Заметки о выпуске пакета SDK Python для Машинного обучения Azure

В этой статье рассказывается о выпусках пакета SDK Python службы "Машинное обучение Azure". Полное справочное содержание о пакетах SDK доступно на основной странице пакета SDK Python службы "Машинное обучение Azure".

RSS-канал: получение уведомлений при обновлении этой страницы путем копирования и вставки следующего URL-адреса в средство чтения веб-каналов: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

AutoML поддерживает scikit-learn версии 1.5.1

2024-04-29

пакет SDK Машинное обучение Azure для Python версии 1.56.0

• azureml-core
• azureml-defaults
  • Наткнулся на пин-код azureml-inference-server-http до версии 1.0.0 в azureml-defaults.
• azureml-interpret
  • обновлен пакет azureml-interpret для интерпретации-community 0.31.*
• azureml-responsibleai
  • обновлена общая среда и пакет azureml-responsibleai до raiwidgets и responsibleai 0.33.0
  • Увеличение версий зависимостей responsibleai и fairlearn

2024-01-29

пакет SDK Машинное обучение Azure для Python версии 1.55.0

• azureml-core
• azureml-defaults
  • Наткнулся на пин-код azureml-inference-server-http до версии 1.0.0 в azureml-defaults.
• azureml-interpret
  • обновлен пакет azureml-interpret для интерпретации-community 0.31.*
• azureml-responsibleai
  • обновлена общая среда и пакет azureml-responsibleai до raiwidgets и responsibleai 0.33.0
  • Увеличение версий зависимостей responsibleai и fairlearn

2023-11-13

• azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
  • statsmodels, pandas и scipy были обновлены до версий 1.13, 1.3.5 и 1.10.1 - fbprophet 0.7.1 было заменено пророком 1.1.4 при загрузке модели в локальной среде, версии этих пакетов должны соответствовать тому, на что была обучена модель.
• azureml-core, azureml-pipeline-core, azureml-pipeline-steps
  • AzureML-Pipeline — добавьте предупреждение для init_scripts параметра на шаге Databricks, оповещав вас о предстоящем удалении.
• azureml-interpret
  • обновлен пакет azureml-interpret, чтобы интерпретировать сообщество 0.30.*
• azureml-mlflow
  • feat: добавьте AZUREML_BLOB_MAX_SINGLE_PUT_SIZE для управления размером в байтах блоков отправки. Снижение этого значения по умолчанию (64*1024*1024 то есть 64 МБ) может устранить проблемы, при которых операции записи завершаются сбоем из-за времени ожидания.
  • Поддержка отправки и скачивания моделей из реестров AzureML в настоящее время экспериментальна
  • Добавление поддержки для пользователей, которые хотят скачать или отправить модель из реестров AML

2023-08-21

пакет SDK Машинное обучение Azure для Python версии 1.53.0

• azureml-automl-core
  • Поддержка функций и регрессоров, известных во время прогнозирования в моделях TCN для автоматического прогнозирования.
• azureml-automl-dnn-vision
  • Включение флагов для log_training_metrics и log_validation_loss для обнаружения объектов automl и сегментации экземпляров
• azureml-contrib-automl-dnn-forecasting
  • Поддержка функций и регрессоров, известных во время прогнозирования в моделях TCN для автоматического прогнозирования.
• azureml-core
  • Python 3.7 достиг конца жизни 27 июня 2023 года. Следовательно, 3.7 не рекомендуется использовать в azureml-core, начиная с октября 2023 года, и azureml-core завершит поддержку 3.7 в феврале 2024 года.
• azureml-mlflow
  • Исправлена загрузка моделей с помощью API-интерфейсов MLflow load_model при передаче URI AzureML
• azureml-pipeline-core
  • Пропустить ошибку дочернего запуска и журнала при сбое загрузки дочернего запуска (например, 404) с помощью PipelineRun.get_pipeline_runs.
  • PipelineEndpoint.list представляет новый параметр max_resultsint, указывающий максимальный размер возвращаемого списка. Значение max_results по умолчанию равно 100.
• azureml-training-tabular
  • Поддержка функций и регрессоров, известных во время прогнозирования в моделях TCN для автоматического прогнозирования.

2023-06-26

пакет SDK Машинное обучение Azure для Python версии 1.52.0

• azureml-automl-dnn-vision
  • Сигнатура mlflow для моделей автомлем среды выполнения (устаревшая версия) изменилась, чтобы принять двоичные входные данные. Это позволяет пакетным выводом. Функция прогнозирования является обратно совместимой, чтобы пользователи по-прежнему могли отправлять строки base64 в качестве входных данных. Выходные данные из функции прогнозирования изменились, чтобы удалить временное имя файла и пустое визуализации и ключ атрибуции, когда объяснение модели равно n...
• azureml-contrib-automl-dnn-forecasting
  • Исправлена ошибка, которая вызвала сбои во время распределенного обучения TCN, когда данные состоят из одного временных рядов.
• azureml-interpret
  • удаление пин-кода формы в azureml-интерпретации для обновления до последней версии в интерпретируемом сообществе
• azureml-responsibleai
  • обновлена общая среда и пакет azureml-responsibleai до raiwidgets и responsibleai 0.28.0

2023-05-20

пакет SDK Машинное обучение Azure для Python версии 1.51.0

• azureml-automl-core
  • Задача прогнозирования AutoML теперь поддерживает последовательное прогнозирование и частичную поддержку прогнозов квантилей для иерархических временных рядов (HTS).
  • Запрет использования не табличных наборов данных клиентам для сценариев классификации (многоклассовых и многометок)
• azureml-automl-dnn-nlp
  • Запрет использования не табличных наборов данных клиентам для сценариев классификации (многоклассовых и многометок)
• azureml-contrib-automl-pipeline-steps
  • Задача прогнозирования AutoML теперь поддерживает последовательное прогнозирование и частичную поддержку прогнозов квантилей для иерархических временных рядов (HTS).
• azureml-fsspec
  • Заменяет всех пользователей ошибками в MLTable и FSSpec настраиваемым userErrorException, импортированным из azureml-dataprep.
• azureml-interpret
  • обновлен пакет azureml-интерпретации для интерпретации-community 0.29.*
• azureml-pipeline-core
  • Исправление pipeline_version , не внося в силу при вызове pipeline_endpoint.submit().
• azureml-train-automl-client
  • Задача прогнозирования AutoML теперь поддерживает последовательное прогнозирование и частичную поддержку прогнозов квантилей для иерархических временных рядов (HTS).
• azureml-train-automl-runtime
  • Задача прогнозирования AutoML теперь поддерживает последовательное прогнозирование и частичную поддержку прогнозов квантилей для иерархических временных рядов (HTS).
• mltable
  • При загрузке файлов MLTable поддерживаются другие варианты utf-8 кодирования.
  • Заменяет всех пользователей ошибками в MLTable и FSSpec настраиваемым userErrorException, импортированным из azureml-dataprep.

2023-04-10

пакет SDK Машинное обучение Azure для Python версии 1.50.0

• azureml-contrib-automl-dnn-forecasting
  • Добавлена поддержка прогнозирования в заданных квантилях для моделей TCN.
• azureml-responsibleai
  • обновлена общая среда и пакет azureml-responsibleai до raiwidgets и responsibleai 0.26.0
• azureml-train-automl-runtime
  • Исправлена обработка MLTable для сценария тестирования модели
• azureml-training-tabular
  • Добавлены квантили в качестве параметра в методе forecast_quantile.

2023-03-01

Объявление о прекращении поддержки Python 3.7 в пакетах SDK версии 1 Машинное обучение Azure

• Признание функций нерекомендуемыми
  • Нерекомендуемая среда выполнения Python 3.7 в качестве поддерживаемой среды выполнения для пакетов SDK версии 1
    • 4 декабря 2023 г. Машинное обучение Azure официально перестанет поддерживать Python 3.7 для пакетов SDK версии 1 и отменит его в качестве поддерживаемой среды выполнения. Дополнительные сведения см. на странице политики поддержки версий Azure SDK для Python
    • По состоянию на 4 декабря 2023 г. пакеты ПАКЕТА SDK Машинное обучение Azure версии 1 больше не будут получать исправления безопасности и другие обновления для среды выполнения Python 3.7.
    • Текущие версии Python 3.7 для Машинное обучение Azure SDK версии 1 по-прежнему функционируют. Однако для продолжения получения обновлений системы безопасности и получения технической помощи Машинное обучение Azure настоятельно рекомендует переместить скрипты и зависимости в поддерживаемую версию среды выполнения Python.
    • В качестве среды выполнения для файлов пакета SDK версии 1 Машинное обучение Azure рекомендуется использовать Python версии 3.8 или более поздней.
    • Кроме того, пакеты пакета SDK версии 1 Машинное обучение Azure для Python 3.7 на основе Python 3.7 больше не требуют технической помощи.
    • Используйте Машинное обучение Azure поддержку, чтобы связаться с нами, если у вас есть какие-либо проблемы.

2023-13-02

пакет SDK Машинное обучение Azure для Python версии 1.49.0

• Критические изменения
  • Начиная с версии 1.49.0 и выше, следующие алгоритмы AutoML не будут поддерживаться.
    • Регрессия: FastLinearRegressor, OnlineGradientDescentRegressor
    • Классификация: AveragedPerceptronClassifier.
  • Используйте версию 1.48.0 или ниже, чтобы продолжить использование этих алгоритмов.
• Исправления ошибок и улучшения
  • azureml-automl-dnn-nlp
    • Журналы для отображения конечных значений, применяемых к модели и параметрам гиперпараметров, в зависимости от значений по умолчанию и заданных пользователем.
  • azureml-contrib-automl-dnn-forecasting
    • Некаларные метрики для TCNForecaster теперь отражают значения из последней эпохи.
    • Визуальные элементы прогноза горизонта для обучающего набора и тестов теперь доступны при выполнении эксперимента обучения TCN.
    • Запуски больше не завершаются ошибкой из-за ошибки "Не удалось вычислить метрики TCN". Предупреждение о том, что "Вычисление метрик прогноза привело к ошибке, отчеты о худших оценках" по-прежнему будут зарегистрированы. Вместо этого мы создадим исключение, когда мы сталкиваемся с потерей проверки inf/nan в течение более двух раз подряд с сообщением "Недопустимая модель, обучение TCN не конвергентно". Клиенты должны учитывать тот факт, что загруженные модели могут возвращать значения nan/inf в качестве прогнозов во время вывода после этого изменения.
  • azureml-core
    • Машинное обучение Azure создание рабочей области использует Log Analytics Based Application Insights для подготовки к отмене классической функции Application Insights. Пользователи, желающие использовать классические ресурсы Application Insights, по-прежнему могут указывать свои собственные возможности при создании рабочей области Машинное обучение Azure.
  • azureml-interpret
    • обновлен пакет azureml-интерпретации для интерпретации-community 0.28.*
  • azureml-mlflow
    • Обновление клиента azureml-mlflow с начальной поддержкой MLflow 2.0
  • azureml-responsibleai
    • обновлен пакет и записные книжки azureml-responsibleai до raiwidgets и responsibleai версии 0.24.0
  • azureml-sdk
    • azureml-sdk и azureml-train-automl-client теперь поддерживают Python версии 3.10
  • azureml-train-automl-client
    • azureml-sdk и azureml-train-automl-client теперь поддерживают Python версии 3.10
  • azureml-train-automl-runtime
    • Очистка отсутствующих y перед обучением
    • Очистка nan или пустых значений целевого столбца для непотоковых сценариев
    • Визуальные элементы прогноза горизонта для тестового набора теперь доступны при выполнении обучающего эксперимента.
  • azureml-train-core
    • Добавлена поддержка для клиента для предоставления пользовательского идентификатора запуска для запусков hyperdrive
  • azureml-train-restclients-hyperdrive
    • Добавлена поддержка для клиента для предоставления пользовательского идентификатора запуска для запусков hyperdrive

2022-12-05

пакет SDK Машинное обучение Azure для Python версии 1.48.0

• Критические изменения

  • Поддержка Python 3.6 не рекомендуется использовать для пакетов SDK Машинное обучение Azure.

• Исправления ошибок и улучшения

  • azureml-core
    • Учетные записи хранения, созданные в рамках создания рабочей области, теперь устанавливают общедоступный доступ к BLOB-объектам по умолчанию.
  • azureml-responsibleai
    • Обновлен пакет и записные книжки azureml-responsibleai до raiwidgets и пакетов responsibleai версии 0.23.0
    • Добавлен сериализатор моделей и модель pyfunc в пакет azureml-responsibleai для упрощения сохранения и извлечения моделей.
  • azureml-train-automl-runtime
    • Добавлена документация для параметров ManyModels и иерархических параметровTimeSeries
    • Исправлена ошибка, из-за которой созданный код не выполняет правильное разделение обучения и тестирования.
    • Исправлена ошибка, из-за которой прогнозирование созданных заданий обучения кода завершилось сбоем.

2022-10-25

пакет SDK Машинное обучение Azure для Python версии 1.47.0

• azureml-automl-dnn-nlp
  • Изменения среды выполнения для Автоматического NLP для учетной записи для фиксированных параметров обучения в рамках недавно появившейся настройки модели очистки и гиперпараметра.
• azureml-mlflow
  • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT можно использовать для управления временем ожидания отправки артефактов.
• azureml-train-automl-runtime
  • Многие модели и обучение иерархических временных рядов теперь применяют проверку параметров времени ожидания, чтобы обнаружить конфликт перед отправкой эксперимента для выполнения. Это предотвращает сбой эксперимента во время выполнения путем вызова исключения перед отправкой эксперимента.
  • Теперь клиенты могут управлять размером шага при использовании последовательного прогноза во многих моделях выводов.
  • Вывод многихModels с несекционируемыми табличными данными теперь поддерживает forecast_quantiles.

2022-09-26

пакет SDK Машинное обучение Azure для Python версии 1.46.0

• azureml-automl-dnn-nlp
  • Клиенты больше не смогут указать строку в CoNLL, которая состоит только с маркером. Строка всегда должна быть пустой новой строкой или одной с точно одним маркером, за которым следует ровно один пробел, за которым следует ровно одна метка.
• azureml-contrib-automl-dnn-forecasting
  • Существует угловой случай, когда выборки сокращаются до 1 после разделения перекрестной проверки, но sample_size по-прежнему указывает на количество до разделения и поэтому batch_size заканчивается более чем число выборок в некоторых случаях. В этом исправлении мы инициализируем sample_size после разделения
• azureml-core
  • Добавлено предупреждение об отказе при использовании API развертывания модели CLI/SDK версии 1 для развертывания моделей, а также при использовании Python версии 3.6 и меньше.
  • Ниже приведены следующие значения AZUREML_LOG_DEPRECATION_WARNING_ENABLED изменения поведения:
    • По умолчанию отображается предупреждение, если клиент использует Python 3.6 и меньше и для cli/sdk версии 1.
    • True — отображает предупреждение об отмене пакета SDK версии 1 для пакетов azureml-sdk.
    • False — отключает предупреждение об отключении пакета SDK версии 1 для пакетов azureml-sdk.
  • Команда, выполняемая для задания переменной среды, чтобы отключить сообщение об отключении:
    • Для Windows — setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False".
    • Linux — export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False".
• azureml-interpret
  • обновите пакет azureml-interpret, чтобы интерпретировать сообщество 0.27.*
• azureml-pipeline-core
  • Исправление расписания часового пояса по умолчанию в формате UTC.
  • Исправлено неправильное повторное использование при использовании SqlDataReference на шаге DataTransfer.
• azureml-responsibleai
  • обновите пакет azureml-responsibleai и курированные образы до raiwidgets и responsibleai v0.22.0
• azureml-train-automl-runtime
  • Исправлена ошибка в созданных сценариях, которые привели к неправильному отображению определенных метрик в пользовательском интерфейсе.
  • Многие модели теперь поддерживают скользящий прогноз для вывода.
  • Поддержка возврата топ-моделей N в сценарии "Многие модели".

2022-08-29

Пакет SDK для Машинного обучения Azure для Python версии 1.45.0

• azureml-automl-runtime
  • Исправлена ошибка, из-за которой столбец sample_weight не был правильно проверен.
  • Добавлен общедоступный метод rolling_forecast() в оболочки конвейера прогнозирования для всех поддерживаемых моделей прогнозирования. Этот метод заменяет устаревший метод rolling_evaluation().
  • Исправлена проблема, из-за которой задачи регрессии AutoML могли вернуться к разбиению данных для обучения и проверки для оценки модели, хотя более подходящим выбором было бы использование CV.
• azureml-core
  • Добавлен новый суффикс конфигурации облака aml_discovery_endpoint.
  • Обновлен пакет azure-storage поставщика с версии 2 до версии 12.
• azureml-mlflow
  • Добавлен новый суффикс конфигурации облака aml_discovery_endpoint.
• azureml-responsibleai
  • Обновление пакета azureml-responsibleai и курированных образов до raiwidgets и responsibleai 0.21.0
• azureml-sdk
  • Пакет azureml-sdk теперь позволяет Python 3.9.

2022-08-01

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.44.0

• azureml-automl-dnn-nlp
  • Взвешенная точность и коэффициент корреляции Мэтьюза (MCC) больше не отображаются в списке вычисляемых метрик для классификации NLP по нескольким меткам.
• azureml-automl-dnn-vision
  • Возникает ошибка пользователя, если заметка указана в недопустимом формате
• azureml-cli-common
  • Обновлено описание интерфейса командной строки версии 1
• azureml-contrib-automl-dnn-forecasting
  • Исправлено сообщение "Не удалось вычислить метрики TCN". Проблемы, вызванные TCNForecaster, когда разные временные ряды в наборе данных проверки имеют другую длину.
  • Добавлено автоматическое обнаружение идентификаторов временных рядов для моделей прогнозирования DNN, таких как TCNForecaster.
  • Исправлена ошибка с моделью прогноза TCN, из-за которой данные проверки могут оказаться повреждены в определенных обстоятельствах, когда пользователь предоставил набор для проверки.
• azureml-core
  • Разрешить настройку параметра timeout_seconds при скачивании артефактов из запуска
  • Добавлено предупреждение: Машинное обучение Azure CLI версии 1 выходит на пенсию 2025-09-. Пользователям рекомендуется перейти на CLI версии 2.
  • Исправлена проблема с возникновением исключений при отправке данных в вычислительные ресурсы, отличные от AmlCompute.
  • Добавлена поддержка контекста Docker для сред
• azureml-interpret
  • Увеличен номер версии numpy для пакетов AutoML.
• azureml-pipeline-core
  • Исправлена ошибка, из-за которой параметр regenerate_outputs=True, не применялся при отправке конвейера.
• azureml-train-automl-runtime
  • Увеличен номер версии numpy для пакетов AutoML.
  • Включено создание кода для визуального распознавания и NLP.
  • Исходные столбцы, в которых создаются интервалы, добавлены в файл predictions.csv.

2022-07-21

Объявление о прекращении поддержки Python 3.6 в пакетах SDK версии 1 Машинное обучение Azure

• Признание функций нерекомендуемыми
  • Прекращение использования Python 3.6 в качестве поддерживаемой среды выполнения для пакетов SDK версии 1
    • 205 декабря 2022 г. Машинное обучение Azure отрекомендует Python 3.6 в качестве поддерживаемой среды выполнения, официально завершив поддержку python 3.6 для пакетов SDK версии 1.
    • С даты отмены 05 декабря 2022 г. Машинное обучение Azure больше не будет применять исправления безопасности и другие обновления среды выполнения Python 3.6, используемой пакетами SDK версии 1 Машинное обучение Azure.
    • Существующие пакеты sdk Машинное обучение Azure версии 1 с Python 3.6 по-прежнему выполняются. Однако Машинное обучение Azure настоятельно рекомендует перенести скрипты и зависимости в поддерживаемую версию среды выполнения Python, чтобы вы продолжали получать исправления безопасности и оставаться допустимыми для технической поддержки.
    • Мы рекомендуем использовать Python 3.8 в качестве среды выполнения для пакетов пакета SDK версии 1 Машинное обучение Azure.
    • Кроме того, Машинное обучение Azure пакеты SDK версии 1 с помощью Python 3.6 больше не имеют права на техническую поддержку.
    • Если у вас остались какие-либо вопросы, свяжитесь с нами через службу поддержки AML.

27.06.2022

• azureml-automl-dnn-nlp
  • Удалены повторяющиеся столбцы меток из прогнозов с несколькими метками.
• azureml-contrib-automl-pipeline-steps
  • Многие модели теперь позволяют генерировать выходные данные прогнозирования в формате CSV. — Многие прогнозы моделей теперь содержат имена столбцов в выходном файле в формате CSV-файла .
• azureml-core
  • Проверка подлинности ADAL устарела, и все классы проверки подлинности теперь используют проверку подлинности MSAL. Установите azure-cli>=2.30.0, чтобы использовать проверку подлинности на основе MSAL при использовании класса AzureCliAuthentication.
  • Добавлено исправление для принудительной регистрации среды при использовании Environment.build(workspace). Исправление устраняет путаницу при использовании последней созданной среды вместо запрошенной, когда среда клонируется или наследуется от другого экземпляра.
  • Предупреждающее сообщение пакета SDK о перезапуске вычислительного экземпляра до 31 мая 2022 г., если он был создан до 19 сентября 2021 г.
• azureml-interpret
  • Изменен пакет azureml-interpret на interpret-community 0.26*.
  • В пакете azureml-interpret включена возможность получать имена необработанных и спроектированных признаков из средства объяснения оценки. Кроме того, добавлен пример в блокнот оценки, чтобы получать имена признаков из средства объяснения оценки, и добавлена документация об именах необработанных и спроектированных признаков.
• azureml-mlflow
  • Удален пакет azureml-core как зависимость azureml-mlflow. — Для проектов MLflow и локальных развертываний требуется azureml-core и необходимо установить отдельно.
  • Включена поддержка создания конечных точек и развертывания на них с помощью подключаемого модуля клиента MLflow.
• azureml-responsibleai
  • Обновлены образы сред и пакеты azureml-responsibleai до последнего выпуска responsibleai и raiwidgets 0.19.0.
• azureml-train-automl-client
  • Включена поддержка OutputDatasetConfig в качестве входных данных построителя конвейера MM/HTS. Сопоставления: 1) OutputTabularDatasetConfig -> обрабатывается как неразделенный табличный набор данных. 2) OutputFileDatasetConfig -> обрабатывается как зарегистрированный набор данных.
• azureml-train-automl-runtime
  • Включена проверка данных, которая требует, чтобы количество выборок класса меньшинства в наборе данных было как минимум равно количеству запрошенных сверток CV.
  • Включена автоматическая конфигурация параметров перекрестной проверки для задач прогнозирования AutoML. Теперь пользователи могут указать "auto" для n_cross_validations и cv_step_size или оставить их пустыми, а AutoML предоставляет эти конфигурации на основе данных. Однако в настоящее время эта функция не поддерживается при включении TCN.
  • Параметры прогнозирования во многих моделях и иерархических временных рядах теперь можно передавать через объект, а не через отдельные параметры в словаре.
  • Включена поддержка конечных точек модели прогнозирования с поддержкой квантилей для использования в Power BI.
  • Обновлена верхняя граница зависимости AutoML scipy до версии 1.5.3 с версии 1.5.2.

2022-04-25

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.41.0

Предупреждение о критическом изменении

Это критическое изменение из выпуска azureml-inference-server-http за июнь. В июньской azureml-inference-server-http версии (версии 0.9.0) поддержка Python 3.6 удаляется. Так как azureml-defaults зависит от azureml-inference-server-httpэтого, это изменение распространяется на azureml-defaults. Если вы не используете azureml-defaults для вывода, вы можете использовать azureml-core или другие пакеты SDK Машинное обучение Azure непосредственно вместо установкиazureml-defaults.

• azureml-automl-dnn-nlp
  • Включение функции текста с длинным диапазоном по умолчанию.
• azureml-automl-dnn-vision
  • Изменение типа класса ObjectAnnotation с объекта на "объект данных".
• azureml-core
  • В этом выпуске обновляется класс Keyvault, используемый клиентами, чтобы предоставить им тип содержимого keyvault при создании секрета с помощью пакета SDK. В этом выпуске в пакет SDK также включается новая функция, которая позволяет клиентам получать значение типа содержимого из определенного секрета.
• azureml-interpret
  • Пакет azureml-interpret изменен на interpret-community 0.25.0
• azureml-pipeline-core
  • Не печатайте подробные сведения о выполнении, если pipeline_run.wait_for_completion с show_output=False
• azureml-train-automl-runtime
  • Исправлена ошибка, которая приводила к сбою создания кода при наличии пакета azureml-contrib-automl-dnn-forecasting в среде обучения.
  • Исправлена ошибка при использовании тестового набора данных без столбца меток с тестированием модели AutoML.

2022-03-28

Пакет SDK Машинного обучения Azure для Python версии 1.40.0

• azureml-automl-dnn-nlp
  • Мы делаем функцию Long Range Text необязательной и применимой, только если клиенты явно выбирают ее, используя kwarg enable_long_range_text.
  • Добавление уровня проверки данных для сценария классификации с несколькими классами, которое применяет тот же базовый класс, что и многозначный класс для распространенных проверок, а также производный класс для более конкретных проверок данных.
• azureml-automl-dnn-vision
  • Исправление KeyError при вычислении весов классов.
• azureml-contrib-reinforcementlearning
  • Предупреждающее сообщение пакета SDK о предстоящем прекращении поддержки службы RL
• azureml-core
  • • Возвращение журналов для запусков, которые прошли через нашу новую среду выполнения при вызове любой функции получения журналов для объекта запуска, включая run.get_details, run.get_all_logs и т. д.
  • Добавление экспериментального метода Datastore.register_onpremises_hdfs, позволяющего пользователям создавать хранилища данных, указывающие на локальные ресурсы HDFS.
  • Обновление документации по CLI в команде справки.
• azureml-interpret
  • Для пакета azureml-interpret удалите shap ПИН-код с обновлением упаковки. Удалите ПИН-код Numba и Numpy после обновления среды CE.
• azureml-mlflow
  • Исправление для клиента развертывания MLflow с ошибкой run_local, когда объект конфигурации не был предоставлен.
• azureml-pipeline-steps
  • Удаление недействительной ссылки устаревшего конвейера EstimatorStep.
• azureml-responsibleai
  • Обновление пакета azureml-responsibleai до выпуска raiwidgets и responsibleai 0.17.0.
• azureml-train-automl-runtime
  • Генерирование кода для автоматизированного машинного обучения теперь поддерживает модели ForecastTCN (экспериментальные).
  • Модели, созданные с помощью создания кода, теперь имеют все метрики, вычисляемые по умолчанию (за исключением нормализованной средней абсолютной ошибки, нормализованной медианы абсолютной ошибки, нормализованной RMSE и нормализованной RMSLE в случае прогнозируемых моделей). Список вычисляемых метрик можно изменить, отредактировав возвращаемое значение get_metrics_names(). Перекрестная проверка теперь используется по умолчанию для моделей прогнозирования, созданных с помощью создания кода.
• azureml-training-tabular
  • Список вычисляемых метрик можно изменить, отредактировав возвращаемое значение get_metrics_names(). Перекрестная проверка теперь используется по умолчанию для моделей прогнозирования, созданных с помощью создания кода.
  • Преобразование десятичного числа с плавающей точкой в число с плавающей точкой двойной точности, чтобы вычисления метрики происходили без ошибок.

28.02.2022

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.39.0

• azureml-automl-core
  • Исправление неправильной формы, отображаемой в PBI для интеграции с моделями регрессии AutoML
  • Добавление проверки классов с минимальными метками для задач классификации (с несколькими классами и с несколькими метками). Он выдает ошибку для запуска клиента, если уникальное число классов в входном наборе данных обучения меньше 2. Использовать классификацию менее чем для двух классов не имеет смысла.
• azureml-automl-runtime
  • Преобразование десятичного числа с плавающей точкой в число с плавающей точкой двойной точности, чтобы вычисления метрики происходили без ошибок.
  • Обучение AutoML теперь поддерживает NumPy версии 1.8.
• azureml-contrib-automl-dnn-forecasting
  • Исправление ошибки в модели TCNForecaster, из-за которой не все обучающие данные использовались при задании параметров перекрестной проверки.
  • Метод прогнозирования программы-оболочки TCNForecaster, который искажал прогнозы времени вывода. Исправление проблемы, из-за которой метод прогнозирования не использовал самые последние контекстные данные в сценариях "обучение в действительности".
• azureml-interpret
  • Для пакета azureml-interpret удалите shap ПИН-код с обновлением упаковки. Удалите ПИН-код Numba и Numpy после обновления среды CE.
• azureml-responsibleai
  • пакет azureml-responsibleai до raiwidgets и responsibleai версии 0.17.0
• azureml-synapse
  • Исправление проблемы с исчезновение виджета Magic.
• azureml-train-automl-runtime
  • Обновление зависимостей AutoML для поддержки Python версии 3.8. Это изменение нарушает совместимость с моделями, обученными с помощью пакета SDK 1.37 или ниже, из-за более новых интерфейсов Pandas, сохраненных в модели.
  • Обучение AutoML теперь поддерживает NumPy версии 1.19.
  • Исправление логики сброса индекса AutoML для моделей ансамбля в API automl_setup_model_explanations.
  • В качестве суррогатной модели в AutoML можно использовать суррогатную модель LightGBM вместо линейной суррогатной модели разреженных данных после обновления последней версии LightGBM.
  • Все внутренние промежуточные артефакты, генерируемые AutoML, прозрачно хранятся в родительском запуске (вместо их отправки в хранилище BLOB-объектов по умолчанию). Пользователи должны видеть артефакты, создаваемые AutoML в каталоге outputs/ родительского запуска.

