core Pacote

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

As principais áreas incluem o gerenciamento de alvos de computação, a criação/gerenciamento de espaços de trabalho e experimentos e o envio/acesso a execuções de modelos e saídas/registros de execução.

Pacote

compute	Este 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 que são implantadas como pontos de extremidade de serviço Web no Aprendizado de Máquina do Azure. Esta classe é DEPRECATED. Em vez disso, use a Environment classe. Uma Imagem é usada para implantar um Modelscript , 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 principais classes deste 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 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 Environment classe 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 Model package() para criar uma imagem que pode ser baixada para sua 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 funcionalidade para implantar modelos de aprendizado de máquina 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 para Instâncias de Contêiner do Azure (aci módulo), Serviço Kubernetes do Azure (aks módulo) e Ponto de Extremidade do Kubernetes do Azure (AksEndpoint) ou matrizes de porta programáveis em campo (FPGA). 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 são suportados nas classes deste módulo.

Módulos

authentication	Contém funcionalidade para gerenciar diferentes tipos de autenticação no Azure Machine Learning. Tipos de autenticação suportados: 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 . Service Principal - Para uso com fluxos de trabalho automatizados de aprendizado de máquina. 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 apenas 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-lhe aumentar ou expandir facilmente a sua experiência de aprendizagem automática tirando partido das capacidades 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 funcionalidade para gerenciar dependências de ambiente conda. Use a CondaDependencies classe para carregar arquivos de ambiente conda existentes e configurar e gerenciar novos ambientes onde os experimentos são executados.
container_registry	Contém funcionalidade para gerenciar um Registro de Contêiner do Azure.
databricks	Contém funcionalidade para gerenciar ambientes Databricks no Azure Machine Learning. Para obter mais informações sobre como trabalhar com 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 fornece funcionalidade para consumir dados brutos, gerenciar dados e executar ações em dados no Aprendizado de Máquina do Azure. Use a Dataset classe neste módulo para criar conjuntos de dados junto com a data funcionalidade no pacote, que contém as classes FileDataset de suporte e TabularDataset. Para começar a usar conjuntos de dados, consulte o artigo Adicionar & registrar conjuntos de dados.
datastore	Contém funcionalidade para gerenciar Datastores no Azure Machine Learning.
environment	Contém funcionalidade para criar e gerenciar ambientes reproduzíveis no Azure Machine Learning. Os ambientes fornecem uma maneira de gerenciar a dependência de software para que os 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 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 funcionalidade para gerenciar segredos no Cofre da Chave associado a um espaço de trabalho do Azure Machine Learning. Este módulo contém métodos de conveniência para adicionar, recuperar, excluir e listar segredos do Cofre de Chaves do Azure associado a um espaço de trabalho.
linked_service	Contém funcionalidade para criar e gerenciar o serviço vinculado no espaço de trabalho AML.
model	Contém funcionalidade para gerenciar modelos de aprendizado de máquina no Azure Machine Learning. Com a Model classe, você pode realizar as seguintes tarefas principais: Registe o seu modelo com uma área de trabalho Crie o perfil do seu modelo para entender os requisitos de implantação empacotar seu modelo para uso com o Docker Implante 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 funciona o Azure Machine Learning: arquitetura e conceitos.
private_endpoint	Contém 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 funcionalidade para gerenciar a configuração de recursos para entidades do Azure Machine Learning.
run	Contém funcionalidade para gerenciar métricas e artefatos de experimento 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. A configuração inclui um amplo conjunto de definições de comportamento, como usar um ambiente Python existente ou um ambiente Conda construído a partir de uma especificação. Outras classes de configuração no módulo são acessadas através de RunConfiguration.
script_run	Contém funcionalidade para gerenciar execuções de treinamento enviadas no Azure Machine Learning.
script_run_config	Contém funcionalidade para gerenciar a configuração para enviar execuções de treinamento no Azure Machine Learning.
util	Contém classe para especificar o nível de detalhe do log.
workspace	Contém funcionalidade para gerenciar um espaço de trabalho, 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 espaço de trabalho está vinculado a uma assinatura do Azure e a um grupo de recursos e é o principal meio de cobrança. Os espaços de trabalho dão suporte ao RBAC (controle de acesso baseado em função) do Azure Resource Manager e à afinidade de região para todos os dados de aprendizado de máquina salvos no espaço de trabalho.

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 onde você executa seu script de treinamento ou hospeda sua implantação de serviço. Esse local pode ser sua máquina local ou um recurso de computação baseado em nuvem. Para obter mais informações, consulte O que são destinos de computação no Azure Machine Learning? Classe ComputeTarget construtor. Recupere uma representação na nuvem de um objeto Compute associado ao espaço de trabalho 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 a dados em uma Datastore ou atrás de urls da Web públicas. Para métodos preteridos nesta classe, verifique AbstractDataset a classe para as APIs aprimoradas. Os seguintes tipos de conjuntos de dados são suportados: TabularDataset representa dados em formato tabular que são criados ao analisar o ficheiro ou a lista de ficheiros fornecidos. FileDataset referencia ficheiros individuais ou múltiplos em arquivos de dados ou a partir de URLs públicos. Para começar a usar conjuntos de dados, consulte o artigo Adicionar & registrar conjuntos de dados ou consulte os blocos de https://aka.ms/tabulardataset-samplenotebook anotações e https://aka.ms/filedataset-samplenotebook. Inicialize o objeto Dataset. Para obter um Dataset que já tenha sido registrado no espaço de trabalho, use o método get.
Datastore	Representa uma abstração de armazenamento sobre uma conta de armazenamento do Azure Machine Learning. Os armazenamentos de dados são anexados a espaços de trabalho e são usados para armazenar informações de conexão aos 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 armazenamentos de dados são: Contentor de Blobs do Azure Partilha de Ficheiros do Azure Azure Data Lake Azure Data Lake Gen2 Base de Dados SQL do Azure Base de Dados do Azure para PostgreSQL Sistema de Ficheiros do Databricks Base de Dados do Azure para MySQL Use essa classe para executar operações de gerenciamento, incluindo registrar, listar, obter e remover armazenamentos de dados. Datastores 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 no armazenamento de dados. Para obter mais informações sobre armazenamentos de dados e como eles podem ser usados no aprendizado de máquina, consulte os seguintes artigos: Aceder aos dados nos serviços de armazenamento do Azure Treinar modelos com o Azure Machine Learning usando o estimador Criar e executar pipelines de aprendizado de máquina Obtenha 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, treinamento e implantação em um serviço Web. Um Ambiente é gerenciado e versionado em um Aprendizado Workspacede Máquina do Azure. Você pode atualizar um ambiente existente e recuperar uma versão para reutilizar. Os ambientes são exclusivos do espaço de trabalho em que são criados e não podem ser usados em espaços de trabalho diferentes. Para obter mais informações sobre ambientes, consulte Criar e gerenciar ambientes reutilizáveis. Construtor Class Environment.
Experiment	Representa o principal ponto de entrada para criar e trabalhar com experimentos no Azure Machine Learning. Um experimento é um contêiner de testes que representam várias execuções de modelo. Construtor de experimento.
Image	Define a classe pai abstrata para as Imagens do Azure Machine Learning. Esta classe é DEPRECATED. Em vez disso, use a Environment classe. Construtor de imagem. Esta classe é DEPRECATED. Em vez disso, use a Environment classe. O construtor Image é usado para recuperar uma representação na nuvem de um objeto Image associado ao espaço de trabalho fornecido. Retornará uma instância de uma classe filho correspondente ao tipo específico do objeto Image recuperado.
Keyvault	Gerencia segredos armazenados no Cofre da Chave do Azure associado a um espaço de trabalho do Azure Machine Learning. Cada espaço de trabalho do Azure Machine Learning tem um Cofre da Chave do Azure 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 não criptografado. Para obter mais informações, consulte Usando segredos em execuções de treinamento. Construtor Class Keyvault.
LinkedService	Nota Esta é uma aula experimental, e pode mudar a qualquer momento. Para obter mais informações, veja https://aka.ms/azuremlexperimental. Define um Recurso para gerenciar a vinculação entre o espaço de trabalho AML com outros serviços no Azure. Inicialize o objeto LinkedService.
Model	Representa o resultado do treinamento de aprendizado de máquina. Um modelo é o resultado de um treinamento Run de aprendizado de máquina do Azure 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 espaço de trabalho, 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 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 espaço de trabalho fornecido. Deve fornecer nome ou ID.
PrivateEndPoint	Define um ponto de extremidade privado para gerenciar conexões de ponto de extremidade privadas associadas a um espaço de trabalho 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 uma interface de rede que o conecta de forma privada e segura a um espaço de trabalho do Azure ML com o Private Link. Inicialize PrivateEndPointConfig.
Run	Define a classe base para todas as execuções de experimento do Azure Machine Learning. Uma execução representa uma única tentativa de um experimento. As execuções são usadas para monitorar a execução assíncrona de uma avaliação, registrar métricas e armazenar a saída da avaliação, além de analisar resultados e acessar artefatos gerados pela avaliação. Os objetos de execução são criados quando você envia um script para treinar um modelo em muitos cenários diferentes no Aprendizado de Máquina do Azure, incluindo execuções do HyperDrive, execuções do Pipeline e execuções do AutoML. Um objeto Run também é criado quando você submit ou start_logging com a Experiment classe. Para começar com experimentos e execuções, consulte Criar e gerenciar ambientes para treinamento e implantação Como gerenciar execuções Inicialize o objeto Run.
RunConfiguration	Representa a configuração para execuções de experimento direcionadas a diferentes destinos de computação no Aprendizado de Máquina do Azure. 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 acionando. Por exemplo, ao configurar um PythonScriptStep, você pode acessar o objeto RunConfiguration da etapa e configurar dependências 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 as execuções de treinamento enviadas. Uma execução submetida com ScriptRunConfig representa uma única tentativa em um experimento. O envio da execução retorna um objeto ScriptRun, que pode ser usado para monitorar a execução assíncrona da execução, registrar métricas e armazenar a saída da execução, além de analisar resultados e acessar artefatos gerados pela execução. Para começar com experimentos e ScriptRunConf, consulte Criar e gerenciar ambientes para treinamento e implantação Como gerenciar execuções Classe ScriptRun construtor.
ScriptRunConfig	Representa informações de configuração para enviar uma execução de treinamento no Azure Machine Learning. Um ScriptRunConfig reúne as informações de configuração necessárias para enviar uma execução no Azure ML, incluindo o script, o destino de computação, o ambiente e quaisquer configurações específicas de trabalho distribuídas. Depois que uma execução de script é configurada e enviada com o submit, a ScriptRun é retornada. Classe ScriptRunConfig construtor.
SynapseWorkspaceLinkedServiceConfiguration	Nota Esta é uma aula experimental, e pode mudar a qualquer momento. Para obter mais informações, veja https://aka.ms/azuremlexperimental. Define uma configuração de serviço vinculado para vincular o espaço de trabalho de sinapse. 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 Webservice é usado para recuperar uma representação na nuvem de um objeto Webservice associado ao espaço de trabalho fornecido. Retorna uma instância de uma classe filho correspondente ao tipo específico do objeto Webservice recuperado. A classe Webservice permite a implantação de modelos de aprendizado de máquina a partir de um Model ou Image objeto. Para obter mais informações sobre como trabalhar com Webservice, consulte Implantar modelos com o Azure Machine Learning. Inicialize a instância do Webservice. O construtor Webservice recupera uma representação na 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 Espaço de Trabalho é um recurso fundamental para o aprendizado de máquina no Azure Machine Learning. Você usa um espaço de trabalho para experimentar, treinar e implantar modelos de aprendizado de máquina. Cada espaço de trabalho está vinculado a uma assinatura do Azure e a um grupo de recursos e tem uma SKU associada. Para obter mais informações sobre espaços de trabalho, consulte: O que é um espaço de trabalho do Azure Machine Learning? Gerenciar o acesso a um espaço de trabalho Construtor de Espaço de Trabalho de Classe para carregar um Espaço de Trabalho de Aprendizado de Máquina do Azure 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

