Azure Machine Learning Python SDK 發行備註

  • 發行項

在本文中，瞭解 Azure 機器學習 Python SDK 版本。 如需完整的 SDK 參考內容，請流覽 Azure 機器學習 的主要 SDK for Python 參考頁面。

RSS 摘要：將下列 URL 複製並貼到您的摘要讀取器，以在此頁面更新時收到通知： https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

適用於 Python v1.56.0 的 Azure 機器學習 SDK

  • azureml-core
    • 啟用新區域中國東部 3 的 Application Insights 重新對應，因為它不支援傳統資源模式。 也修正了中國北方 3 遺失的更新。
  • azureml-defaults
    • 在 azureml-defaults 中，將 azureml-inference-server-http pin 凸起至 1.0.0。
  • azureml-interpret
    • 已更新 azureml-interpret 套件以解譯社群 0.31.*
  • azureml-responsibleai
    • 已將 Common environment 和 azureml-responsibleai 套件更新為 raiwidgets 和 responsibleai 0.33.0
    • 增加負責任和 fairlearn 相依性版本

2024-01-29

適用於 Python v1.55.0 的 Azure 機器學習 SDK

  • azureml-core
    • 啟用新區域中國東部 3 的 Application Insights 重新對應，因為它不支援傳統資源模式。 也修正了中國北方 3 遺失的更新。
  • azureml-defaults
    • 在 azureml-defaults 中，將 azureml-inference-server-http pin 凸起至 1.0.0。
  • azureml-interpret
    • 已更新 azureml-interpret 套件以解譯社群 0.31.*
  • azureml-responsibleai
    • 已將 Common environment 和 azureml-responsibleai 套件更新為 raiwidgets 和 responsibleai 0.33.0
    • 增加負責任和 fairlearn 相依性版本

2023-11-13

  • azureml-automl-core、azureml-automl-runtime、azureml-contrib-automl-dnn-forecasting、azureml-train-automl-client、azureml-train-automl-runtime、azureml-training-tabular
    • statsmodel、pandas 和 scipy 已升級至 1.13、1.3.5 和 1.10.1 版 - fbprophet 0.7.1 取代為先知 1.1.4 在本機環境中載入模型時，這些套件的版本應該符合模型定型的內容。
  • azureml-core、azureml-pipeline-core、azureml-pipeline-steps
    • AzureML-Pipeline - 在 Databricks 步驟中新增 參數的警告 init_scripts ，提醒您即將淘汰。
  • azureml-interpret
    • 已更新 azureml-interpret 套件以解譯社群 0.30.*
  • azureml-mlflow
    • feat：新增 AZUREML_BLOB_MAX_SINGLE_PUT_SIZE 以控制上傳區塊位元組的大小。 將此值從預設值降低（64*1024*1024 也就是 64MB）可以解決寫入作業因逾時而失敗的問題。
    • 目前支援從 AzureML 登錄上傳和下載模型
    • 新增想要從 AML 登錄下載或上傳模型的用戶支援

2023-08-21

適用於 Python v1.53.0 的 Azure 機器學習 SDK

  • azureml-automl-core
    • 支援 AutoML 預測 TCN 模型中預測時已知的功能/回歸輸入器。
  • azureml-automl-dnn-vision
    • 針對 automl 物件偵測和實例分割啟用log_training_metrics和log_validation_loss旗標
  • azureml-contrib-automl-dnn-forecasting
    • 支援 AutoML 預測 TCN 模型中預測時已知的功能/回歸輸入器。
  • azureml-core
    • 為卡達新增 appinsights 位置交換以指向 uaenorth
    • Python 3.7 於 2023 年 6 月 27 日終止生命週期。 因此，從 2023 年 10 月開始，azureml 核心中將會淘汰 3.7，azureml-core 將在 2024 年 2 月結束對 3.7 的支援。
  • azureml-mlflow
    • 修正在傳遞 AzureML URI 時，使用 MLflow load_model API 載入模型
  • azureml-pipeline-core
    • 使用 PipelineRun.get_pipeline_runs載入子執行失敗時略過子執行和記錄錯誤（例如 404）。
    • PipelineEndpoint.list 引進新的 int 參數 max_results，表示傳回清單的大小上限。 的預設值 max_results 為 100。
  • azureml-training-tabular
    • 支援 AutoML 預測 TCN 模型中預測時已知的功能/回歸輸入器。

2023-06-26

適用於 Python v1.52.0 的 Azure 機器學習 SDK

  • azureml-automl-dnn-vision
    • 運行時間 （舊版） automl 模型的 mlflow 簽章已變更為接受二進位輸入。 這會啟用批次推斷。 預測函式回溯相容，因此使用者仍然可以傳送base64字串做為輸入。 當模型說明性為 n 時，預測函式的輸出已變更為移除暫存檔名和空白視覺效果和屬性索引鍵...
  • azureml-contrib-automl-dnn-forecasting
    • 已修正當數據包含單一時間序列時，在分散式 TCN 定型期間導致失敗的 Bug。
  • azureml-interpret
    • 移除 azureml-interpret 中的 shap pin 以更新至 interpret-community 中最新的
  • azureml-responsibleai
    • 已將 Common environment 和 azureml-responsibleai 套件更新為 raiwidgets 和 responsibleai 0.28.0

2023-05-20

適用於 Python v1.51.0 的 Azure 機器學習 SDK

  • azureml-automl-core
    • AutoML 預測工作現在支援滾動預測，以及階層式時間序列的分位數預測部分支援。
    • 不允許對客戶使用非表格式數據集進行分類 （多類別和多標籤） 案例
  • azureml-automl-dnn-nlp
    • 不允許對客戶使用非表格式數據集進行分類 （多類別和多標籤） 案例
  • azureml-contrib-automl-pipeline-steps
    • AutoML 預測工作現在支援滾動預測，以及階層式時間序列的分位數預測部分支援。
  • azureml-fsspec
    • 以從 azureml-dataprep 匯入的自定義 UserErrorException 取代 MLTable 和 FSSpec 中所有使用者造成的錯誤。
  • azureml-interpret
    • 已更新 azureml-interpret 套件以解譯社群 0.29.*
  • azureml-pipeline-core
    • 修正呼叫 pipeline_endpoint.submit()時未生效的修正pipeline_version。
  • azureml-train-automl-client
    • AutoML 預測工作現在支援滾動預測，以及階層式時間序列的分位數預測部分支援。
  • azureml-train-automl-runtime
    • AutoML 預測工作現在支援滾動預測，以及階層式時間序列的分位數預測部分支援。
  • mltable
    • 加載 MLTable 檔案時，現在支援更多編碼 utf-8 變體。
    • 以從 azureml-dataprep 匯入的自定義 UserErrorException 取代 MLTable 和 FSSpec 中所有使用者造成的錯誤。

2023-04-10

適用於 Python v1.50.0 的 Azure 機器學習 SDK

  • azureml-contrib-automl-dnn-forecasting
    • 已新增在 TCN 模型指定分位數的預測支援。
  • azureml-responsibleai
    • 已將 Common environment 和 azureml-responsibleai 套件更新為 raiwidgets 和 responsibleai 0.26.0
  • azureml-train-automl-runtime
    • 修正模型測試案例的MLTable處理
  • azureml-training-tabular
    • 在 forecast_quantile 方法中新增 quantiles 作為參數。

2023-03-01

在 Azure 機器學習 SDK v1 套件中宣佈 Python 3.7 的支持結束

  • 功能淘汰
    • 將 Python 3.7 取代為 SDK v1 套件支援的運行時間
      • 在 2023 年 12 月 4 日，Azure 機器學習 將正式停止支援適用於 SDK v1 套件的 Python 3.7，並將它取代為支援的運行時間。 如需詳細資訊，請閱讀 Azure SDK for Python 版本支持原則上的 頁面
      • 自 2023 年 12 月 4 日淘汰日期起，Azure 機器學習 SDK v1 套件將不再收到 Python 3.7 運行時間的安全性修補程式和其他更新。
      • 適用於 Azure 機器學習 SDK v1 的目前 Python 3.7 版本仍然會運作。 不過，為了繼續接收安全性更新，並保留符合技術支持的資格，Azure 機器學習 強烈建議您將腳本和相依性移至支援的 Python 運行時間版本。
      • 作為 Azure 機器學習 SDK v1 檔案的運行時間，我們建議使用 Python 3.8 版或更新版本。
      • 此外，以 Python 3.7 為基礎的 Azure 機器學習 SDK v1 套件不再符合技術支持資格。
      • 如果您有任何疑慮，請使用 Azure 機器學習 支援與我們連絡。

