Azure ML Package-klientbibliotek för Python – version 1.12.1
Vi är glada över att kunna introducera GA för Azure Machine Learning Python SDK v2. Python SDK v2 introducerar nya SDK-funktioner som fristående lokala jobb, återanvändbara komponenter för pipelines och hanterad online/batch-slutsatsdragning. Med Python SDK v2 kan du enkelt och stegvis gå från enkla till komplexa uppgifter. Detta aktiveras med hjälp av en gemensam objektmodell som ger återanvändning av begrepp och konsekvens för åtgärder i olika uppgifter. SDK v2 delar sin grund med CLI v2 som också är GA.
Källkod | Paket (PyPI) | Paket (Conda) | API-referensdokumentation | Produktdokumentation | Prover
Det här paketet har testats med Python 3.7, 3.8, 3.9 och 3.10.
En mer komplett uppsättning Azure-bibliotek finns i https://aka.ms/azsdk/python/all
Komma igång
Förutsättningar
- Python 3.7 eller senare krävs för att använda det här paketet.
- Du måste ha en Azure-prenumeration.
- En Azure Machine Learning-arbetsyta.
Installera paketet
Installera Azure ML-klientbiblioteket för Python med pip:
pip install azure-ai-ml
pip install azure-identity
Autentisera klienten
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
ml_client = MLClient(
DefaultAzureCredential(), subscription_id, resource_group, workspace
)
Viktiga begrepp
Azure Machine Learning Python SDK v2 levereras med många nya funktioner som fristående lokala jobb, återanvändbara komponenter för pipelines och hanterad online/batch-slutsatsdragning. SDK v2 ger konsekvens och enkel användning för alla tillgångar i plattformen. Python SDK v2 har följande funktioner:
- Kör fristående jobb – kör en diskret ML-aktivitet som jobb. Det här jobbet kan köras lokalt eller i molnet. Vi stöder för närvarande följande typer av jobb:
- Kommando – kör ett kommando (Python, R, Windows-kommando, Linux Shell osv.)
- Svep – kör en hyperparametersrensning på kommandot
- Köra flera jobb med våra förbättrade pipelines
- Köra en serie kommandon som är insydda i en pipeline (Ny)
- Komponenter – köra pipelines med återanvändbara komponenter (ny)
- Använda dina modeller för Managed Online-slutsatsdragning (ny)
- Använda dina modeller för hanterad batchinferens
- Hantera AML-resurser – arbetsyta, beräkning, datalager
- Hantera AML-tillgångar – datauppsättningar, miljöer, modeller
- AutoML – kör fristående AutoML-träning för olika ml-uppgifter:
- Klassificering (tabelldata)
- Regression (tabelldata)
- Tidsserieprognoser (tabelldata)
- Bildklassificering (flera klasser) (ny)
- Bildklassificering (flera etiketter) (ny)
- Identifiering av bildobjekt (ny)
- Segmentering av bildinstans (ny)
- NLP-textklassificering (flera klasser) (ny)
- NLP-textklassificering (flera etiketter) (ny)
- NLP-text med namnet Entity Recognition (NER) (New)
Exempel
- Visa våra exempel.
Felsökning
Allmänt
Azure ML-klienter genererar undantag som definierats i Azure Core.
from azure.core.exceptions import HttpResponseError
try:
ml_client.compute.get("cpu-cluster")
except HttpResponseError as error:
print("Request failed: {}".format(error.message))
Loggning
Det här biblioteket använder standardloggningsbiblioteket för loggning. Grundläggande information om HTTP-sessioner (URL:er, rubriker osv.) loggas på INFO-nivå.
Detaljerad loggning på FELSÖKNINGsnivå, inklusive begärande-/svarskroppar och oredigerade huvuden, kan aktiveras på en klient med logging_enable
argumentet .
Se fullständig dokumentation om SDK-loggning med exempel här.
Telemetri
Azure ML Python SDK innehåller en telemetrifunktion som samlar in användnings- och feldata om SDK:t och skickar dem till Microsoft när du använder SDK:t endast i en Jupyter Notebook. Telemetri samlas inte in för användning av Python SDK utanför en Jupyter Notebook.
Telemetridata hjälper SDK-teamet att förstå hur SDK:n används så att den kan förbättras och informationen om fel hjälper teamet att lösa problem och åtgärda buggar.
SDK-telemetrifunktionen är aktiverad som standard för Jupyter Notebook användning och kan inte aktiveras för icke-Jupyter-scenarier. Om du vill välja bort telemetrifunktionen i ett Jupyter-scenario skickar du in enable_telemetry=False
när du skapar ditt MLClient-objekt.
Nästa steg
- Visa våra exempel.
Bidra
Det här projektet välkomnar bidrag och förslag. Merparten av bidragen kräver att du godkänner ett licensavtal för bidrag, där du deklarerar att du har behörighet att bevilja oss rättigheten att använda ditt bidrag, och att du dessutom uttryckligen gör så. Mer information finns i cla.microsoft.com.
När du skickar en pull-förfrågan avgör en CLA-robot automatiskt om du måste tillhandahålla ett licensavtal för bidrag med lämplig PR (t.ex. etikett eller kommentar). Följ bara robotens anvisningar. Du behöver bara göra detta en gång för alla repor som använder vårt licensavtal för bidrag.
Det här projektet använder sig av Microsofts uppförandekod för öppen källkod. Mer information finns i Vanliga frågor och svar om uppförandekod eller kontakt opencode@microsoft.com med ytterligare frågor eller kommentarer.
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