CommandStep Sınıf

Komut çalıştıran bir Azure ML İşlem Hattı adımı oluşturun.

Oluşturucu

CommandStep(command=None, name=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, inputs=None, outputs=None, params=None, source_directory=None, allow_reuse=True, version=None)

Parametreler

Name	Description
command	list veya str çalıştırılacak komut veya ile ilgili `source_directory`yürütülebilir dosyanın/betiğin yolu. Runconfig ile sağlanmadığı sürece gereklidir. Tek bir dizedeki dize bağımsız değişkenleriyle veya bir listedeki input/output/PipelineParameter ile belirtilebilir. Default value: None
name	str Adımın adı. Belirtilmezse içindeki ilk sözcük `command` kullanılır. Default value: None
compute_target	DsvmCompute veya AmlCompute veya RemoteCompute veya HDInsightCompute veya str veya tuple Kullanılacak işlem hedefi. Belirtilmezse, hedeften `runconfig` kullanılır. Bu parametre, çalışma alanında işlem hedefi nesnesi veya işlem hedefinin dize adı olarak belirtilebilir. İsteğe bağlı olarak işlem hedefi işlem hattı oluşturma zamanında kullanılamıyorsa, işlem hedef nesnesinin (AmlCompute türü 'AmlCompute' ve RemoteCompute türü 'VirtualMachine') getirilmemesi için bir demet belirtebilirsiniz ('işlem hedef adı', 'işlem hedef türü'). Default value: None
runconfig	ScriptRunConfig veya RunConfiguration Denemede eğitim çalıştırması göndermek için gerekli bilgileri kapsülleyen isteğe bağlı yapılandırma nesnesi. Default value: None
runconfig_pipeline_params	<xref:<xref:{str: PipelineParameter}>> Her biri runconfig özelliğinin adı ve bu özellik için PipelineParameter olan anahtar-değer çiftlerini kullanarak çalışma zamanında runconfig özelliklerinin geçersiz kılmaları. Desteklenen değerler: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' Default value: None
inputs	list[InputPortBinding veya DataReference veya PortDataReference veya PipelineData veya <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset> veya DatasetConsumptionConfig] Giriş bağlantı noktası bağlamalarının listesi. Default value: None
outputs	list[PipelineData veya OutputDatasetConfig veya PipelineOutputAbstractDataset veya OutputPortBinding] Çıkış bağlantı noktası bağlamalarının listesi. Default value: None
params	dict "AML_PARAMETER_" ile ortam değişkenleri olarak kaydedilen ad-değer çiftlerinin sözlüğü. Default value: None
source_directory	str Betikler, conda env ve adımda kullanılan diğer kaynakları içeren bir klasör. Default value: None
allow_reuse	bool Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanım varsayılan olarak etkindir. Adım içeriği (betikler/bağımlılıklar) ve girişler ve parametreler değişmeden kalırsa, bu adımın önceki çalıştırmasından elde edilen çıkış yeniden kullanılır. Adımı yeniden kullanırken, işi hesaplamaya göndermek yerine, önceki çalıştırmanın sonuçları sonraki tüm adımlarda hemen kullanılabilir duruma gelir. Giriş olarak Azure Machine Learning veri kümelerini kullanıyorsanız, yeniden kullanım, temel alınan verilerin değişip değişmediğine göre değil, veri kümesinin tanımının değişip değişmediğine göre belirlenir. Default value: True
version	str Adım için işlev değişikliğini belirtmek için isteğe bağlı bir sürüm etiketi. Default value: None
command Gerekli	list veya str çalıştırılacak komut veya ile ilgili `source_directory`yürütülebilir dosyanın/betiğin yolu. Runconfig ile sağlanmadığı sürece gereklidir. Tek bir dizedeki dize bağımsız değişkenleriyle veya bir listedeki input/output/PipelineParameter ile belirtilebilir.
name Gerekli	str Adımın adı. Belirtilmezse içindeki ilk sözcük `command` kullanılır.
compute_target Gerekli	DsvmCompute veya AmlCompute veya RemoteCompute veya HDInsightCompute veya str veya tuple Kullanılacak işlem hedefi. Belirtilmezse, hedeften `runconfig` kullanılır. Bu parametre, çalışma alanında işlem hedefi nesnesi veya işlem hedefinin dize adı olarak belirtilebilir. İsteğe bağlı olarak işlem hedefi işlem hattı oluşturma zamanında kullanılamıyorsa, işlem hedef nesnesinin (AmlCompute türü 'AmlCompute' ve RemoteCompute türü 'VirtualMachine') getirilmemesi için bir demet belirtebilirsiniz ('işlem hedef adı', 'işlem hedef türü').
runconfig Gerekli	ScriptRunConfig veya RunConfiguration Denemede eğitim çalıştırması göndermek için gerekli bilgileri kapsülleyen isteğe bağlı yapılandırma nesnesi.
runconfig_pipeline_params Gerekli	<xref:<xref:{str: PipelineParameter}>> Her biri runconfig özelliğinin adı ve bu özellik için PipelineParameter olan anahtar-değer çiftlerini kullanarak çalışma zamanında runconfig özelliklerinin geçersiz kılmaları. Desteklenen değerler: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
inputs Gerekli	list[InputPortBinding veya DataReference veya PortDataReference veya PipelineData veya <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset> veya DatasetConsumptionConfig] Giriş bağlantı noktası bağlamalarının listesi.
outputs Gerekli	list[PipelineData veya OutputDatasetConfig veya PipelineOutputAbstractDataset veya OutputPortBinding] Çıkış bağlantı noktası bağlamalarının listesi.
params Gerekli	dict "AML_PARAMETER_" ile ortam değişkenleri olarak kaydedilen ad-değer çiftlerinin sözlüğü.
source_directory Gerekli	str Betikler, conda env ve adımda kullanılan diğer kaynakları içeren bir klasör.
allow_reuse Gerekli	bool Aynı ayarlarla yeniden çalıştırıldığında adımın önceki sonuçları yeniden kullanıp kullanmayacağını gösterir. Yeniden kullanım varsayılan olarak etkindir. Adım içeriği (betikler/bağımlılıklar) ve girişler ve parametreler değişmeden kalırsa, bu adımın önceki çalıştırmasından elde edilen çıkış yeniden kullanılır. Adımı yeniden kullanırken, işi hesaplamaya göndermek yerine, önceki çalıştırmanın sonuçları sonraki tüm adımlarda hemen kullanılabilir duruma gelir. Giriş olarak Azure Machine Learning veri kümelerini kullanıyorsanız, yeniden kullanım, temel alınan verilerin değişip değişmediğine göre değil, veri kümesinin tanımının değişip değişmediğine göre belirlenir.
version Gerekli	str Adım için işlev değişikliğini belirtmek için isteğe bağlı bir sürüm etiketi.