2023-13-02

適用於 Python v1.49.0 的 Azure 機器學習 SDK

  • 重大變更
    • 從 v1.49.0 和更新版本開始，不支援下列 AutoML 演算法。
      • 回歸：FastLinearRegressor、OnlineGradientDescentRegressor
      • 分類：AveragedPerceptronClassifier。
    • 使用 v1.48.0 或更新版本繼續使用這些演算法。
  • 錯誤修正和改善
    • azureml-automl-dnn-nlp
      • 記錄，根據預設值和使用者指定的值，顯示套用至模型和超參數設定的最終值。
    • azureml-contrib-automl-dnn-forecasting
      • TCNForecaster 的非標準現在會反映最後一個 epoch 的值。
      • 訓練集和測試集的預測地平線視覺效果現在可在執行 TCN 訓練實驗時使用。
      • 因為「無法計算 TCN 計量」錯誤，因此執行不會再失敗。 顯示「預測計量計算導致錯誤、回報最差分數」的警告訊息仍會記錄。 相反地，當我們連續兩次面臨 inf/nan 驗證遺失，並出現「無效的模型，TCN 定型未聚合」訊息時，就會引發例外狀況。 客戶必須知道載入的模型可能會在此變更之後推斷時，將 nan/inf 值傳回為預測。
    • azureml-core
      • Azure 機器學習 工作區建立會利用 Log Analytics 型 Application Insights 來準備淘汰傳統 Application Insights。 想要使用傳統 Application Insights 資源的使用者仍然可以在建立 Azure 機器學習 工作區時指定自己的資源。
    • azureml-interpret
      • 已更新 azureml-interpret 套件以解譯社群 0.28.*
    • azureml-mlflow
      • 使用 MLflow 2.0 的初始支援更新 azureml-mlflow 用戶端
    • azureml-responsibleai
      • 已將 azureml-responsibleai 套件和筆記本更新為 raiwidgets 和 responsibleai v0.24.0
    • azureml-sdk
      • azureml-sdk 和 azureml-train-automl-client 現在支援 Python 3.10 版
    • azureml-train-automl-client
      • azureml-sdk 和 azureml-train-automl-client 現在支援 Python 3.10 版
    • azureml-train-automl-runtime
      • 在訓練之前清除遺漏的 y
      • 清除非串流案例之目標數據行的 nan 或空白值
      • 測試集的預測地平線視覺效果現在可在執行定型實驗時使用。
    • azureml-train-core
      • 已將支援新增至客戶，以提供 Hyperdrive 執行的自定義執行識別碼
    • azureml-train-restclients-hyperdrive
      • 已將支援新增至客戶，以提供 Hyperdrive 執行的自定義執行識別碼

2022-12-05

適用於 Python v1.48.0 的 Azure 機器學習 SDK

  • 重大變更

    • Azure 機器學習 SDK 套件已淘汰 Python 3.6 支援。

  • 錯誤修正和改善

    • azureml-core
      • 儲存體 建立為工作區一部分的帳戶，現在預設會設定要停用的 Blob 公用存取
    • azureml-responsibleai
      • 已將 azureml-responsibleai 套件和筆記本更新為 raiwidgets 和 responsibleai 套件 v0.23.0
      • 已將模型串行化程式和 pyfunc 模型新增至 azureml-responsibleai 套件，以便輕鬆地儲存和擷取模型
    • azureml-train-automl-runtime
      • 已新增 ManyModels 參數和階層式TimeSeries 參數的檔字串
      • 已修正產生的程式代碼無法正確定型/測試分割的錯誤。
      • 已修正導致預測產生的程式代碼定型作業失敗的錯誤。

2022 年 10 月 25 日

適用於 Python v1.47.0 的 Azure 機器學習 SDK

  • azureml-automl-dnn-nlp
    • AutoML NLP 的運行時間變更，以考慮固定定型參數，這是新引進的模型掃掠和超參數微調的一部分。
  • azureml-mlflow
    • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT可用來控制成品上傳的逾時
  • azureml-train-automl-runtime
    • 許多模型和階層式時間序列定型現在會強制檢查逾時參數，以在提交實驗以供執行之前偵測衝突。 這可藉由在提交實驗之前引發例外狀況，來防止執行期間發生實驗失敗。
    • 客戶現在可以在許多模型推斷中使用滾動預測時控制步驟大小。
    • 具有未分割表格式數據的 ManyModels 推斷現在支援forecast_quantiles。

2022-09-26

適用於 Python v1.46.0 的 Azure 機器學習 SDK

  • azureml-automl-dnn-nlp
    • 客戶將不再允許在 CoNLL 中指定一行，這隻包含令牌。 這一行一律必須是空的換行符，或是只有一個標記後面緊接著一個空格，後面緊接著一個標籤。
  • azureml-contrib-automl-dnn-forecasting
    • 在交叉驗證分割之後，樣本縮減為 1，但sample_size仍指向分割前的計數，因此在某些情況下，batch_size最終超過樣本計數。 在此修正中，我們會在分割之後初始化sample_size
  • azureml-core
    • 當推斷客戶使用 CLI/SDK v1 模型部署 API 來部署模型，以及 Python 版本為 3.6 和更少時，新增了淘汰警告。
    • 下列值 AZUREML_LOG_DEPRECATION_WARNING_ENABLED 會變更行為，如下所示：
      • 默認 - 當客戶使用 Python 3.6 和更少且適用於 cli/sdk v1 時，會顯示警告。
      • True - 在 azureml-sdk 套件上顯示 sdk v1 取代警告。
      • False - 停用 azureml-sdk 套件上的 sdk v1 取代警告。
    • 要執行的命令，以設定環境變數以停用取代訊息：
      • Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
      • Linux - export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
  • azureml-interpret
    • 將 azureml-interpret 套件更新為 interpret-community 0.27.*
  • azureml-pipeline-core
    • 將排程預設時區修正為UTC。
    • 修正在 DataTransfer 步驟中使用 SqlDataReference 時，不正確的重複使用。
  • azureml-responsibleai
    • 將 azureml-responsibleai 套件和策劃的映射更新為 raiwidgets 和 responsibleai v0.22.0
  • azureml-train-automl-runtime
    • 已修正產生的腳本中導致某些計量無法在 UI 中正確轉譯的錯誤。
    • 許多模型現在支援推斷的滾動預測。
    • 支援在許多模型案例中傳回頂級 N 模型。

2022-08-29

適用於 Python v1.45.0 的 Azure 機器學習 SDK

  • azureml-automl-runtime
    • 已修正sample_weight數據行未正確驗證的錯誤。
    • 已針對所有支持的預測模型，將 rolling_forecast（） 公用方法新增至預測管線包裝函式。 此方法會取代已被取代的 rolling_evaluation（） 方法。
    • 已修正 AutoML 回歸工作可能會回復為模型評估的定型有效分割的問題，而 CV 會是較適當的選擇。
  • azureml-core
    • 新的雲端組態後綴已新增 「aml_discovery_endpoint」。
    • 已將廠商的 azure-storage 套件從第 2 版更新為第 12 版。
  • azureml-mlflow
    • 新的雲端組態後綴已新增 「aml_discovery_endpoint」。
  • azureml-responsibleai
    • 將 azureml-responsibleai 套件和策劃的影像更新為 raiwidgets 和 responsibleai 0.21.0
  • azureml-sdk
    • azureml-sdk 套件現在允許 Python 3.9。

2022-08-01

Azure 機器學習 SDK for Python v1.44.0

  • azureml-automl-dnn-nlp
    • 加權精確度和 Matthews 相互關聯繫數 （MCC） 將不再是 NLP 多標籤分類計算計量上顯示的計量。
  • azureml-automl-dnn-vision
    • 提供無效的註釋格式時引發用戶錯誤
  • azureml-cli-common
    • 已更新 v1 CLI 描述
  • azureml-contrib-automl-dnn-forecasting
    • 已修正驗證數據集中不同時間序列有不同長度時，TCNForecaster 所導致的「無法計算 TCN 計量」問題。
    • 已針對 TCNForecaster 等 DNN 預測模型新增自動時間標識元偵測。
    • 已修正預測 TCN 模型的 Bug，在某些情況下，使用者提供驗證集時，驗證數據可能會損毀。
  • azureml-core
    • 允許從執行下載成品時設定timeout_seconds參數
    • 新增警告訊息 - Azure 機器學習 CLI v1 已於 2025-09-淘汰。 建議用戶採用 CLI v2。
    • 修正提交至非 AmlComputes 擲回例外狀況。
    • 已新增環境的 Docker 內容支援
  • azureml-interpret
    • 增加 AutoML 套件的 numpy 版本
  • azureml-pipeline-core
    • 修正 regenerate_outputs=True 在提交管線時不會生效。
  • azureml-train-automl-runtime
    • 增加 AutoML 套件的 numpy 版本
    • 啟用視覺和 nlp 的程式代碼產生
    • 建立粒紋的原始數據行會新增為predictions.csv

