MLClient Klass
En klientklass för att interagera med Azure ML-tjänster.
Använd den här klienten för att hantera Azure ML-resurser som arbetsytor, jobb, modeller och så vidare.
- Arv
-
builtins.objectMLClient
Konstruktor
MLClient(credential: TokenCredential, subscription_id: str | None = None, resource_group_name: str | None = None, workspace_name: str | None = None, registry_name: str | None = None, **kwargs: Any)
Parametrar
- credential
- TokenCredential
Den autentiseringsuppgift som ska användas för autentisering.
Prenumerations-ID:t för Azure. Valfritt endast för registertillgångar. Standardvärdet är Ingen.
Azure-resursgruppen. Valfritt endast för registertillgångar. Standardvärdet är Ingen.
Arbetsytan som ska användas i klienten. Endast valfritt för åtgärder som inte är arbetsyteberoende. Standardvärdet är Ingen.
Registret som ska användas i klienten. Endast valfritt för åtgärder som inte är arbetsyteberoende. Standardvärdet är Ingen.
Anger om förloppsindikatorer ska visas eller inte för långvariga åtgärder (t.ex. kunder kan överväga att ställa in detta på Falskt om de inte använder denna SDK i en interaktiv installation). Standardvärdet är True.
Anger om telemetri ska aktiveras eller inte. Kommer att åsidosättas till False om det inte finns i en Jupyter Notebook. Standardvärdet är True om det finns i en Jupyter Notebook.
Exempel
När du använder nationella domäner (dvs. andra moln än AZURE_PUBLIC_CLOUD) måste du skicka in molnnamnet i kwargs och du måste använda en utfärdare med DefaultAzureCredential.
from azure.ai.ml import MLClient
from azure.identity import AzureAuthorityHosts, DefaultAzureCredential
kwargs = {"cloud": "AzureChinaCloud"}
ml_client = MLClient(
subscription_id=subscription_id,
resource_group_name=resource_group,
credential=DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_CHINA),
**kwargs,
)
Metoder
begin_create_or_update |
Skapar eller uppdaterar en Azure ML-resurs asynkront. |
create_or_update |
Skapar eller uppdaterar en Azure ML-resurs. |
from_config |
Returnerar en klient från en befintlig Azure Machine Learning-arbetsyta med hjälp av en filkonfiguration. Den här metoden är ett enkelt sätt att återanvända samma arbetsyta i flera Python-notebook-filer eller -projekt. Du kan spara en arbetsytas Azure Resource Manager-egenskaper (ARM) i en JSON-konfigurationsfil med följande format:
Sedan kan du använda den här metoden för att läsa in samma arbetsyta i olika Python-notebook-filer eller -projekt utan att skriva om ARM-egenskaperna för arbetsytan. |
begin_create_or_update
Skapar eller uppdaterar en Azure ML-resurs asynkront.
begin_create_or_update(entity: R, **kwargs) -> LROPoller[R]
Parametrar
- entity
- Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]
Resursen som ska skapas eller uppdateras.
Returer
Resursen efter åtgärden skapa/uppdatera.
Returtyp
create_or_update
Skapar eller uppdaterar en Azure ML-resurs.
create_or_update(entity: T, **kwargs) -> T
Parametrar
Resursen som ska skapas eller uppdateras.
Returer
Den skapade eller uppdaterade resursen.
Returtyp
from_config
Returnerar en klient från en befintlig Azure Machine Learning-arbetsyta med hjälp av en filkonfiguration.
Den här metoden är ett enkelt sätt att återanvända samma arbetsyta i flera Python-notebook-filer eller -projekt. Du kan spara en arbetsytas Azure Resource Manager-egenskaper (ARM) i en JSON-konfigurationsfil med följande format:
{
"subscription_id": "<subscription-id>",
"resource_group": "<resource-group>",
"workspace_name": "<workspace-name>"
}
Sedan kan du använda den här metoden för att läsa in samma arbetsyta i olika Python-notebook-filer eller -projekt utan att skriva om ARM-egenskaperna för arbetsytan.
from_config(credential: TokenCredential, *, path: PathLike | str | None = None, file_name=None, **kwargs) -> MLClient
Parametrar
Sökvägen till konfigurationsfilen eller startkatalogen för att söka efter konfigurationsfilen i. Standardvärdet är Ingen, vilket anger att den aktuella katalogen kommer att användas.
Namnet på konfigurationsfilen som ska sökas efter när sökvägen är en katalogsökväg. Standardvärdet är "config.json".
Returer
Klienten för en befintlig Azure ML-arbetsyta.
Returtyp
Undantag
Upphöjt om "config.json" eller file_name om den åsidosatts inte kan hittas i katalogen. Information kommer att anges i felmeddelandet.
Exempel
Skapa en MLClient från en fil med namnet "config.json" i katalogen "src".
from azure.ai.ml import MLClient
client = MLClient.from_config(credential=DefaultAzureCredential(), path="./sdk/ml/azure-ai-ml/samples/src")
Skapa en MLClient från en fil med namnet "team_workspace_configuration.json" i den aktuella katalogen.
from azure.ai.ml import MLClient
client = MLClient.from_config(
credential=DefaultAzureCredential(),
file_name="./sdk/ml/azure-ai-ml/samples/team_workspace_configuration.json",
)
Attribut
batch_deployments
En samling batchdistributionsrelaterade åtgärder.
Returer
Batchdistributionsåtgärder.
Returtyp
batch_endpoints
En samling batchslutpunktsrelaterade åtgärder.
Returer
Batch-slutpunktsåtgärder
Returtyp
components
compute
connections
En samling anslutningsrelaterade åtgärder för arbetsytan.
Returer
Åtgärder för arbetsyteanslutningar
Returtyp
data
datastores
environments
feature_sets
aka.ms/azuremlexperimental för mer information.
En samling relaterade åtgärder för funktionsuppsättningar.
Returer
FunktionerUppsättningsåtgärder
Returtyp
feature_store_entities
aka.ms/azuremlexperimental för mer information.
En samling entitetsrelaterade åtgärder för funktionsarkivet.
Returer
FeatureStoreEntity-åtgärder
Returtyp
feature_stores
aka.ms/azuremlexperimental för mer information.
En samling funktionslagerrelaterade åtgärder.
Returer
FeatureStore-åtgärder
Returtyp
jobs
models
online_deployments
En samling onlinedistributionsrelaterade åtgärder.
Returer
Onlinedistributionsåtgärder
Returtyp
online_endpoints
En samling onlineslutpunktsrelaterade åtgärder.
Returer
Onlineslutpunktsåtgärder
Returtyp
registries
aka.ms/azuremlexperimental för mer information.
En samling registerrelaterade åtgärder.
Returer
Registeråtgärder
Returtyp
resource_group_name
Hämta resursgruppens namn på ett MLClient-objekt.
Returer
Ett Namn på Azure-resursgrupp.
Returtyp
schedules
subscription_id
workspace_hubs
aka.ms/azuremlexperimental för mer information.
En samling hubbrelaterade åtgärder för arbetsytor.
Returer
Hubbåtgärder
Returtyp
workspace_name
Namnet på arbetsytan där arbetsyteberoende åtgärder ska köras.
Returer
Namnet på standardarbetsytan.
Returtyp
workspace_outbound_rules
En samling regelrelaterade åtgärder för utgående arbetsyta.
Returer
Utgående regelåtgärder för arbetsyta
Returtyp
workspaces
R
R = ~R
T
T = ~T
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för