de um experimento. Execuções são usadas para monitorar a realização assíncrona de um teste, registrar métricas e armazenar a saída do teste, bem como analisar os resultados e acessar os artefatos gerados por ele.

Os objetos de execução são criados ao enviar um script para treinar um modelo em diversos cenários diferentes no Azure Machine Learning, incluindo execuções de HyperDrive, pipeline e AutoML. Um objeto de execução também é criado ao usar submit ou start_logging com a classe Experiment.

Para começar a usar experimentos e execuções, confira

Inicialize o objeto Run.

RunConfiguration

Representa a configuração de execuções de experimentos que visam 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 o obterá retornado por algum método, como o método submit da classe Experiment.

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 que pode ser alterada 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 saber como trabalhar com o serviço Web, confira Implantar modelos com o Azure Machine Learning.

Inicialize a instância do serviço Web.

O construtor Webservice recupera uma representação de nuvem de um objeto Webservice associado ao espaço de trabalho 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 de 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 a um grupo de recursos do Azure e tem um SKU associado.

Para obter mais informações sobre workspaces, confira:

Construtor de Espaço de Trabalho de Classe para carregar um Espaço de Trabalho do Azure Machine Learning existente.

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, 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 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 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
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 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
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, uma exceção será lançada.