2022 年 7 月 21 日

在 Azure 機器學習 SDK v1 套件中宣佈 Python 3.6 的支持終止

  • 功能淘汰
    • 將 Python 3.6 取代為 SDK v1 套件支援的運行時間
      • 在 2022 年 12 月 5 日，Azure 機器學習 將會取代 Python 3.6 作為支援的運行時間，正式結束我們對 SDK v1 套件的 Python 3.6 支援。
      • 從 2022 年 12 月 5 日的淘汰日期起，Azure 機器學習 將不再將安全性修補程式和其他更新套用至 Azure 機器學習 SDK v1 套件所使用的 Python 3.6 運行時間。
      • 現有的 Azure 機器學習 SDK v1 套件與 Python 3.6 仍會繼續執行。 不過，Azure 機器學習 強烈建議您將腳本和相依性移轉至支援的 Python 運行時間版本，以便您繼續接收安全性修補程式，並繼續符合技術支持資格。
      • 我們建議使用 Python 3.8 版本作為 Azure 機器學習 SDK v1 套件的運行時間。
      • 此外，使用 Python 3.6 的 Azure 機器學習 SDK v1 套件已不再有資格獲得技術支援。
      • 如果您有任何問題，請透過 AML 支援與我們連絡。

2022-06-27

  • azureml-automl-dnn-nlp
    • 從多標籤預測中移除重複的標籤資料列
  • azureml-contrib-automl-pipeline-steps
    • 許多模型現在也提供以 csv 格式產生預測輸出的功能。 - 許多模型預測現在會在輸出檔案中包含數據行名稱，以防 csv 檔案格式。
  • azureml-core
    • ADAL 驗證現在已被取代，而且所有驗證類別現在都使用 MSAL 驗證。 使用 AzureCliAuthentication 類別時，安裝 azure-cli>=2.30.0 以利用 MSAL 型驗證。
    • 已新增修正，以在 時 Environment.build(workspace)強制環境註冊。 此修正可解決在複製或繼承自另一個實例時所建置的最新環境混淆，而不是要求環境。
    • SDK 警告訊息，如果已在 2021 年 9 月 19 日之前建立計算實例，則會在 2022 年 5 月 31 日之前重新啟動計算實例
  • azureml-interpret
    • 已將 azureml-interpret 套件更新為 interpret-community 0.26.*
    • 在 azureml-interpret 套件中，新增從評分解釋器取得原始和工程特徵名稱的能力。 此外，將範例新增至評分筆記本，以從評分說明器取得功能名稱，並新增原始和工程功能名稱的相關文件。
  • azureml-mlflow
    • 已移除 azureml-mlflow 的 azureml-core 作為相依性。 - MLflow 專案和本機部署需要 azureml-core，而且必須個別安裝。
    • 新增建立端點並透過 MLflow 用戶端外掛程式部署至端點的支援。
  • azureml-responsibleai
    • 已將 azureml-responsibleai 套件和環境映射更新為最新的 responsibleai 和 raiwidgets 0.19.0 版本
  • azureml-train-automl-client
    • 現在支援 OutputDatasetConfig 作為 MM/HTS 管線產生器的輸入。 對應為：1） OutputTabularDatasetConfig -> 被視為未分割的表格式數據集。 2） OutputFileDatasetConfig -> 視為已提交的數據集。
  • azureml-train-automl-runtime
    • 已新增數據驗證，要求數據集中的少數類別樣本數目至少與所要求的 CV 折疊數目一樣多。
    • 自動交叉驗證參數設定現在可供 AutoML 預測工作使用。 用戶現在可以為n_cross_validations和cv_step_size指定「自動」，或將其保留空白，而 AutoML 會根據您的資料提供這些設定。 不過，啟用 TCN 時，目前不支援此功能。
    • 許多模型和階層式時間序列中的預測參數現在可以透過 對象傳遞，而不是在字典中使用個別參數。
    • 已啟用在Power BI 中使用分位數支援的預測模型端點。
    • 已從 1.5.2 更新 AutoML scipy 相依性上限至 1.5.3

2022-04-25

適用於 Python v1.41.0 的 Azure 機器學習 SDK

重大變更警告

這項重大變更來自的 6 月版本 azureml-inference-server-http。 在 azureml-inference-server-http 6 月版本 （v0.9.0） 中，Python 3.6 支援已卸除。 由於 azureml-defaults 相依於 azureml-inference-server-http，此變更會傳播至 azureml-defaults。 如果您未使用 azureml-defaults 進行推斷，請放心使用 azureml-core 或任何其他 Azure 機器學習 SDK 套件，而不是直接安裝 azureml-defaults。

  • azureml-automl-dnn-nlp
    • 默認會開啟遠端文字功能。
  • azureml-automl-dnn-vision
    • 將 ObjectAnnotation 類別類型從 物件變更為 「data object」。
  • azureml-core
    • 此版本會更新客戶用來讓他們在使用 SDK 建立秘密時提供keyvault內容類型的Keyvault類別。 此版本也會更新 SDK，以包含可讓客戶從特定秘密擷取內容類型值的新函式。
  • azureml-interpret
    • 已更新 azureml-interpret 套件以解譯社群 0.25.0
  • azureml-pipeline-core
    • 若 pipeline_run.wait_for_completion 使用 ，請勿再列印執行詳細數據 show_output=False
  • azureml-train-automl-runtime
    • 修正在定型環境中存在 azureml-contrib-automl-dnn-forecasting 套件時，會導致程式代碼產生失敗的 Bug。
    • 使用沒有標籤數據行的測試數據集搭配 AutoML 模型測試時，修正錯誤。

2022 年 3 月 28 日

適用於 Python v1.40.0 的 Azure 機器學習 SDK

  • azureml-automl-dnn-nlp
    • 我們讓遠端文字功能成為選擇性的，只有當客戶明確選擇加入時，使用 kwarg “enable_long_range_text”
    • 針對多類別分類案例新增數據驗證層，其會套用與通用驗證的多標籤相同的基類，並針對更多工作特定的數據驗證檢查套用衍生類別。
  • azureml-automl-dnn-vision
    • 在計算類別權數時修正 KeyError。
  • azureml-contrib-reinforcementlearning
    • 即將淘汰 RL 服務的 SDK 警告訊息
  • azureml-core
      • 傳回執行記錄，當在執行物件上呼叫任何 get logs 函式時，會經歷我們的新運行時間，包括 run.get_details、 run.get_all_logs等等。
    • 已新增實驗方法Datastore.register_onpremises_hdfs，讓使用者建立指向內部部署 HDFS 資源的數據存放區。
    • 更新說明命令中的 CLI 檔
  • azureml-interpret
    • 針對 azureml-interpret 套件，請移除封裝更新的成形釘選。 在 CE env 更新之後移除 numba 和 numpy pin。
  • azureml-mlflow
    • 未提供組態物件時，MLflow 部署用戶端的 Bugfix run_local失敗。
  • azureml-pipeline-steps
    • 拿掉已取代管線估算器步驟中斷的連結
  • azureml-responsibleai
    • 將 azureml-responsibleai 套件更新為 raiwidgets 和 responsibleai 0.17.0 版本
  • azureml-train-automl-runtime
    • 自動化 ML 的程式代碼產生現在支援 ForecastTCN 模型（實驗性）。
    • 透過程式代碼產生建立的模型現在預設會計算所有計量（除了標準化平均絕對誤差、正規化中位數絕對誤差、標準化 RMSE 和預測模型的標準化 RMSLE 除外）。 編輯 的傳回值，即可變更要計算的 get_metrics_names()計量清單。 交叉驗證現在預設會用於預測透過程式代碼產生建立的模型。
  • azureml-training-tabular
    • 編輯 的傳回值，即可變更要計算的 get_metrics_names()計量清單。 交叉驗證現在預設會用於預測透過程式代碼產生建立的模型。
    • 將十進位類型 y-test 轉換成 float，以允許計量計算在沒有錯誤的情況下繼續執行。