24.01.2022

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.38.0

• azureml-automl-core
  • Поддержка регрессора Tabnet и классификатора Tabnet в AutoML
  • Сохранение преобразователя данных в родительских выходных данных, которые можно повторно использовать для создания одного и того же признаков набора данных, который использовался во время выполнения эксперимента
  • Поддержка получения первичных метрик для задачи прогнозирования в API get_primary_metrics.
  • Второй необязательный параметр в сценарии оценки v2 переименован в GlobalParameters
• azureml-automl-dnn-vision
  • Добавлены метрики оценки в пользовательском интерфейсе metrics
• azureml-automl-runtime
  • Исправлена ошибка для случаев, когда имя алгоритма для моделей NimbusML может отображаться как пустые строки либо в Студии машинного обучения, либо на выходах консоли.
• azureml-core
  • Добавлен параметр blobfuse_enabled в azureml.core.webservice.aks.AksWebservice.deploy_configuration. Если этот параметр имеет значение true, модели и файлы оценки загружаются с помощью blobfuse вместо API хранилища BLOB-объектов.
• azureml-interpret
  • Обновлено azureml-interpret на interpret-community 0.24.0
  • В azureml-interpret обновлено средство объяснения оценки для поддержки последней версии lightgbm с разреженным TreeExplainer
  • Обновлено azureml-interpret на interpret-community 0.23.*
• azureml-pipeline-core
  • Добавьте примечание в pipelinedata, порекомендуйте пользователю вместо этого использовать выходной набор данных конвейера.
• azureml-pipeline-steps
  • Добавить environment_variables в ParallelRunConfig, переменные среды выполнения могут передаваться этим параметром и будут установлены в процессе выполнения пользовательского сценария.
• azureml-train-automl-client
  • Поддержка регрессора Tabnet и классификатора Tabnet в AutoML
• azureml-train-automl-runtime
  • Сохранение преобразователя данных в родительских выходных данных, которые можно повторно использовать для создания одного и того же признаков набора данных, который использовался во время выполнения эксперимента
• azureml-train-core
  • Включить поддержку раннего завершения байесовской оптимизации в Hyperdrive
  • Байесовские объекты и объекты GridParameterSampling теперь могут передавать свойства

13.12.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.37.0

• Критические изменения

  • azureml-core
    • Начиная с версии 1.37.0 пакет SDK Машинное обучение Azure использует MSAL в качестве базовой библиотеки проверки подлинности. MSAL использует поток проверки подлинности Azure Active Directory (Azure AD) 2.0 для предоставления дополнительных функциональных возможностей и повышает безопасность кэша маркеров. Дополнительные сведения см. в статье Обзор библиотеки проверки подлинности Майкрософт (MSAL).
    • Обновите зависимости пакета SDK AML до последней версии клиентской библиотеки управления ресурсами Azure для Python (azure-mgmt-resource>=15.0.0.20.0.0<) и внедрения пакета SDK track2.
    • Начиная с версии 1.37.0, расширение Azure-ML-CLI должно быть совместимо с последней версией Azure CLI > = 2.30.0.
    • При использовании Azure CLI в конвейере, например в Azure DevOps, убедитесь, что для всех задач и этапов используется Azure CLI на основе MSAL версий выше 2.30.0. Azure CLI 2.30.0 не имеет обратной совместимости с предыдущими версиями, и при использовании несовместимых версий выдается ошибка. Чтобы использовать учетные данные Azure CLI с пакетом SDK Машинное обучение Azure, Azure CLI следует установить в качестве пакета pip.

• Исправления ошибок и улучшения

  • azureml-core
    • Удалены типы экземпляров из рабочего процесса присоединения для Kubernetes COMPUTE. Теперь типы экземпляров можно напрямую настраивать в кластере Kubernetes. Дополнительные сведения см. на странице aka.ms/amlarc/doc.
  • azureml-interpret
    • Обновлено azureml-interpret на interpret-community 0.22.*
  • azureml-pipeline-steps
    • Исправлена ошибка, из-за которой эксперимент "заполнитель" мог быть создан при отправке конвейера с AutoMLStep.
  • azureml-responsibleai
    • обновите среду azureml-responsibleai и compute instance до версии responsibleai и raiwidgets 0.15.0
    • обновите пакет azureml-responsibleai до последней версии responsibleai 0.14.0.
  • azureml-tensorboard
    • Теперь вы можете использовать Tensorboard(runs, use_display_name=True) для монтирования журналов TensorBoard в папки с именами run.display_name/run.id вместо run.id.
  • azureml-train-automl-client
    • Исправлена ошибка, из-за которой эксперимент "заполнитель" мог быть создан при отправке конвейера с AutoMLStep.
    • Обновите документы AutoMLConfig test_data и test_size, чтобы отразить статус предварительного просмотра.
  • azureml-train-automl-runtime
    • Добавлена новая функция, позволяющая пользователям передавать интервалы временных рядов с одним уникальным значением.
    • В некоторых сценариях модель AutoML может прогнозировать значения NaN. Строки, соответствующие этим прогнозам NaN, удаляются из тестовых наборов данных и прогнозов перед вычислениями метрик в тестовых запусках.

08.11.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.36.0

• Исправления ошибок и улучшения
  • azureml-automl-dnn-vision
    • Удалены небольшие опечатки в некоторых сообщениях об ошибках.
  • azureml-contrib-reinforcementlearning
    • Отправка запусков обучения с подкреплением, использующих симуляторы, больше не поддерживаются.
  • azureml-core
    • Добавлена поддержка для секционированного большого двоичного объекта Premium.
    • Указание неопубликованных облаков для проверки подлинности управляемого удостоверения больше не поддерживается.
    • Пользователь может перенести веб-службу AKS в конечную точку и развертывание в сети, которая управляется ИНТЕРФЕЙСом командной строки (версия 2).
    • Тип экземпляра для обучающих заданий на целевых объектах вычислений Kubernetes теперь можно задать с помощью свойства RunConfiguration: run_config.kubernetescompute.instance_type.
  • azureml-defaults
    • Удалены избыточные зависимости, такие как gunicorn и werkzeug
  • azureml-interpret
    • обновлен пакет azureml-interpret на interpret-community 0.21.*
  • azureml-pipeline-steps
    • При выполнении обучения ML в конвейерах (включая распределенное обучение) упразднен MpiStep (теперь используется CommandStep).
  • azureml-train-automl-rutime
    • Обновите формат вывода прогнозов тестирования модели AutoML docs.
    • Добавлены описания docstring для упрощенных моделей прогнозирования: Naive, SeasonalNaive, Average и SeasonalAverage.
    • Сводка по конструированию признаков теперь хранится как артефакт при запуске (проверьте наличие файла с именем featurization_summary.json в папке выходных данных)
    • Включите поддержку категориальных индикаторов для Tabnet Learner.
    • Добавьте параметр downsample в automl_setup_model_explanations, чтобы пользователи могли получать объяснения по всем данным без понижающей дискретизации, установив для этого параметра значение false.

11.10.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.35.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Включить расчет двоичных метрик
  • azureml-contrib-fairness
    • Улучшить сообщение об ошибке при неудачной загрузке панели мониторинга
  • azureml-core
    • Устранена ошибка при указании неопубликованных облаков для проверки подлинности управляемого удостоверения.
    • Экспериментальные флаги Dataset.File.upload_directory () и Dataset.Tabular.register_pandas_dataframe () удалены.
    • Удаление экспериментальных флагов теперь происходит в методе partition_by() класса TabularDataset.
  • azureml-pipeline-steps
    • Экспериментальные флаги удалены для partition_keys параметра класса ParallelRunConfig.
  • azureml-interpret
    • обновлен пакет azureml-interpret на interpret-community 0.20.*
  • azureml-mlflow
    • Артефакты и изображения теперь можно регистрировать с помощью MLflow, используя подкаталоги
  • azureml-responsibleai
    • Улучшить сообщение об ошибке при неудачной загрузке панели мониторинга
  • azureml-train-automl-client
    • Добавлена поддержка задач компьютерного зрения, таких как классификация изображений, обнаружение объектов и сегментация экземпляров. Подробные сведения см. в статье о настройке AutoML для обучения моделей компьютерного зрения с помощью Python (версии 1).
    • Включить расчет двоичных метрик
  • azureml-train-automl-runtime
    • Добавьте поддержку TCNForecaster в тестовые запуски модели.
    • Обновите формат вывода прогнозов тестирования модели predictions.csv. Выходные столбцы теперь включают исходные целевые значения и функции, которые были переданы в тестовое выполнение. Их можно отключить, установив test_include_predictions_only=True в AutoMLConfig или include_predictions_only=True в ModelProxy.test(). Если пользователь попросил только включить прогнозы, то выходной формат выглядит следующим образом (прогнозирование совпадает с регрессией): Классификация => [прогнозируемые значения] [вероятности]> Регрессия => [прогнозируемые значения] = [прогнозируемые значения] еще (по умолчанию): Классификация => [исходные метки тестовых данных] [прогнозируемые значения] [прогнозируемые значения] [вероятности] [признаки] [исходные метки данных теста] [прогнозируемые значения] [функции] [predicted values] Имя столбца = [label column name] + "_predicted". Имена столбцов [probabilities] = [class name] + "_predicted_proba". Если целевой столбец не был передан в качестве входных данных для тестового запуска, [original test data labels] он не будет отображаться на выходе.

07.09.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.34.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Добавлена поддержка перенастроения ранее обученного конвейера прогнозирования.
    • Добавлена возможность получения прогнозов по обучающим данным (in-sample prediction) для прогнозирования.
  • azureml-automl-runtime
    • Добавлена поддержка возврата прогнозируемых вероятностей из развернутой конечной точки модели классификатора AutoML.
    • Добавлен параметр прогнозирования, позволяющий пользователям указывать, что все прогнозы должны быть целыми числами.
    • Удалено имя целевого столбца из числа имен объектов объяснения модели для локальных экспериментов с training_data_label_column_name
    • в качестве входных данных набора данных.
    • Добавлена поддержка перенастроения ранее обученного конвейера прогнозирования.
    • Добавлена возможность получения прогнозов по обучающим данным (in-sample prediction) для прогнозирования.
  • azureml-core
    • Добавлена поддержка установки типа столбца потока, подключения и загрузки столбцов потока в табличном наборе данных.
    • В Kubernetes.attach_configuration добавлены новые необязательные поля (identity_type=None, identity_ids=None), которые позволяют присоединять KubernetesCompute с идентификатором SystemAssigned или UserAssigned. Новые поля удостоверения включаются при вызове print(compute_target) или compute_target.serialize(): identity_type, identity_id, principal_id и tenant_id/client_id.
  • azureml-dataprep
    • Добавлена поддержка установки типа столбца потока для табличного набора данных. Добавлена поддержка подключения и загрузки столбцов потока в табличном наборе данных.
  • azureml-defaults
    • Зависимость azureml-inference-server-http==0.3.1 добавлена в azureml-defaults.
  • azureml-mlflow
    • Разрешить разбиение на страницы API list_experiments путем добавления max_results и page_token необязательных параметров. Документацию см. в разделе Официальные документы MLflow.
  • azureml-sdk
    • Заменена зависимость от устаревшего пакета (azureml-train) внутри azureml-sdk.
    • Дополнительно добавить azureml-responsibleai в azureml-sdk
  • azureml-train-automl-client
    • Выставьте параметры test_data и test_size в AutoMLConfig. Эти параметры можно использовать для автоматического запуска тестового запуска после завершения этапа обучения модели. Тестовый запуск вычисляет прогнозы с помощью оптимальной модели и создает метрики с учетом этих прогнозов.

2021-08-24

Пользовательский интерфейс "Экспериментирование в Машинном обучении Azure"

• Выполнить удаление
  • Выполнить удаление — это новая функция, которая позволяет пользователям удалять один или несколько запусков из своего рабочего пространства.
  • Эта функция может помочь пользователям снизить затраты на хранение и управлять емкостью хранилища, регулярно удаляя запуски и эксперименты непосредственно из пользовательского интерфейса.
• Пакетная отмена запуска
  • Пакетная отмена запуска — это новая функция, которая позволяет пользователям выбирать один или несколько запусков для отмены из списка запусков.
  • Эта функция может помочь пользователям отменить несколько очередей и освободить место в кластере.

18.08.2021

Пользовательский интерфейс "Экспериментирование в Машинном обучении Azure"

• Отображаемое имя запуска
  • Отображаемое имя запуска — это новое, редактируемое и необязательное отображаемое имя, которое можно назначить для запуска.
  • Это имя может способствовать более эффективному отслеживанию, организации и обнаружению запусков.
  • Отображаемое имя запуска по умолчанию имеет формат прилагательное_существительное_уникальный идентификатор (пример: awesome_watch_2i3uns).
  • Это имя по умолчанию можно изменить на более удобное имя. Его можно изменить на странице сведений о запуске в пользовательском интерфейсе Студии машинного обучения Azure.

02.08.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.33.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Улучшена обработка ошибок, связанных с извлечением модели XGBoost.
    • Добавлена возможность преобразования прогнозов с плавающей запятой в целые числа для задач прогнозирования и регрессии.
    • Обновлено значение по умолчанию для enable_early_stopping в AutoMLConfig на true.
  • azureml-automl-runtime
    • Добавлена возможность преобразования прогнозов с плавающей запятой в целые числа для задач прогнозирования и регрессии.
    • Обновлено значение по умолчанию для enable_early_stopping в AutoMLConfig на true.
  • azureml-contrib-automl-pipeline-steps
    • Иерархическая временная последовательность (HTS) включена для прогнозирования задач с использованием конвейеров.
    • Добавлена поддержка табличных наборов данных для вывода.
    • Пользовательский путь можно указать для выходных данных.
  • azureml-contrib-reinforcementlearning
    • Некоторые свойства в azureml.core.environment.DockerSection устарели, например свойство shm_size, используемое работниками Ray в заданиях обучения с подкреплением. Это свойство теперь можно указать в azureml.contrib.train.rl.WorkerConfiguration.
  • azureml-core
    • Исправлена гиперссылка в документации ScriptRunConfig.distributed_job_config.
    • Вычислительные кластеры Машинного обучения Azure теперь можно создавать в расположении, отличном от расположения рабочей области. Это полезно для максимального увеличения распределения простаивающих ресурсов и управления использованием квот в разных расположениях без необходимости создавать дополнительные рабочие области только для использования квоты и создания вычислительного кластера в определенном расположении. Дополнительные сведения см. в статье Создание вычислительного кластера Машинного обучения Azure.
    • Добавлено display_name как изменяемое поле имени объекта запуска.
    • Набор данных from_files теперь поддерживает пропуск расширений данных для больших входных данных.
  • azureml-dataprep
    • Исправлена ошибка, вследствие которой to_dask_dataframe завершается сбоем в результате состояния соревнования.
    • Набор данных from_files теперь поддерживает пропуск расширений данных для больших входных данных.
  • azureml-defaults
    • Мы удаляем зависимость azureml-model-management-sdk==1.0.1b6.post1 из azureml-defaults.
  • azureml-interpret
    • Обновлено azureml-interpret на interpret-community 0.19.*
  • azureml-pipeline-core
    • Иерархическая временная последовательность (HTS) включена для прогнозирования задач с использованием конвейеров.
  • azureml-train-automl-client
    • Переход на использование хранилища BLOB-объектов для кэширования в автоматизированном машинном обучении.
    • Иерархическая временная последовательность (HTS) включена для прогнозирования задач с использованием конвейеров.
    • Улучшена обработка ошибок, связанных с извлечением модели XGBoost.
    • Обновлено значение по умолчанию для enable_early_stopping в AutoMLConfig на true.
  • azureml-train-automl-runtime
    • Переход на использование хранилища BLOB-объектов для кэширования в автоматизированном машинном обучении.
    • Иерархическая временная последовательность (HTS) включена для прогнозирования задач с использованием конвейеров.
    • Обновлено значение по умолчанию для enable_early_stopping в AutoMLConfig на true.

06.07.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.32.0

• Исправления ошибок и улучшения
  • azureml-core
    • Предоставлена диагностика работоспособности рабочей области в пакете средств разработки программного обеспечения/интерфейсе командной строки.
  • azureml-defaults
    • Добавлена opencensus-ext-azure==1.0.8 зависимость для azureml-defaults.
  • azureml-pipeline-core
    • Обновлен AutoMLStep для использования предварительно созданных образов, когда среда для отправки задания соответствует среде по умолчанию.
  • azureml-responsibleai
    • Добавлен новый клиент анализа ошибок для загрузки, скачивания и вывода отчетов об анализе ошибок.
    • Убедитесь, что пакеты raiwidgets и responsibleai синхронизированы по версиям.
  • azureml-train-automl-runtime
    • Установите время, отведенное для динамического поиска по различным стратегиям изменения характеристик, не более одной четвертой от общего времени ожидания эксперимента.

21.06.2021

Пакет средств разработки программного обеспечения для Машинного обучения Azure для Python версии 1.31.0

• Исправления ошибок и улучшения
  • azureml-core
    • Улучшенная документация для свойства platform в классе Environment.
    • Изменено время уменьшения масштаба вычислительного узла AML по умолчанию со 120 до 1800 секунд.
    • Обновленная ссылка для устранения неполадок по умолчанию, отображаемая на портале для устранения неполадок при выполнении: https://aka.ms/azureml-run-troubleshooting.
  • azureml-automl-runtime
    • Очистка данных: примеры с целевыми значениями в [None, "", "nan", np.nan] удаляются до создания признаков и /или обучения модели
  • azureml-interpret
    • Предотвращение ошибки очереди задач очистки для удаленных Машинное обучение Azure запусков, использующих ExplanationClient, увеличив время ожидания
  • azureml-pipeline-core
    • Добавление параметра jar в шаге synapse.
  • azureml-train-automl-runtime
    • Исправлены верхние ограничения кратности таким образом, чтобы они лучше соответствовали документам.

2021-06-07

Пакет SDK Машинного обучения Azure для Python версии 1.30.0

• Исправления ошибок и улучшения
  • azureml-core
    • В 0.17.5 была выпущена зависимость ruamel-yaml до < 0.17.5 в качестве критического изменения.
    • aml_k8s_config свойство заменяется параметрами namespace, default_instance_type и instance_types для подключения KubernetesCompute.
    • Ключи синхронизации рабочей области были изменены на длительную операцию.
  • azureml-automl-runtime
    • Устранены проблемы, когда выполнения с большими данными могут завершиться с ошибкой Elements of y_test cannot be NaN.
  • azureml-mlflow
    • Устранение ошибок подключаемого модуля развертывания MLFlow для моделей без сигнатуры.
  • azureml-pipeline-steps
    • ParallelRunConfig: документ по обновлению для process_count_per_node.
  • azureml-train-automl-runtime
    • Поддержка определяемых пользователем квантилей во время вывода MM.
    • Поддержка forecast_quantiles во время вывода пакета.
  • azureml-contrib-automl-pipeline-steps
    • Поддержка определяемых пользователем квантилей во время вывода MM.
    • Поддержка forecast_quantiles во время вывода пакета.

2021-05-25

Объявление о интерфейсе командной строки (версии 2) для Машинное обучение Azure

Расширение ml для Azure CLI — это интерфейс следующего поколения для Машинного обучения Azure. Он позволяет обучать и развертывать модели из командной строки с помощью функций, которые ускоряют увеличение масштаба при обработке и анализе данных и помогают отслеживать жизненный цикл модели. Установите и настройте интерфейс командной строки (версия 2).

Пакет SDK Машинного обучения Azure для Python версии 1.29.0

• Исправления ошибок и улучшения
  • Критические изменения
    • Прекращена поддержка Python 3.5.
  • azureml-automl-runtime
    • Исправлена ошибка, при которой возникал сбой STLFeaturizer, если длина временного ряда была короче показателя сезонности. Эта ошибка фигурировала как IndexError. Дело обрабатывается без ошибок, хотя сезонный компонент STL просто состоит из нуля в этом случае.
  • azureml-contrib-automl-dnn-vision
    • Добавлен метод для пакетного вывода с путями к файлам.
  • azureml-contrib-gbdt
    • Пакет azureml-contrib-gbdt упразднен, может больше не получать обновлений и будет полностью удален из дистрибутива.
  • azureml-core
    • Исправлено объяснение параметра create_if_not_exists в Datastore.register_azure_blob_container.
    • Добавлен пример кода в класс DatasetConsumptionConfig.
    • Добавлена поддержка шага в качестве альтернативной оси для значений скалярной метрики в run.log().
  • azureml-dataprep
    • Ограничение размера секции, принятого до _with_partition_size() 2 ГБ
  • azureml-interpret
    • azureml-interpret обновлен до последней версии пакета interpret-core.
    • Прекращена поддержка SHAP DenseData (более не поддерживается в SHAP 0.36.0).
    • ExplanationClient теперь позволяет отправлять данные в указанное пользователем хранилище.
  • azureml-mlflow
    • azureml-mlflow перемещен в mlflow-skinny, чтобы уменьшить объем занимаемой зависимостями памяти с сохранением полной поддержки подключаемых модулей.
  • azureml-pipeline-core
    • Пример кода PipelineParameter в справочном документе обновлен с указанием правильного параметра.

2021-05-10

Пакет SDK Машинного обучения Azure для Python версии 1.28.0

• Исправления ошибок и улучшения
  • azureml-automl-runtime
    • Улучшен скрипт оценки AutoML для обеспечения его соответствия конструктору.
    • Исправлена ошибка, при которой прогнозирование с моделью Prophet вызывало ошибку "отсутствует столбец" при обучении в более ранней версии пакета SDK.
    • В список общедоступных моделей с поддержкой прогнозирования пакета SDK AutoML добавлена модель ARIMAX. ARIMAX представляет собой регрессию с ошибками ARIMA и специальным вариантом моделей функций перемещения (разработка Box и Jenkins). Обсуждение различий между двумя подходами см. в статье о модели ARIMAX. В отличие от остальных многовариантных моделей, использующих автоматически созданные, зависимые от времени функции (час дня, день года и т. д.) в AutoML, эта модель использует только функции, предоставляемые пользователем, и это упрощает интерпретацию коэффициентов.
  • набор данных azureml-contrib-dataset
    • В описание в документации добавлено примечание о том, что при подключении должен быть установлен libfuse.
  • azureml-core
    • Курируемый образ ЦП по умолчанию теперь — mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. Курируемый образ GPU по умолчанию теперь — mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04.
    • Запуск Run.fail() теперь является нерекомендуемым, используйте Run.tag(), чтобы помечать выполнение как сбой, или используйте команду Run.cancel(), чтобы помечать выполнение как отмененное.
    • В описание в документации добавлено примечание о том, что при подключении файлового набора данных следует установить libfuse.
    • В табличный набор данных добавлена экспериментальная поддержка register_dask_dataframe().
    • Добавлены поддержка DatabricksStep с использованием большого двоичного объекта Azure или ADL-S в качестве входных и выходных данных и параметр permit_cluster_restart, позволяющий пользователю решить, может ли AML перезапустить кластер, если в него требуется добавить конфигурацию доступа (ввода-вывода) к данным.
  • azureml-dataset-runtime
    • azureml-DataSet-Runtime теперь поддерживает версии pyarrow < 4.0.0
  • azureml-mlflow
    • Добавлена поддержка развертывания в Машинное обучение Azure с помощью подключаемого модуля MLFlow.
  • azureml-pipeline-steps
    • Добавлены поддержка DatabricksStep с использованием большого двоичного объекта Azure или ADL-S в качестве входных и выходных данных и параметр permit_cluster_restart, позволяющий пользователю решить, может ли AML перезапустить кластер, если в него требуется добавить конфигурацию доступа (ввода-вывода) к данным.
  • azureml-synapse
    • Включена аудитория при проверке подлинности MSI.
  • azureml-train-automl-client
    • Добавлена измененная ссылка на документ о целевых вычислительных ресурсах.

2021-04-19

Пакет SDK Машинного обучения Azure для Python версии 1.27.0

• Исправления ошибок и улучшения
  • azureml-core
    • Добавлена возможность переопределения времени ожидания по умолчанию для передачи артефактов (переменная среды AZUREML_ARTIFACTS_DEFAULT_TIMEOUT).
    • Исправлена ошибка, из-за которой параметры docker в объекте Environment в ScriptRunConfig не учитываются.
    • Разрешено секционирование набора данных при его копировании в целевой объект.
    • В OutputDatasetConfig добавлен пользовательский режим, позволяющий передавать созданные наборы данных в конвейерах через функцию компоновки. Эти усовершенствования обеспечивают поддержку табличного секционирования для PRS.
    • В azureml-core добавлен новый тип вычислительного ресурса KubernetesCompute.
  • azureml-pipeline-core
    • В OutputDatasetConfig добавлен пользовательский режим; теперь пользователь может проходить созданные наборы данных в конвейерах с помощью функции компоновки. В целевых путях к файлам можно использовать заполнители. Это обеспечивает поддержку улучшений табличного секционирования для PRS.
    • В azureml-core добавлен новый тип вычислительного ресурса KubernetesCompute.
  • azureml-pipeline-steps
    • В azureml-core добавлен новый тип вычислительного ресурса KubernetesCompute.
  • azureml-synapse
    • Обновлен URL-адрес пользовательского интерфейса Spark в мини-приложении Azureml Synaps
  • azureml-train-automl-client
    • Характеризатор STL для задачи прогнозирования теперь использует более надежную функцию обнаружения сезонности на основе частоты временных рядов.
  • azureml-train-core
    • Исправлена ошибка, при которой параметры Docker в объекте среды не учитываются.
    • В azureml-core добавлен новый тип вычислительного ресурса KubernetesCompute.

2021-04-05

Пакет SDK Машинного обучения Azure для Python версии 1.26.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Исправлена ошибка, при которой в задачах AutoMLStep рекомендуется использовать модели алгоритма Байеса и при этом возникает сбой при использовании признаков задержки или скользящего окна. Эти модели не рекомендуется использовать, если заданы целевые задержки или размер целевого скользящего окна.
    • Изменен вывод консоли при отправке запуска AutoML: теперь отображается ссылка на запуск на портале.
  • azureml-core
    • В документацию добавлен режим HDFS.
    • Добавлена поддержка для распознавания секций файловых наборов данных на основе структуры glob.
    • Добавлена поддержка реестра контейнеров обновления, связанного с рабочей областью Машинное обучение Azure.
    • Упразднены атрибуты среды в DockerSection: атрибуты "enabled", "shared_volume" и "arguments" теперь являются частью DockerConfiguration в RunConfiguration.
    • Обновлена документация по клонированию конвейера в CLI.
    • Обновлены URI портала (добавлен клиент для проверки подлинности).
    • Имя эксперимента удалено из URI запуска, чтобы избежать перенаправлений.
    • Обновлено значение URI эксперимента (используется идентификатор эксперимента).
    • Исправления ошибок для подключения удаленных вычислений с помощью интерфейса командной строки Машинное обучение Azure.
    • Обновлены URI портала (добавлен клиент для проверки подлинности).
    • Обновлено значение URI эксперимента (используется идентификатор эксперимента).
  • azureml-interpret
    • Обновление azureml-interpret: теперь используется interpret-community 0.17.0.
  • azureml-opendatasets
    • Выполняется проверка указанных даты начала и окончания с выводом ошибки, если эти значения не относятся к типу datetime.
  • azureml-parallel-run
    • [Экспериментальный компонент] В ParallelRunConfig добавлен параметр partition_keys; если он указан, входные наборы данных секционируются в мини-пакеты по указанным в нем ключам. Для этого требуется, чтобы все входные наборы данных были секционированными.
  • azureml-pipeline-steps
    • Исправлена ошибка: при передаче конфигурации набора данных как загружаемого ресурса поддерживается path_on_compute.
    • При выполнении скриптов R в конвейерах упразднен RScriptStep (теперь используется CommandStep).
    • При выполнении обучения ML в конвейерах (включая распределенное обучение) упразднен EstimatorStep (теперь используется CommandStep).
  • azureml-sdk
    • Обновление python_requires до < 3.9 для azureml-SDK
  • azureml-train-automl-client
    • Изменен вывод консоли при отправке запуска AutoML: теперь отображается ссылка на запуск на портале.
  • azureml-train-core
    • Упразднены атрибуты DockerSection "enabled", "shared_volume" и "arguments": теперь используется DockerConfiguration с ScriptRunConfig.
    • Использование Открытых наборов данных Azure для набора данных MNIST.
    • Обновлены сообщения об ошибках Hyperdrive.

2021-03-22

Пакет SDK Машинного обучения Azure для Python версии 1.25.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Изменен вывод консоли при отправке запуска AutoML: теперь отображается ссылка на запуск на портале.
  • azureml-core
    • Добавлена поддержка возможности обновления реестра контейнеров для рабочей области через SDK и CLI.
    • Упразднены атрибуты DockerSection "enabled", "shared_volume" и "arguments": теперь используется DockerConfiguration с ScriptRunConfig.
    • Обновлена документация по клонированию конвейера в CLI.
    • Обновлены URI портала (добавлен клиент для проверки подлинности).
    • Имя эксперимента удалено из URI запуска, чтобы избежать перенаправлений.
    • Обновлено значение URI эксперимента (используется идентификатор эксперимента).
    • Исправлены ошибки при подключении удаленных вычислительных ресурсов с помощью AZ CLI
    • Обновлены URI портала (добавлен клиент для проверки подлинности).
    • Добавлена поддержка для распознавания секций файловых наборов данных на основе структуры glob.
  • azureml-interpret
    • Обновление azureml-interpret: теперь используется interpret-community 0.17.0.
  • azureml-opendatasets
    • Выполняется проверка указанных даты начала и окончания с выводом ошибки, если эти значения не относятся к типу datetime.
  • azureml-pipeline-core
    • Исправлена ошибка: при передаче конфигурации набора данных как загружаемого ресурса поддерживается path_on_compute.
  • azureml-pipeline-steps
    • Исправлена ошибка: при передаче конфигурации набора данных как загружаемого ресурса поддерживается path_on_compute.
    • При выполнении скриптов R в конвейерах упразднен RScriptStep (теперь используется CommandStep).
    • При выполнении обучения ML в конвейерах (включая распределенное обучение) упразднен EstimatorStep (теперь используется CommandStep).
  • azureml-train-automl-runtime
    • Изменен вывод консоли при отправке запуска AutoML: теперь отображается ссылка на запуск на портале.
  • azureml-train-core
    • Упразднены атрибуты DockerSection "enabled", "shared_volume" и "arguments": теперь используется DockerConfiguration с ScriptRunConfig.
    • Использование Открытых наборов данных Azure для набора данных MNIST.
    • Обновлены сообщения об ошибках Hyperdrive.

31.03.2021

Работа с записными книжками студии машинного обучения Azure (обновление за март)

• Новые функции

  • Отображение файлов CSV/TSV. Пользователи могут отображать и TSV/CSV-файл в формате сетки для упрощения анализа данных.
  • Проверка подлинности единого входа для вычислительного экземпляра. Теперь пользователи могут легко пройти проверку подлинности любых новых вычислительных экземпляров непосредственно в пользовательском интерфейсе записной книжки, что упрощает проверку подлинности и использование пакетов SDK Azure непосредственно в Машинное обучение Azure.
  • Метрики вычислительных экземпляров Пользователи могут просматривать метрики вычислений, такие как использование ЦП и память через терминал.
  • Сведения о файле. Теперь пользователи могут просматривать сведения о файле, включая время последнего изменения и размер файла, щелкнув три точки рядом с файлом.

