Betik çalıştırmasını SDK v2'ye yükseltme
SDK v2'de "denemeler" ve "çalıştırmalar" işlerde birleştirilir.
bir işin türü vardır. İşlerin çoğu gibi python main.py
bir command
çalıştıran 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.
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin