core Paket
Innehåller kärnpaket, moduler och klasser för Azure Mašinsko učenje.
Huvudområden är att hantera beräkningsmål, skapa/hantera arbetsytor och experiment samt skicka/komma åt modellkörningar och köra utdata/loggning.
Paket
compute |
Det här paketet innehåller klasser som används för att hantera beräkningsmål i Azure Mašinsko učenje. Mer information om hur du väljer beräkningsmål för träning och distribution finns i Vad är beräkningsmål i Azure Mašinsko učenje? |
image |
Innehåller funktioner för att hantera avbildningar som distribueras som webbtjänstslutpunkter i Azure Mašinsko učenje. Den här klassen är INAKTUELL. Environment Använd klassen i stället. En avbildning används för att distribuera ett Modelskript och associerade filer som en webbtjänstslutpunkt eller IoT Edge-enhet. Slutpunkten hanterar inkommande bedömningsbegäranden och returnerar förutsägelser. Det här paketets nyckelklasser är Image klassen, den överordnade klassen för Azure Mašinsko učenje-avbildningar och den härledda ContainerImage klassen för Docker-avbildningar samt förhandsgranskningsbilder som FPGA. Om du inte har ett arbetsflöde som specifikt kräver användning av bilder bör du i stället använda Environment klassen för att definiera din avbildning. Sedan kan du använda miljöobjektet med Model Information om hur du använder klassen Modell finns i Distribuera modeller med Azure Mašinsko učenje. Information om hur du använder anpassade avbildningar finns i Distribuera en modell med en anpassad Docker-basavbildning. |
webservice |
Innehåller funktioner för att distribuera maskininlärningsmodeller som webbtjänstslutpunkter i Azure Mašinsko učenje. När du distribuerar en Azure Mašinsko učenje-modell som en webbtjänst skapas en slutpunkt och ett REST-API. Du kan skicka data till det här API:et och ta emot förutsägelsen som returneras av modellen. Du skapar en webbtjänst när du distribuerar en Model eller Image till Azure Container Instances (aci modul), Azure Kubernetes Service (aks modul) och Azure Kubernetes Endpoint (AksEndpoint) eller fältprogrammabla gatematriser (FPGA). Distribution med hjälp av en modell rekommenderas för de flesta användningsfall, medan distribution med hjälp av en avbildning rekommenderas för avancerade användningsfall. Båda typerna av distribution stöds i klasserna i den här modulen. |
Moduler
authentication |
Innehåller funktioner för att hantera olika typer av autentisering i Azure Mašinsko učenje. Typer av autentisering som stöds:
Mer information om dessa autentiseringsmekanismer finns i https://aka.ms/aml-notebook-auth. |
compute_target |
Innehåller funktioner för beräkningsmål som inte hanteras av Azure Mašinsko učenje. Beräkningsmål definierar din träningsberäkningsmiljö och kan vara antingen lokala eller fjärranslutna resurser i molnet. Med fjärrresurser kan du enkelt skala upp eller skala ut dina maskininlärningsexperiment genom att dra nytta av accelererade processor- och GPU-bearbetningsfunktioner. Information om beräkningsmål som hanteras av Azure Mašinsko učenje finns i ComputeTarget klassen . Mer information finns i Vad är beräkningsmål i Azure Mašinsko učenje? |
conda_dependencies |
Innehåller funktioner för att hantera conda-miljöberoenden. CondaDependencies Använd klassen för att läsa in befintliga conda-miljöfiler och konfigurera och hantera nya miljöer där experiment körs. |
container_registry |
Innehåller funktioner för att hantera ett Azure Container Registry. |
databricks |
Innehåller funktioner för att hantera Databricks-miljöer i Azure Mašinsko učenje. Mer information om hur du arbetar med Databricks i Azure Mašinsko učenje finns i Konfigurera en utvecklingsmiljö för Azure Mašinsko učenje. |
dataset |
Hanterar interaktionen med Azure Mašinsko učenje Datauppsättningar. Den här modulen innehåller funktioner för att använda rådata, hantera data och utföra åtgärder på data i Azure Mašinsko učenje. Använd klassen i den Dataset här modulen för att skapa datauppsättningar tillsammans med funktionerna i data paketet, som innehåller de stödjande klasserna FileDataset och TabularDataset. Information om hur du kommer igång med datauppsättningar finns i artikeln Lägg till och registrera datamängder. |
datastore |
Innehåller funktioner för att hantera datalager i Azure Mašinsko učenje. |
environment |
Innehåller funktioner för att skapa och hantera reproducerbara miljöer i Azure Mašinsko učenje. Miljöer är ett sätt att hantera programvaruberoende så att kontrollerade miljöer kan återskapas med minimal manuell konfiguration när du flyttar mellan lokala och distribuerade molnutvecklingsmiljöer. En miljö kapslar in Python-paket, miljövariabler, programvaruinställningar för tränings- och bedömningsskript och körningstider på antingen Python, Spark eller Docker. Mer information om hur du använder miljöer för utbildning och distribution med Azure Mašinsko učenje finns i Skapa och hantera återanvändbara miljöer. |
experiment |
Innehåller funktioner som används för att skicka experiment och hantera experimenthistorik i Azure Mašinsko učenje. |
keyvault |
Innehåller funktioner för att hantera hemligheter i Nyckelvalvet som är associerat med en Azure Mašinsko učenje-arbetsyta. Den här modulen innehåller bekvämlighetsmetoder för att lägga till, hämta, ta bort och lista hemligheter från Azure Key Vault som är associerat med en arbetsyta. |
linked_service |
Innehåller funktioner för att skapa och hantera länkad tjänst på AML-arbetsytan. |
model |
Innehåller funktioner för att hantera maskininlärningsmodeller i Azure Mašinsko učenje. Model Med klassen kan du utföra följande huvuduppgifter:
Mer information om hur modeller används finns i Så här fungerar Azure Mašinsko učenje: Arkitektur och begrepp. |
private_endpoint |
Innehåller funktioner för att definiera och konfigurera privata Azure-slutpunkter. |
profile |
Innehåller funktioner för profilering av modeller i Azure Mašinsko učenje. |
resource_configuration |
Innehåller funktioner för att hantera resurskonfiguration för Azure Mašinsko učenje-entiteter. |
run |
Innehåller funktioner för att hantera experimentmått och artefakter i Azure Mašinsko učenje. |
runconfig |
Innehåller funktioner för att hantera konfigurationen av experimentkörningar i Azure Mašinsko učenje. Nyckelklassen i den här modulen är RunConfiguration, som kapslar in information som krävs för att skicka en träningskörning på ett angivet beräkningsmål. Konfigurationen innehåller en mängd olika beteendedefinitioner, till exempel om du vill använda en befintlig Python-miljö eller använda en Conda-miljö som har skapats utifrån en specifikation. Andra konfigurationsklasser i modulen nås via RunConfiguration. |
script_run |
Innehåller funktioner för att hantera skickade träningskörningar i Azure Mašinsko učenje. |
script_run_config |
Innehåller funktioner för att hantera konfiguration för att skicka träningskörningar i Azure Mašinsko učenje. |
util |
Innehåller klass för att ange detaljnivå för loggning. |
workspace |
Innehåller funktioner för att hantera en arbetsyta, resursen på den översta nivån i Azure Mašinsko učenje. Den här modulen Workspace innehåller klassen och dess metoder och attribut som gör att du kan hantera maskininlärningsartefakter som beräkningsmål, miljöer, datalager, experiment och modeller. En arbetsyta är knuten till en Azure-prenumeration och resursgrupp och är det primära sättet för fakturering. Arbetsytor stöder rollbaserad åtkomstkontroll i Azure Resource Manager (RBAC) och regiontillhörighet för alla maskininlärningsdata som sparats på arbetsytan. |
Klasser
ComputeTarget |
Abstrakt överordnad klass för alla beräkningsmål som hanteras av Azure Mašinsko učenje. Ett beräkningsmål är en utsedd beräkningsresurs/miljö där du kör träningsskriptet eller är värd för tjänstdistributionen. Den här platsen kan vara din lokala dator eller en molnbaserad beräkningsresurs. Mer information finns i Vad är beräkningsmål i Azure Mašinsko učenje? Class ComputeTarget-konstruktor. Hämta en molnrepresentation av ett Compute-objekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade beräkningsobjektet. |
ContainerRegistry |
Definierar en anslutning till ett Azure Container Registry. Class ContainerRegistry-konstruktor. |
Dataset |
Representerar en resurs för att utforska, transformera och hantera data i Azure Mašinsko učenje. En datauppsättning är en referens till data i en Datastore eller bakom offentliga webb-URL:er. För metoder som är inaktuella i den här klassen kontrollerar AbstractDataset du klassen för de förbättrade API:erna. Följande typer av datauppsättningar stöds:
Om du vill komma igång med datauppsättningar kan du läsa artikeln Lägg till och registrera datauppsättningar eller se notebook-filerna https://aka.ms/tabulardataset-samplenotebook och https://aka.ms/filedataset-samplenotebook. Initiera datauppsättningsobjektet. Om du vill hämta en datauppsättning som redan har registrerats med arbetsytan använder du metoden get. |
Datastore |
Representerar en lagringsabstraktion över ett Azure Mašinsko učenje-lagringskonto. Datalager är anslutna till arbetsytor och används för att lagra anslutningsinformation till Azure Storage-tjänster så att du kan referera till dem med namn och inte behöver komma ihåg anslutningsinformationen och hemligheten som används för att ansluta till lagringstjänsterna. Exempel på Azure Storage-tjänster som stöds och som kan registreras som datalager är:
Använd den här klassen för att utföra hanteringsåtgärder, inklusive registrering, lista, hämta och ta bort datalager.
Datalager för varje tjänst skapas med metoderna i den Mer information om datalager och hur de kan användas i maskininlärning finns i följande artiklar: Hämta ett datalager efter namn. Det här anropet skickar en begäran till datalagertjänsten. |
Environment |
Konfigurerar en reproducerbar Python-miljö för maskininlärningsexperiment. En miljö definierar Python-paket, miljövariabler och Docker-inställningar som används i maskininlärningsexperiment, inklusive i förberedelse, träning och distribution av data till en webbtjänst. En miljö hanteras och versionshanteras i en Azure-Mašinsko učenje Workspace. Du kan uppdatera en befintlig miljö och hämta en version som ska återanvändas. Miljöer är exklusiva för den arbetsyta som de skapas i och kan inte användas på olika arbetsytor. Mer information om miljöer finns i Skapa och hantera återanvändbara miljöer. Konstruktor för klassmiljö. |
Experiment |
Representerar den viktigaste startpunkten för att skapa och arbeta med experiment i Azure Mašinsko učenje. Ett experiment är en container med utvärderingsversioner som representerar flera modellkörningar. Experimentkonstruktor. |
Image |
Definierar den abstrakta överordnade klassen för Azure Mašinsko učenje Images. Den här klassen är INAKTUELL. Environment Använd klassen i stället. Bildkonstruktor. Den här klassen är INAKTUELL. Environment Använd klassen i stället. Bildkonstruktorn används för att hämta en molnrepresentation av ett bildobjekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade bildobjektet. |
Keyvault |
Hanterar hemligheter som lagras i Azure Key Vault som är associerade med en Azure Mašinsko učenje-arbetsyta. Varje Azure Mašinsko učenje-arbetsyta har ett associerat Azure Key Vault. Klassen Keyvault är en förenklad omslutning av Azure Key Vault som gör att du kan hantera hemligheter i nyckelvalvet, inklusive inställning, hämtning, borttagning och listning av hemligheter. Använd Klassen Keyvault för att skicka hemligheter till fjärrkörningar på ett säkert sätt utan att exponera känslig information i klartext. Mer information finns i Använda hemligheter i träningskörningar. Class Keyvault-konstruktor. |
LinkedService |
Kommentar Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental. Definierar en resurs för att hantera länkning mellan AML-arbetsyta med andra tjänster i Azure. Initiera LinkedService-objektet. |
Model |