• Исправления ошибок и улучшения

  • Сокращенное время загрузки страницы.
  • Повышенная производительность.
  • Повышенная скорость и надежность ядра.
  • Получение вертикальной недвижимости путем постоянного перемещения вверх по панели файлов записной книжки.
  • Ссылки теперь можно щелкать в терминале
  • Усовершенствование производительности IntelliSense

08.03.2021

Пакет SDK Машинного обучения Azure для Python версии 1.24.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Удалены обратно совместимые импорты из azureml.automl.core.shared. Ошибки "Модуль не найден" в пространстве имен azureml.automl.core.shared могут быть разрешены путем импорта из azureml.automl.runtime.shared.
  • azureml-contrib-automl-dnn-vision
    • Представлена модель обнаружения объектов yolo.
  • набор данных azureml-contrib-dataset
    • Добавлены функции для фильтрации табличных наборов данных по значениям столбцов и файловых наборов данных с помощью метаданных.
  • azureml-contrib-fairness
    • Включение схемы JSON в колесо для azureml-contrib-fairness
  • azureml-contrib-mir
    • Если параметр show_output значение True при развертывании моделей, перед отправкой запроса на сервер выполняется повторное воспроизведение конфигурации вывода и конфигурации развертывания.
  • azureml-core
    • Добавлены функции для фильтрации табличных наборов данных по значениям столбцов и файловых наборов данных с помощью метаданных.
    • Ранее пользователи могли создавать конфигурации подготовки для вычисленийTarget, которые не соответствуют требованиям к надежности паролей для admin_user_password поля (т. е. они должны содержать по крайней мере 3 из следующих: одна строчная буква, одна прописная буква, одна цифра и один специальный символ из следующего набора). \`~!@#$%^&*()=+_[]{}|;:./'",<>? Если пользователь создал конфигурацию с нестрогим паролем и запустил задание с такой конфигурацией, задание завершится ошибкой во время выполнения. Теперь вызов AmlCompute.provisioning_configuration вызывает вызов ComputeTargetException сопроводительным сообщением об ошибке, объясняя требования к надежности пароля.
    • Кроме того, в некоторых случаях было возможно указать конфигурацию с отрицательным числом максимального количества узлов. Это больше невозможно сделать. Теперь вызывает исключениеComputeTargetException, AmlCompute.provisioning_configuration если max_nodes аргумент является отрицательным целым числом.
    • Если параметр show_output значение True при развертывании моделей, отображается конфигурация вывода и конфигурация развертывания.
    • При задании show_output значение True при ожидании завершения развертывания модели отображается ход выполнения операции развертывания.
    • Разрешить клиенту указанный Машинное обучение Azure каталог конфигурации проверки подлинности с помощью переменной среды: AZUREML_AUTH_CONFIG_DIR
    • Ранее было возможно создать конфигурацию подготовки с минимальным числом узлов, меньшим максимального числа узлов. Задание запускается, но во время выполнения происходит сбой. Теперь эта ошибка исправлена. При попытке создать конфигурацию подготовки с min_nodes < max_nodes помощью пакета SDK вызывается ComputeTargetException.
  • azureml-interpret
    • Исправление информационной панели, не отображающей агрегированные сведения о важностях признаков для простых сконструированных объяснений
    • Оптимизация использования памяти ExplanationClient в пакете azureml-interpret
  • azureml-train-automl-client
    • Исправлено show_output=False, чтобы вернуть управление пользователю при выполнении с помощью Spark.

28.02.2021

Работа с записными книжками студии машинного обучения Azure (обновление за февраль)

• Новые функции

  • Собственный терминал (GA). Теперь пользователи имеют доступ к встроенному терминалу и операции Git через интегрированный терминал.
  • Фрагменты записной книжки (предварительная версия). Общие Машинное обучение Azure фрагменты кода теперь доступны на пальцах. Перейдите на панель фрагментов кода, доступную через панель инструментов, или активируйте меню фрагментов кода, нажав клавиши CTRL + ПРОБЕЛ.
  • Сочетания клавиш. Полное совпадение с сочетаниями клавиш, доступными в Jupyter.
  • Укажите параметры ячейки. Показывает пользователям, какие ячейки в записной книжке являются ячейками параметров, и может запускать параметризованные записные книжки с помощью Papermill на вычислительном экземпляре.
  • Диспетчер сеансов терминала и ядра: пользователи могут управлять всеми ядрами и сеансами терминала, работающими на их вычислительных ресурсах.
  • Кнопка общего доступа. Пользователи теперь могут поделиться любым файлом в проводнике записной книжки, щелкнув файл правой кнопкой мыши и нажав кнопку общего доступа.

• Исправления ошибок и улучшения

  • Сокращенное время загрузки страницы.
  • Улучшение производительности
  • Повышенная скорость и надежность ядра.
  • Добавлено вращающееся колесо для отображения хода выполнения всех текущих операций вычислительного экземпляра.
  • Щелкните правой кнопкой мыши в проводнике. Щелкнув правой кнопкой мыши любой файл, теперь открывает операции с файлами.

2021-02-16

Пакет SDK Машинного обучения Azure для Python версии 1.23.0

• Исправления ошибок и улучшения
  • azureml-core
    • [Экспериментальный компонент] Добавлена поддержка связывания рабочей области Synapse с AML в качестве связанной службы.
    • [Экспериментальный компонент] Добавление поддержки для подключения пула Spark Synapse к AML в качестве вычислений
    • [Экспериментальный компонент] Добавлена поддержка доступа к данным на основе удостоверений. Пользователи могут регистрировать хранилище данных или наборы данных без указания учетных данных. В таком случае для проверки подлинности используется маркер Azure AD пользователей или управляемое удостоверение целевого объекта вычислений. Дополнительные сведения см. на странице Подключение к хранилищу с помощью доступа к данным на основе удостоверений.
  • azureml-pipeline-steps
    • [Экспериментальный компонент] Добавлена поддержка SynapseSparkStep
  • azureml-synapse
    • [Экспериментальный компонент] Добавлена поддержка Spark Magic для запуска интерактивного сеанса в пуле Spark Synapse.
• Исправления ошибок и улучшения
  • azureml-automl-runtime
    • В этом обновлении мы добавили метод экспоненциального сглаживания Хольта — Уинтерса к панели элементов прогнозирования SDK AutoML. При наличии временных рядов оптимальная модель выбирается с помощью AICc (исправленный критерий информации Akaike) и возвращается.
    • AutoML теперь создает два файла журнала вместо одного. Операторы журнала переходят к одному или другому в зависимости от процесса, в котором была создана инструкция журнала.
    • Удалите ненужный прогноз в образце во время обучения модели с перекрестными проверками. Это может уменьшить время обучения модели в некоторых случаях, особенно для моделей прогнозирования временных рядов.
  • azureml-contrib-fairness
    • Добавление схемы JSON для отправки dashboardDictionary.
  • azureml-contrib-interpret
    • Файл azureml-contrib-interpret README обновлен для отражения того, что пакет будет удален при следующем обновлении после октября; вместо него следует использовать пакет azureml-interpret
  • azureml-core
    • Ранее было возможно создать конфигурацию подготовки с минимальным числом узлов, меньшим максимального числа узлов. Теперь это исправлено. Если вы попытаетесь создать конфигурацию подготовки с помощью min_nodes < max_nodes, пакет SDK выдаст исключение ComputeTargetException.
    • Исправлена ошибка в wait_for_completion в AmlCompute, из-за которой функция возвращала поток управления до завершения операции.
    • Запуск Run.fail() теперь является нерекомендуемым, используйте Run.tag(), чтобы помечать выполнение как сбой, или используйте команду Run.cancel(), чтобы помечать выполнение как отмененное.
    • Отображение сообщения об ошибке "Ожидаемое имя среды, найдено", {} если указано имя среды не является строкой.
  • azureml-train-automl-client
    • Исправлена ошибка, препятствующая отмене экспериментов AutoML, выполняемых на кластерах Azure Databricks.

2021-02-09

Пакет SDK Машинного обучения Azure для Python версии 1.22.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Исправлена ошибка, при которой в файл yml conda для моделей концепции добавлялась дополнительная зависимость PIP.
  • azureml-automl-runtime
    • Исправлена ошибка, из-за которой классические модели прогнозирования (например, AutoArima) могли получать обучающие данные, в которых строки с вложенными целевыми значениями не присутствовали. Это нарушало контракт данных этих моделей. * Исправлены различные ошибки с операцией lag-by-occurrence в операторе запаздывания временных рядов. Ранее операция с задержкой по вхождениям не помечала все вменяемые строки правильно и поэтому не всегда создавала правильные значения задержки вхождения. Кроме того, устранены некоторые проблемы совместимости между оператором Lag и оператором скользящего окна с реакцией на событие lag-by-occurrence. В результате оператор скользящего окна удаляет некоторые строки из обучающих данных, которые в противном случае следует использовать.
  • azureml-core
    • Добавление поддержки проверки подлинности маркеров безопасности аудиторией.
    • Добавьте process_count к PyTorchConfiguration для поддержки многопроцессных многоузловых заданий PyTorch.
  • azureml-pipeline-steps

    • CommandStep теперь общедоступный и не экспериментальный.

    • ParallelRunConfig: добавьте аргумент allowed_failed_count и allowed_failed_percent, чтобы проверить пороговое значение ошибки на уровне мини-пакетов. Порог ошибок имеет три варианта:

      • error_threshold — количество разрешенных элементов мини-пакетов с ошибками;
      • allowed_failed_count — количество разрешенных мини-пакетов с ошибками;
      • allowed_failed_percent — процент разрешенных мини-пакетов с ошибками.

      Задание останавливается, если оно превышает любой из них. error_threshold требуется для обеспечения обратной совместимости. Установите значение -1, чтобы игнорировать это.

    • Исправлена обработка пробелов в имени AutoMLStep.

    • ScriptRunConfig теперь поддерживается HyperDriveStep

  • azureml-train-core
    • Запуски HyperDrive, вызываемые из ScriptRun, теперь считаются дочерним запуском.
    • Добавьте process_count к PyTorchConfiguration для поддержки многопроцессных многоузловых заданий PyTorch.
  • приложения azureml-widgets
    • Добавьте мини-приложение ParallelRunStepDetails для визуализации состояния ParallelRunStep.
    • Позволяет пользователям hyperdrive просматривать ось на диаграмме параллельных координат, показывающую значение метрик, соответствующее каждому набору гиперпараметров для каждого дочернего запуска.

31.01.2021

Работа с записными книжками студии машинного обучения Azure (обновление за январь)

• Новые функции

  • Собственный редактор Markdown в Машинное обучение Azure. Теперь пользователи могут отображать и изменять файлы markdown в собственном коде в Студия машинного обучения Azure.
  • Кнопка "Выполнить" для сценариев (PY, R и SH). Теперь пользователи могут легко запускать скрипт Python, R и Bash в Машинное обучение Azure
  • Обозреватель переменных. Изучайте содержимое переменных и кадров данных на всплывающей панели. Пользователи могут легко проверять тип, размер и содержимое данных.
  • Оглавление. Переход к разделам записной книжки, обозначенным заголовками Markdown.
  • Экспорт записной книжки как LaTex/HTML/PY. Создавайте файлы записных книжек, которыми удобно делиться, экспортируя их в формат LaTex, HTML или PY
  • IntelliCode. Результаты, управляемые машинным обучением, обеспечивают расширенный интеллектуальный интерфейс автозаполнения.

• Исправления ошибок и улучшения

  • Сокращенное время загрузки страницы.
  • Улучшение производительности
  • Повышенная скорость и надежность ядра.

25.01.2021

Пакет SDK Машинного обучения Azure для Python версии 1.21.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Исправлен текст справки CLI при использовании AmlCompute c UserAssigned
  • azureml-contrib-automl-dnn-vision
    • Кнопки развертывания и скачивания становятся видимыми для запусков визуального представления AutoML, а модели можно развернуть или скачать аналогично другим запускам AutoML. Есть два новых файла (scoring_file_v_1_0_0.py and conda_env_v_1_0_0.yml), которые содержат сценарий для выполнения вывода и файла YML для воссоздания среды conda. Файл "model.pth" также был переименован, и теперь в нем используется расширение ".pt".
  • azureml-core
    • Поддержка MSI для azure-cli-ml
    • Поддержка управляемого удостоверения, назначаемого пользователем.
    • Это изменение должно позволить клиентам предоставлять удостоверение, назначаемое пользователем, которое можно использовать для получения ключа из хранилища ключей клиента для шифрования неактивных данных.
    • исправление row_count=0 для профиля больших файлов — исправлена ошибка при двойном преобразовании для значений с разделителями с заполнением пробелов
    • Удаление экспериментального флага для Output dataset GA.
    • Обновление документации по получению определенной версии модели.
    • Разрешить обновление рабочей области для доступа в смешанном режиме в приватном канале
    • Исправление, чтобы удалить другую регистрацию в хранилище данных для возобновления выполнения функции
    • Добавлена поддержка CLI/SDK для обновления назначаемого основным пользователем удостоверения рабочей области.
  • azureml-interpret
    • Обновление с azureml-interpret на interpret-community 0.16.0.
    • Оптимизация памяти для клиента объяснения в azureml-interpret.
  • azureml-train-automl-runtime
    • Включена потоковая передача для выполнений ADB.
  • azureml-train-core
    • Исправление, чтобы удалить другую регистрацию в хранилище данных для возобновления выполнения функции
  • приложения azureml-widgets
    • Клиенты не должны видеть изменения в существующей визуализации данных запуска с помощью мини-приложения и теперь поддерживаются, если они необязательно используют условные гиперпараметры.
    • Мини-приложение "Выполнение пользователем" теперь содержит подробное объяснение того, почему выполнение находится в состоянии "в очереди".

11.01.2021

Пакет SDK Машинного обучения Azure для Python версии 1.20.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Добавлено framework_version в OptimizationConfig. Он используется при регистрации модели с помощью платформы MULTI.
  • azureml-contrib-optimization
    • Добавлено framework_version в OptimizationConfig. Он используется при регистрации модели с помощью платформы MULTI.
  • azureml-pipeline-steps
    • Введение в CommandStep, которая будет принимать команду для обработки. Команда может включать исполняемые файлы, команды оболочки, скрипты и т. д.
  • azureml-core
    • Теперь при создании рабочей области поддерживается назначенное пользователем удостоверение. Добавление поддержки uai из SDK/CLI.
    • Исправлена ошибка с service.reload() для получения изменений в score.py в локальном развертывании.
    • run.get_details() имеет дополнительное поле с именем "submittedBy", которое отображает имя автора для этого запуска.
    • Изменена документация для метода Model.register. Теперь в ней указано. как регистрировать модель непосредственно из выполнения.
    • Исправлена ошибка обработки изменения состояния подключения IOT-Server.

2020-12-31

Работа с записными книжками студии машинного обучения Azure (обновление за декабрь)

• Новые функции

  • Пользовательский поиск по имени файла. Теперь пользователям доступен поиск по всем файлам, сохраненным в рабочей области.
  • Поддержка параллельного просмотра Markdown для каждой ячейки записной книжки. Ячейка записной книжки теперь позволяет пользователям просматривать отрисованную разметку и синтаксис Markdown параллельно друг с другом.
  • Строка состояния ячейки. Строка состояния отображает состояние ячейки кода, выполнен ли запуск ячейки и сколько времени он занял.

• Исправления ошибок и улучшения

  • Сокращенное время загрузки страницы.
  • Улучшение производительности
  • Повышенная скорость и надежность ядра.

07.12.2020

Пакет SDK Машинного обучения Azure для Python версии 1.19.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Добавлена экспериментальная поддержка для тестовых данных в AutoMLStep.
    • Добавлена первоначальная базовая реализация возможности приема данных тестового набора.
    • Перемещены ссылки на sklearn.externals.joblib. Теперь они зависят непосредственно от joblib.
    • Введен новый тип задачи AutoML "image-instance-segmentation".
  • azureml-automl-runtime
    • Добавлена первоначальная базовая реализация возможности приема данных тестового набора.
    • Если все строки в текстовом столбце имеют длину всего одного символа, функция TfIdf word-gram не работает, так как его токенизатор игнорирует строки с менее чем двумя символами. Текущее изменение кода позволяет AutoML обрабатывать этот вариант использования.
    • Введен новый тип задачи AutoML "image-instance-segmentation".
  • azureml-contrib-automl-dnn-nlp
    • Начальный PR для нового пакета dnn-nlp.
  • azureml-contrib-automl-dnn-vision
    • Введен новый тип задачи AutoML "image-instance-segmentation".
  • azureml-contrib-automl-pipeline-steps
    • Этот новый пакет отвечает за создание шагов, необходимых для сценария обучения и вывода с несколькими моделями. Он также перемещает код обучения и вывода в пакет azureml.train.automl.runtime, чтобы все будущие исправления были автоматически доступны в выпусках курированной среды.
  • набор данных azureml-contrib-dataset
    • Введен новый тип задачи AutoML "image-instance-segmentation".
  • azureml-core
    • Добавлена первоначальная базовая реализация возможности приема данных тестового набора.
    • Исправление предупреждений XREF для документации в пакете azureml-core package.
    • Исправления строки документа для поддержки Command в SDK.
    • Добавление свойства команды в RunConfiguration. Эта функция позволяет пользователям выполнять фактические команды или исполняемые файлы в вычислительных средах с помощью пакета SDK Машинное обучение Azure.
    • Пользователи могут удалить пустой эксперимент, используя идентификатор этого эксперимента.
  • azureml-dataprep
    • Добавлена поддержка набора данных для Spark, созданного с помощью Scala 2.12. Это добавляется к существующей поддержке 2.11.
  • azureml-mlflow
    • AzureML-MLflow добавляет в удаленные сценарии надежные условия, чтобы избежать раннего завершения отправленных выполнений.
  • azureml-pipeline-core
    • Исправлена ошибка в настройке конвейера по умолчанию для конечной точки конвейера, созданной через пользовательский интерфейс.
  • azureml-pipeline-steps
    • Добавлена экспериментальная поддержка для тестовых данных в AutoMLStep.
  • azureml-tensorboard
    • Исправление предупреждений XREF для документации в пакете azureml-core package.
  • azureml-train-automl-client
    • Добавлена экспериментальная поддержка для тестовых данных в AutoMLStep.
    • Добавлена первоначальная базовая реализация возможности приема данных тестового набора.
    • Введен новый тип задачи AutoML "image-instance-segmentation".
  • azureml-train-automl-runtime
    • Добавлена первоначальная базовая реализация возможности приема данных тестового набора.
    • Исправлено вычисление необработанных объяснений для лучшей модели AutoML, если модели AutoML обучены с помощью параметра validation_size.
    • Перемещены ссылки на sklearn.externals.joblib. Теперь они зависят непосредственно от joblib.
  • azureml-train-core

    • Теперь HyperDriveRun.get_children_sorted_by_primary_metric() должна выполняться быстрее.

    • Улучшена обработка ошибок в пакете SDK для HyperDrive.

    • Все классы оценщиков теперь являются нерекомендуемыми. Вместо этого следует использовать ScriptRunConfig для настройки выполнений экспериментов. К нерекомендуемым классам относятся:

      • MMLBase
      • Средство оценки
      • PyTorch
      • TensorFlow
      • Chainer
      • SKLearn

    • Не рекомендуется использовать Nccl и Gloo как допустимые типы ввода для классов оценщика. Вместо этого следует использовать PyTorchConfiguration с ScriptRunConfig.

    • Не рекомендуется использовать Mpi как допустимый тип ввода для классов оценщика. Вместо этого следует использовать MpiConfiguration с ScriptRunConfig.

    • Добавление свойства команды для запуска конфигурации. Эта функция позволяет пользователям выполнять фактические команды или исполняемые файлы в вычислительных средах с помощью пакета SDK Машинное обучение Azure.

    • Все классы оценщиков теперь являются нерекомендуемыми. Вместо этого следует использовать ScriptRunConfig для настройки выполнений экспериментов. К нерекомендуемым классам относятся: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

    • Не рекомендуется использовать Nccl и Gloo как допустимый тип ввода для классов оценщика. Вместо этого следует использовать PyTorchConfiguration с ScriptRunConfig.

    • Не рекомендуется использовать Mpi как допустимый тип ввода для классов оценщика. Вместо этого следует использовать PyTorchConfiguration с ScriptRunConfig.

30.11.2020

Работа с записными книжками студии машинного обучения Azure (обновление за ноябрь)

• Новые функции

  • Собственный терминал. Теперь пользователи имеют доступ к встроенному терминалу и операции Git через интегрированный терминал.
  • Повторяющаяся папка.
  • Раскрывающийся список затрат на вычисления.
  • Автономное вычисление Pylance

• Исправления ошибок и улучшения

  • Сокращенное время загрузки страницы.
  • Улучшение производительности
  • Повышенная скорость и надежность ядра.
  • Передача больших файлов. Теперь вы можете отправить файл >размером 95 МБ

09.11.2020

Пакет SDK Машинного обучения Azure для Python версии 1.18.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Улучшенная обработка коротких временных рядов, позволяя заполнять их шумом Гауссиана.
  • azureml-automl-runtime
    • Отправка ConfigException, если столбец DateTime содержит значение OutOfBoundsDatetime.
    • Улучшенная обработка коротких временных рядов, позволяя заполнять их шумом Гауссиана.
    • Убедитесь, что каждый текстовый столбец может использовать преобразование char-gram с диапазоном n-грамм на основе длины строк в этом текстовом столбце
    • Предоставление необработанных объяснений возможностей для лучшего режима для экспериментов AutoML, выполняющихся в локальных средах вычислений пользователя.
  • azureml-core
    • Закрепление пакета: pyjwt, чтобы избежать извлечения в критических версиях предстоящих выпусков.
    • Создание эксперимента возвращает активный или последний архивированный эксперимент с таким же именем, если такой эксперимент существует или новый эксперимент.
    • Вызов get_experiment по имени возвращает активный или последний архивированный эксперимент с указанным именем.
    • Пользователи не могут переименовать эксперимент при повторной активации.
    • Улучшено сообщение об ошибке для включения потенциальных исправлений при неправильном передаче набора данных в эксперимент (например, ScriptRunConfig).
    • Улучшенная документация по OutputDatasetConfig.register_on_complete включению поведения того, что происходит, когда имя уже существует.
    • Указание входных и выходных имен набора данных, которые могут столкнуться с общими переменными среды, теперь приводит к предупреждению
    • Переназначенный параметр grant_workspace_access при регистрации хранилищ данных. Задайте для него значение True для доступа к данным за виртуальной сетью из Студии машинного обучения. Подробнее
    • Уточнен API связанной службы. Вместо предоставления идентификатора ресурса у нас есть три отдельных параметра sub_id, rg и имя, определенное в конфигурации.
    • Чтобы клиенты могли самостоятельно устранять проблемы с повреждением маркеров, включите синхронизацию маркеров рабочей области в качестве общедоступного метода.
    • Это изменение позволяет использовать пустую строку в качестве значения для script_param.
  • azureml-train-automl-client
    • Улучшенная обработка коротких временных рядов, позволяя заполнять их шумом Гауссиана.
  • azureml-train-automl-runtime
    • Отправка ConfigException, если столбец DateTime содержит значение OutOfBoundsDatetime.
    • Добавлена поддержка предоставления необработанных объяснений возможностей для лучшего режима для экспериментов AutoML, выполняющихся в локальных средах вычислений пользователя.
    • Улучшенная обработка коротких временных рядов, позволяя заполнять их шумом Гауссиана.
  • azureml-train-core
    • Это изменение позволяет использовать пустую строку в качестве значения для script_param.
  • azureml-train-restclients-hyperdrive
    • Файл README был изменен, чтобы предоставлять более подробный контекст.
  • приложения azureml-widgets
    • Добавление поддержки строк в библиотеку charts/parallel-coordinates для мини-приложения.

05.11.2020

Маркировка данных для сегментации экземпляров изображений (заметка к многоугольнику) (предварительная версия)

Теперь доступен тип проекта сегментации экземпляров изображений (заметки к многоугольникам) в маркировке данных, благодаря чему пользователи могут рисовать и добавлять заметки с помощью многоугольников вокруг контура объектов в изображениях. Пользователи могут назначать класс и многоугольник каждому объекту, интересующему изображение.

Дополнительные сведения о метках сегментации экземпляров изображений.

26.10.2020

Пакет SDK Машинного обучения Azure для Python версии 1.17.0

• Новые примеры
  • Новый репозиторий примеров, поддерживаемый сообществом, можно найти здесь: https://github.com/Azure/azureml-examples.
• Исправления ошибок и улучшения
  • azureml-automl-core
    • Исправлена проблема, при которой get_output может вызывать XGBoostError.
  • azureml-automl-runtime
    • Функции на основе времени и календаря, созданные autoML, теперь имеют префикс.
    • Исправлена ошибка IndexError, возникающая во время обучения StackEnsemble для наборов данных классификации с большим количеством классов и включенной подвыборкой.
    • Исправлена проблема, при которой прогнозы VotingRegressor могут быть неточными после перегонки модели.
  • azureml-core
    • Дополнительные сведения о связи между конфигурацией развертывания AKS и основными понятиями Служба Azure Kubernetes.
    • Поддержка меток клиентов окружения. Пользователь может помечать среды и ссылаться на них по метке.
  • azureml-dataprep
    • Более эффективное сообщение об ошибке при использовании неподдерживаемой на данный момент Spark с Scala 2.12.
  • azureml-explain-model
    • Пакет azureml-explain-model официально признан нерекомендуемым.
  • azureml-mlflow
    • Устранена ошибка в mlflow.projects.run в серверной части Azureml, в которой состояние завершения не было обработано должным образом.
  • azureml-pipeline-core
    • Добавлена поддержка создания, перечисления и получения расписания конвейера на основе одной конечной точки конвейера.
    • Улучшена документация по PipelineData.as_dataset с недопустимым примером использования. Использование PipelineData.as_dataset неправильно теперь приводит к возникновению ошибки ValueException.
    • Изменена записная книжка конвейеров HyperDriveStep для регистрации лучшей модели в PipelineStep непосредственно после запуска HyperDriveStep.
  • azureml-pipeline-steps
    • Изменена записная книжка конвейеров HyperDriveStep для регистрации лучшей модели в PipelineStep непосредственно после запуска HyperDriveStep.
  • azureml-train-automl-client
    • Исправлена проблема, при которой get_output может вызывать XGBoostError.

Работа с записными книжками студии машинного обучения Azure (обновление за октябрь)

• Новые функции

  • Полная поддержка виртуальной сети
  • Режим фокусировки
  • Сохранить записные книжки CTRL-S
  • Номера строк

• Исправления ошибок и улучшения

  • Повышение скорости и надежности ядра
  • Обновления пользовательского интерфейса мини-приложения Jupyter

12.10.2020

Пакет SDK Машинного обучения Azure для Python версии 1.16.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • AKSWebservice и AKSEndpoints теперь поддерживают ограничения ресурсов ЦП и памяти. Эти необязательные ограничения можно использовать, устанавливая флаги --cpu-cores-limit и --memory-gb-limit в применимых вызовах интерфейса командной строки.
  • azureml-core
    • Закрепление основных номеров версий прямых зависимостей azureml-core.
    • AKSWebservice и AKSEndpoints теперь поддерживают ограничения ресурсов ЦП и памяти. Дополнительные сведения о ресурсах и ограничениях Kubernetes.
    • Обновлен run.log_table, благодаря чему теперь можно регистрировать отдельные строки.
    • Добавлен статический метод Run.get(workspace, run_id) для получения выполнения только с помощью рабочей области.
    • Добавлен метод экземпляра Workspace.get_run(run_id) для получения выполнения только в рабочей области.
    • Знакомство с свойством команды в конфигурации запуска, что позволяет пользователям отправлять команду вместо скриптов и аргументов.
  • azureml-interpret
    • Исправлена реакция на событие флага is_raw в azureml-interpret.
  • azureml-sdk
    • Официальная поддержка azureml-sdk для Python 3.8.
  • azureml-train-core
    • Добавление курированной среды TensorFlow 2.3.
    • Знакомство с свойством команды в конфигурации запуска, что позволяет пользователям отправлять команду вместо скриптов и аргументов.
  • приложения azureml-widgets
    • Переработанный интерфейс для мини-приложения выполнения сценария.

28.09.2020

Пакет SDK Машинного обучения Azure для Python версии 1.15.0

• Исправления ошибок и улучшения
  • azureml-contrib-interpret
    • Пояснение LIME перемещено из azureml-contrib-interpret в пакет interpret-community, а пояснение к изображениям перемещено из пакета azureml-contrib-interpret.
    • Панель мониторинга визуализации удалена из пакета azureml-contrib-interpret, клиент пояснений перемещен в пакет azureml-interpret и является нерекомендованным в пакете azureml-contrib-interpret, а записные книжки обновлены для отражения улучшенного API.
    • Исправлены описания пакетов pypi для azureml-interpret, azureml-explain-model, azureml-contrib-interpret и azureml-tensorboard.
  • azureml-contrib-notebook
    • Закрепление зависимости nbcovert к < 6, для того чтобы papermill 1.x продолжал работать.
  • azureml-core
    • Добавлены параметры в конструктор TensorflowConfiguration и MpiConfiguration, чтобы обеспечить более рациональную инициализацию атрибутов класса, не требуя от пользователя задавать каждый отдельный атрибут. Добавлен класс PyTorchConfiguration для настройки распределенных заданий PyTorch в ScriptRunConfig.
    • Закрепите версию azure-mgmt-resource для устранения ошибки проверки подлинности.
    • Поддержка развертывания Triton без кода
    • Каталоги выходных данных, указанные в Run.start_logging(), теперь отслеживаются при использовании запуска в интерактивных сценариях. Отслеживаемые файлы отображаются в Студии машинного обучения при вызове Run.complete()
    • Кодировка файлов теперь может быть указана во время создания набора данных с помощью Dataset.Tabular.from_delimited_files и Dataset.Tabular.from_json_lines_files путем передачи аргумента encoding. Поддерживаются кодировки: "utf8", "iso88591", "latin1", "ascii", "utf16", "utf32", "utf8bom" и "windows1252".
    • Исправлена ошибка, если объект среды не передается конструктору ScriptRunConfig.
    • Обновлено Run.cancel(), благодаря чему можно отменять локальный запуск с другого компьютера.
  • azureml-dataprep
    • Исправлены проблемы с временем ожидания подключения набора данных.
  • azureml-explain-model
    • Исправлены описания пакетов pypi для azureml-interpret, azureml-explain-model, azureml-contrib-interpret и azureml-tensorboard.
  • azureml-interpret
    • Панель мониторинга визуализации удалена из пакета azureml-contrib-interpret, клиент пояснений перемещен в пакет azureml-interpret и является нерекомендованным в пакете azureml-contrib-interpret, а записные книжки обновлены для отражения улучшенного API.
    • Обновлен пакет azureml-interpret, в результате чего он зависит от interpret-community 0.15.0.
    • Исправлены описания пакетов pypi для azureml-interpret, azureml-explain-model, azureml-contrib-interpret и azureml-tensorboard.
  • azureml-pipeline-core
    • Исправлена проблема конвейера с OutputFileDatasetConfig, заключавшаяся в том, что система может перестать отвечать при вызове register_on_complete, когда для параметра name установлено имя предварительно существовавшего набора данных.
  • azureml-pipeline-steps
    • Удалены устаревшие записные книжки Databrick.
  • azureml-tensorboard
    • Исправлены описания пакетов pypi для azureml-interpret, azureml-explain-model, azureml-contrib-interpret и azureml-tensorboard.
  • azureml-train-automl-runtime
    • Панель мониторинга визуализации удалена из пакета azureml-contrib-interpret, клиент пояснений перемещен в пакет azureml-interpret и является нерекомендованным в пакете azureml-contrib-interpret, а записные книжки обновлены для отражения улучшенного API.
  • приложения azureml-widgets
    • Панель мониторинга визуализации удалена из пакета azureml-contrib-interpret, клиент пояснений перемещен в пакет azureml-interpret и является нерекомендованным в пакете azureml-contrib-interpret, а записные книжки обновлены для отражения улучшенного API.

