AzureBatchStep Klass

Skapar ett Azure ML Pipeline-steg för att skicka jobb till Azure Batch.

Obs! Det här steget stöder inte uppladdning/nedladdning av kataloger och deras innehåll.

Ett exempel på hur du använder AzureBatchStep finns i notebook-filen https://aka.ms/pl-azbatch.

Skapa ett Azure ML Pipeline-steg för att skicka jobb till Azure Batch.

Arv

azureml.pipeline.core._azurebatch_step_base._AzureBatchStepBase

AzureBatchStep

Konstruktor

AzureBatchStep(name, create_pool=False, pool_id=None, delete_batch_job_after_finish=True, delete_batch_pool_after_finish=False, is_positive_exit_code_failure=True, vm_image_urn='urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter', run_task_as_admin=False, target_compute_nodes=1, vm_size='standard_d1_v2', source_directory=None, executable=None, arguments=None, inputs=None, outputs=None, allow_reuse=True, compute_target=None, version=None)

Parametrar

Name	Description
name Obligatorisk	str [Krävs] Namnet på steget.
create_pool	bool Anger om du vill skapa poolen innan du kör jobben. Standardvärde: False
pool_id	str [Krävs] ID:t för poolen där jobbet körs. ID:t kan vara en befintlig pool eller en som skapas när jobbet skickas. Standardvärde: None
delete_batch_job_after_finish	bool Anger om jobbet ska tas bort från Batch-kontot när det är klart. Standardvärde: True
delete_batch_pool_after_finish	bool Anger om poolen ska tas bort när jobbet har slutförts. Standardvärde: False
is_positive_exit_code_failure	bool Anger om jobbet misslyckas om aktiviteten finns med en positiv kod. Standardvärde: True
vm_image_urn	str Om create_pool är Sant och den virtuella datorn använder VirtualMachineConfiguration. Värdeformat: urn:publisher:offer:sku. Exempel: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter. Standardvärde: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter
run_task_as_admin	bool Anger om uppgiften ska köras med administratörsbehörighet. Standardvärde: False
target_compute_nodes	int Om create_pool är Sant anger du hur många beräkningsnoder som ska läggas till i poolen. Standardvärde: 1
vm_size	str Om create_pool är Sant anger du storleken på den virtuella datorn för beräkningsnoderna. Standardvärde: standard_d1_v2
source_directory	str En lokal mapp som innehåller modulens binärfiler, körbara filer, sammansättningar osv. Standardvärde: None
executable	str [Krävs] Namnet på kommandot/den körbara filen som ska köras som en del av jobbet. Standardvärde: None
arguments	str Argument för kommandot/den körbara filen. Standardvärde: None
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] En lista över indataportbindningar. Innan jobbet körs skapas en mapp för varje indata. Filerna för varje indata kopieras från lagringen till respektive mapp på beräkningsnoden. Om indatanamnet till exempel är input1 och den relativa sökvägen på lagringen är viss/relativ/sökväg/som/kan/kan/verkligen/lång/inputfile.txt, blir filsökvägen på beräkningen: ./input1/inputfile.txt. När indatanamnet är längre än 32 tecken trunkeras det och läggs till med ett unikt suffix så att mappnamnet kan skapas på beräkningsmålet. Standardvärde: None
outputs	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] En lista över portbindningar för utdata. Precis som indata skapas en mapp för varje utdata innan jobbet körs. Mappnamnet är samma som utdatanamnet. Antagandet är att jobbet placerar utdata i den mappen. Standardvärde: None
allow_reuse	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats. Standardvärde: True
compute_target	BatchCompute, str [Krävs] En BatchCompute-beräkning där jobbet körs. Standardvärde: None
version	str En valfri versionstagg som anger en funktionsändring för modulen. Standardvärde: None
name Obligatorisk	str [Krävs] Namnet på steget.
create_pool Obligatorisk	bool Anger om du vill skapa poolen innan du kör jobben.
pool_id Obligatorisk	str [Krävs] ID:t för poolen där jobbet körs. ID:t kan vara en befintlig pool eller en som skapas när jobbet skickas.
delete_batch_job_after_finish Obligatorisk	bool Anger om jobbet ska tas bort från Batch-kontot när det är klart.
delete_batch_pool_after_finish Obligatorisk	bool Anger om poolen ska tas bort när jobbet har slutförts.
is_positive_exit_code_failure Obligatorisk	bool Anger om jobbet misslyckas om aktiviteten finns med en positiv kod.
vm_image_urn Obligatorisk	str Om create_pool är Sant och den virtuella datorn använder VirtualMachineConfiguration. Värdeformat: urn:publisher:offer:sku. Exempel: urn:MicrosoftWindowsServer:WindowsServer:2012-R2-Datacenter.
run_task_as_admin Obligatorisk	bool Anger om uppgiften ska köras med administratörsbehörighet.
target_compute_nodes Obligatorisk	int Om create_pool är Sant anger du hur många beräkningsnoder som ska läggas till i poolen.
vm_size Obligatorisk	str Om create_pool är Sant anger du storleken på den virtuella datorn för beräkningsnoderna.
source_directory Obligatorisk	str En lokal mapp som innehåller modulen binärfiler, körbara filer, sammansättningar osv.
executable Obligatorisk	str [Krävs] Namnet på kommandot/den körbara filen som ska köras som en del av jobbet.
arguments Obligatorisk	list Argument för kommandot/den körbara filen.
inputs Obligatorisk	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData]] En lista över indataportbindningar. Innan jobbet körs skapas en mapp för varje indata. Filerna för varje indata kopieras från lagringen till respektive mapp på beräkningsnoden. Om indatanamnet till exempel är input1 och den relativa sökvägen på lagringen är viss/relativ/sökväg/som/kan/kan/verkligen/lång/inputfile.txt, blir filsökvägen på beräkningen: ./input1/inputfile.txt. Om indatanamnet är längre än 32 tecken trunkeras det och läggs till med ett unikt suffix, så att mappnamnet kan skapas på beräkningen.
outputs Obligatorisk	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] En lista över portbindningar för utdata. Precis som indata skapas en mapp för varje utdata innan jobbet körs. Mappnamnet är samma som utdatanamnet. Antagandet är att jobbet kommer att ha utdata till den mappen.
allow_reuse Obligatorisk	bool Anger om steget ska återanvända tidigare resultat när det körs igen med samma inställningar. Återanvändning är aktiverat som standard. Om steginnehållet (skript/beroenden) samt indata och parametrar förblir oförändrade återanvänds utdata från föregående körning av det här steget. När du återanvänder steget, i stället för att skicka jobbet för beräkning, görs resultaten från den föregående körningen omedelbart tillgängliga för efterföljande steg. Om du använder Azure Machine Learning-datauppsättningar som indata bestäms återanvändningen av om datauppsättningens definition har ändrats, inte av om underliggande data har ändrats.
compute_target Obligatorisk	BatchCompute, str [Krävs] En BatchCompute-beräkning där jobbet körs.
version Obligatorisk	str En valfri versionstagg som anger en funktionsändring för modulen.

Kommentarer

I följande exempel visas hur du använder AzureBatchStep i en Azure Machine Learning-pipeline.

   step = AzureBatchStep(
               name="Azure Batch Job",
               pool_id="MyPoolName", # Replace this with the pool name of your choice
               inputs=[testdata],
               outputs=[outputdata],
               executable="azurebatch.cmd",
               arguments=[testdata, outputdata],
               compute_target=batch_compute,
               source_directory=binaries_folder,
   )

Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-azurebatch-to-run-a-windows-executable.ipynb

Metoder

create_node

Skapa en nod från AzureBatch-steget och lägg till den i den angivna grafen. Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node

Skapa en nod från AzureBatch-steget och lägg till den i den angivna grafen.

Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.

create_node(graph, default_datastore, context)

Parametrar

Name	Description
graph Obligatorisk	Graph Grafobjektet som noden ska läggas till i.
default_datastore Obligatorisk	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Standarddatalagringen.
context Obligatorisk	<xref:azureml.pipeline.core._GraphContext> Grafkontexten.

Returer

Typ	Description
Node	Den skapade noden.