Açıklamalar

CommandStep, verilen işlem hedefi üzerinde komut çalıştırmaya yönelik temel, yerleşik bir adımdır. Bir komutu parametre olarak veya runconfig gibi diğer parametrelerden alır. Ayrıca işlem hedefi, girişler ve çıkışlar gibi diğer isteğe bağlı parametreleri de alır. Özel docker görüntüsü gibi CommandStep gereksinimlerini belirtmek için veya ScriptRunConfig RunConfiguration kullanmalısınız.

CommandStep ile çalışmak için en iyi yöntem, adımla ilişkili bağımlı dosyaları çalıştırmak için yürütülebilir dosya veya betik için ayrı bir klasör kullanmak ve bu klasörü parametresiyle source_directory belirtmektir. Bu en iyi uygulamanın iki avantajı vardır. İlk olarak, yalnızca adım için gerekenler anlık görüntülendiğinden, adım için oluşturulan anlık görüntünün boyutunu azaltmaya yardımcı olur. İkinci olarak, anlık görüntünün yeniden yüklenmesini tetikleyecek bir değişiklik source_directory yapılmazsa önceki çalıştırmadan alınan adım çıktısı yeniden kullanılabilir.

Sistem tarafından bilinen komutlar source_directory gerekli değildir, ancak yine de adımla ilişkili bağımlı dosyaları sağlayabilirsiniz.

Aşağıdaki kod örneğinde, bir makine öğrenmesi eğitim senaryosunda CommandStep'in nasıl kullanılacağı gösterilmektedir. Linux'ta dosyaları listelemek için:


   from azureml.pipeline.steps import CommandStep

   trainStep = CommandStep(name='list step',
                           command='ls -lrt',
                           compute_target=compute_target)

Python betiğini çalıştırmak için:


   from azureml.pipeline.steps import CommandStep

   trainStep = CommandStep(name='train step',
                           command='python train.py arg1 arg2',
                           source_directory=project_folder,
                           compute_target=compute_target)

ScriptRunConfig aracılığıyla python betiği çalıştırmak için:


   from azureml.core import ScriptRunConfig
   from azureml.pipeline.steps import CommandStep

   train_src = ScriptRunConfig(source_directory=script_folder,
                               command='python train.py arg1 arg2',
                               environment=my_env)
   trainStep = CommandStep(name='train step',
                           runconfig=train_src)

Genel olarak işlem hattı oluşturma hakkında daha fazla bilgi için bkz https://aka.ms/pl-first-pipeline .

Yöntemler

create_node

CommandStep için bir düğüm oluşturun ve bunu belirtilen grafiğe ekleyin.

Bu yöntemin doğrudan kullanılması amaçlanmamıştır. Bu adımla bir işlem hattı örneği oluşturulduğunda, Azure ML gerekli parametreleri otomatik olarak bu yöntem aracılığıyla geçirir, böylece adım iş akışını temsil eden bir işlem hattı grafiğine eklenebilir.

create_node

CommandStep için bir düğüm oluşturun ve bunu belirtilen grafiğe ekleyin.

create_node(graph, default_datastore, context)

Parametreler

Name	Description
graph Gerekli	Graph Düğümün ekleneceği grafik nesnesi.
default_datastore Gerekli	AbstractAzureStorageDatastore veya AzureDataLakeDatastore Varsayılan veri deposu.
context Gerekli	<xref:_GraphContext> Grafik bağlamı.

Döndürülenler

Tür	Description
Node	Oluşturulan düğüm.

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?