21.09.2020

Пакет SDK Машинного обучения Azure для Python версии 1.14.0

• Исправления ошибок и улучшения

  • azure-cli-ml

    • Профилирование сетки удалено из пакета SDK и больше не поддерживается.

  • azureml-accel-models

    • Пакет azureml-accel-models теперь поддерживает Tensorflow 2.x.

  • azureml-automl-core

    • Добавлена обработка ошибок в get_output для случаев, когда локальные версии pandas/sklearn не совпадают с теми, которые использовались во время обучения.

  • azureml-automl-runtime

    • Исправлена ошибка, из-за которой итерации AutoArima завершались ошибкой с PredictionException и сообщением: "В процессе прогнозирования возникла ошибка".

  • azureml-cli-common

    • Профилирование сетки удалено из пакета SDK и больше не поддерживается.

  • azureml-contrib-server

    • Обновление описания пакета для страницы обзора PyPI.

  • azureml-core

    • Профилирование сетки удалено из пакета SDK и больше не поддерживается.
    • Уменьшение числа сообщений об ошибках при сбое извлечения из рабочей области.
    • Не отображается предупреждение при сбое выборки метаданных.
    • Новый шаг Kusto и целевой объект вычислений Kusto.
    • Обновление документа для параметра sku. Удаление sku в функции обновления рабочей области в интерфейсе командной строки и пакете SDK.
    • Обновление описания пакета для страницы обзора PyPI.
    • Обновленная документация по средам Машинное обучение Azure.
    • Предоставление параметров управляемых службой ресурсов для рабочего пространства AML в SDK.

  • azureml-dataprep

    • Включение разрешения на выполнение файлов для подключения набора данных.

  • azureml-mlflow

    • Обновленные Машинное обучение Azure документации по MLflow и примеры записной книжки
    • Новая поддержка проектов MLflow с Машинное обучение Azure серверной частью
    • Поддержка реестра модели MLflow.
    • Добавлена поддержка Azure RBAC для операций AzureML-MLflow.

  • azureml-pipeline-core

    • Улучшена документация по методам PipelineOutputFileDataset.parse_*.
    • Новый шаг Kusto и целевой объект вычислений Kusto.
    • Обеспечено свойство Swaggerurl для объекта pipeline-endpoint, через которое пользователь может видеть определение схемы для опубликованной конечной точки конвейера.

  • azureml-pipeline-steps

    • Новый шаг Kusto и целевой объект вычислений Kusto.

  • azureml-telemetry

    • Обновление описания пакета для страницы обзора PyPI.

  • azureml-train

    • Обновление описания пакета для страницы обзора PyPI.

  • azureml-train-automl-client

    • Добавлена обработка ошибок в get_output для случаев, когда локальные версии pandas/sklearn не совпадают с теми, которые использовались во время обучения.

  • azureml-train-core

    • Обновление описания пакета для страницы обзора PyPI.

2020-08-31

Пакет SDK Машинного обучения Azure для Python версии 1.13.0

• Функции предварительной версии

  • azureml-core С помощью новых наборов выходных данных можно выполнять обратную запись в облачное хранилище, включая Blob, ADLS Gen 1, ADLS Gen 2 и FileShare. Вы можете настроить, куда выводить выходные данные, способ их вывода (путем подключения или передачи), следует ли регистрировать выходные данные для повторного использования в будущем и совместно использовать и передавать промежуточные данные между этапами конвейера. Это позволяет воспроизводить данные и предоставлять к ним общий доступ и не допускать их дублирования, а также экономит расходы и повышает производительность. Узнайте, как использовать его

• Исправления ошибок и улучшения

  • azureml-automl-core
    • Добавлен файл validated_{platform}_requirements.txt для закрепления всех зависимостей PIP для AutoML.
    • Этот выпуск поддерживает модели размером более 4 ГБ.
    • Обновлены зависимости AutoML: scikit-learn (теперь 0.22.1), pandas (теперь 0.25.1), numpy (теперь 1.18.2).
  • azureml-automl-runtime
    • Задайте хоровод для параметра Text DNN, чтобы всегда использовать сжатие fp16.
    • Этот выпуск поддерживает модели размером более 4 ГБ.
    • Исправлена проблема, из-за которой AutoML завершается сбоем с importError: не удается импортировать имя RollingOriginValidator.
    • Обновлены зависимости AutoML: scikit-learn (теперь 0.22.1), pandas (теперь 0.25.1), numpy (теперь 1.18.2).
  • azureml-contrib-automl-dnn-forecasting
    • Обновлены зависимости AutoML: scikit-learn (теперь 0.22.1), pandas (теперь 0.25.1), numpy (теперь 1.18.2).
  • azureml-contrib-fairness
    • Предоставление кратного описания для azureml-contrib-fairness.
  • azureml-contrib-pipeline-steps
    • Добавлено сообщение о том, что этот пакет является нерекомендуемым, и вместо него пользователю следует использовать azureml-pipeline-steps.
  • azureml-core
    • Добавлена команда списка ключей для рабочего пространства.
    • Добавлен параметр tags в пакет SDK для рабочего пространства и CLI.
    • Исправлена ошибка, из-за которой отправка дочернего запуска с набором данных завершается ошибкой TypeError: can't pickle _thread.RLock objects.
    • Добавление page_count по умолчанию или документации по Model list().
    • Измените CLI&SDK, чтобы получить параметр adbworkspace и добавить средство выполнения тестов для связывания или удаления связи с adb рабочей среды.
    • Исправлена ошибка в Dataset.update, которая приводила к тому, что обновлялась последняя версия набора данных, а не версия набора данных, для которой вызывалось обновление.
    • Исправлена ошибка в Dataset.get_by_name, из-за которой отображались теги для новейшей версии набора данных, даже если была получена определенная более старая версия.
  • azureml-interpret
    • Добавлены выходные данные вероятности для формирования пояснений shap в azureml-interpret на основе параметра shap_values_output из исходного пояснения.
  • azureml-pipeline-core
    • Улучшена документация по PipelineOutputAbstractDataset.register.
  • azureml-train-automl-client
    • Обновлены зависимости AutoML: scikit-learn (теперь 0.22.1), pandas (теперь 0.25.1), numpy (теперь 1.18.2).
  • azureml-train-automl-runtime
    • Обновлены зависимости AutoML: scikit-learn (теперь 0.22.1), pandas (теперь 0.25.1), numpy (теперь 1.18.2).
  • azureml-train-core
    • Теперь при создании HyperDriveConfig пользователи должны указывать допустимый аргумент hyperparameter_sampling. Кроме того, была изменена документация для HyperDriveRunConfig. Теперь в ней сообщается о том, что не рекомендуется использовать HyperDriveRunConfig.
    • Возврат версии PyTorch по умолчанию к версии 1.4.
    • Добавление изображений PyTorch 1.6 и TensorFlow 2.2 и курированной среды.

Работа с записными книжками студии машинного обучения Azure (обновление за август)

• Новые функции

  • Новая целевая страница "Начало работы"

• Функции предварительной версии

  • Возможность Gather в записных книжках. Теперь благодаря возможности Gather пользователи могут легко выполнять очистку записных книжек с помощью расширения Gather, в котором используется автоматизированный анализ зависимостей записной книжки, позволяющий сохранять важный код и удалять его ненужные фрагменты.

• Исправления ошибок и улучшения

  • Повышение скорости и надежности
  • Исправлены ошибки в темном режиме
  • Исправлены ошибки прокрутки выходных данных
  • Поиск по образцам теперь выполняется по всему содержимому всех файлов в репозитории образцов записных книжек Машинного обучения Azure.
  • Теперь возможно выполнение на многострочных ячейках R.
  • "Я доверяю содержимому этого файла" теперь автоматически проверяется после первого запуска.
  • Улучшено диалоговое окно разрешения конфликтов с новым параметром "Создать копию".

17.08.2020

Пакет SDK Машинного обучения Azure для Python версии 1.12.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Добавьте параметры image_name и image_label в Model.package(), чтобы разрешить переименование образа созданного пакета.
  • azureml-automl-core
    • AutoML вызывает новый код ошибки из средства подготовки данных, когда содержимое изменяется во время чтения.
  • azureml-automl-runtime
    • Добавлены предупреждения для пользователя, если данные содержат отсутствующие значения, но конструирование признаков отключено.
    • Исправлены сбои дочерних запусков, когда данные содержат nan и признаки отключены.
    • AutoML вызывает новый код ошибки из средства подготовки данных, когда содержимое изменяется во время чтения.
    • Обновлена нормализация метрик прогнозирования, теперь она выполняется интервально.
    • Улучшено вычисление прогнозных квантилей при отключенных возможностях ретроспективного обзора.
    • Исправлена обработка типа bool неразреженной матрицы при вычислении объяснений после AutoML.
  • azureml-core
    • Теперь новый метод run.get_detailed_status() показывает подробное описание текущего состояния выполнения. В настоящее время отображается только объяснение состояния Queued .
    • Добавьте параметры image_name и image_label в Model.package(), чтобы разрешить переименование образа созданного пакета.
    • Новый метод set_pip_requirements() для установки всего раздела PIP CondaDependencies одновременно.
    • Включена регистрация хранилища данных ADLS Gen2 без учетных данных.
    • Улучшено сообщение об ошибке при попытке загрузить или подключить неверный тип набора данных.
    • Обновлена записная книжка образцов фильтров набора данных временного ряда путем добавления примеров partition_timestamp, что обеспечивает оптимизацию фильтров.
    • sdk и CLI изменены таким образом, чтобы принимать subscriptionId, resourceGroup, workspaceName, peConnectionName в качестве параметров вместо ArmResourceId при удалении подключения частной конечной точки.
    • В экспериментальном декораторе отображается имя класса для более легкой идентификации.
    • Описания активов в моделях больше не создаются автоматически на основе выполнения.
  • azureml-datadrift
    • API create_from_model в DataDriftDetector помечен как нерекомендуемый.
  • azureml-dataprep
    • Улучшено сообщение об ошибке при попытке загрузить или подключить неверный тип набора данных.
  • azureml-pipeline-core
    • Исправлена ошибка при десериализации графа конвейера, содержащего зарегистрированные наборы данных.
  • azureml-pipeline-steps
    • RScriptStep поддерживает RSection из azureml.core.environment.
    • Удален параметр passthru_automl_config из общедоступного API AutoMLStep и преобразован в исключительно внутренний параметр.
  • azureml-train-automl-client
    • Удаленная локальная асинхронная управляемая среда выполняется из AutoML. Все локальные запуски выполняются в среде, из которой был запущен запуск.
    • Исправлены проблемы с моментальным снимком при отправке выполнений запусков AutoML без предоставленных пользователем сценариев.
    • Исправлены ошибки дочерних выполнений, когда данные содержат nan и конструирование признаков отключено.
  • azureml-train-automl-runtime
    • AutoML вызывает новый код ошибки из средства подготовки данных, когда содержимое изменяется во время чтения.
    • Исправлены проблемы с моментальным снимком при отправке выполнений запусков AutoML без предоставленных пользователем сценариев.
    • Исправлены ошибки дочерних выполнений, когда данные содержат nan и конструирование признаков отключено.
  • azureml-train-core
    • Добавлена поддержка указания параметров pip (например,-extra-index-url) в файле требований pip, переданном Estimator pip_requirements_file через параметр.

03.08.2020

Пакет SDK Машинного обучения Azure для Python версии 1.11.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Исправлена ошибка, связанная с платформой модели и непрохождением платформы модели в выполняемом объекте на пути регистрации модели CLI.
    • Исправлена команда отображения идентификатора CLI amlcompute, теперь она показывает ИД клиента и ИД субъекта.
  • azureml-train-automl-client
    • Добавлена get_best_child () в AutoMLRun для получения лучшего дочернего выполнения для AutoML Run без загрузки связанной модели.
    • Добавлен объект ModelProxy, позволяющий выполнять прогнозирование в среде удаленного обучения, не загружая модель локально.
    • Необработанные исключения в AutoML теперь указывают на HTTP-страницу известных проблем, где можно найти дополнительные сведения об ошибках.
  • azureml-core
    • Имя модели может содержать до 255 знаков.
    • Изменен тип возвращаемого объекта Environment.get_image_details(). Класс DockerImageDetails заменил собой dict, сведения об изображениях доступны в новых свойствах класса. Изменения имеют обратную совместимость.
    • Исправлена ошибка для Environment.from_pip_requirements () для сохранения структуры зависимостей.
    • Исправлена ошибка, при которой не удается выполнить log_list, если в один и тот же список включены int и double.
    • Включив приватный канал в существующей рабочей области, обратите внимание, что при наличии целевых объектов вычислений, связанных с рабочей областью, эти целевые объекты не будут работать, если они не находятся за той же виртуальной сетью, что и частная конечная точка рабочей области.
    • as_named_input сделан необязательным при использовании наборов данных в экспериментах, и добавлены as_mount и as_download в FileDataset. Входное имя создается автоматически, если as_mount или as_download вызывается.
  • azureml-automl-core
    • Необработанные исключения в AutoML теперь указывают на HTTP-страницу известных проблем, где можно найти дополнительные сведения об ошибках.
    • Добавлена get_best_child () в AutoMLRun для получения лучшего дочернего выполнения для AutoML Run без загрузки связанной модели.
    • Добавлен объект ModelProxy, позволяющий выполнять прогнозирование в среде удаленного обучения, не загружая модель локально.
  • azureml-pipeline-steps
    • Добавлены флаги enable_default_model_output и enable_default_metrics_output в AutoMLStep. Эти флаги можно использовать для включения и отключения выходных данных по умолчанию.

20.07.2020

Пакет SDK Машинного обучения Azure для Python версии 1.10.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • При использовании AutoML, если путь передается в объект AutoMLConfig и он еще не существует, он создается автоматически.
    • Теперь пользователи могут указать частоту временных рядов для задач прогнозирования с помощью параметра freq.
  • azureml-automl-runtime
    • При использовании AutoML, если путь передается в объект AutoMLConfig и он еще не существует, он создается автоматически.
    • Теперь пользователи могут указать частоту временных рядов для задач прогнозирования с помощью параметра freq.
    • Прогнозирование AutoML теперь поддерживает поэтапную оценку, которая применяется к варианту использования, в котором длина набора теста или проверки превышает длину горизонта ввода, а известное значение y_pred используется в качестве контекста прогнозирования.
  • azureml-core
    • Предупреждающие сообщения печатаются, если файлы не были скачаны из хранилища данных во время выполнения.
    • Добавлена документация для skip_validation в Datastore.register_azure_sql_database method.
    • Пользователям необходимо выполнить обновление до пакета SDK версии 1.10.0 или выше, чтобы создать частную конечную точку с автоматической утверждением. Сюда входит ресурс записной книжки, который можно использовать за виртуальной сетью.
    • Предоставление NotebookInfo в ответе на получение рабочей среды.
    • Изменения, обеспечивающее успешное указание списка целевых объектов вычислений и получение целевых объектов вычислений при удаленном выполнении. Функции sdk для получения целевого объекта вычислений и целевых объектов вычислений рабочей области списка теперь работают в удаленных запусках.
    • В описания классов azureml.core.image добавлены сообщения о том, что они являются нерекомендованными.
    • Вызывается исключение и очистка рабочей среды и зависимых ресурсов в случае ошибки создания частной конечной точки рабочей области.
    • Поддержка обновления SKU рабочей области в методе обновления рабочей области.
  • azureml-datadrift
    • Обновление версии matplotlib с 3.0.2 до 3.2.1 для поддержки Python 3.8.
  • azureml-dataprep
    • Добавлена поддержка источников данных URL-адреса с помощью запроса Range или Head.
    • Улучшенная стабильность при подключении и загрузке файлового набора данных.
  • azureml-train-automl-client
    • Исправлены проблемы, связанные с удалением RequirementParseError из setuptools.
    • Использование docker вместо conda для локальных выполнений, запущенных с помощью "compute_target='local'".
    • Исправлена длительность итерации, отображаемая на консоли. Ранее длительность итерации иногда отображалась как время окончания выполнения минус время создания выполнения. Она была исправлена и теперь = время окончания выполнения минус время начала выполнения.
    • При использовании AutoML, если путь передается в объект AutoMLConfig и он еще не существует, он создается автоматически.
    • Теперь пользователи могут указать частоту временных рядов для задач прогнозирования с помощью параметра freq.
  • azureml-train-automl-runtime
    • Улучшенный вывод на консоль при неудачном выполнении наилучших объяснений модели.
    • Входной параметр переименован на "blocked_models" для удаления конфиденциального термина.
      • Входной параметр переименован на "allowed_models" для удаления конфиденциального термина.
    • Теперь пользователи могут указать частоту временных рядов для задач прогнозирования с помощью параметра freq.

06.07.2020

Пакет SDK Машинного обучения Azure для Python версии 1.9.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • get_model_path() заменено на переменную среды AZUREML_MODEL_DIR в автоматически создаваемом сценарии оценки AutoML. Также добавлены данные телеметрии для отслеживания сбоев во время выполнения init().
    • Удалена возможность указания enable_cache в составе AutoMLConfig.
    • Исправлена ошибка, при которой запуск может завершаться с ошибками службы во время определенных запусков прогнозирования.
    • Улучшенная обработка ошибок для конкретных моделей во время get_output
    • Исправлен вызов fitted_model.fit(X, y) для классификации с преобразователем y.
    • Включен настраиваемый Imputer заполнения вперед для задач прогнозирования.
    • Новый класс ForecastingParameters используется вместо параметров прогнозирования в формате дикта
    • Улучшено автоматическое обнаружение запаздывания целевых объектов.
    • Добавлена ограниченная доступность многоузловых распределенных конструирований признаков с несколькими процессорами с помощью BERT.
  • azureml-automl-runtime
    • Prophet теперь выполняет аддитивное моделирование сезонности вместо мультипликативного.
    • Исправлена проблема, когда короткие зерна, имеющие частоту, отличную от частоты длинных зерен, приводит к сбою запусков.
  • azureml-contrib-automl-dnn-vision
    • Получение статистики по системе и GPU и средних значений журналов для обучения и оценки.
  • azureml-contrib-mir
    • Добавлена поддержка флага enable-app-insights в ManagedInferencing.
  • azureml-core
    • Параметр валидации для этих API, позволяющий пропускать проверку, если источник данных недоступен из текущих вычислений.
      • TabularDataset.time_before(end_time, include_boundary=True, validate=True)
      • TabularDataset.time_after(start_time, include_boundary=True, validate=True)
      • TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
      • TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
    • В записную книжку возвращены поддержка фильтрации платформы для списка моделей и образец NCD AutoML.
    • Для Datastore.register_azure_blob_container и Datastore.register_azure_file_share (только варианты, поддерживающие маркер SAS) мы обновили строки документа для поля sas_token, чтобы включать минимальные требования к разрешениям для типичных сценариев чтения и записи.
    • _with_auth param in ws.get_mlflow_tracking_uri() отнесен к нерекомендуемым.
  • azureml-mlflow
    • Добавлена поддержка развертывания локальных моделей файла :// с AzureML-MLflow.
    • _with_auth param in ws.get_mlflow_tracking_uri() отнесен к нерекомендуемым.
  • azureml-opendatasets
    • Последние опубликованные наборы данных отслеживания Covid-19 теперь доступны в пакете SDK.
  • azureml-pipeline-core
    • Выводится предупреждение, если "azureml-defaults" не включено как часть PIP-зависимости.
    • Улучшена отрисовка заметок.
    • Добавлена поддержка разрывов строк, заключенных в кавычки, при анализе файлов с разделителями в PipelineOutputFileDataset.
    • Класс PipelineDataset признан нерекомендуемым. Дополнительные сведения см. в разделе https://aka.ms/dataset-deprecation. Информацию об использовании набора данных с конвейером см в статье https://aka.ms/pipeline-with-dataset.
  • azureml-pipeline-steps
    • Обновление документации к azureml-pipeline-steps.
    • В load_yaml() ParallelRunConfig добавлена поддержка определения пользователями встроенных сред с остальной конфигурацией или в отдельном файле.
  • azureml-train-automl-client.
    • Удалена возможность указания enable_cache в составе AutoMLConfig.
  • azureml-train-automl-runtime
    • Добавлена ограниченная доступность многоузловых распределенных конструирований признаков с несколькими процессорами с помощью BERT.
    • Добавлена обработка ошибок для несовместимых пакетов в запусках автоматизированного машинного обучения на основе ADB.
  • приложения azureml-widgets
    • Обновление документации для azureml-widgets.

22.06.2020

Пакет SDK Машинного обучения Azure для Python версии 1.8.0

• Функции предварительной версии

  • azureml-contrib-fairness Пакет azureml-contrib-fairness обеспечивает интеграцию между оценкой объективности на основе открытого кода и пакетом устранения рисков необъективности Fairlearn и Студией машинного обучения Azure. В частности, пакет позволяет отправлять панели мониторинга оценки справедливости модели в рамках запуска Машинное обучение Azure и отображаться в Студия машинного обучения Azure

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Поддержка получения журналов контейнера init.
    • Добавлены новые команды CLI для управления ComputeInstance.
  • azureml-automl-core
    • Теперь пользователи могут включить итерацию ансамблей стека для задач временных рядов с предупреждением о потенциальном переобучении.
    • Добавлен новый тип исключения пользователя, который возникает, если содержимое хранилища кэша было подделано
  • azureml-automl-runtime
    • Балансировка классов более не включена, если пользователь отключает признаки.
  • azureml-contrib-notebook
    • Усовершенствования документации по пакету azureml-contrib-notebook.
  • azureml-contrib-pipeline-steps
    • Усовершенствования документации по пакету azureml-contrib--pipeline-steps.
  • azureml-core
    • Добавьте функции set_connection, get_connection, list_connections, delete_connection, чтобы клиент работал с ресурсом подключения к рабочей области.
    • Обновления документации к пакету azureml-coore/azureml.exceptions.
    • Обновление документации к пакету azureml-core.
    • Обновления документации к классу ComputeInstance.
    • Усовершенствования документации к пакету azureml-core/azureml.core.compute.
    • Усовершенствования документации для классов webservice-related в azureml-core.
    • Поддержка выбора хранилища данных, выбираемого пользователем, в качестве хранилища данных профилирования.
    • Добавлено свойство expand и page_count для API списка моделей.
    • Исправлена ошибка, при которой удаление свойства перезаписи приводит к сбою отправленного запуска с ошибкой десериализации.
    • Исправлена непоследовательная структура папок при загрузке или подключении FileDataset, ссылающегося на один файл.
    • Загрузка набора данных файлов Parquet в to_spark_dataframe теперь выполняется быстрее и поддерживает все типы данных Parquet и SQL Spark.
    • Поддержка получения журналов контейнера init.
    • Запуски AutoML теперь помечены как дочерний запуск шага параллельного выполнения.
  • azureml-datadrift
    • Усовершенствования документации по пакету azureml-contrib-notebook.
  • azureml-dataprep
    • Загрузка набора данных файлов Parquet в to_spark_dataframe теперь выполняется быстрее и поддерживает все типы данных Parquet и SQL Spark.
    • Улучшена обработка памяти для проблемы OutOfMemory для to_pandas_dataframe.
  • azureml-interpret
    • Обновлено azureml-interpret для использования interpret-community версии 0.12.*
  • azureml-mlflow
    • Усовершенствования документации к azureml-mlflow.
    • Добавлена поддержка реестра модели AML с MLFlow.
  • azureml-opendatasets
    • Включена поддержка Python 3.8.
  • azureml-pipeline-core
    • Обновлена документация к PipelineDataset — добавлено четкое указание того, что это внутренний класс.
    • Обновления ParallelRunStep для принятия нескольких значений для одного аргумента, например: "--group_column_names", "Col1", "Col2", "Col3"
    • Удалено требование passthru_automl_config для промежуточного использования данных с AutoMLStep в конвейерах.
  • azureml-pipeline-steps
    • Усовершенствования документации к пакету azureml-contrib--pipeline-steps.
    • Удалено требование passthru_automl_config для промежуточного использования данных с AutoMLStep в конвейерах.
  • azureml-telemetry
    • Усовершенствования документации к azureml-telemetry.
  • azureml-train-automl-client
    • Исправлена ошибка, в результате которой двукратный вызов experiment.submit() на объекте AutoMLConfig приводил к другой реакции на событие.
    • Теперь пользователи могут включить итерацию ансамблей стека для задач временных рядов с предупреждением о потенциальном переобучении.
    • Изменена реакция на событие AutoML для вызова UserErrorException, если служба вызывает ошибку пользователя.
    • Устранена ошибка, из-за которой журнал azureml_automl.log не генерировался или пропускал журналы при выполнении эксперимента AutoML на удаленном целевом объекте вычислений.
    • Для наборов данных классификации с несбалансированных классов мы применяем балансировку веса, если средство очистки признаков определяет, что для вложенных данных балансировка веса повышает производительность задачи классификации на определенный порог.
    • Запуски AutoML теперь помечены как дочерний запуск шага параллельного выполнения.
  • azureml-train-automl-runtime
    • Изменена реакция на событие AutoML для вызова UserErrorException, если служба вызывает ошибку пользователя.
    • Запуски AutoML теперь помечены как дочерний запуск шага параллельного выполнения.

08.06.2020

Пакет SDK Машинного обучения Azure для Python версии 1.7.0

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Завершено удаление профилирования модели из mir contrib путем очистки команд интерфейса командной строки и зависимостей пакетов, профилирование модели доступно в ядре.
    • Обновление минимальной версии Azure CLI до 2.3.0
  • azureml-automl-core
    • Более эффективное сообщение об исключении на этапе конструирования признаков fit_transform () благодаря пользовательским параметрам преобразователя.
    • Добавлена поддержка нескольких языков для моделей преобразователей с глубоким обучением, таких как BERT, в автоматизированном машинном обучении.
    • Удален нерекомендуемый параметр lag_length из документации.
    • Улучшена документация по параметрам прогнозирования. Параметр lag_length отмечен как нерекомендуемый.
  • azureml-automl-runtime
    • Исправлена ошибка, вызываемая тем, что один из столбцов с категориями был пустым во время прогнозирования или тестирования.
    • Исправлены ошибки выполнения, происходящие, когда включены функции ретроспективного обзора и данные содержат краткие интервалы.
    • Устранена проблема с дублирующимся сообщением об ошибке индекса времени, когда для параметров задержки или скользящих окон задано значение "auto".
    • Исправлена проблема с моделями Prophet и Arima на наборах данных, содержащих возможности ретроспективного обзора.
    • Добавлена поддержка дат до 21.09.1677 или после 11.04.2262 в столбцах, отличных от даты и времени в задачах прогнозирования. Улучшены сообщения об ошибках.
    • Улучшена документация по параметрам прогнозирования. Параметр lag_length отмечен как нерекомендуемый.
    • Более эффективное сообщение об исключении на этапе конструирования признаков fit_transform () благодаря пользовательским параметрам преобразователя.
    • Добавлена поддержка нескольких языков для моделей преобразователей с глубоким обучением, таких как BERT, в автоматизированном машинном обучении.
    • Операции кэша, которые приводят к возникновению некоторых ОСErrors, вызывают ошибку пользователя.
    • Добавлены проверки, гарантирующие, что данные для обучения и проверки имеют одинаковое число и набор столбцов.
    • Исправлена проблема с автоматически сформированным скриптом оценки AutoML, когда данные содержат кавычки.
    • Включение объяснений для моделей АвтоМЛ Пророка и ансамбля, содержащих модель Пророка.
    • Недавняя проблема клиента выявила ошибку в реальном времени, когда мы заносим в журнал сообщения вместе с перебором балансировки классов, даже если логика балансировки классов не включена должным образом. Удаление этих журналов и сообщений с этим запросом на вытягивание.
  • azureml-cli-common
    • Завершено удаление профилирования модели из mir contrib путем очистки команд CLI и зависимостей пакетов. Профилирование модели доступно в ядрах.
  • azureml-contrib-reinforcementlearning
    • Средство тестирования нагрузки
  • azureml-core
    • Изменения документации по Script_run_config.py.
    • Устранена ошибка, возникающая при печати выходных данных выполнения команды submit-pipeline CLI.
    • Усовершенствована документация по azureml-core/azureml.data.
    • Исправлены проблемы при извлечении учетной записи хранения с помощью команды hdfs getconf.
    • Улучшена документация по register_azure_blob_container и register_azure_file_share.
  • azureml-datadrift
    • Улучшена реализация для отключения и включения мониторов смещения набора данных.
  • azureml-interpret
    • В клиенте объяснения удалены NaN или Inf до сериализации json при передаче из артефактов.
    • interpret-community обновлена до последней версии для сокращения числа ошибок нехватки памяти для глобальных объяснений с множеством возможностей и классов.
    • Добавление true_ys необязательный параметр для отправки пояснений для включения дополнительных функций в пользовательском интерфейсе Студии
    • Повышена производительность download_model_explanations () и list_model_explanations ().
    • Небольшие корректировки в записных книжках для упрощения отладки.
  • azureml-opendatasets
    • azureml-opendatasets требует azureml-dataprep версии 1.4.0 или более поздней версии. Добавлено предупреждение на случай обнаружения более ранней версии.
  • azureml-pipeline-core
    • Это изменение позволяет пользователю указывать необязательный параметр runconfig в moduleVersion при вызове module.Publish_python_script.
    • Включение учетной записи узла может быть параметром конвейера в ParallelRunStep в azureml.pipeline.steps.
  • azureml-pipeline-steps
    • Это изменение позволяет пользователю указывать необязательный параметр runconfig в moduleVersion при вызове module.Publish_python_script.
  • azureml-train-automl-client
    • Добавлена поддержка нескольких языков для моделей преобразователей с глубоким обучением, таких как BERT, в автоматизированном машинном обучении.
    • Удален нерекомендуемый параметр lag_length из документации.
    • Улучшена документация по параметрам прогнозирования. Параметр lag_length отмечен как нерекомендуемый.
  • azureml-train-automl-runtime
    • Включение объяснений для моделей АвтоМЛ Пророка и ансамбля, содержащих модель Пророка.
    • Обновления документации к пакетам azureml-train-automl-*.
  • azureml-train-core
    • Поддержка TensorFlow версии 2.1 в PyTorch Estimator.
    • Улучшения в пакете azureml-train-core.

26.05.2020

Пакет SDK Машинного обучения Azure для Python версии 1.6.0

• Новые функции

  • azureml-automl-runtime

    • Прогнозирование AutoML теперь поддерживает прогноз клиентов за пределами предопределенного максимального горизонта без переобучения модели. Если назначение прогноза находится дальше в будущем, чем указанный максимальный горизонт, функция прогноза () по-прежнему делает прогнозы точек на более позднюю дату с помощью рекурсивного режима операции. Иллюстрация новой функции см. в разделе "Прогнозирование дальше, чем максимальный горизонт" записной книжки "прогноз-прогноз-функция" в папке".

  • azureml-pipeline-steps

    • ParallelRunStep уже выпущен и является частью пакета azureml-pipeline-steps. Существующий ParallelRunStep в пакете azureml-contrib-pipeline-steps является нерекомендуемым. Изменения общедоступной предварительной версии:
      • Добавлен необязательный настраиваемый параметр run_max_try для управления максимальным вызовом метода Run для любого пакета, значение по умолчанию — 3.
      • PipelineParameter больше не создаются автоматически. Следующие настраиваемые значения могут быть явным образом заданы как PipelineParameter.
        • mini_batch_size
        • node_count
        • process_count_per_node
        • logging_level
        • run_invocation_timeout
        • run_max_try
      • Значение по умолчанию для process_count_per_node изменено на 1. Пользователь должен настроить это значение для повышения производительности. Рекомендуется установить значение, равное числу GPU или ЦП узла.
      • ParallelRunStep не внедряет никаких пакетов, пользователь должен включить в определение среды пакеты azureml-core и azureml-dataprep[pandas, fuse]. Если пользовательский образ docker используется с user_managed_dependencies, то пользователю необходимо установить conda на образ.

• Критические изменения

  • azureml-pipeline-steps
    • Признано нерекомендуемым использование azureml.dprep.Dataflow в качестве допустимого типа ввода для AutoMLConfig.
  • azureml-train-automl-client
    • Признано нерекомендуемым использование azureml.dprep.Dataflow в качестве допустимого типа ввода для AutoMLConfig.

• Исправления ошибок и улучшения

  • azureml-automl-core
    • Исправлена ошибка, при которой во время get_output могло выводиться предупреждение с просьбой перейти на использование более ранней версии клиента.
    • Обновлен Mac для использования cudatoolkit=9.0, так как он еще не доступен в версии 10.
    • Удалены ограничения на моделях prophet и xgboost при обучении на удаленных вычислениях.
    • Улучшено ведение журналов в AutoML.
    • Улучшена обработка ошибок для пользовательского конструирования признаков в задачах прогнозирования.
    • Добавлены функциональные возможности, позволяющие пользователям включать функции с запаздываниями для создания прогнозов.
    • Обновлены сообщения об ошибке для правильного вывода ошибок пользователя.
    • Поддержка cv_split_column_names для использования с training_data.
    • Обновлено ведение журнала для сообщений об исключениях с Traceback.
  • azureml-automl-runtime
    • Включены ограничения для прогнозирования подстановок отсутствующих значений.
    • Улучшено ведение журналов в AutoML.
    • Добавлена детальная обработка ошибок для исключений подготовки данных.
    • Удалены ограничения на моделях prophet и xgboost при обучении на удаленных вычислениях.
    • Для azureml-train-automl-runtime и azureml-automl-runtime обновлены зависимости для pytorch, scipy и cudatoolkit. Теперь поддерживаются pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 и cudatoolkit==10.1.243.
    • Улучшена обработка ошибок для пользовательского конструирования признаков в задачах прогнозирования.
    • Улучшен механизм обнаружения частоты набора данных для прогнозирования.
    • Исправлена проблема с обучением модели Prophet для некоторых наборов данных.
    • Улучшено автоматическое определение максимального горизонта во время прогнозирования.
    • Добавлены функциональные возможности, позволяющие пользователям включать функции с запаздываниями для создания прогнозов.
    • Добавлены возможности в функции прогнозирования, чтобы обеспечить прогнозирование за пределами обученного горизонта без повторного обучения модели прогнозирования.
    • Поддержка cv_split_column_names для использования с training_data.
  • azureml-contrib-automl-dnn-forecasting
    • Улучшено ведение журналов в AutoML.
  • azureml-contrib-mir
    • Добавлена поддержка служб Windows в ManagedInferencing
    • Удалены старые рабочие процессы MIR, такие как вложение вычислений MIR, класс SingleModelMirWebservice — очистка профилирования моделей добавлена в пакет contrib-mir.
  • azureml-contrib-pipeline-steps
    • Незначительное исправление для поддержки YAML.
    • ParallelRunStep выпущен для общего доступа — для azureml.contrib.pipeline.steps добавлено уведомление о том, что он является нерекомендуемым, и он перенесен в azureml.pipeline.steps.
  • azureml-contrib-reinforcementlearning
    • Средство тестирования нагрузки RL.
    • Оценщик RL имеет интеллектуальные значения по умолчанию.
  • azureml-core
    • Удалены старые рабочие процессы MIR, такие как вложение вычислений MIR, класс SingleModelMirWebservice — очистка профилирования моделей добавлена в пакет contrib-mir.
    • Исправлена информация, предоставленная пользователю при сбое профилирования: включен идентификатор запроса и переопределено сообщение, которое будет более значимым. Добавлен новый рабочий процесс профилирования для средств выполнения профилирования.
    • Улучшен текст ошибки в сбоях выполнения набора данных.
    • Добавлена поддержка CLI для приватных каналов рабочей области.
    • Добавлен необязательный параметр invalid_lines в Dataset.Tabular.from_json_lines_files, позволяющий указать способ управления строками, содержащими недопустимый JSON.
    • В следующем выпуске создание вычислений на основе выполнения будет считаться нерекомендуемым. Рекомендуется создать фактический кластер Amlcompute как постоянный целевой объект вычислений и использовать имя кластера в качестве целевого объекта вычислений в конфигурации выполнения. См. пример записной книжки здесь: aka.ms/amlcomputenb.
    • Улучшены сообщения об ошибках при сбоях выполнения набора данных.
  • azureml-dataprep
    • Предупреждение об обновлении версии pyarrow сделано более явным.
    • Улучшенная обработка ошибок и сообщение, возвращенные в случае сбоя выполнения потока данных.
  • azureml-interpret
    • Обновлена документация к пакету azureml-interpret.
    • Исправлены пакеты интерпретируемости и записные книжки для совместимости с последним обновлением sklearn
  • azureml-opendatasets
    • Если данные не возвращаются, возвращается значение None.
    • Повышена производительность of to_pandas_dataframe.
  • azureml-pipeline-core
    • Быстрое исправление для ParallelRunStep, где загрузка из YAML была нарушена.
    • ParallelRunStep выпущен для общего доступа — для azureml.contrib.pipeline.steps добавлено уведомление о том, что он является нерекомендуемым, и он перенесен в azureml.pipeline.steps. Новые функции включают: 1. Наборы данных в качестве PipelineParameter 2. Новый параметр run_max_retry 3. Настраиваемое имя файла выходных данных append_row.
  • azureml-pipeline-steps
    • azureml.dprep.Dataflow признан нерекомендуемым в качестве допустимого типа для входных данных.
    • Быстрое исправление для ParallelRunStep, где загрузка из YAML была нарушена.
    • ParallelRunStep выпущен в общедоступную версию — azureml.contrib.pipeline.steps имеет уведомление об отмене и переходит к azureml.pipeline.steps. Новые функции включают:
      • Наборы данных в качестве PipelineParameter.
      • Новый параметр run_max_retry.
      • Настраиваемое имя файла выходных данных append_row.
  • azureml-telemetry
    • Обновлено ведение журнала для сообщений об исключениях с Traceback.
  • azureml-train-automl-client
    • Улучшено ведение журналов в AutoML.
    • Обновлены сообщения об ошибке для правильного вывода ошибок пользователя.
    • Поддержка cv_split_column_names для использования с training_data.
    • azureml.dprep.Dataflow признан нерекомендуемым в качестве допустимого типа для входных данных.
    • Обновлен Mac для использования cudatoolkit=9.0, так как он еще не доступен в версии 10.
    • Удалены ограничения на моделях prophet и xgboost при обучении на удаленных вычислениях.
    • Для azureml-train-automl-runtime и azureml-automl-runtime обновлены зависимости для pytorch, scipy и cudatoolkit. Теперь поддерживаются pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 и cudatoolkit==10.1.243.
    • Добавлены функциональные возможности, позволяющие пользователям включать функции с запаздываниями для создания прогнозов.
  • azureml-train-automl-runtime
    • Улучшено ведение журналов в AutoML.
    • Добавлена детальная обработка ошибок для исключений подготовки данных.
    • Удалены ограничения на моделях prophet и xgboost при обучении на удаленных вычислениях.
    • Для azureml-train-automl-runtime и azureml-automl-runtime обновлены зависимости для pytorch, scipy и cudatoolkit. Теперь поддерживаются pytorch==1.4.0, scipy>=1.0.0,<=1.3.1 и cudatoolkit==10.1.243.
    • Обновлены сообщения об ошибке для правильного вывода ошибок пользователя.
    • Поддержка cv_split_column_names для использования с training_data.
  • azureml-train-core
    • Добавлен новый набор специальных исключений HyperDrive specific. Azureml.train.hyperdrive теперь создает подробные исключения.
  • приложения azureml-widgets
    • Машинное обучение Azure Мини-приложения не отображаются в JupyterLab

11.05.2020

Пакет SDK Машинного обучения Azure для Python версии 1.5.0

• Новые функции

  • Функции предварительной версии
    • azureml-contrib-reinforcementlearning
      • Машинное обучение Azure выпускает поддержку предварительной версии для обучения с подкреплением с помощью платформы Ray. ReinforcementLearningEstimator делает возможным обучение агентов обучения с подкреплением в целевых объектах вычислений GPU и ЦП в Машинном обучении Azure.

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Исправлен случайно оставшийся журнал предупреждений в моем предыдущем PR. Журнал использовался для отладки и случайно остался.
    • Исправление ошибки: уведомлять клиентов о частичном сбое во время профилирования.
  • azureml-automl-core
    • Ускорена модель Prophet/AutoArima в прогнозировании AutoML путем включения параллельного подгонки для временных рядов, когда наборы данных имеют несколько временных рядов. Чтобы воспользоваться этой новой функцией, рекомендуется задать "max_cores_per_iteration =-1" (то есть с использованием всех доступных ядер ЦП) в AutoMLConfig.
    • Исправлена KeyError при печати ограничений в интерфейсе консоли.
    • Исправлено сообщение об ошибке для experimentation_timeout_hours.
    • Нерекомендуемые модели TensorFlow для AutoML.
  • azureml-automl-runtime
    • Исправлено сообщение об ошибке для experimentation_timeout_hours.
    • Исправлено неклассифицированное исключение при попытке десериализации из хранилища кэша.
    • Ускорена модель Prophet/AutoArima в прогнозировании AutoML путем включения параллельного подгонки для временных рядов, когда наборы данных имеют несколько временных рядов.
    • Исправлено прогнозирование с включенным скользящим окном на наборах данных, в которых тестовый или прогнозный набор не содержит одного из интервалов из обучающего набора.
    • Улучшена обработка отсутствующих данных.
    • Исправлена проблема с интервалами прогнозирования во время прогнозирования на наборах данных, содержащих временные ряды, не согласованные по времени.
    • Добавлена улучшенная проверка формы данных для задач прогнозирования.
    • Улучшено определение частоты.
    • Создано лучшее сообщение об ошибке, если не удается создать свертывания перекрестной проверки для задач прогнозирования.
    • Исправлен интерфейс консоли, чтобы правильно печатать ограничение, связанное с отсутствующим значением.
    • Принудительная проверка типов входящих данных cv_split_indices в AutoMLConfig.
  • azureml-cli-common
    • Исправление ошибки: уведомлять клиентов о частичном сбое во время профилирования.
  • azureml-contrib-mir
    • Добавляет класс azureml.contrib.mir.RevisionStatus, который ретранслирует сведения о текущей развернутой редакции MIR и последней версии, указанной пользователем. Этот класс включен в объект MirWebservice в атрибуте "deployment_status".
    • Включает обновление для типа WebService и его дочернего класса SingleModelMirWebservice.
  • azureml-contrib-reinforcementlearning
    • Добавлена поддержка Ray 0.8.3.
    • AmlWindowsCompute поддерживает только файлы Azure в качестве подключенного хранилища.
    • Переименовано health_check_timeout в health_check_timeout_seconds.
    • Исправлены некоторые описания класса или метода.
  • azureml-core
    • Включено преобразование WASB -> Blob в облаках Azure для государственных организаций и Китая.
    • Устранена ошибка, чтобы позволять ролям Reader использовать команды CLI машинного обучения Azure для получения сведений о выполнении.
    • Удалено ненужное ведение журнала во время Машинное обучение Azure удаленных запусков с входными наборами данных.
    • RCranPackage теперь поддерживает параметр "version" для версии пакетов CRAN.
    • Исправление ошибки: уведомлять клиентов о частичном сбое во время профилирования.
    • Добавлена обработка чисел с плавающей точкой в формате европейского стиля для azureml-core.
    • Включенные функции приватного канала рабочей области в пакете SDK Машинное обучение Azure.
    • При создании TabularDataset с помощью from_delimited_files можно указать, как нужно загружать пустые значения: как None или как пустую строку, указав логический аргумент empty_as_string.
    • Добавлена обработка чисел с плавающей точкой в формате европейского стиля для наборов данных.
    • Улучшены сообщения об ошибках при сбоях подключения набора данных.
  • azureml-datadrift
    • Запрос результатов о смещении данных из пакета SDK содержал ошибку, которая не отличает минимальные, максимальные и средние метрики компонентов, что приводило к дублированию значений. Эта ошибка исправлена путем добавления целевого объекта или базового плана в начале имен метрик. Имена до: duplicate min, max, mean. Имена после: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
  • azureml-dataprep
    • Улучшена обработка ограниченных для записи сред Python при обеспечении зависимостей .NET, необходимых для доставки данных.
    • Исправлена процедура создания потока данных в файле с пустыми записями в начале.
    • Добавлены параметры обработки ошибок to_partition_iterator аналогично to_pandas_dataframe.
  • azureml-interpret
    • Сокращены ограничения длины пути объяснения для снижения вероятности превышения лимита для Windows.
    • Исправлена ошибка разреженных объяснений, созданных с помощью Mimic Explainer с использованием линейной суррогатной модели.
  • azureml-opendatasets
    • Исправлена проблема, состоящая в том, что столбцы MNIST анализируются как строка, которая должна быть целочисленной.
  • azureml-pipeline-core
    • Возможность применять regenerate_outputs при использовании модуля, внедренного в ModuleStep.
  • azureml-train-automl-client
    • Нерекомендуемые модели TensorFlow для AutoML.
    • Исправлена возможность разрешения пользователями указывать неподдерживаемые алгоритмы в локальном режиме.
    • Исправлена документация к AutoMLConfig.
    • Принудительная проверка типов входящих данных cv_split_indices в AutoMLConfig.
    • Исправлена ошибка, приводящая к сбою выполнений AutoML в show_output.
  • azureml-train-automl-runtime
    • Исправлена ошибка в итерациях ансамблей, препятствовавшая успешному запуску тайм-аута загрузки модели.
  • azureml-train-core
    • Исправлена опечатка в классе azureml.train.dnn.Nccl.
    • Поддержка PyTorch версии 1.5 в PyTorch Estimator.
    • Устранена проблема, из-за которой невозможно было получить образ платформы в регионе Azure для государственных организаций при использовании оценщиков инфраструктуры обучения.

04.05.2020

Новый интерфейс записной книжки

Теперь вы можете создавать, изменять и совместно использовать записные книжки и файлы машинного обучения непосредственно в веб-интерфейсе Студии машинного обучения Azure. Вы можете использовать все классы и методы, доступные в пакете SDK Машинного обучения Azure для Python , из этих записных книжек. Чтобы приступить к работе, ознакомьтесь со статьей Запуск записных книжек Jupyter Notebooks в рабочей области.

Представленные новые функции:

• Улучшенный редактор (редактор Монако), используемый Visual Studio Code
• Улучшения пользовательского интерфейса и взаимодействия с пользователем.
• Панель инструментов ячейки
• Новая панель инструментов записных книжек и элементы управления для вычислений.
• Строка состояния записной книжки.
• Встроенное переключение ядра.
• Поддержка R.
• Улучшения специальных возможностей и локализации.
• Палитра команд
• Дополнительные сочетания клавиш
• Автоматическое сохранение
• Повышены производительность и надежность.

Доступ к следующим веб-средствам разработки из студии:

Веб-инструмент.	Description
записные книжки Машинное обучение Azure Studio	Первое в классе создание файлов записной книжки и поддержка всех операций, доступных в пакете SDK для Python Машинное обучение Azure.

27.04.2020

Пакет SDK Машинного обучения Azure для Python версии 1.4.0

• Новые функции

  • Кластеры AmlCompute теперь поддерживают настройку управляемого удостоверения в кластере во время подготовки. Просто укажите, какое удостоверение следует использовать: назначенное системой или назначенное пользователем, и передайте identityId для второго. Затем можно настроить разрешения на доступ к различным ресурсам, например к хранилищу или к Реестру контейнеров Azure, таким образом, чтобы идентификация вычислений использовалась для безопасного доступа к данным вместо подхода на основе токенов, который AmlCompute использует сегодня. Дополнительные сведения о параметрах см. в справочнике по пакету SDK.

• Критические изменения

  • Кластеры AmlCompute поддерживали предварительную версию функции для создания на основе выполнения, которую мы планируем перевести в разряд нерекомендуемых через две недели. Вы можете продолжать создавать постоянные целевые объекты вычислений, как всегда с помощью класса Amlcompute, но конкретный подход к указанию идентификатора amlcompute в качестве целевого объекта вычислений в конфигурации запуска не будет поддерживаться в ближайшее время.

• Исправления ошибок и улучшения

  • azureml-automl-runtime
    • Включена поддержка нехэшированного типа при вычислении числа уникальных значений в столбце.
  • azureml-core
    • Повышена стабильность при чтении из хранилища BLOB-объектов Azure с помощью TabularDataset.
    • Улучшена документация по параметру grant_workspace_msi для Datastore.register_azure_blob_store.
    • Исправлена ошибка datastore.upload для поддержки аргумента src_dir, который заканчивается на / или \.
    • Добавлено полезное сообщение об ошибке при попытке отправки в хранилище BLOB-объектов Azure, у которого нет ключа доступа или маркера SAS.
  • azureml-interpret
    • Добавлена верхняя граница размера файлов для данных визуализации в отправляемых объяснениях.
  • azureml-train-automl-client
    • Явная проверка параметров label_column_name и weight_column_name для AutoMLConfig на предмет того, имеют ли они тип строки.
  • azureml-contrib-pipeline-steps
    • ParallelRunStep теперь поддерживает набор данных в качестве параметра конвейера. Пользователь может создать конвейер с образцом набора данных и изменить входной набор данных того же типа (файл или таблица) для нового выполнения конвейера.

13.04.2020

Пакет SDK Машинного обучения Azure для Python версии 1.3.0

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Добавлено больше данных телеметрии для операций после обучения.
    • Ускорено автоматическое обучение ARIMA с использованием обучения условного вычисления сумм квадратов (CSS) для рядов, длина которых превышает 100. Используемая длина хранится в виде константы ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/в классе TimeSeriesInternal в /src/azureml-automl-core/azureml/automl/core/shared/constants.py
    • Улучшено ведение журнала прогнозирования, теперь дополнительные сведения о том, какой этап выполняется в журнале
    • Для неразрешенного target_rolling_window_size должны быть установлены значения меньше 2
  • azureml-automl-runtime
    • Улучшено сообщение об ошибке, отображаемое при обнаружении повторяющихся меток времени.
    • Для неразрешенного target_rolling_window_size должны быть установлены значения меньше 2.
    • Исправлена ошибка подстановки запаздывания. Эта ошибка была вызвана недостаточным количеством наблюдений, необходимых для сезонного разбиения ряда. "Де-сезонолизированные" данные используются для вычисления функции частичной автокорреляции (partial autocorrelation function, PACF) для определения длины запаздывания.
    • Включена настройка конструирования признаков цели столбцов для задач прогнозирования путем настройки конструирования признаков. Добавление признаков config. Теперь поддерживаются цели столбцов "Numerical" и "Categorical" для задач прогнозирования.
    • Включена настройка конструирование признаков удаления столбцов для задач прогнозирования путем настройки конструирования признаков.
    • Включена настройка добавления отсутствующих данных для задач прогнозирования путем настройки конструирования признаков. Теперь поддерживается постоянное добавление отсутствующих данных для целевого столбца и добавление отсутствующих данных mean, median, most_frequent и постоянного значения для данных обучения.
  • azureml-contrib-pipeline-steps
    • Принимать передачу строковых имен объектов вычисления для передачи в ParallelRunConfig.
  • azureml-core
    • Добавлен API Environment.clone(new_name) для создания копии объекта среды.
    • Environment.docker.base_dockerfile принимает filepath. Если вы сможете разрешить файл, содержимое считывается в свойство среды base_dockerfile
    • Автоматически сбрасывать взаимоисключающие значения для base_image и base_dockerfile, когда пользователь вручную задает значение в Environment.docker.
    • Добавлен флаг user_managed в RSection, указывающий, управляется ли среда пользователем или Машинное обучение Azure.
    • Набор данных: ошибка загрузки набора данных, если путь к данным содержит символы Юникода.
    • Набор данных: улучшенный механизм кэширования подключения набора данных для соблюдения минимального требования к месту на диске в вычислениях Машинного обучения Azure, что позволяет избежать непригодности узла к использованию и отмены задания.
    • Набор данных: мы добавили индекс для столбца временных рядов при доступе к набору данных временных рядов в качестве кадра данных Pandas, который используется для ускорения доступа к данным на основе временных рядов. Ранее этому индексу присваивалось то же имя, что и у столбца timestamp, что вызывало недоразумения по поводу того, какой столбец является настоящим столбцом метки времени, а какой — индексом. Теперь мы не присваиваем индексу какое-либо конкретное имя, так как его не следует использовать в качестве столбца.
    • Набор данных: устранена проблема проверки подлинности набора данных в независимом облаке.
    • Набор данных: устранена ошибка Dataset.to_spark_dataframe для наборов данных, созданных из хранилищ данных Azure PostgreSQL.
  • azureml-interpret
    • Добавлены глобальные оценки в визуализацию, если локальные значения важности являются разреженными.
    • Обновление azureml-interpret: теперь используется interpret-community 0.9.*
    • Исправлена проблема с описанием загрузки с разреженными данными оценки.
    • Добавлена поддержка разреженного формата объекта объяснения в AutoML.
  • azureml-pipeline-core
    • Поддержка ComputeInstance в качестве целевого объекта вычислений в конвейерах.
  • azureml-train-automl-client
    • Добавлено больше данных телеметрии для операций после обучения.
    • Исправлена регрессия при ранней остановке.
    • azureml.dprep.Dataflow признан нерекомендуемым в качестве допустимого типа для входных данных.
    • Изменение времени ожидания эксперимента AutoML по умолчанию на шесть дней.
  • azureml-train-automl-runtime
    • Добавлено больше данных телеметрии для операций после обучения.
    • Добавлена комплексная поддержка разреженного AutoML.
  • azureml-opendatasets
    • Добавлена другая телеметрия для монитора служб.
    • Включена точка входа для большого двоичного объекта для повышения стабильности.

23.03.2020

Пакет SDK Машинного обучения Azure для Python версии 1.2.0

• Критические изменения

  • Прекращена поддержка Python 2.7

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Добавлено "--subscription-id" в команды az ml model/computetarget/service в CLI.
    • Добавлена поддержка для передачи управляемого пользователем ключа (customer-managed key, CMK) vault_url, key_name и key_version для развертывания ACI.
  • azureml-automl-core
    • Включено настраиваемое добавление отсутствующих данных с постоянным значением для задач прогнозирования данных X и Y.
    • Исправлена проблема с отображением сообщений об ошибках для пользователя.
  • azureml-automl-runtime
    • Исправлена проблема с прогнозированием на наборах данных, содержащих интервалы только c одной строкой.
    • Уменьшился объем памяти, необходимый для задач прогнозирования.
    • Улучшены сообщения об ошибках, если столбец времени имеет неправильный формат.
    • Включено настраиваемое добавление отсутствующих данных с постоянным значением для задач прогнозирования данных X и Y.
  • azureml-core
    • Добавлена поддержка загрузки ServicePrincipal из переменных среды: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID и AZUREML_SERVICE_PRINCIPAL_PASSWORD.
    • Введен новый параметр support_multi_line в Dataset.Tabular.from_delimited_files : по умолчанию (support_multi_line=False) все разрывы строк, в том числе в значениях полей в кавычках, будут интерпретироваться как разрыв записи. Считывание данных таким способом выполняется быстрее и более оптимизировано для параллельного выполнения на нескольких ядрах ЦП. Однако это может привести к автоматическому созданию дополнительных записей с несогласованными значениями полей. Этот параметр должен принимать значение True, если известно, что файлы с разделителями содержат заключенные в кавычки разрывы строк.
    • Добавлена возможность регистрации ADLS 2-го поколения в интерфейсе командной строки Машинного обучения Azure.
    • Параметр "fine_grain_timestamp" переименован на "timestamp", а параметр "coarse_grain_timestamp" — на "partition_timestamp" для метода with_timestamp_columns() в TabularDataset, чтобы лучше отражать использование параметров.
    • Увеличена максимальная длина имени эксперимента до 255.
  • azureml-interpret
    • Обновлено azureml-interpret to interpret-community 0.7.*.
  • azureml-sdk
    • Выполнено изменение на зависимости с совместимой версией Tilde для поддержки обновлений путем частично замены в предварительных и стабильных выпусках.

11.03.2020

Пакет SDK Машинного обучения Azure для Python версии 1.1.5

• Признание функций нерекомендуемыми

  • Python 2.7.
    • Последняя версия поддерживает Python 2.7

• Критические изменения

  • Семантическое управление версиями 2.0.0
    • Начиная с версии 1.1 Машинное обучение Azure пакет SDK для Python использует семантические версии 2.0.0. Все последующие версии соответствуют новой схеме нумерирования и контракту семантического управления версиями.

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Измените имя команды CLI в конечной точке с "az ml endpoint aks" на "az ml endpoint real time" для обеспечения согласованности.
    • обновление инструкций по установке CLI для стабильных и экспериментальных CLI ветвей
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
  • azureml-automl-core
    • Включен вывод пакетного режима (получение нескольких строк одновременно) для моделей AutoML ONNX.
    • Улучшено обнаружение частоты наборов данных, отсутствия данных или данных, содержащих нестандартные точки данных.
    • Добавлена возможность удалять точки данных, которые не соответствуют основной частоте.
    • Изменены входные данные конструктора: теперь можно получать список параметров, чтобы применять параметры добавления отсутствующих данных для соответствующих столбцов.
    • Улучшено ведение журнала ошибок.
  • azureml-automl-runtime
    • Исправлена проблема, вызываемая ошибкой, возникающей в тестовом наборе при отсутствии интервала в обучающем наборе.
    • Удалено требование y_query во время оценки службы прогнозирования.
    • Исправлена проблема с прогнозированием, когда набор данных содержит краткие интервалы с длительными промежутками времени.
    • Исправлена проблема, возникавшая, когда включался автоматический максимальный горизонт, а столбец данных содержал даты в виде строк. Добавлено правильное преобразование и сообщения об ошибках в случаях, когда невозможно выполнить преобразование в дату.
    • Использование собственных NumPy и SciPy для сериализации и десериализации промежуточных данных для FileCacheStore (используется для локальных выполнений AutoML).
    • Исправлена ошибка, из-за которой проблемные дочерние выполнения могли зависнуть в состоянии выполнения.
    • Повышена скорость конструирования признаков.
    • Исправлена проверка частоты во время оценки. Теперь задачи прогнозирования не требуют строгой эквивалентности частоты между обучением и набором тестов.
    • Изменены входные данные конструктора: теперь можно получать список параметров, чтобы применять параметры добавления отсутствующих данных для соответствующих столбцов.
    • Исправлены ошибки, связанные с выбором типа запаздывания.
    • Исправлена неклассифицированная ошибка, возникавшая в наборах данных, имеющих интервалы с единой строкой.
    • Исправлена проблема с медленным обнаружением частоты.
    • Устранена ошибка в обработке исключений AutoML, которая приводила к тому, что фактическая причина сбоя обучения заменялась ошибкой AttributeError.
  • azureml-cli-common
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
  • azureml-contrib-mir
    • Добавлена функциональность в класс MirWebservice для получения маркера доступа.
    • По умолчанию использовать токен проверки подлинности MirWebservice во время вызова MirWebservice.run() — обновление только в случае сбоя вызова.
    • Развертывание веб-службы Mir теперь требует надлежащего Skus [Standard_DS2_v2, Standard_F16, Standard_A2_v2] вместо [Ds2v2, A2v2, and F16] соответственно.
  • azureml-contrib-pipeline-steps
    • Необязательный параметр side_inputs добавлен в ParallelRunStep. Этот параметр можно использовать для подключения папки в контейнере. В настоящее время поддерживаются следующие типы: DataReference и PipelineData.
    • Параметры, переданные в ParallelRunConfig, можно перезаписать, передав параметры конвейера сейчас. Новые поддерживаемые параметры: aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count и aml_process_count_per_node уже входят в более ранний выпуск).
  • azureml-core
    • Развернутые веб-службы Машинное обучение Azure теперь по умолчанию используют INFO ведение журнала. Это можно контролировать, задавая переменную среды AZUREML_LOG_LEVEL в развернутой службе.
    • Пакет SDK для Python использует службу обнаружения для использования конечной точки API вместо конвейеров.
    • Переключение на новые маршруты во всех вызовах пакета SDK.
    • Изменена маршрутизация вызовов к ModelManagementService на новую унифицированную структуру.
      • Метод обновления рабочей области сделан общедоступным.
      • Добавлен параметр image_build_compute в метод обновления рабочей области, чтобы разрешить пользователю обновлять вычисление для создания образа.
    • В старый рабочий процесс профилирования добавлены сообщения о признании элементов нерекомендуемыми. Исправлены ограничения на профилирование ЦП и памяти.
    • Добавлена RSection в составе среды для выполнения заданий R.
    • Добавлена проверка в Dataset.mount для вызова ошибки, когда источник набора данных недоступен или не содержит данных.
    • --grant-workspace-msi-access Добавлен в качестве другого параметра для интерфейса командной строки хранилища данных для регистрации контейнера BLOB-объектов Azure, который позволяет зарегистрировать контейнер BLOB-объектов, который находится за виртуальной сетью.
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
    • Исправлена проблема в aks.py _deploy.
    • Проверяет целостность передаваемых моделей, чтобы избегать сбоев при автоматическом хранении.
    • Теперь пользователь может указать значение ключа проверки подлинности при повторном создании ключей для веб-служб.
    • Исправлена ошибка, из-за которой нельзя было использовать прописные буквы во вводимых именах набора данных.
  • azureml-defaults
    • azureml-dataprep теперь будет установлен в составе azureml-defaults. Больше не требуется устанавливать data prep[fuse] вручную в целевых объектах вычислений для подключения наборов данных.
  • azureml-interpret
    • Обновлено azureml-interpret на interpret-community 0.6.*.
    • Обновлено azureml-interpret для использования interpret-community 0.5.0.
    • Добавлены исключения azureml-style в azureml-interpret.
    • Исправлена сериализация DeepScoringExplainer для моделей Keras.
  • azureml-mlflow
    • Добавлена поддержка национальных облаков в azureml.mlflow.
  • azureml-pipeline-core
    • Записная книжка оценки пакетов конвейера теперь использует ParallelRunStep.
    • Исправлена ошибка, из-за которой результаты PythonScriptStep могли по ошибке использоваться повторно, несмотря на изменение списка аргументов.
    • Добавлена возможность задать тип столбцов при вызове методов parse_* в PipelineOutputFileDataset.
  • azureml-pipeline-steps
    • AutoMLStep перемещен в пакет azureml-pipeline-steps. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
    • Добавлен пример документации для набора данных в качестве входных данных PythonScriptStep.
  • azureml-tensorboard
    • Обновлено azureml-tensorboard для поддержки TensorFlow 2.0.
    • Показывать правильный номер порта при использовании пользовательского порта TensorBoard в вычислительном экземпляре.
  • azureml-train-automl-client
    • Исправлена проблема, при которой некоторые пакеты могли устанавливаться в неправильные версии при удаленных выполнениях.
    • Исправлена проблема с переопределением FeaturizationConfig, которая фильтрует пользовательскую конфигурацию конструирования признаков.
  • azureml-train-automl-runtime
    • Исправлена проблема с определением частоты при удаленных выполнениях.
    • AutoMLStep перемещен в пакет azureml-pipeline-steps. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
  • azureml-train-core
    • Поддержка PyTorch версии 1.4 в PyTorch Estimator.