2022-02-28

適用於 Python v1.39.0 的 Azure 機器學習 SDK

  • azureml-automl-core
    • 修正 PBI 中顯示的不正確表單，以便與 AutoML 回歸模型整合
    • 新增 min-label-classs 檢查分類工作 （多類別和多標籤）。 如果輸入定型數據集中唯一的類別數目小於 2，則會針對客戶的執行擲回錯誤。 在少於兩個類別上執行分類是毫無意義的。
  • azureml-automl-runtime
    • 將十進位類型 y-test 轉換成 float，以允許計量計算在沒有錯誤的情況下繼續執行。
    • AutoML 訓練現在支持 numpy 1.8 版。
  • azureml-contrib-automl-dnn-forecasting
    • 已修正 TCNForecaster 模型中的 Bug，其中在提供交叉驗證設定時不會使用所有定型數據。
    • TCNForecaster 包裝函式的預測方法正在損毀推斷時間預測。 也修正了預測方法不會在定型有效案例中使用最新內容數據的問題。
  • azureml-interpret
    • 針對 azureml-interpret 套件，請移除封裝更新的成形釘選。 在 CE env 更新之後移除 numba 和 numpy pin。
  • azureml-responsibleai
    • azureml-responsibleai 套件至 raiwidgets 和 responsibleai 0.17.0 版本
  • azureml-synapse
    • 修正魔術小工具消失的問題。
  • azureml-train-automl-runtime
    • 更新 AutoML 相依性以支援 Python 3.8。 這項變更會中斷與 SDK 1.37 或以下定型的模型相容性，因為較新的 Pandas 介面會儲存在模型中。
    • AutoML 訓練現在支持 numpy 1.19 版
    • 修正 automl_setup_model_explanations API 中合奏模型的 AutoML 重設索引邏輯
    • 在 AutoML 中，使用 lightgbm Surrogate 模型，而不是在最新的 lightgbm 版本升級之後，針對疏鬆案例使用線性代理模型
    • AutoML 所產生的所有內部中繼成品現在都會以透明方式儲存在父執行上（而不是傳送至預設工作區 Blob 存放區）。 用戶應該可以看到 AutoML 在父執行目錄下 outputs/ 產生的成品。

2022-01-24

Azure 機器學習 SDK for Python v1.38.0

  • azureml-automl-core
    • AutoML 中的 Tabnet 回歸輸入器和 Tabnet 分類器支援
    • 將數據轉換程式儲存在父執行輸出中，這可以重複使用以產生相同的特徵化數據集，在實驗執行期間使用
    • 支援在 get_primary_metrics API 中取得預測工作的主要計量。
    • 將 v2 評分腳本中的第二個選擇性參數重新命名為 GlobalParameters
  • azureml-automl-dnn-vision
    • 已在計量 UI 中新增評分計量
  • azureml-automl-runtime
    • 修正 NimbusML 模型的演算法名稱可能會在 ML Studio 上或控制台輸出上顯示為空字串的情況錯誤修正。
  • azureml-core
    • 已在 azureml.core.webservice.aks.AksWebservice.deploy_configuration 中新增參數blobfuse_enabled。 當此參數為 true 時，會使用 blobfuse 下載模型和評分檔案，而不是 Blob 記憶體 API。
  • azureml-interpret
    • 已更新 azureml-interpret 以解譯社群 0.24.0
    • 在 azureml-interpret 更新評分說明工具中，使用疏鬆 TreeExplainer 支援最新版本的 lightgbm
    • 更新 azureml-interpret 以解譯社群 0.23.*
  • azureml-pipeline-core
    • 在pipelinedata中新增附注，建議使用者改用管線輸出數據集。
  • azureml-pipeline-steps
    • 將 新增 environment_variables 至 ParallelRunConfig，運行時間環境變數可由此參數傳遞，而且會在執行使用者腳本的程式上設定。
  • azureml-train-automl-client
    • AutoML 中的 Tabnet 回歸輸入器和 Tabnet 分類器支援
  • azureml-train-automl-runtime
    • 將數據轉換程式儲存在父執行輸出中，這可以重複使用以產生相同的特徵化數據集，在實驗執行期間使用
  • azureml-train-core
    • 啟用 Hyperdrive 中貝氏優化早期終止的支援
    • Bayesian 和 GridParameterSampling 物件現在可以傳遞屬性

2021-12-13

適用於 Python v1.37.0 的 Azure 機器學習 SDK

  • 重大變更

    • azureml-core
      • 從 1.37.0 版開始，Azure 機器學習 SDK 會使用 MSAL 作為基礎驗證連結庫。 MSAL 使用 Azure Active Directory （Azure AD） v2.0 驗證流程來提供更多功能，並增加令牌快取的安全性。 如需詳細資訊，請參閱 Microsoft 驗證程式庫 (MSAL) 概觀。
      • 將 AML SDK 相依性更新為最新版的適用於 Python 的 Azure 資源管理客戶端連結庫（azure-mgmt-resource>=15.0.0,20.0.0<），並採用 track2 SDK。
      • 從 1.37.0 版開始，azure-ml-cli 擴充功能應該與最新版的 Azure CLI >=2.30.0 相容。
      • 在管線中使用 Azure CLI 時，例如 Azure DevOps，請確定所有工作/階段都針對 MSAL 型 Azure CLI 使用 v2.30.0 以上的 Azure CLI 版本。 Azure CLI 2.30.0 與舊版不相容，在使用不相容的版本時擲回錯誤。 若要搭配 Azure 機器學習 SDK 使用 Azure CLI 認證，應將 Azure CLI 安裝為 pip 套件。

  • 錯誤修正和改善

    • azureml-core
      • 已從 Kubernetes 計算的附加工作流程中移除實例類型。 實例類型現在可以直接在 Kubernetes 叢集中設定。 如需詳細資訊，請流覽 aka.ms/amlarc/doc。
    • azureml-interpret
      • 已更新 azureml-interpret to interpret-community 0.22.*
    • azureml-pipeline-steps
      • 已修正在提交具有 AutoMLStep 的管線時，可能會建立實驗「佔位符」的錯誤。
    • azureml-responsibleai
      • 將 azureml-responsibleai 和計算實例環境更新為 responsibleai 和 raiwidgets 0.15.0 版本
      • 將 azureml-responsibleai 套件更新為最新的 responsibleai 0.14.0。
    • azureml-tensorboard
      • 您現在可以使用 Tensorboard(runs, use_display_name=True) 將 TensorBoard 記錄掛接至以 命名的資料夾， run.display_name/run.id 而不是 run.id。
    • azureml-train-automl-client
      • 已修正在提交具有 AutoMLStep 的管線時，可能會建立實驗「佔位符」的錯誤。
      • 更新 AutoMLConfig test_data和test_size檔以反映預覽狀態。
    • azureml-train-automl-runtime
      • 新增了新的功能，可讓用戶傳遞具有一個唯一值的時間序列粒紋。
      • 在某些情況下，AutoML 模型可以預測 NaN。 對應至這些 NaN 預測的數據列會在測試回合中計算計量之前，從測試數據集和預測中移除。

2021-11-08

適用於 Python v1.36.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-dnn-vision
      • 清除某些錯誤訊息上的次要錯字。
    • azureml-contrib-reinforcementlearning
      • 不再支援提交使用模擬器的增強式學習執行。
    • azureml-core
      • 已新增對分割進階 Blob 的支援。
      • 不再支援為受控識別驗證指定非公用雲端。
      • 用戶可以將 AKS Web 服務移轉至由 CLI 管理的在線端點和部署（v2）。
      • Kubernetes 計算目標上定型作業的實例類型現在可以透過 RunConfiguration 屬性來設定：run_config.kubernetescompute.instance_type。
    • azureml-defaults
      • 已移除重複的相依性，例如 gunicorn 和 werkzeug
    • azureml-interpret
      • azureml-interpret 套件已更新為 0.21.* 版本的 interpret-community
    • azureml-pipeline-steps
      • 取代 MpiStep，有利於在管線中使用 CommandStep 來執行 ML 定型（包括分散式定型）。
    • azureml-train-automl-rutime
      • 更新 AutoML 模型測試預測輸出格式檔。
      • 已新增 Naive、SeasonalNaive、Average 和 SeasonalAverage 預測模型的檔字串描述。
      • 特徵化摘要現在會儲存為執行中的成品（在 outputs 資料夾下檢查名為 'featurization_summary.json' 的檔案）
      • 啟用 Tabnet Learner 的類別指標支援。
      • 將 downsample 參數新增至 automl_setup_model_explanations，讓使用者不需將此參數設定為 false，即可取得所有數據的說明。