Name	Description
experiment Necessário	Experiment
source_directory Necessário	str
compute_target Necessário	str Um objeto de destino de computação a ser anexado.

Devoluções

Tipo	Description
	Nenhum se a anexação for bem-sucedida, caso contrário, lançará uma exceção.

get_run

Obtenha a execução para este experimento com seu ID de execução.

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

Parâmetros

Name	Description
experiment Necessário	Experiment O experimento de contenção.
run_id Necessário	string O ID de execução.
rehydrate	<xref:boolean> Indica se o objeto run original é retornado ou apenas um objeto de execução base. Se True, essa função retorna o tipo de objeto run original. Por exemplo, para uma execução do AutoML, um AutoMLRun objeto é retornado, enquanto para uma execução do HyperDrive, um HyperDriveRun objeto é retornado. Se False, a função retorna um Run objeto. Default value: True
clean_up	bool Se verdadeiro, chame _register_kill_handler de run_base Default value: True

Devoluções

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

Name	Description
experiment Necessário	Experiment
source_directory Necessário	str
run_config Necessário	str ou RunConfiguration A configuração de execução. Pode ser um nome de configuração de execução, como string, ou um objeto azureml.core.runconfig.RunConfiguration.

Devoluções

Tipo	Description
bool	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

Name	Description
experiment Necessário	Experiment
source_directory Necessário	str
run_config Necessário	str ou RunConfiguration A configuração de execução. Pode ser um nome de configuração de execução, como string, ou um objeto azureml.core.runconfig.RunConfiguration.

Devoluções

Tipo	Description
ScriptRun	Um objeto run

remove_legacy_compute_target

Remova um destino de computação do projeto.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parâmetros

Name	Description
experiment Necessário	Experiment
source_directory Necessário	str
compute_target_name Necessário	str

Devoluções

Tipo	Description
None	Nenhum se a remoção do destino de computação for bem-sucedida, caso contrário, lançará uma exceção.