02.03.2020

Пакет SDK Машинного обучения Azure для Python v1.1.2rc0 (предварительный выпуск).

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Включен вывод пакетного режима (получение нескольких строк одновременно) для моделей AutoML ONNX.
    • Улучшено обнаружение частоты наборов данных, отсутствия данных или данных, содержащих нестандартные точки данных.
    • Добавлена возможность удалять точки данных, которые не соответствуют основной частоте.
  • azureml-automl-runtime
    • Исправлена проблема, вызываемая ошибкой, возникающей в тестовом наборе при отсутствии интервала в обучающем наборе.
    • Удалено требование y_query во время оценки службы прогнозирования.
  • azureml-contrib-mir
    • Добавлена функциональность в класс MirWebservice для получения маркера доступа.
  • azureml-core
    • Развернутые веб-службы Машинное обучение Azure теперь по умолчанию используют INFO ведение журнала. Это можно контролировать, задавая переменную среды AZUREML_LOG_LEVEL в развернутой службе.
    • Исправлена итерация Dataset.get_all для возвращения всех наборов данных, зарегистрированных в рабочей области.
    • Улучшено сообщение об ошибке при передаче недопустимого типа в аргумент path API создания набора данных.
    • Пакет SDK для Python использует службу обнаружения для использования конечной точки API вместо конвейеров.
    • Переключение на новые маршруты во всех вызовах пакета SDK.
    • Изменение маршрутизации вызовов ModelManagementService в новую единую структуру
      • Метод обновления рабочей области сделан общедоступным.
      • Добавлен параметр image_build_compute в метод обновления рабочей области, чтобы разрешить пользователю обновлять вычисление для создания образа.
    • В старый рабочий процесс профилирования добавлены сообщения о признании элементов нерекомендуемыми. Исправлены ограничения на профилирование ЦП и памяти.
  • azureml-interpret
    • Обновлено azureml-interpret на interpret-community 0.6.*.
  • azureml-mlflow
    • Добавлена поддержка национальных облаков в azureml.mlflow.
  • azureml-pipeline-steps
    • AutoMLStep перемещен в azureml-pipeline-steps package. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
  • azureml-train-automl-client
    • Исправлена проблема, при которой некоторые пакеты могли устанавливаться в неправильные версии при удаленных выполнениях.
  • azureml-train-automl-runtime
    • Исправлена проблема с определением частоты при удаленных выполнениях.
    • AutoMLStep перемещен в azureml-pipeline-steps package. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
  • azureml-train-core
    • AutoMLStep перемещен в azureml-pipeline-steps package. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.

18.02.2020

Пакет SDK Машинного обучения Azure для Python v1.1.1rc0 (предварительный выпуск).

• Исправления ошибок и улучшения
  • azure-cli-ml
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
  • azureml-automl-core
    • Улучшено ведение журнала ошибок.
  • azureml-automl-runtime
    • Исправлена проблема с прогнозированием, когда набор данных содержит краткие интервалы с длительными промежутками времени.
    • Исправлена проблема, возникавшая, когда включался автоматический максимальный горизонт, а столбец данных содержал даты в виде строк. Добавлены правильное преобразование и понятное сообщение об ошибке в случае, если преобразование в дату невозможно.
    • Использование собственных NumPy и SciPy для сериализации и десериализации промежуточных данных для FileCacheStore (используется для локальных выполнений AutoML).
    • Исправлена ошибка, из-за которой проблемные дочерние выполнения могли зависнуть в состоянии выполнения.
  • azureml-cli-common
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
  • azureml-core
    • --grant-workspace-msi-access Добавлен в качестве другого параметра для интерфейса командной строки хранилища данных для регистрации контейнера BLOB-объектов Azure, который позволяет зарегистрировать контейнер BLOB-объектов, который находится за виртуальной сетью.
    • Профилирование одного экземпляра было исправлено для создания рекомендации и было сделано доступным в пакете SDK Core.
    • Исправлена проблема в aks.py _deploy.
    • Проверяет целостность передаваемых моделей, чтобы избегать сбоев при автоматическом хранении.
  • azureml-interpret
    • Добавлены исключения azureml-style в azureml-interpret.
    • Исправлена сериализация DeepScoringExplainer для моделей Keras.
  • azureml-pipeline-core
    • Записная книжка оценки пакетов конвейера теперь использует ParallelRunStep.
  • azureml-pipeline-steps
    • AutoMLStep перемещен в пакет azureml-pipeline-steps. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
  • azureml-contrib-pipeline-steps
    • Необязательный параметр side_inputs добавлен в ParallelRunStep. Этот параметр можно использовать для подключения папки в контейнере. В настоящее время поддерживаются следующие типы: DataReference и PipelineData.
  • azureml-tensorboard
    • Обновлено azureml-tensorboard для поддержки TensorFlow 2.0.
  • azureml-train-automl-client
    • Исправлена проблема с переопределением FeaturizationConfig, которая фильтрует пользовательскую конфигурацию конструирования признаков.
  • azureml-train-automl-runtime
    • AutoMLStep перемещен в пакет azureml-pipeline-steps. AutoMLStep признан нерекомендуемым в azureml-train-automl-runtime.
  • azureml-train-core
    • Поддержка PyTorch версии 1.4 в PyTorch Estimator.

04.02.2020

Пакет SDK Машинного обучения Azure для Python v1.1.0rc0 (предварительный выпуск).

• Критические изменения

  • Семантическое управление версиями 2.0.0
    • Начиная с версии 1.1 Машинное обучение Azure пакет SDK для Python использует семантические версии 2.0.0. Все последующие версии соответствуют новой схеме нумерирования и контракту семантического управления версиями.

• Исправления ошибок и улучшения

  • azureml-automl-runtime
    • Повышена скорость конструирования признаков.
    • Исправлена проверка частоты во время оценки. Теперь в задачах прогнозирования мы не требуем строгой эквивалентности частоты между обучающим и тестовый набор.
  • azureml-core
    • Теперь пользователь может указать значение ключа проверки подлинности при повторном создании ключей для веб-служб.
  • azureml-interpret
    • Обновлено azureml-interpret для использования interpret-community 0.5.0.
  • azureml-pipeline-core
    • Исправлена ошибка, из-за которой результаты PythonScriptStep могли по ошибке использоваться повторно, несмотря на изменение списка аргументов.
  • azureml-pipeline-steps
    • Добавлен пример документации для набора данных в качестве входных данных PythonScriptStep.
  • azureml-contrib-pipeline-steps
    • Параметры, переданные в ParallelRunConfig, можно перезаписать, передав параметры конвейера сейчас. Новые поддерживаемые параметры: aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count и aml_process_count_per_node уже входят в более ранний выпуск).

21.01.2020

Пакет SDK Машинного обучения Azure для Python версии 1.0.85

• Новые функции

  • azureml-core

    • Получение текущих основных ограничений на использование и квоты для ресурсов AmlCompute в заданной рабочей области и подписке.

  • azureml-contrib-pipeline-steps

    • Пользователю разрешено передавать табличный набор данных как промежуточный результат из предыдущего шага в parallelrunstep.

• Исправления ошибок и улучшения

  • azureml-automl-runtime
    • Удалено требование столбца y_query в запросе к развернутой службе прогнозирования.
    • "Y_query" удален из раздела запроса службы записных книжек Dominick's Orange Juice.
    • Исправлена ошибка, препятствовавшая прогнозированию в развернутых моделях, работающих с наборами данных со столбцами даты и времени.
    • В качестве метрики классификации для двоичной и многоклассовой классификации добавлен коэффициент корреляции Мэтьюза.
  • azureml-contrib-interpret
    • Удалены пояснения к тексту из azureml-contrib-interpret, поскольку текстовое объяснение было перемещено в репозиторий interpret-text, который будет скоро выпущен.
  • azureml-core
    • Набор данных: использования файлового набора данных больше не зависят от установки NumPy и Pandas в среде Python.
    • Изменен LocalWebservice.wait_for_deployment () для проверки состояния локального контейнера Docker перед попыткой проверить связь с конечной точкой работоспособности, что значительно сокращает количество времени, затрачиваемого на сообщение о сбое развертывания.
    • Исправлена инициализация внутреннего свойства, используемого в LocalWebservice.reload() при создании объекта службы из существующего развертывания с помощью конструктора LocalWebservice().
    • Изменено сообщение об ошибке для уточнения.
    • Добавлен новый метод с именем get_access_token() в AksWebservice, который будет возвращать объект AksServiceAccessToken, содержащий маркер доступа, обновление после метки времени, истечение срока действия в соответствии с меткой времени и тип токена.
    • Существующий метод get_token() признан нерекомендуемым в AksWebservice, так как новый метод возвращает все сведения, возвращаемые этим методом.
    • Изменены выходные данные команды az ml service get-access-token. token переименован в accessToken, а refreshBy — в refreshAfter. Добавлены свойства expiryOn и tokenType.
    • Исправлено get_active_runs.
  • azureml-explain-model
    • Обновлены shap до 0.33.0 и interpret-community до 0.4.*
  • azureml-interpret
    • Обновлены shap до 0.33.0 и interpret-community до 0.4.*
  • azureml-train-automl-runtime
    • В качестве метрики классификации для двоичной и многоклассовой классификации добавлен коэффициент корреляции Мэтьюза.
    • Флаг предварительной обработки признан нерекомендуемым в коде и заменен на конструирование признаков. Конструирование признаков по умолчанию включено.

06.01.2020

Пакет SDK Машинного обучения Azure для Python версии 1.0.83

• Новые функции

  • Набор данных: добавлены два параметра on_error и out_of_range_datetime для to_pandas_dataframe, которые будут признаны ошибочными, если данные будут иметь значения ошибок, вместо того чтобы заполнять их значениями None.
  • Рабочая область: добавлен флаг hbi_workspace для рабочих областей с конфиденциальными данными, который включает дальнейшее шифрование и отключает расширенную диагностику для рабочих областей. Мы также добавили поддержку создания собственных ключей для связанного экземпляра Azure Cosmos DB, указав cmk_keyvault resource_cmk_uri параметры и параметры при создании рабочей области, которая создает экземпляр Azure Cosmos DB в подписке при подготовке рабочей области. Дополнительные сведения см. в разделе Шифрование данных в Azure Cosmos DB.

• Исправления ошибок и улучшения

  • azureml-automl-runtime
    • Исправлена регрессия, приводившая к возникновению TypeError при выполнении AutoML в версиях Python ниже 3.5.4.
  • azureml-core
    • Исправлена ошибка в datastore.upload_files, из-за которой не удавалось использовать относительный путь, который не начинался с ./.
    • Добавлены сообщения о признании нерекомендуемыми всех путей к коду класса Image.
    • Исправлено построение URL-адреса управления моделями для Microsoft Azure, управляемого 21Vianet.
    • Исправлена проблема, из-за которой не удавалось упаковать модели, использующие source_dir, для функций Azure.
    • Добавлен параметр Environment.build_local() для отправки образа в реестр контейнеров рабочей области Машинное обучение Azure
    • Обновлен пакет SDK для использования новой библиотеки токенов в Azure Synapse с обратной совместимостью.
  • azureml-interpret
    • Исправлена ошибка, при которой возвращалось значение None, если отсутствовали доступные объяснения для загрузки. Теперь вызывает исключение, совпадающее с реакцией на событие в другом месте.
  • azureml-pipeline-steps
    • Запрещено использовать DatasetConsumptionConfig в параметр inputs Estimator, когда Estimator будет использоваться в EstimatorStep.
  • azureml-sdk
    • Добавлен клиент AutoML в пакет azureml-sdk, что позволяет передавать удаленные выполнения AutoML без установки полного пакета AutoML.
  • azureml-train-automl-client
    • Исправлено выравнивание в выходных данных консоли для выполнений AutoML.
    • Исправлена ошибка, при которой на удаленном amlcompute может устанавливаться неправильная версия Pandas.

23.12.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.81

• Исправления ошибок и улучшения
  • azureml-contrib-interpret
    • Откладывание зависимости shap от interpret-community из azureml-interpret
  • azureml-core
    • Теперь целевой объект вычислений можно указать в качестве параметра для соответствующих объектов конфигурации развертывания. Это имя целевого объекта вычислений для развертывания, а не объекта SDK.
    • Добавлена информация CreatedBy в объекты Model и Service. Можно получить доступ through.created_by.
    • Исправлена ContainerImage.run(), которая неправильно настраивала порт HTTP контейнера Docker.
    • Сделать azureml-dataprep необязательным для команды CLI az ml dataset register.
    • Исправлена ошибка, из-за которой TabularDataset.to_pandas_dataframe неправильно вернуться к альтернативному средству чтения и распечатать предупреждение.
  • azureml-explain-model
    • Откладывание зависимости shap от interpret-community из azureml-interpret
  • azureml-pipeline-core
    • Добавлен новый этап конвейера NotebookRunnerStep для выполнения локальной записной книжки в качестве шага в конвейере.
    • Удалены нерекомендуемые функции get_all для PublishedPipelines, Schedules и PipelineEndpoints.
  • azureml-train-automl-client
    • Запущено признание data_script нерекомендуемым в качестве входных данных для AutoML.

2019-12-09

Пакет SDK Машинного обучения Azure для Python версии 1.0.79

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Удалена конфигурация признаков для ведения журнала
      • Обновлено ведение журнала: теперь в нем регистрируются только события "авто"/"выключено"/"настроено".
  • azureml-automl-runtime
    • Добавлена поддержка Pandas. Series и Pandas. Категориальный для обнаружения типа данных столбца. Ранее поддерживается только numpy.ndarray
      • Добавлены связанные изменения кода для корректной обработки категорий dtype.
    • Улучшен интерфейс функции прогноза: параметр y_pred сделан необязательным. — Улучшены docstring.
  • набор данных azureml-contrib-dataset
    • Исправлена ошибка, при которой не удавалось подключить помеченные наборы данных.
  • azureml-core
    • Исправлена ошибка для Environment.from_existing_conda_environment(name, conda_environment_name). Пользователь может создать экземпляр среды, являющийся точной репликой локальной среды.
    • По умолчанию изменены методы наборов данных, связанные с временными рядами, на include_boundary=True.
  • azureml-train-automl-client
    • Исправлена проблема, при которой результаты проверки не печатались, когда параметру отображения выходных данных было присвоено значение false.

25.11.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.76

• Критические изменения

  • Проблемы с обновлением Azureml-Train-AutoML
    • Обновление до azureml-train-automl>=1.0.76 с azureml-train-automl<1.0.76 может привести к частичной установке и сбою некоторых операций импорта AutoML. Для решения этой проблемы можно запустить скрипт установки, находящийся здесь: https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Или если вы используете pip напрямую, вы можете:
      • "pip install --upgrade azureml-train-automl"
      • "pip install --ignore-installed azureml-train-automl-client"
    • или удалить старую версию перед обновлением
      • "pip uninstall azureml-train-automl"
      • "pip install azureml-train-automl"

• Исправления ошибок и улучшения

  • azureml-automl-runtime
    • AutoML теперь учитывает как истинные, так и ложные классы при вычислении средних скалярных метрик для задач двоичной классификации.
    • Машинное обучение и тренировочный код в AzureML-AutoML-Core перенесены в новый пакет AzureML-AutoML-Runtime.
  • набор данных azureml-contrib-dataset
    • При вызове to_pandas_dataframe для набора данных с меткой с параметром загрузки теперь можно указать, следует ли перезаписывать существующие файлы.
    • При вызове keep_columns или drop_columns в результате удаления столбца временных рядов, меток или изображений соответствующие возможности также удаляются для набора данных.
    • Исправлена проблема с pytorch loader для задачи обнаружения объектов.
  • azureml-contrib-interpret
    • Удаленное мини-приложение панели мониторинга из azureml-contrib-interpret, изменен пакет для ссылки на новый в interpret_community.
    • Обновлена версия interpret-community до 0.2.0.
  • azureml-core
    • Повышена производительность workspace.datasets.
    • Добавлена возможность регистрации хранилища данных базы данных SQL Azure с помощью проверки имени пользователя и пароля.
    • Исправление в загрузке RunConfigurations из относительных путей.
    • При вызове keep_columns или drop_columns удалении столбца временных рядов соответствующие возможности также удаляются для набора данных.
  • azureml-interpret
    • Обновлена версия interpret-community до 0.2.0.
  • azureml-pipeline-steps
    • Описаны поддерживаемые значения для runconfig_pipeline_params для шагов конвейера машинного обучения Azure.
  • azureml-pipeline-core
    • Добавлен параметр CLI для загрузки выходных данных в формате JSON для команд конвейера.
  • azureml-train-automl
    • AzureML-Train-AutoML разделен на два пакета: клиентский пакет AzureML-Train-AutoML-Client и тренировочный пакет машинного обучения AzureML-Train-AutoML-Runtime.
  • azureml-train-automl-client
    • Добавлен тонкий клиент для отправки экспериментов AutoML без необходимости установки зависимостей машинного обучения локально.
    • Исправлено ведение журнала автоматически обнаруженных задержек, размеров скользящих окон и максимальных горизонтов в удаленных выполнениях.
  • azureml-train-automl-runtime
    • Добавлен новый пакет AutoML для изоляции машинного обучения и компонентов среды выполнения от клиента.
  • azureml-contrib-train-rl
    • Добавлена поддержка обучения подкреплением в пакете SDK.
    • Добавлена поддержка AmlWindowsCompute в пакете SDK RL.

11.11.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.74

• Функции предварительной версии

  • набор данных azureml-contrib-dataset
    • После импорта azureml-contrib-dataset вы можете вызывать Dataset.Labeled.from_json_lines вместо ._Labeled для создания набора данных с меткой.
    • При вызове to_pandas_dataframe для набора данных с меткой с параметром загрузки теперь можно указать, следует ли перезаписывать существующие файлы.
    • При вызове keep_columns или drop_columns в результате удаления столбца временных рядов, меток или изображений соответствующие возможности также удаляются для набора данных.
    • Устранены проблемы с загрузчиком PyTorch при вызове dataset.to_torchvision().

• Исправления ошибок и улучшения

  • azure-cli-ml
    • В предварительную версию CLI добавлено профилирование модели.
    • Исправлены критические изменения в служба хранилища Azure, что приводит к сбою Машинное обучение Azure CLI.
    • Добавлен тип балансировки нагрузки в MLC для типов AKS.
  • azureml-automl-core
    • Исправлена проблема с обнаружением максимального горизонта по временным рядам, при которой отсутствовали значения и имелись многочисленные интервалы.
    • Исправлена проблема с ошибками при создании разбиений перекрестной проверки.
    • Замените этот раздел на сообщение в формате разметки, которое будет появляться в заметках о выпуске: — Улучшена обработка коротких граней в наборах данных прогнозов.
    • Исправлена проблема с маскированием некоторых сведений о пользователях во время ведения журнала. — Улучшено ведение журнала ошибок при выполнении прогнозов.
    • Добавлен psutil в качестве зависимости conda в автоматически генерируемый файл развертывания yml.
  • azureml-contrib-mir
    • Исправлены критические изменения в служба хранилища Azure, что приводит к сбою Машинное обучение Azure CLI.
  • azureml-core
    • Исправлена ошибка, из-за которой модели, развернутые на Функции Azure, создают 500 s.
    • Исправлена проблема, при которой файл amlignore не применялся к моментальным снимкам.
    • Добавлен новый API amlcompute.get_active_runs, возвращающий генератор для запущенных и поставленных в очередь выполнений в заданном amlcompute.
    • Добавлен тип балансировки нагрузки в MLC для типов AKS.
    • Добавлен логический параметр append_prefix к download_files в run.py и download_artifacts_from_prefix в artifacts_client. Этот флаг используется для выборочного сведения пути к исходному файлу, чтобы в output_directory добавлялось только имя файла или папки.
    • Устранена проблема десериализации для run_config.yml при использования набора данных.
    • При вызове keep_columns или drop_columns удалении столбца временных рядов соответствующие возможности также удаляются для набора данных.
  • azureml-interpret
    • Обновлена версия interpret-community до 0.1.0.3.
  • azureml-train-automl
    • Исправлена проблема, при которой automl_step может не печатать сообщения о проблемах проверки.
    • Исправлена register_model, теперь она будет успешно выполняться, даже если в среде модели локально отсутствуют зависимости.
    • Исправлена проблема, при которой некоторые удаленные выполнения не были включены для Docker.
    • Добавлено ведение журнала исключений, вызывающих преждевременное завершение локального выполнения.
  • azureml-train-core
    • Рекомендуется использовать выполнения resume_from при вычислении автоматизированных запусков лучших дочерних выполнений с использованием гиперпараметров.
  • azureml-pipeline-core
    • Исправлена обработка параметров при создании аргумента конвейера.
    • Добавлено описание конвейера и параметр yaml типа шага.
    • Введен новый формат yaml для шага конвейера, и добавлено предупреждение о признании старого формата нерекомендуемым.

2019-11-04

Веб-среда

Целевая страница рабочей области для совместной работы https://ml.azure.com была улучшена и подверглась ребрендингу как Студия машинного обучения Azure.

В этой студии можно обучать, тестировать, развертывать и администрировать ресурсы Машинного обучения Azure, такие как наборы данных, конвейеры, модели, конечные точки и многое другое.

Доступ к следующим веб-средствам разработки из студии:

Веб-инструмент.	Description
Виртуальная машина записной книжки (предварительная версия)	Полностью управляемая облачная рабочая станция
Автоматизированное машинное обучение (предварительная версия)	Отсутствие необходимости в работе с кодом для автоматизации разработки моделей машинного обучения
Конструктор	Средство моделирования машинного обучения путем перетаскивания, которое ранее называлось визуальным интерфейсом.

Улучшения конструктора Машинного обучения Azure

• Ранее назывался визуальным интерфейсом.
• 11 новых модулей, в том числе рекомендации, классификаторы и обучающие программы, включающие конструирование признаков, перекрестную проверку и преобразование данных.

Пакет SDK для R

Используя пакет SDK службы "Машинное обучение Azure" для R, специалисты по обработке и анализу данных, а также разработчики средств ИИ создают и запускают рабочие процессы машинного обучения с помощью Машинного обучения Azure.

Пакет SDK Машинного обучения Azure для R использует пакет reticulate для привязки к SDK Python. Путем непосредственной привязке к Python пакет SDK для R обеспечивает доступ к основным объектам и методам, реализованным в пакете SDK для Python, из любой выбранной среды R.

Ниже перечислены основные возможности пакета SDK.

• Управление облачными ресурсами для мониторинга, ведения журналов и организации экспериментов машинного обучения.
• Обучение моделей с помощью облачных ресурсов, включая ускоренное обучение модели с использованием GPU.
• Развертывание моделей как веб-служб в экземплярах контейнеров Azure (ACI) и в Службе контейнеров Azure (AKS).

Полную документацию см. на веб-сайте пакета.

Интеграция Машинного обучения Azure с Сеткой событий

Машинное обучение Azure теперь является поставщиком ресурсов для службы "Сетка событий". Можно настраивать события машинного обучения с помощью портала Azure или CLI Azure. Пользователи могут создавать события для завершения выполнения, регистрации модели, развертывания модели и обнаружения смещения данных. Эти события можно направлять в обработчики событий, поддерживаемые службой "Сетка событий", для использования. Дополнительные сведения см. в описании события машинного обучения schema и в учебных статьях по машинному обучению.

31.10.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.72

• Новые функции

  • Добавлены мониторы набора данных с помощью пакета azureml-datadrift, что позволяет отслеживать наборы данных временных рядов на предмет смещения данных или других статистических изменений с течением времени. Оповещения и события могут быть активированы, если будет обнаружено смещение или будут выполнены другие условия для данных. Дополнительные сведения см. в документации.

  • Объявление о двух новых выпусках (также называются SKU) в Машинном обучении Azure. В этом выпуске теперь можно создать рабочую область Машинного обучения Azure Basic или Enterprise. Все существующие рабочие области по умолчанию используются в выпуске Basic, и вы можете перейти в портал Azure или в студию, чтобы обновить рабочую область в любое время. На портал Azure можно создать рабочую область Basic или Enterprise. См. дополнительные сведения в документации. В пакете SDK можно определить выпуск своей рабочей области с помощью свойства "sku" объекта рабочей области.

  • Мы также внесли улучшения в Вычислительную среду Машинного обучения Azure. Теперь вы можете просматривать метрики для кластеров (например, общее количество узлов, работающих узлов, общую квоту ядра) в Azure Monitor, помимо просмотра журналов диагностики для отладки. Кроме того, можно просматривать выполняющиеся в данный момент или поставленные в очередь выполнения в кластере и такие сведения, как IP-адреса различных узлов в кластере. Их можно просмотреть либо на портале, либо с помощью соответствующих функций в пакете SDK или в CLI.

  • Функции предварительной версии

    • Мы выпускаем поддержку предварительной версии для шифрования локальных дисков SSD в Вычислительной среде Машинного обучения Azure. Отправьте запрос в службу технической поддержки, чтобы ваша подписка была занесена в список разрешенных для использования этой возможности.
    • Общедоступная предварительная версия функции пакетного вывода Машинного обучения Azure. Функция пакетного вывода Машинного обучения Azure используется для больших несрочных заданий вывода. Пакетный вывод обеспечивает экономичное масштабирование вычислений получение выводов с непревзойденной пропускной способностью для асинхронных приложений. Она оптимизирована для обеспечения высокой пропускной способности при работе с большими объемами данных.
    • набор данных azureml-contrib-dataset
      • Включенные функции для помеченного набора данных

      import azureml.core
      from azureml.core import Workspace, Datastore, Dataset
      import azureml.contrib.dataset
      from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask
      
      # create a labeled dataset by passing in your JSON lines file
      dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)
      
      # download or mount the files in the `image_url` column
      dataset.download()
      dataset.mount()
      
      # get a pandas dataframe
      from azureml.data.dataset_type_definitions import FileHandlingOption
      dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
      dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)
      
      # get a Torchvision dataset
      dataset.to_torchvision()
      

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Интерфейс командной строки теперь поддерживает упаковку модели.
    • Добавлен интерфейс командной строки набора данных. Дополнительные сведения см. здесь: az ml dataset --help.
    • Добавлена поддержка развертывания и упаковки поддерживаемых моделей (ONNX, scikit-learn и TensorFlow) без экземпляра InferenceConfig.
    • Добавлен флаг перезаписи для развертывания службы (ACI и AKS) в пакете SDK и CLI. Если он указан, будет перезаписана существующая служба, если служба с таким именем уже существует. Если служба не существует, будет создана новая служба.
    • Модели можно зарегистрировать с помощью двух новых платформ: Onnx и TensorFlow. — Регистрация модели принимает примеры входных данных, образец выходных данных и конфигурацию ресурсов для модели.
  • azureml-automl-core
    • Обучение итерации будет выполняться в дочернем процессе только при установке ограничений среды выполнения.
    • Добавлена защита для задач прогнозирования, чтобы проверить, вызывает ли указанная max_horizon проблема с памятью на данном компьютере или нет. Если это будет, отображается сообщение guardrail.
    • Добавлена поддержка сложных частот, таких как два года и один месяц. — Добавлено исчерпывающее сообщение об ошибке на случай, если не удастся определить частоту.
    • Добавлено azureml-defaults к автоматически созданному событию conda для решения ошибки развертывания модели.
    • Разрешает преобразование промежуточных данных в конвейере Машинного обучения Azure в табличный набор данных и их использование в AutoMLStep.
    • Реализовано обновление назначения столбцов для потоковой передачи.
    • Реализовано обновление параметра преобразователя для Imputer и HashOneHotEncoder для потоковой передачи.
    • В сообщения об ошибках проверки добавлен текущий размер данных и минимальный требуемый размер данных.
    • Обновлен минимально необходимый размер данных для перекрестной проверки, чтобы гарантировать как минимум два образца в каждой свертке проверки.
  • azureml-cli-common
    • Интерфейс командной строки теперь поддерживает упаковку модели.
    • Модели можно зарегистрировать с помощью двух новых платформ: Onnx и TensorFlow.
    • Регистрация модели принимает примеры входных данных, образец выходных данных и конфигурацию ресурсов для модели.
  • azureml-contrib-gbdt
    • Исправлен канал выпуска для записной книжки.
    • Добавлено предупреждение для целевого объекта вычислений, отличного от AmlCompute, который мы не поддерживаем.
    • В пакет azureml-contrib-gbdt добавлен оценщик LightGMB.
  • azureml-core
    • Интерфейс командной строки теперь поддерживает упаковку модели.
    • Добавьте предупреждение о признании устаревших API набора данных нерекомендуемыми. См. уведомление об изменении в API набора данных здесь: https://aka.ms/tabular-dataset.
    • Измените Dataset.get_by_id, чтобы вернуть имя и версию регистрации, если набор данных зарегистрирован.
    • Исправлена ошибка, приводящая к невозможности повторно использовать ScriptRunConfig с набором данных в качестве аргумента для отправки экспериментального выполнения.
    • Наборы данных, полученные во время выполнения, будут отслеживаться, и их можно просмотреть на странице сведений о выполнении или путем вызова run.get_details() после завершения выполнения.
    • Разрешает преобразование промежуточных данных в конвейере Машинного обучения Azure в табличный набор данных и их использование в AutoMLStep.
    • Добавлена поддержка развертывания и упаковки поддерживаемых моделей (ONNX, scikit-learn и TensorFlow) без экземпляра InferenceConfig.
    • Добавлен флаг перезаписи для развертывания службы (ACI и AKS) в пакете SDK и CLI. Если он указан, будет перезаписана существующая служба, если служба с таким именем уже существует. Если служба не существует, будет создана новая служба.
    • Модели можно зарегистрировать с помощью двух новых платформ: Onnx и TensorFlow. Регистрация модели принимает примеры входных данных, образец выходных данных и конфигурацию ресурсов для модели.
    • Добавлено новое хранилище данных для базы данных Azure для MySQL. Добавлен пример использования базы данных Azure для MySQL в DataTransferStep в конвейерах Машинного обучения Azure.
    • Добавлены функции добавления и удаления тегов из экспериментов. Добавлены функции для удаления тегов из выполнений.
    • Добавлен флаг перезаписи для развертывания службы (ACI и AKS) в пакете SDK и CLI. Если он указан, будет перезаписана существующая служба, если служба с таким именем уже существует. Если служба не существует, будет создана новая служба.
  • azureml-datadrift
    • Перемещено из azureml-contrib-datadrift в azureml-datadrift.
    • Добавлена поддержка отслеживания наборов данных временных рядов для смещения и других статистических мер.
    • Новые методы create_from_model() и create_from_dataset() в классе DataDriftDetector. Метод create() не рекомендуется.
    • Корректировки визуализаций в Python и в пользовательском интерфейсе в Студии машинного обучения Azure.
    • Поддержка еженедельного и ежемесячного планирования мониторов в дополнение к ежедневному просмотру мониторов наборов данных.
    • Поддержка выполнения задним числом метрик монитора данных для анализа исторических данных для мониторов набора данных.
    • Исправлены различные ошибки
  • azureml-pipeline-core
    • azureml-dataprep больше не требуется для отправки выполнения конвейера Машинного обучения Azure из файла конвейера yaml.
  • azureml-train-automl
    • Добавлено azureml-defaults к автоматически созданному событию conda для решения ошибки развертывания модели.
    • Удаленное обучение AutoML теперь включает в себя azureml-defaults, чтобы позволять повторное использование учебной среды для вывода.
  • azureml-train-core
    • Добавлена поддержка PyTorch 1.3 в оценщике PyTorch.