2021-10-11

適用於 Python v1.35.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 啟用二進位計量計算
    • azureml-contrib-fairness
      • 改善失敗儀錶板下載的錯誤訊息
    • azureml-core
      • 已解決為受控識別驗證指定非公用雲端的 Bug。
      • Dataset.File.upload_directory（） 和Dataset.Tabular.register_pandas_dataframe（） 實驗旗標現已移除。
      • TabularDataset 類別的 partition_by（） 方法中，現在已移除實驗旗標。
    • azureml-pipeline-steps
      • ParallelRunConfig 類別的 參數現在已移除 partition_keys 實驗旗標。
    • azureml-interpret
      • azureml-interpret 套件已更新為 intepret-community 0.20.*
    • azureml-mlflow
      • 讓您可以使用子目錄，使用 MLflow 記錄成品和映像
    • azureml-responsibleai
      • 改善失敗儀錶板下載的錯誤訊息
    • azureml-train-automl-client
    • azureml-train-automl-runtime
      • 將 TCNForecaster 支援新增至模型測試回合。
      • 更新模型測試predictions.csv輸出格式。 輸出數據行現在包含原始目標值和傳入測試回合的功能。 這可以藉由 在 中AutoMLConfig設定 test_include_predictions_only=True 或 中的 ModelProxy.test()設定include_predictions_only=True來關閉。 如果使用者要求只包含預測，則輸出格式看起來會像 （forecasting 與回歸相同）： Classification => [predicted values] [probabilities] Regression = [predicted values] else （default）： Classification =>> [original test data labels] [predicted values] [probabilities] [features] 回歸 => [原始測試數據標籤] [predicted values] [features] 數據[predicted values]行名稱 = [label column name] + "_predicted"。 資料 [probabilities] 列名稱 = [class name] + "_predicted_proba"。 如果未將目標數據行當做測試回合的輸入傳入，則 [original test data labels] 不會在輸出中。

2021-09-07

Azure 機器學習 SDK for Python v1.34.0

  • 錯誤修正和改善
    • azureml-automl-core
      • 已新增重新準備先前定型預測管線的支援。
      • 已新增針對預測取得定型數據（樣本內預測）預測的功能。
    • azureml-automl-runtime
      • 新增支援，以從 AutoML 分類器模型的已部署端點傳回預測的機率。
      • 已為使用者新增預測選項，以指定所有預測應該是整數。
      • 已移除目標數據行名稱，成為具有 training_data_label_column_name 之本機實驗之模型說明功能名稱的一部分
      • 作為數據集輸入。
      • 已新增重新準備先前定型預測管線的支援。
      • 已新增針對預測取得定型數據（樣本內預測）預測的功能。
    • azureml-core
      • 已新增在表格式數據集中設定數據流數據行類型、掛接和下載數據流數據行的支援。
      • 新增至 Kubernetes.attach_configuration（identity_type=None、identity_ids=None）的新選擇性字段，允許附加 KubernetesCompute 與 SystemAssigned 或 UserAssigned 身分識別。 呼叫 print（compute_target） 或 compute_target.serialize（）： identity_type、identity_id、principal_id 和 tenant_id/client_id 時，會包含新的識別欄位。
    • azureml-dataprep
      • 已新增設定表格式數據集數據流數據行類型的支援。 已新增在表格式數據集中掛接和下載數據流數據行的支援。
    • azureml-defaults
      • 相依性 azureml-inference-server-http==0.3.1 已新增至 azureml-defaults。
    • azureml-mlflow
      • 新增 max_results 和 page_token 選擇性參數，以允許list_experiments API 的分頁。 如需檔，請參閱 MLflow 官方檔。
    • azureml-sdk
      • 已取代 azureml-sdk 內已淘汰套件 （azureml-train） 的相依性。
      • 將 azureml-responsibleai 新增至 azureml-sdk extras
    • azureml-train-automl-client
      • test_data在中AutoMLConfig公開 和 test_size 參數。 這些參數可用來在模型定型階段完成之後自動啟動測試回合。 測試會使用最佳模型來計算預測，併產生這些預測的計量。

2021-08-24

Azure 機器學習 測試使用者介面

  • 執行刪除
    • 執行刪除是一項新功能，可讓使用者從其工作區中刪除一或多個執行。
    • 這項功能可協助用戶藉由定期刪除UI中的執行和實驗，來降低儲存成本及管理記憶體容量。
  • Batch 取消執行
    • Batch Cancel Run 是一項新功能，可讓使用者從執行清單中選取一或多個執行來取消。
    • 這項功能可協助使用者取消多個佇列執行，並釋出叢集上的空間。

2021-08-18

Azure 機器學習 測試使用者介面

  • 執行顯示名稱
    • 執行顯示名稱是可指派給執行的新、可編輯和選擇性顯示名稱。
    • 此名稱有助於更有效率地追蹤、組織和探索執行。
    • [執行顯示名稱] 預設為adjective_noun_guid格式（範例：awesome_watch_2i3uns）。
    • 這個預設名稱可以編輯為更可自定義的名稱。 這可以從 Azure Machine Learning 工作室 使用者介面中的 [執行詳細數據] 頁面編輯。

2021-08-02

適用於 Python v1.33.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 改善 XGBoost 模型擷取的錯誤處理。
      • 已新增將預測從 float 轉換成整數的可能性，以便預測和回歸工作。
      • 已將 AutoMLConfig 中enable_early_stopping的預設值更新為 True。
    • azureml-automl-runtime
      • 已新增將預測從 float 轉換成整數的可能性，以便預測和回歸工作。
      • 已將 AutoMLConfig 中enable_early_stopping的預設值更新為 True。
    • azureml-contrib-automl-pipeline-steps
      • 階層式時間序列 （HTS） 已啟用，可透過管線預測工作。
      • 新增推斷的表格式數據集支援
      • 您可以為推斷資料指定自訂路徑
    • azureml-contrib-reinforcementlearning
      • 中的 azureml.core.environment.DockerSection 某些屬性已被取代，例如 shm_size Ray 背景工作在增強式學習作業中使用的屬性。 現在可以改為在 中 azureml.contrib.train.rl.WorkerConfiguration 指定這個屬性。
    • azureml-core
      • 已修正檔中的 ScriptRunConfig.distributed_job_config 超連結
      • Azure 機器學習 計算叢集現在可以在與工作區位置不同的位置中建立。 這適用於將閑置容量配置最大化，以及管理不同位置的配額使用率，而不需要建立更多工作區，只需使用配額，並在特定位置建立計算叢集。 如需詳細資訊，請參閱建立 Azure 機器學習 計算叢集。
      • 已將display_name新增為 Run 物件的可變名稱欄位。
      • 數據集from_files現在支援略過大型輸入數據的數據延伸模組
    • azureml-dataprep
      • 已修正to_dask_dataframe因為競爭條件而失敗的錯誤。
      • 數據集from_files現在支援略過大型輸入數據的數據延伸模組
    • azureml-defaults
      • 我們正在從 azureml-defaults 中移除相依性 azureml-model-management-sdk==1.0.1b6.post1。
    • azureml-interpret
      • 已更新 azureml-interpret to interpret-community 0.19.*
    • azureml-pipeline-core
      • 階層式時間序列 （HTS） 已啟用，可透過管線預測工作。
    • azureml-train-automl-client
      • 切換至使用 Blob 存放區在自動化 ML 中快取。
      • 階層式時間序列 （HTS） 已啟用，可透過管線預測工作。
      • 改善 XGBoost 模型擷取的錯誤處理。
      • 已將 AutoMLConfig 中enable_early_stopping的預設值更新為 True。
    • azureml-train-automl-runtime
      • 切換至使用 Blob 存放區在自動化 ML 中快取。
      • 階層式時間序列 （HTS） 已啟用，可透過管線預測工作。
      • 已將 AutoMLConfig 中enable_early_stopping的預設值更新為 True。

2021-07-06

適用於 Python v1.32.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-core
      • 在 SDK/CLI 中公開診斷工作區健康情況
    • azureml-defaults
      • 已將相依性新增 opencensus-ext-azure==1.0.8 至 azureml-defaults
    • azureml-pipeline-core
      • 已更新 AutoMLStep，以在作業提交的環境符合預設環境時使用預先建置的映像
    • azureml-responsibleai
      • 新增錯誤分析用戶端以上傳、下載和列出錯誤分析報告
      • 確定 raiwidgets 和 responsibleai 套件已同步處理版本
    • azureml-train-automl-runtime
      • 設定配置的時間，以動態搜尋各種特徵化策略，以達到整體實驗逾時的最大四分之一

2021 年 6 月 21 日

適用於 Python 的 Azure 機器學習 SDK v1.31.0

  • 錯誤修正和改善
    • azureml-core
      • 已改善環境類別上平臺屬性的檔
      • 已將預設 AML 計算節點從 120 秒縮減為 1800 秒
      • 已更新入口網站上顯示的預設疑難解答連結，以便針對失敗的執行進行疑難解答： https://aka.ms/azureml-run-troubleshooting
    • azureml-automl-runtime
      • 數據清除：在特徵化和/或模型定型之前，會捨棄 [None、 “”、“nan”， np.nan] 中具有目標值的範例
    • azureml-interpret
      • 避免在遠端 Azure 機器學習 執行時增加逾時，防止排清工作佇列錯誤
    • azureml-pipeline-core
      • 將 jar 參數新增至 synapse 步驟
    • azureml-train-automl-runtime
      • 修正高基數護欄以更符合檔

2021-06-07

適用於 Python v1.30.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-core
      • 將相 ruamel-yaml 依性釘選到 < 0.17.5，因為0.17.5已發行重大變更。
      • aml_k8s_config屬性正取代為namespace附加的 KubernetesCompute 、 default_instance_type和 instance_types 參數。
      • 工作區同步金鑰已變更為長時間執行的作業。
    • azureml-automl-runtime
      • 已修正使用巨量數據執行可能會失敗的問題 Elements of y_test cannot be NaN。
    • azureml-mlflow
      • 沒有簽章的模型 MLFlow 部署外掛程式 Bugfix。
    • azureml-pipeline-steps
      • ParallelRunConfig：更新process_count_per_node檔。
    • azureml-train-automl-runtime
      • 支援MM推斷期間自定義定義的分位數
      • 批次推斷期間支援forecast_quantiles。
    • azureml-contrib-automl-pipeline-steps
      • 支援MM推斷期間自定義定義的分位數
      • 批次推斷期間支援forecast_quantiles。

2021 年 5 月 25 日

宣佈 Azure 機器學習 的 CLI （v2）

Azure CLI 的ml擴充功能是適用於 Azure 機器學習 的下一代介面。 其可讓您從命令列進行模型的定型和部署，並有功能可讓您在追蹤模型生命週期時加速擴大資料科學。 安裝並設定 CLI （v2） 。

適用於 Python v1.29.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • 重大變更
      • 已卸除 Python 3.5 的支援。
    • azureml-automl-runtime
      • 修正了 STLFeaturizer 如果時間序列長度比季節性短而失敗的錯誤。 此錯誤以 IndexError 表示。 此案例現在會處理而不會發生錯誤，不過 STL 的季節性元件在此案例中只包含零。
    • azureml-contrib-automl-dnn-vision
      • 已新增使用檔案路徑進行批次推斷的方法。
    • azureml-contrib-gbdt
      • azureml-contrib-gbdt 套件已被取代，而且可能不會收到未來的更新，而且將會完全從散發套件中移除。
    • azureml-core
      • 更正了 Datastore.register_azure_blob_container 中參數create_if_not_exists的說明。
      • 已將範例程式代碼新增至 DatasetConsumptionConfig 類別。
      • 在 run.log（） 中新增步驟作為純量計量值的替代座標軸支援
    • azureml-dataprep
      • 將接受 _with_partition_size() 的數據分割大小限製為 2 GB
    • azureml-interpret
      • 將 azureml-interpret 更新為最新的 interpret-core 套件版本
      • 已卸除對 SHAP 0.36.0 中已被取代的 SHAP DenseData 支援。
      • 啟用 ExplanationClient 以上傳至使用者指定的數據存放區。
    • azureml-mlflow
      • 將 azureml-mlflow 移至 mlflow-skinny，以減少相依性使用量，同時維護完整的外掛程式支援
    • azureml-pipeline-core
      • PipelineParameter 程式代碼範例會在參考檔中更新，以使用正確的參數。

2021-05-10

適用於 Python v1.28.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-runtime
      • 改善 AutoML 評分腳本，使其與設計工具一致
      • 使用先知模型進行預測的修補程序錯誤，如果在舊版 SDK 上定型，則會擲回「遺漏的數據行」錯誤。
      • 已將 ARIMAX 模型新增至 AutoML SDK 的公開預測支援模型清單。 在這裡，ARIMAX 是 ARIMA 錯誤的回歸，也是 Box 和 Jenkins 所開發的傳輸函式模型的特殊案例。 如需兩種方法不同方式的討論，請參閱 ARIMAX 模型混亂。 不同於 AutoML 中使用自動產生的時間相依特徵的多重變數模型其餘部分（一天中的小時、一年中的一天等等），此模型只會使用使用者所提供的功能，並讓解譯係數變得容易。
    • azureml-contrib-dataset
      • 已更新檔描述，指出在使用掛接時應該安裝 libfuse。
    • azureml-core
      • 默認 CPU 策劃映像現在已 mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04。 預設 GPU 映像現在已 mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
      • Run.fail（） 現在已被取代，請使用 Run.tag（） 將執行標示為失敗，或使用 Run.cancel（） 將執行標示為已取消。
      • 已更新檔，請注意，掛接檔案數據集時應該安裝 libfuse。
      • 將實驗register_dask_dataframe（） 支援新增至表格式數據集。
      • 支援 DatabricksStep 搭配 Azure Blob/ADL-S 作為輸入/輸出，並公開參數permit_cluster_restart，讓客戶在需要將 i/o 存取組態新增至叢集時，決定 AML 是否可以重新啟動叢集
    • azureml-dataset-runtime
      • azureml-dataset-runtime 現在支援 pyarrow < 4.0.0 版本
    • azureml-mlflow
      • 已新增透過 MLFlow 外掛程式部署至 Azure 機器學習 的支援。
    • azureml-pipeline-steps
      • 支援 DatabricksStep 搭配 Azure Blob/ADL-S 作為輸入/輸出，並公開參數permit_cluster_restart，讓客戶在需要將 i/o 存取組態新增至叢集時，決定 AML 是否可以重新啟動叢集
    • azureml-synapse
      • 啟用 msi 驗證中的物件
    • azureml-train-automl-client
      • 已新增計算目標檔的已變更連結

2021-04-19

適用於 Python v1.27.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-core
      • 已新增透過 「AZUREML_ARTIFACTS_DEFAULT_TIMEOUT」 環境變數來覆寫成品上傳的預設逾時值的功能。
      • 已修正 ScriptRunConfig 上環境物件中的 Docker 設定不受遵守的錯誤。
      • 將數據集複製到目的地時允許分割數據集。
      • 已將自定義模式新增至 OutputDatasetConfig，以透過連結函式在管線中傳遞已建立的數據集。 這些支援增強功能，可啟用 PRS 的表格式資料分割。
      • 已將新的 KubernetesCompute 計算類型新增至 azureml-core。
    • azureml-pipeline-core
      • 將自定義模式新增至 OutputDatasetConfig，並讓使用者透過連結函式，在管線中傳遞已建立的數據集。 檔案路徑目的地支援佔位元。 這些支援啟用 PRS 表格式數據分割的增強功能。
      • 將新的 KubernetesCompute 計算類型新增至 azureml-core。
    • azureml-pipeline-steps
      • 將新的 KubernetesCompute 計算類型新增至 azureml-core。
    • azureml-synapse
      • 更新 azureml synapse 小工具中的 Spark UI URL
    • azureml-train-automl-client
      • 預測工作的 STL 特徵化工具現在會根據時間序列的頻率使用更健全的季節性偵測。
    • azureml-train-core
      • 已修正環境物件中未遵守 Docker 設定的 Bug。
      • 將新的 KubernetesCompute 計算類型新增至 azureml-core。

2021-04-05

適用於 Python v1.26.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 已修正 AutoMLStep 執行中建議使用 Naive 模型並因延隔時間或滾動視窗功能而失敗的問題。 設定目標延隔時間或目標滾動視窗大小時，不建議使用這些模型。
      • 提交 AutoML 執行時，已變更控制台輸出，以顯示執行的入口網站連結。
    • azureml-core
      • 已在檔案中新增 HDFS 模式。
      • 已新增支援，以瞭解以 glob 結構為基礎的檔案數據集分割區。
      • 已新增與 Azure 機器學習 Workspace 相關聯的更新容器登錄支援。
      • DockerSection 下已淘汰的環境屬性 - “enabled”、“shared_volume” 和 “arguments” 是 RunConfiguration 中 DockerConfiguration 的一部分。
      • 已更新管線 CLI 複製檔
      • 已更新入口網站 URI 以包含租使用者以進行驗證
      • 已從執行 URI 中移除實驗名稱，以避免重新導向
      • 已更新實驗URO以使用實驗標識碼。
      • 使用 Azure 機器學習 CLI 連結遠端計算的錯誤修正。
      • 已更新入口網站 URI 以包含租使用者以進行驗證。
      • 已更新實驗 URI 以使用實驗識別碼。
    • azureml-interpret
      • azureml-interpret updated to use interpret-community 0.17.0
    • azureml-opendatasets
      • 輸入開始日期和結束日期類型驗證和錯誤指示，如果不是 datetime 類型。
    • azureml-parallel-run
      • [實驗性功能]如果指定，請將參數新增 partition_keys 至 ParallelRunConfig，則輸入數據集會依指定的索引鍵分割成迷你批次。 它需要分割所有輸入數據集。
    • azureml-pipeline-steps
      • Bugfix - 支援在下載時傳遞數據集組態時path_on_compute。
      • 取代 RScriptStep，以使用 CommandStep 在管線中執行 R 腳本。
      • 取代 EstimatorStep，有利於在管線中使用 CommandStep 來執行 ML 定型（包括分散式定型）。
    • azureml-sdk
      • 將 azureml-sdk 的python_requires更新為 < 3.9
    • azureml-train-automl-client
      • 提交 AutoML 執行時，已變更控制台輸出，以顯示執行的入口網站連結。
    • azureml-train-core
      • 已淘汰的 DockerSection'enabled'、'shared_volume' 和 'arguments' 属性，有利於搭配 ScriptRunConfig 使用 DockerConfiguration。
      • 使用適用於 MNIST 資料集的 Azure 開放數據集
      • Hyperdrive 錯誤訊息已更新。