Representerar resultatet av maskininlärningsträning. En modell är resultatet av en Azure Machine Learning-utbildning Run eller någon annan modellträningsprocess utanför Azure. Oavsett hur modellen skapas kan den registreras på en arbetsyta, där den representeras av ett namn och en version. Med klassen Modell kan du paketera modeller för användning med Docker och distribuera dem som en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. En självstudiekurs från slutpunkt till slutpunkt som visar hur modeller skapas, hanteras och används finns i Träna bildklassificeringsmodell med MNIST-data och scikit-learn med Hjälp av Azure Mašinsko učenje. Modellkonstruktor. Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Måste ange antingen namn eller ID. |
PrivateEndPoint |
Definierar en privat slutpunkt för hantering av privata slutpunktsanslutningar som är associerade med en Azure ML-arbetsyta. Initiera PrivateEndPoint. |
PrivateEndPointConfig |
Definierar konfiguration för en privat Azure-slutpunkt. Azure Private Endpoint är ett nätverksgränssnitt som ansluter dig privat och säkert till en Azure ML-arbetsyta med Private Link. Initiera PrivateEndPointConfig. |
Run |
Definierar basklassen för alla Azure Mašinsko učenje-experimentkörningar. En körning representerar en enda utvärderingsversion av ett experiment. Körningar används för att övervaka den asynkrona körningen av en utvärderingsversion, logga mått och lagra utdata från utvärderingsversionen och för att analysera resultat och komma åt artefakter som genereras av utvärderingsversionen. Körningsobjekt skapas när du skickar ett skript för att träna en modell i många olika scenarier i Azure Mašinsko učenje, inklusive HyperDrive-körningar, pipelinekörningar och AutoML-körningar. Ett Kör-objekt skapas också när du submit eller start_logging med Experiment klassen. Information om hur du kommer igång med experiment och körningar finns i Initiera Kör-objektet. |
RunConfiguration |
Representerar konfiguration för experimentkörningar som riktar sig till olika beräkningsmål i Azure Mašinsko učenje. RunConfiguration-objektet kapslar in den information som krävs för att skicka en träningskörning i ett experiment. Vanligtvis skapar du inte ett RunConfiguration-objekt direkt, men får ett från en metod som returnerar det, till exempel submit -metoden för Experiment klassen. RunConfiguration är en basmiljökonfiguration som också används i andra typer av konfigurationssteg som är beroende av vilken typ av körning du utlöser. När du till exempel konfigurerar ett PythonScriptStepkan du komma åt stegets RunConfiguration-objekt och konfigurera Conda-beroenden eller komma åt miljöegenskaperna för körningen. Exempel på körningskonfigurationer finns i Välj och använd ett beräkningsmål för att träna din modell. Initiera en RunConfiguration med standardinställningarna. |
ScriptRun |
Ger programmatisk åtkomst för hantering av skickade träningskörningar. En körning som skickas med ScriptRunConfig representerar en enda utvärderingsversion i ett experiment. När körningen skickas returneras ett ScriptRun-objekt som kan användas för att övervaka den asynkrona körningen av körningen, logga mått och lagra utdata från körningen och analysera resultat och komma åt artefakter som genereras av körningen. Information om hur du kommer igång med experiment och ScriptRunConf finns i Class ScriptRun-konstruktor. |
ScriptRunConfig |
Representerar konfigurationsinformation för att skicka en träningskörning i Azure Mašinsko učenje. Ett ScriptRunConfig-paket kombinerar den konfigurationsinformation som behövs för att skicka en körning i Azure ML, inklusive skriptet, beräkningsmålet, miljön och eventuella distribuerade jobbspecifika konfigurationer. När en skriptkörning har konfigurerats och skickats med submitreturneras en ScriptRun . Konstruktor för klassen ScriptRunConfig. |
SynapseWorkspaceLinkedServiceConfiguration |
Kommentar Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental. Definierar en länkad tjänstkonfiguration för att länka synapse-arbetsytan. Initiera SynapseWorkspaceLinkedServiceConfiguration-objektet. |
Webservice |