21.10.2019

Визуальный интерфейс (предварительная версия)

• Визуальный интерфейс Машинного обучения Azure (предварительная версия) был переработан для выполнения в конвейерах Машинного обучения Azure. Конвейеры (ранее назывались экспериментами), созданные в визуальном интерфейсе, теперь полностью интегрированы с базовыми возможностями Машинного обучения Azure.

  • Унифицированные возможности управления с ресурсами SDK.
  • Управление версиями и отслеживание для моделей визуальных интерфейсов, конвейеров и конечных точек.
  • Переработанный пользовательский интерфейс
  • Добавлено развертывание пакетного вывода.
  • Добавлена поддержка Службы контейнеров Azure (AKS) для целевых объектов вычислений вывода.
  • Новый рабочий процесс разработки конвейера на основе Python.
  • Новая целевая страница для визуальных средств разработки.

• Новые модули

  • Применение математической операции.
  • Применение преобразования SQL.
  • Обрезка значений.
  • Сведение данных.
  • Импорт из Базы данных SQL.

2019-10-14

Пакет SDK Машинного обучения Azure для Python версии 1.0.69

• Исправления ошибок и улучшения
  • azureml-automl-core
    • Объяснения моделей выполняются для лучшего выполнения, а не для каждого выполнения. Это изменение в поведении внедрено для локальных и удаленных команд и ADB.
    • Добавлена поддержка объяснений моделей по требованию для пользовательского интерфейса.
    • Добавлена psutil в качестве зависимости automl, и включена psutil как зависимость conda в amlcompute.
    • Исправлена проблема с эвристической задержкой и размерами скользящего окна для наборов данных прогнозирования, из-за которых могут возникнуть ошибки линейной алгебры.
      • Добавлена печать для эвристических параметров в запусках прогнозирования.
  • azureml-contrib-datadrift
    • Добавлена защита при создании метрик выходных данных, если смещение на уровне набора данных не находится в первом разделе.
  • azureml-contrib-interpret
    • Пакет azureml-contrib-explain-model переименован на azureml-contrib-interpret.
  • azureml-core
    • Добавлен API для отмены регистрации наборов данных. dataset.unregister_all_versions()
    • Пакет azureml-contrib-explain-model переименован на azureml-contrib-interpret.
  • azureml-core
    • Добавлен API для отмены регистрации наборов данных. dataset.unregister_all_versions().
    • Добавлен API набора данных для проверки времени изменения данных. dataset.data_changed_time.
    • Возможность использования FileDataset и TabularDataset в качестве входных данных для PythonScriptStep, EstimatorStep и HyperDriveStep в конвейере Машинного обучения Azure.
    • Повышена производительность FileDataset.mount для папок с большим числом файлов.
    • Возможность использовать FileDataset и TabularDataset в качестве входных данных для PythonScriptStep, EstimatorStep и HyperDriveStep в конвейере Машинного обучения Azure.
    • Производительность FileDataset.mount() улучшена для папок с большим количеством файлов.
    • В сведениях о выполнении добавлен URL-адрес для известных рекомендаций об ошибках.
    • Исправлена ошибка в run.get_metrics, из-за которой запросы завершались сбоем, если у выполнения было слишком много дочерних элементов.
    • Исправлена ошибка в run.get_metrics, из-за которой запросы завершались сбоем, если у выполнения было слишком много дочерних элементов.
    • Добавлена поддержка проверки подлинности в кластере Arcadia.
    • Создание объекта Experiment получает или создает эксперимент в рабочей области Машинного обучения Azure для отслеживания журнала выполнения. Идентификатор эксперимента и время архивирования заполняются в объекте эксперимента при создании. Пример: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() и reactivate() — это функции, позволяющие скрывать и восстанавливать эксперимент в пользовательском интерфейсе либо возвращать его по умолчанию в вызове списка экспериментов. Если создается новый эксперимент с тем же именем, что и у архивного эксперимента, можно переименовать архивный эксперимент при повторной активации, передав новое имя. Имена всех активных экспериментов уникальны. Пример: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Создать новый активный эксперимент с тем же именем, что и у архивного эксперимента. experiment2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") Статический метод list() для эксперимента может получать фильтр имени и фильтр ViewType. Значения ViewType: "ACTIVE_ONLY", "ARCHIVED_ONLY" и "ALL" Пример: archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL").
    • Поддержка использования среды для развертывания модели и обновления службы.
  • azureml-datadrift
    • Атрибут show класса DataDriftDector больше не поддерживает необязательный аргумент "with_details". Атрибут show представляет только коэффициент смещения данных и вклад смещения данных столбцов признаков.
    • Изменение поведения атрибута DataDriftDetector "get_output":
      • входные параметры start_time, end_time являются необязательными;
      • Входные start_time и(или) end_time с определенным run_id в том же вызове приводит к исключению ошибки значений, так как они являются взаимоисключающими
      • При вводе определенных start_time или end_time возвращаются только результаты запланированных запусков;
      • параметр "daily_latest_only" является нерекомендуемым.
    • Поддержка извлечения результатов смещения данных на основе набора данных.
  • azureml-explain-model
    • Переименовывает пакет AzureML-explain-model на AzureML-interpret. Старый пакет пока остается для обеспечения обратной совместимости.
    • Исправлена ошибка automl, из-за которой для задачи классификации устанавливались необработанные пояснения вместо регрессии по умолчанию при загрузке из ExplanationClient.
    • Добавлена поддержка для ScoringExplainer для создания непосредственно с помощью MimicWrapper.
  • azureml-pipeline-core
    • Улучшена производительность создания больших конвейеров.
  • azureml-train-core
    • Добавлена поддержка TensorFlow 2.0 в оценщике TensorFlow.
  • azureml-train-automl

    • Создание объекта Experiment получает или создает эксперимент в рабочей области Машинного обучения Azure для отслеживания журнала выполнения. Идентификатор эксперимента и время архивирования заполняются в объекте эксперимента при создании. Пример:

      experiment = Experiment(workspace, "New Experiment")
      experiment_id = experiment.id
      

      archive() и reactivate() — это функции, позволяющие скрывать и восстанавливать эксперимент в пользовательском интерфейсе либо возвращать его по умолчанию в вызове списка экспериментов. Если создается новый эксперимент с тем же именем, что и у архивного эксперимента, можно переименовать архивный эксперимент при повторной активации, передав новое имя. Имена всех активных экспериментов уникальны. Пример:

      experiment1 = Experiment(workspace, "Active Experiment")
      experiment1.archive()
      # Create new active experiment with the same name as the archived.
      experiment2 = Experiment(workspace, "Active Experiment")
      experiment1.reactivate(new_name="Previous Active Experiment")
      

      Статический метод list() для эксперимента может получать фильтр имен и фильтр ViewType. Значения ViewType: "ACTIVE_ONLY", "ARCHIVED_ONLY" и "ALL". Пример:

      archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
      all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
      

    • Поддержка использования среды для развертывания модели и обновления службы.

  • azureml-datadrift
    • Атрибут show класса DataDriftDetector больше не поддерживает необязательный аргумент "with_details". Атрибут show представляет только коэффициент смещения данных и вклад смещения данных столбцов признаков.
    • Функция DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none-end-time-none-none-run-id-none-) изменяется:
      • входные параметры start_time, end_time являются необязательными;
      • Входные start_time и/или end_time с определенным run_id в том же вызове приводит к исключению ошибки значений, так как они являются взаимоисключающими;
      • При вводе определенных start_time или end_time возвращаются только результаты запланированных запусков;
      • параметр "daily_latest_only" является нерекомендуемым.
    • Поддержка извлечения результатов смещения данных на основе набора данных.
  • azureml-explain-model
    • Добавлена поддержка создания ScoringExplainer непосредственно с использованием MimicWrapper.
  • azureml-pipeline-core
    • Улучшена производительность создания больших конвейеров.
  • azureml-train-core
    • Добавлена поддержка TensorFlow 2.0 в оценщике TensorFlow.
  • azureml-train-automl
    • Запуск родительского элемента больше не будет завершаться ошибкой в случае ошибки итерации установки, так как этим уже занимается оркестрация.
    • Добавлена поддержка local-docker и local-conda для экспериментов AutoML.
    • Добавлена поддержка local-docker и local-conda для экспериментов AutoML.

2019-10-08

Новый веб-интерфейс (предварительная версия) для рабочих областей Машинного обучения Azure.

На вкладке "Эксперимент" на новом портале рабочей области были внесены изменения, благодаря которым специалисты по обработке и анализу данных могут более эффективно отслеживать эксперименты. Вы можете изучить следующие функции:

• Метаданные эксперимента для легкой фильтрации и сортировки списка экспериментов.
• Упрощенные и выполняемые страницы с информацией об экспериментах, позволяющие визуализировать и сравнивать ваши запуски.
• Новый дизайн для запуска страниц сведений, позволяющих понимать и отслеживать обучающие выполнения.

30.09.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.65

• Новые функции

  • Добавлены курируемые среды. Эти среды были предварительно настроены с помощью библиотек для распространенных задач машинного обучения и были предварительно созданы и кэшированы как образы Docker для ускорения выполнения. Они отображаются по умолчанию в списке рабочей области с префиксом AzureML.
  • Добавлены курируемые среды. Эти среды были предварительно настроены с помощью библиотек для распространенных задач машинного обучения и были предварительно созданы и кэшированы как образы Docker для ускорения выполнения. Они отображаются по умолчанию в списке рабочей области с префиксом AzureML.

• azureml-train-automl

• azureml-train-automl

  • Добавлена поддержка преобразования ONNX для ADB и HDI.

• Функции предварительной версии

  • azureml-train-automl

  • azureml-train-automl

    • Поддерживаются BERT и BiLSTM в качестве характеризатора текста (только предварительная версия).
    • Поддерживается настройка характеризатора для назначения столбца и параметров преобразователя (только предварительная версия).
    • Поддерживаются необработанные объяснения, когда пользователь включает объяснение модели во время обучения (только предварительная версия).
    • Добавлен Prophet для прогнозирования timeseries в качестве обучаемого конвейера (только предварительная версия).

  • azureml-contrib-datadrift

    • Пакеты, перемещенные из azureml-contrib-datadrift в azureml-datadrift; пакет contrib будет перемещен в следующем выпуске.

• Исправления ошибок и улучшения

  • azureml-automl-core
    • Добавлен FeaturizationConfig в AutoMLConfig и AutoMLBaseSettings.
    • Впервые представлена функция "Функциянастрой" для AutoMLConfig и AutoMLBaseSettings
      • Переопределение назначения столбца для конструирования признаков с заданным столбцом и типом функции.
      • Переопределение параметров преобразователя.
    • Добавлено сообщение о том, что не рекомендуется использовать explain_model() и retrieve_model_explanations().
    • Добавлен Prophet в качестве обучаемого конвейера (только предварительная версия).
    • Добавлено сообщение о том, что не рекомендуется использовать explain_model() и retrieve_model_explanations().
    • Добавлен Prophet в качестве обучаемого конвейера (только предварительная версия).
    • Добавлена поддержка автоматического обнаружения запаздывания целевых объектов, размера скользящего окна и максимального горизонта. Если одно из target_lags, target_rolling_window_size или max_horizon имеет значение auto, эвристика применяется для оценки значения соответствующего параметра на основе обучающих данных.
    • Исправлено прогнозирование в случае, когда набор данных содержит один столбец интервала, этот интервал имеет числовой тип и между учебным и тестовым наборами имеется разрыв.
    • Исправлено сообщение об ошибке из-за дублирования индекса при удаленном выполнении в задачах прогнозирования.
    • Исправлено прогнозирование в случае, когда набор данных содержит один столбец интервала, этот интервал имеет числовой тип и между учебным и тестовым наборами имеется разрыв.
    • Исправлено сообщение об ошибке из-за дублирования индекса при удаленном выполнении в задачах прогнозирования.
    • Добавлена проверка несбалансированности набора данных. Если это так, на консоли будет записано сообщение о проверке.
  • azureml-core
    • Добавлена возможность получения URL-адреса SAS для модели в хранилище с помощью объекта модели. Пример: model.get_sas_url()
    • Введение run.get_details()['datasets'] для получения наборов данных, связанных с отправленным выполнением.
    • Добавлен API Dataset.Tabular.from_json_lines_files, чтобы создать TabularDataset из файлов строк JSON. Чтобы узнать об этих табличных данных в файлах строк JSON в TabularDataset, см. документацию в этой статье.
    • Добавлены другие поля размера виртуальной машины (диск ОС, количество gpu) в функцию supported_vmsizes ()
    • Добавлены дополнительные поля в функцию list_nodes () для отображения выполнения, частного и общедоступного IP-адреса, порта и т. д.
    • Возможность указать новое поле во время подготовки кластера --remotelogin_port_public_access, которое можно задать для включения или отключения в зависимости от того, хотите ли вы оставить порт SSH открытым или закрытым во время создания кластера. Если вы не укажете его, служба будет автоматически открывать или закрывать порт в зависимости от того, выполняется ли развертывание кластера в виртуальной сети.
  • azureml-explain-model
  • azureml-core
    • Добавлена возможность получения URL-адреса SAS для модели в хранилище с помощью объекта модели. Пример: model.get_sas_url()
    • Введено run.get_details['datasets'] для получения наборов данных, связанных с запущенным выполнением.
    • Добавлен API Dataset.Tabular.from_json_lines_files() для создания TabularDataset из файлов JSON Lines. Чтобы узнать об этих табличных данных в файлах JSON Lines в TabularDataset, см. документацию в статье https://aka.ms/azureml-data.
    • Добавлены другие поля размера виртуальной машины (диск ОС, количество gpu) в функцию supported_vmsizes()
    • Добавлены другие поля в функцию list_nodes() для отображения запуска, частного и общедоступного IP-адреса, порта и т. д.
    • Возможность указать новое поле при подготовке кластера, которое можно включить или отключить в зависимости от того, хотите ли вы оставить порт SSH открытым или закрытым во время создания кластера. Если он не указан, служба автоматически открывает или закрывает порт в зависимости от того, развертывает ли кластер в виртуальной сети.
  • azureml-explain-model
    • Улучшена документация для объяснения выходных данных в сценарии классификации.
    • Добавлена возможность отправки прогнозируемых значений y для пояснения к примерам оценки. Разблокирует более полезные визуализации.
    • Добавлено свойство создателя объяснения в MimicWrapper, чтобы обеспечить получение базового MimicExplainer.
  • azureml-pipeline-core
    • Добавлена записная книжка, описывающая свойства Module, ModuleVersion и ModuleStep.
  • azureml-pipeline-steps
    • Добавлен RScriptStep для поддержки выполнения скрипта R через конвейер AML.
    • Исправлен анализ параметров метаданных в AzureBatchStep, который вызвал сообщение об ошибке "назначение для параметра SubscriptionId не задано".
  • azureml-train-automl
    • Поддерживаются training_data, validation_data, label_column_name, weight_column_name в качестве формата ввода данных.
    • Добавлено сообщение о том, что не рекомендуется использовать explain_model() и retrieve_model_explanations().
  • azureml-pipeline-core
    • Добавлена записная книжка, описывающая свойства Module, ModuleVersion и ModuleStep.
  • azureml-pipeline-steps
    • Добавлен RScriptStep для поддержки выполнения скрипта R через конвейер AML.
    • Исправлен анализ параметров метаданных в AzureBatchStep, который вызвал сообщение об ошибке "назначение для параметра SubscriptionId не задано".
  • azureml-train-automl
    • Поддерживаются training_data, validation_data, label_column_name, weight_column_name в качестве формата ввода данных.
    • Добавлено сообщение о том, что не рекомендуется использовать explain_model() и retrieve_model_explanations().

16.09.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.62

• Новые функции

  • Введен признак timeseries для TabularDataset. Этот признак обеспечивает простую фильтрацию меток времени в TabularDataset, например получение всех данных в определенном диапазоне времени или самые последние данные. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb в качестве примера записной книжки.

  • Включено обучение с помощью TabularDataset и FileDataset.

  • azureml-train-core

    • Добавлена поддержка Nccl и Gloo в оценщике PyTorch.

• Исправления ошибок и улучшения

  • azureml-automl-core
    • Параметр "lag_length" AutoML и LaggingTransformer признаны нерекомендуемыми.
    • Исправлена правильная проверка входных данных, если они указаны в формате потока данных.
    • Изменен fit_pipeline.py для создания графа json и отправки в артефакты.
    • Граф преобразован для просмотра в userrun с использованием Cytoscape.
  • azureml-core
    • Пересмотрена обработка исключений в коде ADB, и внесены изменения в соответствии с новой обработкой ошибок.
    • Добавлена автоматическая проверка подлинности MSI для виртуальных машин записных книжек.
    • Устранена ошибка, при которой могли передаваться поврежденные или пустые модели из-за неудачных попыток.
    • Исправлена ошибка, при которой изменялось имя DataReference при изменении режима DataReference (например, при вызове as_upload, as_download или as_mount).
    • mount_point и target_path сделаны необязательными для FileDataset.mount и FileDataset.download.
    • Исключение, которое не удается найти столбец метки времени, возникает, если вызывается API последовательности времени без точного столбца метки времени, назначенного или назначенных столбцов метки времени удаляются.
    • Столбцам с последовательностями времени должны быть назначены столбцы с типом Date, в противном случае будет возникать исключение.
    • Столбцы временных сериалов, назначающие API "with_timestamp_columns", могут принимать значение None, точное или грубое имя столбца метки времени, которое очищает ранее назначенные столбцы метки времени.
    • При удалении столбца меток времени с обычными или точными гранями будет создано исключение. В нем для пользователя будет указано, что удаление можно выполнить либо после исключения столбца временных меток из списка удаления, либо после вызова with_time_stamp со значением None для выпуска столбцов с метками времени.
    • Если столбец меток времени с обычными или точными гранями не будет включен в список сохранения столбцов, будет создано исключение. В нем для пользователя будет указано, что сохранение можно выполнить либо после включения столбца временных меток в список сохранения, либо после вызова with_time_stamp со значением None для выпуска столбцов с метками времени.
    • Добавлено ведение журнала для размера зарегистрированной модели.
  • azureml-explain-model
    • Исправлено предупреждение, выводимое на консоль, если пакет Python "packaging" не установлен: "используется более старая версия, чем поддерживаемая версия lightgbm, выполните обновление до версии выше 2.2.1"
    • Исправлено описание модели загрузки с сегментированием для глобальных объяснений с многими функциями.
    • Исправлена проблема, при которой в создателе пояснений имитации отсутствовали примеры инициализации в описании вывода.
    • Исправлена неизменяемая ошибка в устанавливаемых свойствах, когда выполняется отправка двух различных типов моделей через клиент объяснения.
    • Добавлен параметр get_raw для оценки explainer.explain(), чтобы одно средство пояснения оценок могло возвращать как спроектированные, так и необработанные значения.
  • azureml-train-automl
    • Введены общедоступные API из AutoML для поддержки объяснений из пакета SDK для объяснения automl — более новый способ поддержки объяснений AutoML путем разделения конструирования признаков AutoML и объяснения SDK. Интегрирована поддержка необработанных объяснений из пакета SDK объяснений azureml для моделей AutoML.
    • Удалено azureml-defaults из удаленных сред обучения.
    • Изменено расположение хранилища кэша по умолчанию с FileCacheStore на AzureFileCacheStore для AutoML на пути к коду Azure Databricks.
    • Исправлена правильная проверка входных данных, если они указаны в формате потока данных.
  • azureml-train-core

    • Отменено признание source_directory_data_store нерекомендуемым.

    • Добавлена возможность переопределения версий установленных пакетов azureml.

    • Добавлена поддержка dockerfile в параметре environment_definition в оценщиках.

    • Упрощенное распределенное обучение параметров в средствах оценки.

      from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
      

09.09.2019

Новый веб-интерфейс (предварительная версия) для рабочих областей Машинного обучения Azure.

Новый веб-интерфейс позволяет специалистам по обработке и анализу данных выполнять комплексный жизненный цикл машинного обучения от подготовки и визуализации данных до обучения и развертывания моделей в едином месте.

Основные возможности:

С помощью нового интерфейса Машинного обучения Azure теперь можно:

• Управлять своими записными книжками или связывать их с Jupyter.
• Запускать автоматизированные эксперименты с машинным обучением.
• Создание наборов данных из хранилищ данных и веб-файлов.
• Изучение и подготовки наборов данных для создания моделей.
• Отслеживание смещения данных для моделей.
• Просмотр недавних ресурсов на панели мониторинга.

В данный момент в этом выпуске поддерживаются следующие браузеры: Chrome, Firefox, Safari и Microsoft Edge Preview.

Известные проблемы:

1. Обновите браузер, если при выполнении развертывания появится сообщение "что-то пошло не так! Произошла ошибка при загрузке файлов блоков".

2. Невозможно удалить или переименовать файл в записных книжках и файлах. Во время действия общедоступной предварительной версии можно использовать пользовательский интерфейс Jupyter или терминал в виртуальной машине записной книжки для выполнения операций обновления файлов. Так как это подключенная сетевая файловая система, все изменения, вносимые на виртуальной машине записных книжек, немедленно отражаются в рабочей области записной книжки.

3. Чтобы выполнить подключение SSH к виртуальной машине записных книжек:

   1. Найдите ключи SSH, которые были созданы во время установки виртуальной машины. Или найдите ключи в рабочей области Машинного обучения Azure > откройте вкладку "Вычисление" > найдите виртуальную машину записной книжки в списке > откройте ее свойства: скопируйте ключи из диалогового окна.
   2. Импортируйте эти открытые и частные ключи SSH на локальный компьютер.
   3. Используйте их для подключения к виртуальной машине записных книжек по протоколу SSH.

03.09.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.60

• Новые функции

  • Появится FileDataset, который ссылается на один или несколько файлов в хранилищах данных или общедоступные URL-адреса. Файлы могут иметь любой формат. FileDataset предоставляет возможность загрузки или подключения файлов для вычислений.
  • Добавлена поддержка конвейера Yaml для PythonScript Step, Adla Step, Databricks Step, DataTransferStep и AzureBatch Step.

• Исправления ошибок и улучшения

  • azureml-automl-core

    • AutoArima теперь является рекомендуемым конвейером только для предварительной версии.
    • Улучшена отчетность об ошибках для прогнозирования.
    • Улучшено ведение журнала с помощью пользовательских исключений вместо универсальных в задачах прогнозирования.
    • Удалена проверка на max_concurrent_iterations, чтобы она была меньше, чем общее число итераций.
    • Модели AutoML теперь возвращают исключения AutoMLException.
    • В этом выпуске повышена производительность выполнения локальных выполнений автоматизированного машинного обучения.

  • azureml-core

    • Введена функция Dataset.get_all(workspace), возвращающая словарь объектов TabularDataset и FileDataset, ключом в котором является их регистрационное имя.

    workspace = Workspace.from_config()
    all_datasets = Dataset.get_all(workspace)
    mydata = all_datasets['my-data']
    

    • Введен parition_format как аргумент для Dataset.Tabular.from_delimited_files и Dataset.Tabular.from_parquet.files. Сведения о секционированиях каждого пути данных извлекаются в столбцы на основе указанного формата. "{column_name}" создает строковый столбец, а "{column_name: гггг/ММ/дд/ЧЧ/мм/сс}" создает столбец datetime, где "гггг", "ММ", "дд", "ЧЧ", "мм" и "сс" используются для извлечения года, месяца, дня, часа, минуты и секунды для типа datetime. partition_format должен начинаться с расположения первого ключа раздела до конца пути к файлу. Например, учитывая путь '.. /США/2019/01/01/data.csv', где секция находится по стране или региону и времени, partition_format='/{Country}/{PartitionDate:y/MM/dd}/data.csv" создает строковый столбец "Страна" со значением "США" и столбцом datetime "PartitionDate" со значением "2019-01-01".

      workspace = Workspace.from_config()
      all_datasets = Dataset.get_all(workspace)
      mydata = all_datasets['my-data']
      

    • Введен partition_format как аргумент для Dataset.Tabular.from_delimited_files и Dataset.Tabular.from_parquet.files. Сведения о секционированиях каждого пути данных извлекаются в столбцы на основе указанного формата. "{column_name}" создает строковый столбец, а "{column_name: гггг/ММ/дд/ЧЧ/мм/сс}" создает столбец datetime, где "гггг", "ММ", "дд", "ЧЧ", "мм" и "сс" используются для извлечения года, месяца, дня, часа, минуты и секунды для типа datetime. partition_format должен начинаться с расположения первого ключа раздела до конца пути к файлу. Например, учитывая путь '.. /США/2019/01/01/data.csv', где секция находится по стране или региону и времени, partition_format='/{Country}/{PartitionDate:y/MM/dd}/data.csv" создает строковый столбец "Страна" со значением "США" и столбцом datetime "PartitionDate" со значением "2019-01-01".

    • Методы to_csv_files и to_parquet_files добавлены в TabularDataset. Эти методы обеспечивают преобразование между TabularDataset и FileDataset путем преобразования данных в файлы указанного формата.

    • Автоматический вход в реестр базового образа при сохранении Dockerfile, созданного Model.package().

    • "gpu_support" больше не требуется; AML теперь автоматически обнаруживает и использует расширение NVIDIA Docker, когда оно доступно. В будущем выпуске она будет удалена.

    • Добавлена поддержка создания, обновления и использования PipelineDrafts.

    • В этом выпуске повышена производительность выполнения локальных выполнений автоматизированного машинного обучения.

    • Пользователи могут запрашивать метрики из журнала выполнения по имени.

    • Улучшено ведение журнала с помощью пользовательских исключений вместо универсальных в задачах прогнозирования.

  • azureml-explain-model

    • В новый MimicWrapper добавлен параметр feature_maps, что позволяет пользователям получать необработанные объяснения для функций.
    • Передача набора данных теперь отключена по умолчанию для передачи объяснения и может быть повторно включена с помощью upload_datasets=True.
    • В список объяснений и функции загрузки добавлены параметры фильтрации "is_law".
    • Добавляет метод get_raw_explanation(feature_maps) как к глобальному, так и к локальному объектам объяснения.
    • Добавлена проверка версии для lightgbm с выводом предупреждения, если версия ниже поддерживаемой.
    • Оптимизация использования памяти при пакетировании объяснений.
    • Модели AutoML теперь возвращают исключения AutoMLException.

  • azureml-pipeline-core

    • Добавлена поддержка создания, обновления и использования PipelineDrafts — может использоваться для поддержки изменяемых определений конвейера и их интерактивного использования для выполнения.

  • azureml-train-automl

    • Создана функция для установки определенных версий gpu-capable pytorch v1.1.0, cuda toolkit 9.0, pytorch-transformers, необходимая для создания BERT/XLNet в удаленной среде выполнения Python.

  • azureml-train-core

    • Ранний сбой некоторых ошибок определения пространства параметров непосредственно в пакете SDK, а не на стороне сервера.

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.1.14

• Исправления ошибок и улучшения
  • Включена запись в ADLS/ADLSGen2 с использованием необработанного пути и учетных данных.
  • Исправлена ошибка, которая приводила к невозможности работы include_path=True для read_parquet.
  • Исправлена ошибка to_pandas_dataframe(), вызванная исключением "Недопустимое значение свойства: hostSecret".
  • Исправлена ошибка, при которой не удавалось прочитать файлы в DBFS в режиме Spark.

2019-08-19

Пакет SDK Машинного обучения Azure для Python версии 1.0.57

• Новые функции

  • Включено TabularDataset для использования AutomatedML. Дополнительные сведения см. на TabularDataset странице https://aka.ms/azureml/howto/createdatasets.