2021-03-22

適用於 Python v1.25.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 提交 AutoML 執行時，已變更控制台輸出，以顯示執行的入口網站連結。
    • azureml-core
      • 開始支援在 SDK 和 CLI 中更新工作區的容器登錄
      • 已淘汰的 DockerSection'enabled'、'shared_volume' 和 'arguments' 属性，有利於搭配 ScriptRunConfig 使用 DockerConfiguration。
      • 已更新管線 CLI 複製檔
      • 已更新入口網站 URI 以包含租使用者以進行驗證
      • 已從執行 URI 中移除實驗名稱，以避免重新導向
      • 已更新實驗URO以使用實驗標識碼。
      • 使用 az CLI 附加遠端計算的錯誤修正
      • 已更新入口網站 URI 以包含租使用者以進行驗證。
      • 已新增支援，以瞭解以 glob 結構為基礎的檔案數據集分割區。
    • azureml-interpret
      • azureml-interpret updated to use interpret-community 0.17.0
    • azureml-opendatasets
      • 輸入開始日期和結束日期類型驗證和錯誤指示，如果不是 datetime 類型。
    • azureml-pipeline-core
      • Bugfix - 支援在下載時傳遞數據集組態時path_on_compute。
    • azureml-pipeline-steps
      • Bugfix - 支援在下載時傳遞數據集組態時path_on_compute。
      • 取代 RScriptStep，以使用 CommandStep 在管線中執行 R 腳本。
      • 取代 EstimatorStep，有利於在管線中使用 CommandStep 來執行 ML 定型（包括分散式定型）。
    • azureml-train-automl-runtime
      • 提交 AutoML 執行時，已變更控制台輸出，以顯示執行的入口網站連結。
    • azureml-train-core
      • 已淘汰的 DockerSection'enabled'、'shared_volume' 和 'arguments' 属性，有利於搭配 ScriptRunConfig 使用 DockerConfiguration。
      • 使用適用於 MNIST 資料集的 Azure 開放數據集
      • Hyperdrive 錯誤訊息已更新。

2021-03-31

Azure Machine Learning 工作室 筆記本體驗 （3 月更新）

  • 新功能

    • 轉譯 CSV/TSV。 用戶能夠以網格線格式轉譯和 TSV/CSV 檔案，以方便數據分析。
    • 計算實例的 SSO 驗證。 用戶現在可以直接在 Notebook UI 中直接驗證任何新的計算實例，讓您更輕鬆地在 Azure 機器學習 中驗證和使用 Azure SDK。
    • 計算實例計量。 用戶能夠透過終端機檢視計算計量，例如 CPU 使用量和記憶體。
    • 檔案詳細數據。 用戶現在可以按下檔案旁邊的三個點，查看檔案詳細數據，包括上次修改的時間和檔案大小。

  • 錯誤修正和改善

    • 已改善頁面載入時間。
    • 提升的效能。
    • 改善速度和核心可靠性。
    • 藉由永久向上移動 Notebook 檔案窗格來取得垂直房地產。
    • 連結現在可在終端機中按兩下
    • 改善 Intellisense 效能

2021-03-08

適用於 Python v1.24.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 已從 azureml.automl.core.shared移除回溯相容匯入。 從 匯入 ，即可解決azureml.automl.runtime.shared命名空間中azureml.automl.core.shared找不到模組的錯誤。
    • azureml-contrib-automl-dnn-vision
      • 公開的物件偵測 yolo 模型。
    • azureml-contrib-dataset
      • 已新增功能，以依數據行值篩選表格式數據集，以及依元數據篩選檔案數據集。
    • azureml-contrib-fairness
      • 在轉輪中包含 JSON 架構 azureml-contrib-fairness
    • azureml-contrib-mir
      • 當部署模型時，將show_output設定為 True 時，會在將要求傳送至伺服器之前重新執行推斷組態和部署組態。
    • azureml-core
      • 已新增功能，以依數據行值篩選表格式數據集，以及依元數據篩選檔案數據集。
      • 先前，使用者可能會為 ComputeTarget 建立布建設定，但不符合字段的密碼強度需求 admin_user_password （也就是說，他們必須包含至少 3 個下列專案：一個小寫字母、一個大寫字母、一位數，以及下列集合中的一個特殊字元： \`~!@#$%^&*()=+_[]{}|;:./'",<>?）。 如果使用者以弱式密碼建立組態，並使用該組態執行作業，則作業會在運行時間失敗。 現在，呼叫 AmlCompute.provisioning_configuration 會 ComputeTargetException 擲回 ，並顯示說明密碼強度需求的隨附錯誤訊息。
      • 此外，在某些情況下，也可以指定具有負數最大節點的組態。 無法再執行這項操作。 現在，如果自變數是負整數， AmlCompute.provisioning_configurationmax_nodes則擲回 ComputeTargetException 。
      • 當部署模型時，將show_output設定為 True 時，會顯示推斷組態和部署組態。
      • 當等候模型部署完成時，將 show_output 設定為 True，就會顯示部署作業的進度。
      • 允許客戶透過環境變數指定 Azure 機器學習 驗證組態目錄：AZUREML_AUTH_CONFIG_DIR
      • 先前，建立布建組態的節點計數下限小於節點計數上限。 作業會在運行時間執行，但在運行時間失敗。 此 Bug 現已修正。 如果您現在嘗試使用 min_nodes < max_nodes SDK 建立佈建組態會 ComputeTargetException引發 。
    • azureml-interpret
      • 修正說明儀錶板未顯示疏鬆工程說明的匯總功能重要性
      • azureml-interpret 套件中 ExplanationClient 的優化記憶體使用量
    • azureml-train-automl-client
      • 已修正使用spark執行時，show_output=False 將控制權傳回給使用者。

2021-02-28

Azure Machine Learning 工作室 筆記本體驗 （2 月更新）

  • 新功能

    • 原生終端機（GA）。 用戶現在可透過整合式終端機存取整合式終端機和 Git 作業。
    • 筆記本代碼段 （預覽）。 常見的 Azure 機器學習 程式代碼摘錄現在可供指尖使用。 流覽至代碼段面板、可透過工具列存取，或使用 Ctrl + 空格啟動代碼段功能表。
    • 鍵盤快捷方式。 與 Jupyter 中可用的鍵盤快捷方式完全同位。
    • 指出儲存格參數。 顯示筆記本中的哪些儲存格是參數數據格，而且可以在計算實例上透過 Papermill 執行參數化筆記本。
    • 終端機和核心會話管理員：用戶可以管理在其計算上執行的所有核心和終端機會話。
    • 共用按鈕。 用戶現在可以在 Notebook 檔案總管中共用任何檔案，方法是以滑鼠右鍵按鍵按下檔案並使用 [共用] 按鈕。

  • 錯誤修正和改善

    • 已改善頁面載入時間
    • 提升效能
    • 改善速度和核心可靠性
    • 已新增旋轉滾輪以顯示所有進行中的 計算實例作業進度。
    • 以滑鼠右鍵按兩下 檔案總管。 以滑鼠右鍵按下任何檔案現在會開啟檔案作業。

