Aracılığıyla paylaş

Betik çalıştırmasını SDK v2'ye yükseltme

  • Makale

SDK v2'de "denemeler" ve "çalıştırmalar" işlerde birleştirilir.

bir işin türü vardır. İşlerin çoğu gibi python main.pybir commandçalıştıran komut işleridir. bir işte çalışan her programlama dilinden bağımsızdır, bu nedenle betik çalıştırabilir bash , yorumlayıcı çağırabilir python , bir dizi curl komut çalıştırabilir veya başka herhangi bir şey yapabilirsiniz.

Yükseltmek için sdk v2'ye iş gönderme kodunuzu değiştirmeniz gerekir. İş içinde çalıştırdığınız şeyin SDK v2'ye yükseltilmesi gerekmez. Ancak model eğitim betiklerinizden Azure Machine Learning'e özgü tüm kodları kaldırmanız önerilir. Bu ayrım, yerel ve bulut arasında daha kolay bir geçiş sağlar ve olgun MLOps için en iyi uygulama olarak kabul edilir. Uygulamada bu, kod satırlarını azureml.* kaldırma anlamına gelir. Model günlüğü ve izleme kodu MLflow ile değiştirilmelidir. Diğer ayrıntılar için bkz. v2'de MLflow'u kullanma.

Bu makalede SDK v1 ve SDK v2'deki senaryoların karşılaştırması yer alır.

Betik çalıştırması gönderme

  • SDK v1

    from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig

# connect to the workspace
ws = Workspace.from_config()

# define and configure the experiment
experiment = Experiment(workspace=ws, name='day1-experiment-train')
config = ScriptRunConfig(source_directory='./src',
                            script='train.py',
                            compute_target='cpu-cluster')

# set up pytorch environment
env = Environment.from_conda_specification(
    name='pytorch-env',
    file_path='pytorch-env.yml')
config.run_config.environment = env

run = experiment.submit(config)

aml_url = run.get_portal_url()
print(aml_url)

  • SDK v2

    #import required libraries
from azure.ai.ml import MLClient, command
from azure.ai.ml.entities import Environment
from azure.identity import DefaultAzureCredential

#connect to the workspace
ml_client = MLClient.from_config(DefaultAzureCredential())

# set up pytorch environment
env = Environment(
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
    conda_file="pytorch-env.yml",
    name="pytorch-env"
)

# define the command
command_job = command(
    code="./src",
    command="train.py",
    environment=env,
    compute="cpu-cluster",
)

returned_job = ml_client.jobs.create_or_update(command_job)
returned_job

v1 ve v2'deki temel işlevleri eşleme

SDK v1'deki İşlevsellik SDK v2'de kaba eşleme
experiment.submit MLCLient.jobs.create_or_update
ScriptRunConfig() command()

Sonraki adımlar

Daha fazla bilgi için bkz.