Definierar basfunktioner för att distribuera modeller som webbtjänstslutpunkter i Azure Mašinsko učenje. Webbtjänstkonstruktorn används för att hämta en molnrepresentation av ett webbtjänstobjekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade webbtjänstobjektet. Med klassen Webservice kan du distribuera maskininlärningsmodeller från antingen ett objekt eller Image ett Model objekt. Mer information om hur du arbetar med Webservice finns i Distribuera modeller med Azure Mašinsko učenje. Initiera Webservice-instansen. Webbtjänstkonstruktorn hämtar en molnrepresentation av ett webbtjänstobjekt som är associerat med den angivna arbetsytan. Den returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade webbtjänstobjektet. |
Workspace |
Definierar en Azure-Mašinsko učenje resurs för hantering av tränings- och distributionsartefakter. En arbetsyta är en grundläggande resurs för maskininlärning i Azure Mašinsko učenje. Du använder en arbetsyta för att experimentera, träna och distribuera maskininlärningsmodeller. Varje arbetsyta är kopplad till en Azure-prenumeration och resursgrupp och har en associerad SKU. Mer information om arbetsytor finns i: Konstruktor för klassarbetsytor för att läsa in en befintlig Azure Mašinsko učenje-arbetsyta. |
diagnostic_log |
Dirigerar felsökningsloggar till en angiven fil. |
Funktioner
attach_legacy_compute_target
Kopplar ett beräkningsmål till det här projektet.
attach_legacy_compute_target(experiment, source_directory, compute_target)
Parametrar
Name | Description |
---|---|
experiment
Obligatorisk
|
|
source_directory
Obligatorisk
|
|
compute_target
Obligatorisk
|
Ett beräkningsmålobjekt som ska bifogas. |
Returer
Typ | Description |
---|---|
Ingen om anslutningen lyckas, annars utlöser ett undantag. |
get_run
Hämta körningen för det här experimentet med dess körnings-ID.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parametrar
Name | Description |
---|---|
experiment
Obligatorisk
|
Det innehållande experimentet. |
run_id
Obligatorisk
|
Körnings-ID:t. |
rehydrate
|
<xref:boolean>
Anger om det ursprungliga körningsobjektet returneras eller bara ett baskörningsobjekt. Om sant returnerar den här funktionen den ursprungliga körningsobjekttypen. För en AutoML-körning returneras till exempel ett AutoMLRun objekt, medan ett HyperDriveRun objekt returneras för en HyperDrive-körning. Om false returnerar funktionen ett Run objekt. Standardvärde: True
|
clean_up
|
Om det är sant anropar du _register_kill_handler från run_base Standardvärde: True
|
Returer
Typ | Description |
---|---|
Den skickade körningen. |
is_compute_target_prepared
Kontrollera att beräkningsmålet har förberetts.
Kontrollerar om beräkningsmålet, som anges i run_config, redan är förberett eller inte för den angivna körningskonfigurationen.
is_compute_target_prepared(experiment, source_directory, run_config)
Parametrar
Name | Description |
---|---|
experiment
Obligatorisk
|
|
source_directory
Obligatorisk
|
|
run_config
Obligatorisk
|
str eller
RunConfiguration
Körningskonfigurationen. Det kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt. |
Returer
Typ | Description |
---|---|
Sant, om beräkningsmålet är förberett. |
prepare_compute_target
Förbered beräkningsmålet.
Installerar alla nödvändiga paket för en experimentkörning baserat på run_config och custom_run_config.
prepare_compute_target(experiment, source_directory, run_config)
Parametrar
Name | Description |
---|---|
experiment
Obligatorisk
|
|
source_directory
Obligatorisk
|
|
run_config
Obligatorisk
|
str eller
RunConfiguration
Körningskonfigurationen. Det kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt. |
Returer
Typ | Description |
---|---|
Ett körningsobjekt |
remove_legacy_compute_target
Ta bort ett beräkningsmål från projektet.
remove_legacy_compute_target(experiment, source_directory, compute_target_name)
Parametrar
Name | Description |
---|---|
experiment
Obligatorisk
|
|
source_directory
Obligatorisk
|
|
compute_target_name
Obligatorisk
|
|
Returer
Typ | Description |
---|---|
Ingen om borttagningen av beräkningsmålet lyckas, annars utlöser ett undantag. |