ContainerImage Classe
Representa uma imagem de contentor, atualmente apenas para imagens do Docker.
Esta classe foi preterida. Em alternativa, utilize a Environment classe .
A imagem contém as dependências necessárias para executar o modelo, incluindo:
O runtime
Definições de ambiente python especificadas num ficheiro Conda
Capacidade de ativar o suporte de GPU
Ficheiro Docker personalizado para comandos de execução específicos
Construtor de imagens.
Esta classe foi preterida. Em alternativa, utilize a Environment classe .
O construtor de imagens é utilizado para obter uma representação na cloud de um objeto Imagem associado à área de trabalho fornecida. Devolverá uma instância de uma classe subordinada correspondente ao tipo específico do objeto Imagem obtido.
- Herança
-
ContainerImage
Construtor
ContainerImage(workspace, name=None, id=None, tags=None, properties=None, version=None)Parâmetros
- name
- str
O nome da Imagem a obter. Devolverá a versão mais recente, se existir
- tags
- list
Irá filtrar os Resultados da imagem com base na lista fornecida, por "chave" ou "[chave, valor]". Por exemplo: ['key', ['key2', 'key2 value']]
- properties
- list
Irá filtrar os Resultados da imagem com base na lista fornecida, por "chave" ou "[chave, valor]". Por exemplo: ['key', ['key2', 'key2 value']]
- version
- str
Quando a versão e o nome forem especificados, devolverá a versão específica da Imagem.
Observações
Um ContainerImage é obtido com o construtor de Image classes ao transmitir o nome ou id de um ContainerImage criado anteriormente. O seguinte exemplo de código mostra uma Obtenção de imagem de uma Área de Trabalho por nome e ID.
container_image_from_name = Image(workspace, name="image-name")
container_image_from_id = Image(workspace, id="image-id")
Para criar uma nova Configuração de imagem a utilizar numa implementação, crie um ContainerImageConfig objeto conforme mostrado no seguinte exemplo de código:
from azureml.core.image import ContainerImage
image_config = ContainerImage.image_configuration(execution_script="score.py",
runtime="python",
conda_file="myenv.yml",
description="image for model",
cuda_version="9.0"
)
Métodos
| image_configuration |
Criar e devolver um ContainerImageConfig objeto. Esta função aceita parâmetros para definir a forma como o modelo deve ser executado no Webservice, bem como o ambiente específico e as dependências de que precisa para ser executado. |
| run |
Execute a imagem localmente com os dados de entrada indicados. Tem de ter o Docker instalado e em execução para funcionar. Este método só funcionará na CPU, uma vez que a imagem ativada para GPU só pode ser executada nos Serviços do Microsoft Azure. |
| serialize |
Converta este objeto ContainerImage num dicionário serializado JSON. |
image_configuration
Criar e devolver um ContainerImageConfig objeto.
Esta função aceita parâmetros para definir a forma como o modelo deve ser executado no Webservice, bem como o ambiente específico e as dependências de que precisa para ser executado.
static image_configuration(execution_script, runtime, conda_file=None, docker_file=None, schema_file=None, dependencies=None, enable_gpu=None, tags=None, properties=None, description=None, base_image=None, base_image_registry=None, cuda_version=None)Parâmetros
- execution_script
- str
Caminho para o ficheiro Python local que contém o código a executar para a imagem. Tem de incluir funções init() e run(input_data) que definem os passos de execução do modelo para o Serviço Web.
- runtime
- str
O runtime a utilizar para a imagem. Os runtimes suportados atuais são "spark-py" e "python".
- conda_file
- str
Caminho para o ficheiro .yml local que contém uma definição de ambiente Conda a utilizar para a imagem.
- docker_file
- str
Caminho para o ficheiro local que contém passos adicionais do Docker a executar ao configurar a imagem.
- schema_file
- str
Caminho para o ficheiro local que contém um esquema de webservice a utilizar quando a imagem é implementada. Utilizado para gerar especificações do Swagger para uma implementação de modelo.
Lista de caminhos para ficheiros/pastas adicionais que a imagem precisa de executar.
- enable_gpu
- bool
Se quer ativar ou não o suporte de GPU na imagem. A imagem de GPU tem de ser utilizada nos Serviços do Microsoft Azure, como Azure Container Instances, Computação do Azure Machine Learning, Máquinas Virtuais do Azure e Azure Kubernetes Service. Predefinições para Falso
Dicionário de etiquetas de valor de chave para dar esta imagem.
Dicionário de propriedades de valor de chave para dar esta imagem. Estas propriedades não podem ser alteradas após a implementação, no entanto, podem ser adicionados novos pares de valores chave.
- base_image
- str
Uma imagem personalizada a ser utilizada como imagem de base. Se não for dada nenhuma imagem de base, a imagem de base será utilizada com base num determinado parâmetro de runtime.
- base_image_registry
- ContainerRegistry
Registo de imagens que contém a imagem de base.
- cuda_version
- str
Versão do CUDA para instalar para imagens que necessitem de suporte de GPU. A imagem de GPU tem de ser utilizada nos Serviços do Microsoft Azure, como Azure Container Instances, Computação do Azure Machine Learning, Máquinas Virtuais do Azure e Azure Kubernetes Service. As versões suportadas são 9.0, 9.1 e 10.0. Se "enable_gpu" estiver definido, a predefinição é "9.1".
Devoluções
Um objeto de configuração a utilizar ao criar a imagem.
Tipo de retorno
Exceções
run
Execute a imagem localmente com os dados de entrada indicados.
Tem de ter o Docker instalado e em execução para funcionar. Este método só funcionará na CPU, uma vez que a imagem ativada para GPU só pode ser executada nos Serviços do Microsoft Azure.
run(input_data)Parâmetros
- input_data
- <xref:varies>
Os dados de entrada a transmitir à imagem quando são executados
Devoluções
Os resultados da execução da imagem.
Tipo de retorno
Exceções
serialize
Converta este objeto ContainerImage num dicionário serializado JSON.
serialize()Devoluções
A representação JSON deste ContainerImage.
Tipo de retorno
Exceções
Comentários
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja: https://aka.ms/ContentUserFeedback.
Submeter e ver comentários