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Теперь вы можете обновить сертификат TLS/SSL для конечной точки оценки, развернутой в кластере AKS как для сертификатов, созданных корпорацией Майкрософт, так и для сертификатов клиентов.
  • azureml-automl-core
    • Исправлена проблема в AutoML, из-за которой строки с отсутствующими метками не были удалены должным образом.
    • Улучшено ведение журнала ошибок в AutoML; полные сообщения об ошибках теперь всегда будут записываться в файл журнала.
    • AutoML обновил закрепление пакетов для включения azureml-defaults, azureml-explain-model и azureml-dataprep. AutoML больше не предупреждает о несоответствиях пакетов (за исключением azureml-train-automl пакета).
    • Исправлена проблема в timeseries, при которой разделения CV имеют неравный размер, что приводит к сбою вычисления ячеек.
    • При выполнении коллективной итерации для типа обучения перекрестной проверки, если возникла проблема с загрузкой моделей, обученных на основе всего набора данных, мы имели несоответствие между весовыми коэффициентами модели и моделями, которые передавались в коллективные модели голосования.
    • Исправлена ошибка, возникавшая при передаче меток обучении и/или меток проверки (y и y_valid) в виде кадра данных Pandas, но не в виде массива NumPy.
    • Исправлена проблема с задачами прогнозирования, если в логических столбцах входных таблиц было обнаружено значение None.
    • Разрешить пользователям AutoML удалять серии обучения, которые недостаточно долго при прогнозировании. —Пользователям AutoML разрешено удалять из тестового набора грани, которые не существуют в обучающем наборе, при прогнозировании.
  • azureml-core
    • Исправлена проблема с порядком параметров blob_cache_timeout.
    • В системные ошибки добавлены типы исключений External Fit и Transform.
    • Добавлена поддержка секретов хранилища ключей для удаленных выполнений. azureml.core.keyvault.Keyvault Добавьте класс для добавления, получения и перечисления секретов из хранилища ключей, связанного с рабочей областью. Поддерживаемые операции:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.keyvault.Keyvault.set_secret(name, value)
      • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
      • azureml.core.keyvault.Keyvault.get_secret(name)
      • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
      • azureml.core.keyvault.Keyvault.list_secrets()
      • Дополнительные методы для получения ключей по умолчанию и получения секретов во время удаленного выполнения:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.run.Run.get_secret(name)
      • azureml.core.run.Run.get_secrets(secrets_list)
    • Добавлены другие параметры переопределения для команды командной строки отправки hyperdrive.
    • Повышение надежности вызовов API увеличивает число повторных попыток для исключений библиотеки общих запросов.
    • Добавлена поддержка отправки выполнений из отправленного выполнения.
    • Исправлена ошибка истечения срока действия токена SAS в FileWatcher, приводившая к тому, что файлы переставали отправляться после истечения срока действия их первоначального токена.
    • Поддерживается импорт файлов CSV/TSV HTTP в пакете SDK Python для набора данных.
    • Метод Workspace.setup() признан нерекомендуемым. Вместо этого пользователю отображается предупреждающее сообщение с рекомендацией использовать create() или get()/from_config().
    • Добавлен метод Environment.add_private_pip_wheel(), позволяющий передавать частные настраиваемые пакеты Python whlв рабочую область и безопасно использовать их для сборки или материализации среды.
    • Теперь вы можете обновить сертификат TLS/SSL для конечной точки оценки, развернутой в кластере AKS как для сертификатов, созданных корпорацией Майкрософт, так и для сертификатов клиентов.
  • azureml-explain-model
    • Добавлен параметр для добавления идентификатора модели к пояснениям при передаче.
    • Добавлено добавление тегов is_raw к пояснениям в памяти и при передаче.
    • Добавлена поддержка pytorch и тесты для пакета azureml-explain-model.
  • azureml-opendatasets
    • Поддержка обнаружения и ведения журнала в среде автоматического тестирования.
    • Добавлены классы для получения населения США по округам и почтовым индексам.
  • azureml-pipeline-core
    • Добавлено свойство label к определениям порта ввода и вывода.
  • azureml-telemetry
    • Исправлена неправильная конфигурация телеметрии.
  • azureml-train-automl
    • Исправлена ошибка установки, состоявшая в том, что при сбое установки ошибка не регистрировалась в поле "errors" для выполнения установки, поэтому она не сохранялась в родительском выполнении "errors".
    • Исправлена проблема в AutoML, из-за которой строки с отсутствующими метками не были удалены должным образом.
    • Пользователям AutoML разрешено удалять обучающие последовательности, которые оказались недостаточно длинными при прогнозировании.
    • Пользователям AutoML разрешено удалять из тестового набора грани, которые не существуют в обучающем наборе, при прогнозировании.
    • Теперь AutoMLStep проходит через конфигурацию automl в серверную часть, чтобы избегать проблем с изменениями или добавлениями новых параметров конфигурации.
    • Проверка данных AutoML теперь находится в общедоступной предварительной версии. После обучения пользователь увидит отчет о проверке данных (для задач классификации и регрессии), а также сможет получить к нему доступ через API пакета SDK.
  • azureml-train-core
    • Добавлена поддержка torch 1.2 в оценщике PyTorch.
  • приложения azureml-widgets
    • Улучшенные диаграммы матрицы неточностей для обучения классификации.

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.1.12

• Новые функции

  • Теперь списки строк могут передаваться в качестве входных данных в методы read_*.

• Исправления ошибок и улучшения

  • Улучшена производительность read_parquet при работе в Spark.
  • Исправлена проблема, из-за которой column_type_builder произошел сбой в одном столбце с неоднозначными форматами дат.

Портал Azure

• Предварительная версия
  • Для страниц сведений о выполнении теперь доступна потоковая передача журналов и выходных файлов. Поток файлов обновляется в режиме реального времени при включении переключателя предварительной версии.
  • В предварительной версии введена возможность установки квоты на уровне рабочей области. Квоты AmlCompute выделяются на уровне подписки, но теперь вы можете распределить эту квоту между рабочими областями и выделить ее для обеспечения общего доступа и управления. Просто щелкните колонку Использование и квоты на левой навигационной панели рабочей области и перейдите на вкладку Настройка квот. Чтобы иметь возможность устанавливать квоты на уровне рабочей области, необходимо быть администратором подписки, так как это операция между рабочими областями.

05.08.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.55

• Новые функции

  • Проверка подлинности на основе токенов теперь поддерживается для вызовов к конечной точке оценки, развернутой в AKS. Мы продолжаем поддерживать текущую проверку подлинности на основе ключей, и пользователи могут использовать один из этих механизмов проверки подлинности одновременно.
  • Возможность регистрации хранилища BLOB-объектов, которое находится за виртуальной сетью (VNet), в качестве хранилища данных.

• Исправления ошибок и улучшения

  • azureml-automl-core
    • Устранена ошибка, при которой размер проверки для разделения CV невелик и приводит к неверным диаграммам прогнозируемых и истинных данных для регрессии и прогнозирования.
    • Усовершенствовано ведение журнала задач прогнозирования на удаленных выполнениях. Теперь пользователь получает исчерпывающее сообщение об ошибке в случае сбоя выполнения.
    • Исправлены сбои Timeseries, если флаг предварительной обработки имеет значение True.
    • Некоторые сообщения об ошибках проверки данных для прогнозирования сделаны более полезными.
    • Снижено потребление памяти выполнениями AutoML путем удаления и/или отложенной загрузки наборов данных, особенно между порождениями процессов.
  • azureml-contrib-explain-model
    • В пояснения добавлен флаг model_task, позволяющий пользователю переопределить логику автоматического вывода по умолчанию для типа модели.
    • Изменения в мини-приложениях: автоматически устанавливаются вместе с contrib, больше нет установке или включения nbextension — объяснение с указанием глобального уровня важности признака (например, Permutative).
    • Изменения панели мониторинга: — поля графики и скрипки графиков в дополнение к beeswarm графику на сводной странице — ускорение перебора beeswarm графиков на ползунке Top -k — полезное сообщение, объясняющее, как вычисляется top-k — полезные настраиваемые сообщения вместо диаграмм, если данные не предоставлены.
  • azureml-core
    • Добавлен метод Model.package() для создания образов Docker и Dockerfiles, инкапсулирующих модели и их зависимости.
    • Обновлены локальные веб-службы для приема InferenceConfigs, содержащих объекты среды.
    • Исправлен метод Model.register(), создающий недопустимые модели, когда в качестве параметра model_path передается "." (для текущего каталога).
    • Добавлено Run.submit_child, эта функциональная возможность отображает Experiment.submit и указывает выполнение как родительский элемент для отправленного дочернего выполнения.
    • Поддержка параметров конфигурации из Model.register в Run.register_model.
    • Возможность запуска заданий JAR в существующем кластере.
    • Теперь поддерживаются параметры instance_pool_id и cluster_log_dbfs_path.
    • Добавлена поддержка использования объекта среды при развертывании модели в Webservice. Теперь объект среды можно предоставить как часть объекта InferenceConfig.
    • Добавление сопоставления appinsifht для новых регионов — centralus — westus — northcentralus.
    • Добавлена документация по всем атрибутам во всех классах хранилища данных.
    • Добавлен параметр blob_cache_timeout в Datastore.register_azure_blob_container.
    • Добавлены методы save_to_directory и load_from_directory в azureml.core.environment.Environment.
    • В интерфейс командной строки добавлены команды "az ml environment download" и "az ml environment register".
    • Добавлен метод Environment.add_private_pip_wheel.
  • azureml-explain-model
    • Добавлено отслеживание набора данных для объяснений с помощью службы набора данных (предварительная версия).
    • Уменьшен размер пакета по умолчанию при потоковой передаче глобальных объяснений с 10 000 до 100.
    • В пояснения добавлен флаг model_task, позволяющий пользователю переопределить логику автоматического вывода по умолчанию для типа модели.
  • azureml-mlflow
    • Исправлена ошибка в mlflow.azureml.build_image при игнорировании вложенных каталогов.
  • azureml-pipeline-steps
    • Добавлена возможность запуска заданий JAR в существующем кластере Azure Databricks.
    • Добавлена поддержка параметров instance_pool_id и cluster_log_dbfs_path для шага DatabricksStep.
    • Добавлена поддержка параметров конвейера на шаге DatabricksStep.
  • azureml-train-automl
    • Добавлен docstrings для файлов, связанных с ансамблем.
    • Обновлены документы — улучшены формулировки для max_cores_per_iteration и max_concurrent_iterations.
    • Усовершенствовано ведение журнала задач прогнозирования на удаленных выполнениях. Теперь пользователь получает исчерпывающее сообщение об ошибке в случае сбоя выполнения.
    • Удален get_data из записной книжки конвейера automlstep.
    • Запущена поддержка dataprep в automlstep.

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.1.10

• Новые функции
  • Теперь можно запросить выполнение отдельных инспекторов (например, гистограммы, точечной диаграммы и т. д.) для конкретных столбцов.
  • Добавлен аргумент параллелизации в append_columns. Если значение true, данные загружаются в память, но выполнение выполняется параллельно; Значение False, выполнение выполняется потоковой передачой, но с одним потоком.

23.07.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.53

• Новые функции

  • Автоматизированное Машинное обучение теперь поддерживает модели обучения ONNX на удаленном целевом объекте вычислений.
  • Машинное обучение Azure теперь обеспечивает возможность возобновления обучения из предыдущего выполнения, контрольной точки или файлов модели.
    • Узнайте, как использовать средства оценки для возобновления обучения из предыдущего выполнения.

• Исправления ошибок и улучшения

  • azure-cli-ml
    • Команды CLI "model deploy" и "service update" теперь принимают параметры, файлы конфигурации или их сочетание. Параметры имеют приоритет над атрибутами в файлах.
    • Теперь описание модели можно обновить после регистрации.
  • azureml-automl-core
    • Обновление зависимости Update NimbusML до версии 1.2.0 (последняя на данный момент).
    • Добавление поддержки для оценщиков и конвейеров NimbusML для использования в оценщиках AutoML.
    • Исправлена ошибка в процедуре выбора ансамблей, которая без необходимости увеличивала результирующий ансамбль, даже если результаты оставались постоянными.
    • Включение повторного использования некоторых конструирований признаков в разбиениях CV для задач прогнозирования. Это ускоряет время выполнения установки примерно в n_cross_validations раз для дорогостоящих конструирований признаков, таких как задержки и скользящие окна.
    • Устранение проблемы, если время выходит за пределы поддерживаемого диапазона времени Pandas. Теперь мы создаем исключение DataException, если время меньше pd.Timestamp.min или больше pd.Timestamp.max.
    • Прогнозирование теперь позволяет использовать различные частоты в учебных и тестовых наборах, если их можно выровнять. Например, можно выровнять "квартальный запуск в январе" и "квартальное начало в октябре".
    • В TimeSeriesTransformer добавлено свойство "parameters".
    • Удалите старые классы исключений.
    • В задачах прогнозирования параметр target_lags теперь принимает одно целочисленное значение или список целых чисел. Если целое число было предоставлено, создается только одна задержка. Если указан список, принимаются уникальные значения задержек. target_lags=[1, 2, 2, 4] создает задержки одного, двух и четырех периодов.
    • Исправлена ошибка в случае потери типов столбцов после преобразования (ошибка связана).
    • В model.forecast(X, y_query) разрешите y_query быть типом объекта, содержащим None(s) в начале (#459519).
    • Добавление ожидаемых значений в выходные данные automl.
  • azureml-contrib-datadrift
    • Улучшения в примере записной книжки, включая переключение на azureml-opendatasets вместо azureml-contrib-opendatasets и улучшения производительности при обогащении данных.
  • azureml-contrib-explain-model
    • Исправлен аргумент преобразований для создателя пояснений LIME для необработанной важности признака в пакете azureml-contrib-explain-model.
    • Добавлены сегментации к объяснениям изображений в создателе пояснений к изображениям для пакета AzureML-contrib-explain-model.
    • Добавление поддержки scipy sparse для LimeExplainer
    • Добавлено batch_size для имитации создателя пояснений, когда include_local=False для потоковой передачи глобальных объяснений в пакетах для улучшения времени выполнения DecisionTreeExplainableModel.
  • azureml-contrib-featureengineering
    • Исправление для вызова set_featurizer_timeseries_params(): изменение типа значения словаря и проверка значения NULL. Добавление записной книжки для характеризатора timeseries
    • Обновление зависимости Update NimbusML до версии 1.2.0 (последняя на данный момент).
  • azureml-core
    • Добавлена возможность подключения хранилищ данных DBFS в интерфейсе командной строки Машинное обучение Azure
    • Исправлена ошибка с передачей хранилища данных, где создается пустая папка при запуске target_path с /.
    • Исправлена deepcopy проблема в ServicePrincipalAuthentication.
    • В интерфейс командной строки добавлены команды "az ml environment show" и "az ml environment list".
    • Среды теперь поддерживают указание base_dockerfile в качестве альтернативы уже созданному base_image.
    • Неиспользуемый параметр RunConfiguration auto_prepare_environment был помечен как нерекомендуемый.
    • Теперь описание модели можно обновить после регистрации.
    • Исправлена ошибка: теперь при удалении модели и образа отображаются дополнительные сведения об извлечении вышестоящих объектов, зависящих от них, если удаление завершилось ошибкой из-за вышестоящей зависимости.
    • Исправлена ошибка, из-за которой выводилась пустая длительность для развертываний, возникавших при создании рабочей области для некоторых сред.
    • Улучшены исключения сбоев при создании рабочей области. Теперь пользователям не отображается сообщение "Не удается создать рабочую область. Не удается найти...". Вместо него отображается фактическая ошибка создания.
    • Добавлена поддержка проверки подлинности токенов в веб-службах AKS.
    • Добавлен метод get_token() в объекты Webservice.
    • Добавлена поддержка интерфейса командной строки для управления наборами данных машинного обучения.
    • Теперь Datastore.register_azure_blob_container при необходимости принимает значение blob_cache_timeout (в секундах), которое настраивает параметры подключения blobfuse, чтобы включить истечение срока действия кэша для этого хранилища данных. Значение по умолчанию не является временем ожидания, например при чтении большого двоичного объекта, оно остается в локальном кэше до завершения задания. Большинство заданий предпочитают этот параметр, но некоторые задания должны читать больше данных из большого набора данных, чем будут соответствовать их узлам. Для этих заданий настройка этого параметра помогает им добиться успеха. Будьте осторожны при настройке этого параметра: установка слишком низкого значения может привести к снижению производительности, так как данные, используемые в эпохе, могут устареть до повторного использования. Все операции чтения выполняются из хранилища или сети BLOB-объектов, а не локального кэша, что отрицательно влияет на время обучения.
    • Теперь описание модели можно надлежащим образом обновить после регистрации.
    • При удалении модели и образа теперь указываются дополнительные сведения о вышестоящих объектах, которые зависят от них, что приводит к сбою удаления.
    • Улучшено использование ресурсов удаленными выполнениями с помощью azureml.mlflow.
  • azureml-explain-model
    • Исправлен аргумент преобразований для создателя пояснений LIME для необработанной важности признака в пакете azureml-contrib-explain-model.
    • Добавление поддержки scipy sparse для LimeExplainer
    • добавлена линейная оболочка объясняющего фигуры и еще один уровень табличного объяснения для объяснения линейных моделей
    • Для имитации объяснения в библиотеке объяснений моделей исправлена ошибка при include_local=False для разреженных входных данных.
    • Добавление ожидаемых значений в выходные данные automl.
    • Исправлена важность признака перестановки, если передается аргумент преобразований для получения важности необработанных признаков.
    • Добавлено batch_size для имитации создателя пояснений, когда include_local=False для потоковой передачи глобальных объяснений в пакетах для улучшения времени выполнения DecisionTreeExplainableModel.
    • Для библиотеки объяснимости моделей исправлены создатели объяснений "черный ящик", где для прогнозирования требуется ввод кадров данных Pandas.
    • Исправлена ошибка, при которой explanation.expected_values иногда возвращает число с плавающей точкой, а не список чисел с плавающей точкой.
  • azureml-mlflow
    • Повышена производительность mlflow.set_experiment(experiment_name).
    • Исправлена ошибка при использовании InteractiveLoginAuthentication для mlflow tracking_uri.
    • Улучшено использование ресурсов удаленными выполнениями с помощью azureml.mlflow.
    • Улучшена документация для пакета azureml-mlflow.
    • Исправлена ошибка, при которой mlflow.log_artifacts("my_dir") сохраняла артефакты в my_dir/<artifact-paths> вместо <artifact-paths>.
  • azureml-opendatasets
    • Закрепление pyarrow opendatasets к старым версиям (<0.14.0) из-за проблем с памятью.
    • azureml-contrib-opendatasets перемещено в azureml-opendatasets.
    • Позволяет регистрировать открытые классы наборов данных для Машинное обучение Azure рабочей области и легко использовать возможности набора данных AML.
    • Значительно повышена производительность NoaaIsdWeather в версии, отличной от SPARK.
  • azureml-pipeline-steps
    • Хранилище данных DBFS теперь поддерживается для входов и выходов в DatabricksStep.
    • Обновленная документация по пакетная служба Azure шагу относительно входных и выходных данных.
    • В AzureBatchStep изменено значение по умолчанию delete_batch_job_after_finish на true.
  • azureml-telemetry
    • azureml-contrib-opendatasets перемещено в azureml-opendatasets.
    • Позволяет регистрировать открытые классы наборов данных для Машинное обучение Azure рабочей области и легко использовать возможности набора данных AML.
    • Значительно повышена производительность NoaaIsdWeather в версии, отличной от SPARK.
  • azureml-train-automl
    • Обновленная документация по get_output для отражения фактического типа возвращаемого значения и предоставления других заметок о получении ключевых свойств.
    • Обновление зависимости Update NimbusML до версии 1.2.0 (последняя на данный момент).
    • Добавление ожидаемых значений в выходные данные automl.
  • azureml-train-core
    • Строки теперь принимаются как целевой объект вычислений для автоматической настройки гиперпараметров.
    • Неиспользуемый параметр RunConfiguration auto_prepare_environment был помечен как нерекомендуемый.

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.1.9

• Новые функции

  • Добавлена поддержка чтения файла непосредственно из URL-адреса HTTP или HTTPS.

• Исправления ошибок и улучшения

  • Улучшено сообщение об ошибке при попытке чтения набора данных Parquet из удаленного источника (в настоящее время не поддерживается).
  • Исправлена ошибка при записи в формат файла Parquet в ADLS Gen 2 и обновлении имени контейнера ADLS Gen 2 в пути.

2019-07-09

Визуальный интерфейс

• Функции предварительной версии
  • Добавлен модуль "Execute R script" в визуальном интерфейсе.

Пакет SDK Машинного обучения Azure для Python версии 1.0.48

• Новые функции

  • azureml-opendatasets
    • azureml-contrib-opendatasets теперь доступен в azureml-opendatasets. Старый пакет по-прежнему может работать, но мы рекомендуем использовать функцию azureml-opendatasets, чтобы использовать расширенные возможности и улучшения.
    • Этот новый пакет позволяет зарегистрировать открытые наборы данных в качестве набора данных в рабочей области Машинное обучение Azure и использовать все функции, которые предлагает набор данных.
    • Он также включает в себя существующие возможности, такие как использование открытых наборов данных в качестве кадров данных Pandas/SPARK, а также соединения расположений для некоторого набора, например Weather.

• Функции предварительной версии

  • HyperDriveConfig теперь может принимать объект конвейера в качестве параметра для поддержки настройки гиперпараметров с помощью конвейера.

• Исправления ошибок и улучшения

  • azureml-train-automl
    • Исправлена ошибка в случае потери типов столбцов после преобразования.
    • Исправлена ошибка, чтобы позволить y_query быть типом объекта, содержащим None(s) в начале.
    • Исправлена проблема в процедуре выбора ансамблей, из-за которой без необходимости увеличивался результирующий ансамбль, даже если результаты оставались постоянными.
    • Исправлена проблема с параметрами allow list_models and block list_models в AutoMLStep.
    • Исправлена проблема, которая предотвратила использование предварительной обработки при использовании AutoML в контексте конвейеров Машинное обучение Azure.
  • azureml-opendatasets
    • azureml-contrib-opendatasets перемещено в azureml-opendatasets.
    • Разрешено регистрировать открытые классы наборов данных для Машинное обучение Azure рабочей области и легко использовать возможности набора данных AML.
    • Значительно повышена производительность NoaaIsdWeather в версии, отличной от SPARK.
  • azureml-explain-model
    • Обновлена интерактивная документация по объектам интерпретации.
    • Добавлено batch_size для имитации создателя пояснений, когда include_local=False для потоковой передачи глобальных объяснений в пакетах для улучшения времени выполнения DecisionTreeExplainableModel для библиотеке объяснимости моделей.
    • Исправлена проблема, при которой explanation.expected_values иногда возвращает значение число с плавающей точкой, а не список чисел с плавающей точкой.
    • Добавлены ожидаемые значения в выходные данные automl для создания объяснений имитации в библиотеке объяснений моделей.
    • Исправлена важность признака перестановки, если передается аргумент преобразований для получения важности необработанных признаков.
  • azureml-core
    • Добавлена возможность подключения хранилищ данных DBFS в интерфейсе командной строки Машинное обучение Azure.
    • Исправлена проблема с передачей хранилища данных, где создается пустая папка при запуске target_path с /.
    • Включено сравнение двух наборов данных.
    • Теперь при удалении модели и образа отображаются дополнительные сведения об извлечении вышестоящих объектов, зависящих от них, если удаление завершилось ошибкой из-за вышестоящей зависимости.
    • Неиспользуемый параметр RunConfiguration в auto_prepare_environment признан нерекомендуемым.
  • azureml-mlflow
    • Улучшено использование ресурсов удаленными выполнениями, которые используют azureml.mlflow.
    • Улучшена документация для пакета azureml-mlflow.
    • Исправлена проблема, при которой mlflow.log_artifacts("my_dir") сохраняла артефакты в "my_dir/artifact-paths" вместо "artifact-paths".
  • azureml-pipeline-core
    • Параметр hash_paths для всех шагов конвейера не рекомендуется использовать, и он будет удален в будущем. По умолчанию содержимое source_directory хэшируется (за исключением файлов, перечисленных в .amlignore или .gitignore).
    • Продолжено улучшение Module и ModuleStep для поддержки модулей, зависящих от типа вычислений, чтобы подготовиться к интеграции RunConfiguration и другим изменениям для разблокирования использования модуля, зависящего от типа вычислений, в конвейерах.
  • azureml-pipeline-steps
    • AzureBatchStep: улучшенная документация по входным и выходным данным.
    • AzureBatchStep: значение по умолчанию delete_batch_job_after_finish изменено на true.
  • azureml-train-core
    • Строки теперь принимаются как целевой объект вычислений для автоматической настройки гиперпараметров.
    • Неиспользуемый параметр RunConfiguration в auto_prepare_environment признан нерекомендуемым.
    • Параметры conda_dependencies_file_path и pip_requirements_file_path признаны нерекомендуемыми, вместо них рекомендуется использовать conda_dependencies_file и pip_requirements_file соответственно.
  • azureml-opendatasets
    • Значительно повышена производительность NoaaIsdWeather в версии, отличной от SPARK.

26.04.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.33

• Машинное обучение Azure модели аппаратного ускоренияFPGAs общедоступен.
  • Теперь пакет azureml-accel-models можно использовать для:
    • Обучать веса поддерживаемой глубокой нейронной сети (ResNet 50, ResNet 152, DenseNet-121, VGG-16, and SSD-VGG).
    • Использование передаваемых обучающих материалов с поддерживаемыми DNN.
    • Регистрация модели в службе "Управление моделями" и контейнеризация модели.
    • Развертывание модели на виртуальной машине Azure с помощью FPGA в кластере Azure Kubernetes Service (AKS).
  • Развертывание контейнера на устройстве сервера Azure Stack Edge
  • Оценка данных с помощью конечной точки gRPC в этом примере.

Автоматизированное машинное обучение

• Очистка компонентов, позволяющая динамически добавлять featurizers для оптимизации производительности. Новинка featurizers: внедрение работы, вес доказательств, целевые кодировки, кодировка целевого текста и расстояние в кластере.

• Интеллектуальный CV для работы с обработкой и допустимыми разбиениями внутри автоматизированного машинного обучения.

• Несколько изменений, связанных с оптимизацией памяти, и повышение производительности среды выполнения.

• Улучшение производительности в объяснении модели.

• Преобразование модели ONNX для локального выполнения.

• Добавлена поддержка подвыборки.

• Интеллектуальная остановка при отсутствии заданных критериев выхода.

• Ансамбли с накоплением.

• Прогнозирование временных рядов

  • Новая функция прогнозирования.
  • Теперь можно использовать перекрестную проверку последовательного происхождения для данных временных рядов.
  • Добавлены новые функции для настройки задержек временных рядов.
  • Добавлены новые функции для поддержки агрегатных функций скользящего окна.
  • Новое обнаружение и признаки праздников при определении кода страны или региона в параметрах эксперимента

• Azure Databricks

  • Включенное прогнозирование временных рядов и возможность объяснимости и интерпретируемости модели.
  • Теперь вы можете отменить и возобновить (продолжить) автоматические эксперименты с машинным обучением.
  • Добавлена поддержка многоядерной обработки.

MLOps

• Локальное развертывание и отладка для контейнеров оценок
  Теперь вы можете развернуть модель машинного обучения локально и быстро выполнить итерацию по файлу оценки и зависимостям, чтобы убедиться, что они ведут себя правильно.

• Введены InferenceConfig и Model.deploy()
  Развертывание модели теперь поддерживает указание исходной папки с помощью начального сценария, так же как и RunConfig. Кроме того, развертывание модели было упрощено до одной команды.

• Отслеживание ссылок Git
  Клиенты в течение некоторого времени запрашивают базовые возможности интеграции с Git, так как они помогают сохранить полный журнал аудита. Мы реализовали отслеживание между основными сущностями в Машинное обучение Azure для метаданных, связанных с Git (репозиторий, фиксация, чистое состояние). Эти сведения будут автоматически собираться пакетом SDK и CLI.

• Профилирование моделей и служба проверки
  Клиенты часто жалуются на сложность правильного определения размера вычислений, связанных с их службой вывода. С помощью службы профилирования модели клиент может предоставить примеры входных данных, и мы профилируем 16 различных конфигураций ЦП или памяти, чтобы определить оптимальный размер для развертывания.

• Использование собственного базового образа для вывода
  Еще одна распространенная жалоба касалась трудности при переходе от эксперимента к повторному совместному использованию зависимостей. Благодаря новой возможности совместного использования базовых образов теперь можно повторно использовать базовые образы, зависимости экспериментирования и др., для вывода. Это должно ускорить развертывание и уменьшить промежуток от внутреннего до внешнего цикла.

• Улучшен интерфейс создания схемы Swagger.
  Предыдущий метод создания Swagger был подвержен ошибкам, и его невозможно было автоматизировать. У нас есть новый встроенный способ создания схем Swagger из любой функции Python через декораторы. Этот код открыт с открытым кодом, и протокол создания схемы не связан с платформой Машинное обучение Azure.

• Машинное обучение Azure CLI общедоступен (общедоступная версия)
  Теперь модели можно развертывать с помощью одной команды CLI. Мы получили много отзывов клиентов о том, что никто не развертывает модель машинного обучения из записной книжки Jupyter. Справочная документация по CLI обновлена.

22.04.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.30.

Введен класс PipelineEndpoint для добавления новой версии опубликованного конвейера с сохранением той же конечной точки.

15.04.2019

Портал Azure

• Теперь можно повторно отправить существующее выполнение скрипта в существующем удаленном кластере вычислений.
• Теперь можно запустить опубликованный конвейер с новыми параметрами на вкладке "Конвейеры".
• Сведения о выполнении теперь поддерживают новое средство просмотра файлов моментальных снимков. Вы можете просмотреть моментальный снимок каталога при отправке определенного выполнения. Вы также можете загрузить записную книжку, которая была отправлена для запуска выполнения.
• Теперь родительские запуски можно отменять с портала Azure.

08.04.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.23

• Новые функции
  • Пакет SDK Машинного обучения Azure теперь поддерживает Python 3.7.
  • Оценщики DNN Машинного обучения Azure теперь содержат встроенную поддержку нескольких версий. Например, оценщик TensorFlow теперь принимает параметр framework_version, и пользователи могут указать версию "1.10" или "1.12". Чтобы получить список версий, поддерживаемых текущим выпуском пакета SDK, вызовите метод get_supported_versions() в нужном классе платформы (например, TensorFlow.get_supported_versions() ). Список версий, поддерживаемых последней версией пакета SDK, см. в документации по оценщику DNN.

2019-03-25

Пакет SDK Машинного обучения Azure для Python версии 1.0.21

• Новые функции
  • Метод azureml.core.Run.create_children позволяет создавать несколько дочерних операций с помощью одного вызова с низкой задержкой.

2019-03-11

Пакет SDK Машинного обучения Azure для Python версии 1.0.18

• Изменения
  • Пакет azureml-tensorboard заменяет azureml-contrib-tensorboard.
  • В этом выпуске можно настроить учетную запись пользователя в управляемом вычислительном кластере (amlcompute) при его создании. Это можно сделать, передав эти свойства в конфигурации подготовки. Дополнительные сведения можно найти в справочной документации по пакету SDK.

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.0.17

• Новые функции

  • Теперь поддерживает добавление двух числовых столбцов для формирования результирующего столбца с помощью языка выражений.

• Исправления ошибок и улучшения

  • Улучшена документация и проверка параметров для random_split.

27.02.2019

Пакет SDK Машинного обучения Azure для подготовки данных версии 1.0.16

• Исправление ошибок
  • Исправлена ошибка проверки подлинности субъекта-службы, которая вызывалась изменением API.

25.02.2019

Пакет SDK Машинного обучения Azure для Python версии 1.0.17

• Новые функции

  • Машинное обучение Azure теперь содержит поддержку первого класса для популярного Chainer платформы DNN. С помощью класса Chainer пользователи могут легко обучать и развертывать модели Chainer.
    • Узнайте, как выполнять настройку гиперпараметров с помощью Chainer с использованием HyperDrive.
  • В конвейеры Машинного обучения Azure добавлена возможность запуска конвейера на основе изменений хранилища данных. Для демонстрации этой функции обновлена записная книжка расписания конвейера.

• Исправления ошибок и улучшения

  • Мы добавили поддержку в конвейеры Машинного обучения Azure, чтобы задать для свойства source_directory_data_store нужное хранилище данных (например, хранилище BLOB-объектов) в RunConfigurations, которые передаются в PythonScriptStep. По умолчанию в качестве резервного хранилища в Steps используется хранилище файлов Azure, в котором могут возникать ошибки регулирования полосы пропускания при выполнении большого количества шагов одновременно.

Портал Azure

• Новые функции
  • Новые возможности перетаскивания таблиц в редакторе для отчетов. Пользователи могут перетаскивать столбец из резервуара в область таблицы, где будет отображаться предварительный просмотр таблицы. Столбцы можно переупорядочивать.
  • Новое средство просмотра файлов журналов
  • Ссылки на запуски, вычисление, модели, изображения и развертывания экспериментов на вкладке "Действия"

Следующие шаги

Ознакомьтесь с общими сведениями о службе Машинное обучение Azure.