2021 年 2 月 16 日

適用於 Python v1.23.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-core
      • [實驗性功能]將 Synapse 工作區連結至 AML 作為連結服務的支援
      • [實驗性功能]將支援新增將 synapse spark 集區附加至 AML 作為計算
      • [實驗性功能]新增身分識別型數據存取的支援。 用戶可以註冊數據存放區或數據集，而不需要提供認證。 在這種情況下，使用者的 Azure AD 令牌或計算目標的受控識別會用於驗證。 若要深入瞭解，請參閱使用身分識別型數據存取來 連線 儲存體。
    • azureml-pipeline-steps
      • [實驗性功能]新增 SynapseSparkStep 的支援
    • azureml-synapse
      • [實驗性功能]新增spark magic的支援，以在 synapse spark 集區中執行互動式會話。
  • 錯誤修正和改善
    • azureml-automl-runtime
      • 在此更新中，我們已將 holt winters 指數平滑新增至 AutoML SDK 的預測工具箱。 假設有時間序列，AICc 會選取 最佳模型（更正 Akaike 的資訊準則）， 並傳回。
      • AutoML 現在會產生兩個記錄檔，而不是一個記錄檔。 記錄語句會根據記錄語句產生的進程，移至其中一個或另一個。
      • 使用交叉驗證在模型定型期間移除不必要的範例內預測。 在某些情況下，這可能會減少模型定型時間，尤其是時間序列預測模型。
    • azureml-contrib-fairness
      • 新增 dashboardDictionary 上傳的 JSON 架構。
    • azureml-contrib-interpret
      • azureml-contrib-interpret README 已更新，以反映自 10 月以來已被取代之後，將在下一次更新中移除該套件，請改用 azureml-interpret 套件
    • azureml-core
      • 先前，建立布建組態的節點計數下限小於節點計數上限。 這個問題已獲得修正。 如果您現在嘗試使用 min_nodes < max_nodes SDK 建立佈建組態，將會引發 ComputeTargetException。
      • 修正 AmlCompute 中wait_for_completion的錯誤，導致函式在作業實際完成之前傳回控制流程
      • Run.fail（） 現在已被取代，請使用 Run.tag（） 將執行標示為失敗，或使用 Run.cancel（） 將執行標示為已取消。
      • 當提供的環境名稱不是字串時，顯示錯誤訊息「環境名稱預期 str， {} 找到」。
    • azureml-train-automl-client
      • 已修正防止在 Azure Databricks 叢集上執行的 AutoML 實驗取消的錯誤。

2021 年 2 月 9 日

Azure 機器學習 SDK for Python v1.22.0

  • 錯誤修正和改善
    • azureml-automl-core
      • 已修正將額外的 pip 相依性新增至 conda yml 檔案中用於視覺模型的 Bug。
    • azureml-automl-runtime
      • 修正了傳統預測模型（例如 AutoArima）可以接收定型數據的錯誤，其中含有插補目標值的數據列不存在。 這違反了這些模型的數據合約。 * 已修正時間序列延遲運算符中出現延遲行為的各種 Bug。 先前，延遲發生作業並未正確標記所有插補的數據列，因此不一定會產生正確的發生延遲值。 也修正了延隔運算符與滾動視窗運算符之間具有延遲發生行為之間的一些相容性問題。 這之前導致滾動視窗運算符從定型數據中卸除某些數據列，否則應該使用。
    • azureml-core
      • 新增物件對令牌驗證的支援。
      • 新增 process_count 至 PyTorchConfiguration 以支援多進程多節點 PyTorch 作業。
    • azureml-pipeline-steps

      • CommandStep 現在正式運作，不再實驗性。

      • ParallelRunConfig：新增自變數allowed_failed_count，並allowed_failed_percent來檢查迷你批次層級上的錯誤臨界值。 錯誤臨界值現在有三種類型：

        • error_threshold - 允許的失敗迷你批次項目數目;
        • allowed_failed_count - 允許的失敗迷你批次數目;
        • allowed_failed_percent - 允許的迷你批次百分比。

        如果超過其中任何作業，作業就會停止。 需要error_threshold才能保持回溯相容性。 將值設定為 -1 以忽略它。

      • 已修正 AutoMLStep 名稱中的空格符處理。

      • HyperDriveStep 現在支援 ScriptRunConfig

    • azureml-train-core
      • 從 ScriptRun 叫用的 HyperDrive 執行現在會被視為子執行。
      • 新增 process_count 至 PyTorchConfiguration 以支援多進程多節點 PyTorch 作業。
    • azureml-widgets
      • 新增 Widget ParallelRunStepDetails 以將 ParallelRunStep 的狀態可視化。
      • 可讓使用者在平行座標圖上查看座標軸，以顯示對應至每個子回合之每組超參數的計量值。

2021-01-31

Azure Machine Learning 工作室 筆記本體驗 （1 月更新）

  • 新功能

    • Azure 機器學習 中的原生 Markdown 編輯器。 用戶現在可以在 Azure 機器學習 Studio 中原生轉譯和編輯 Markdown 檔案。
    • 文稿的執行按鈕 （.py， 。R 和 .sh ） 。 用戶現在可以輕鬆地在 Azure 機器學習 中執行 Python、R 和 Bash 腳本
    • 變數總管。 探索快顯面板中變數和數據框架的內容。 用戶可以輕鬆地檢查數據類型、大小和內容。
    • 目錄。 流覽至筆記本的區段，以 Markdown 標頭表示。
    • 將筆記本導出為 Latex/HTML/Py。 匯出至 LaTex、HTML 或 .py，以建立容易共用的筆記本檔案
    • Intellicode。 ML 提供增強 的智慧型手機自動完成體驗。

  • 錯誤修正和改善

    • 已改善頁面載入時間
    • 提升效能
    • 改善速度和核心可靠性

2021-01-25

適用於 Python v1.21.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • 已修正搭配 UserAssigned Identity 使用 AmlCompute 時的 CLI 說明文字
    • azureml-contrib-automl-dnn-vision
      • 針對 AutoML 視覺執行，部署和下載按鈕會變成可見，而且模型可以部署或下載，類似於其他 AutoML 執行。 有兩個新檔案（scoring_file_v_1_0_0.py和conda_env_v_1_0_0.yml），其中包含要執行推斷的腳本，以及用來重新建立 conda 環境的 yml 檔案。 'model.pth' 檔案也已重新命名為使用 '.pt' 擴展名。
    • azureml-core
      • azure-cli-ml 的 MSI 支援
      • 使用者指派的受控識別支援。
      • 透過這項變更，客戶應該能夠提供使用者指派的身分識別，以用來從客戶密鑰保存庫擷取密鑰以供待用加密。
      • 修正大型檔案配置檔的row_count=0 - 修正空格填補分隔值的雙重轉換錯誤
      • 拿掉輸出資料集 GA 的實驗旗標
      • 更新有關如何擷取特定模型版本的檔
      • 允許在私人連結中更新混合模式存取的工作區
      • 修正以移除數據存放區上的另一個註冊以繼續執行功能
      • 已新增 CLI/SDK 支援以更新工作區的主要使用者指派身分識別
    • azureml-interpret
      • 已更新 azureml-interpret to interpret-community 0.16.0
      • azureml-interpret 中說明用戶端的記憶體優化
    • azureml-train-automl-runtime
      • 已啟用ADB執行的串流
    • azureml-train-core
      • 修正以移除數據存放區上的另一個註冊以繼續執行功能
    • azureml-widgets
      • 客戶不應該使用小工具看到現有執行數據視覺效果的變更，而且現在如果他們選擇性地使用條件式超參數，則獲得支援。
      • 用戶執行小工具現在包含執行為何處於佇列狀態的詳細說明。

2021-01-11

適用於 Python v1.20.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • framework_version在OptimizationConfig中新增。 當模型向 Framework MULTI 註冊時，會使用它。
    • azureml-contrib-optimization
      • framework_version在OptimizationConfig中新增。 當模型向 Framework MULTI 註冊時，會使用它。
    • azureml-pipeline-steps
      • CommandStep 簡介，其會採用命令來處理。 命令可以包含可執行檔、殼層命令、腳本等。
    • azureml-core
      • 現在建立工作區支持使用者指派的身分識別。 從 SDK/CLI 新增 uai 支援
      • 已修正 service.reload（） 在本機部署中挑選 score.py 變更的問題。
      • run.get_details() 有一個名為 「submittedBy」 的額外字段，其會顯示此回合的作者名稱。
      • 已編輯 Model.register 方法檔，以提及如何直接從執行註冊模型
      • 已修正 IOT-Server 連線狀態變更處理問題。

2020-12-31

Azure Machine Learning 工作室 筆記本體驗 （12 月更新）

  • 新功能

    • 用戶檔名搜尋。 用戶現在可以搜尋儲存在工作區中的所有檔案。
    • 每個 Notebook 儲存格的 Markdown 並排支援。 在筆記本數據格中，用戶現在可以選擇並排檢視轉譯的 Markdown 和 Markdown 語法。
    • 單元格狀態列。 狀態列會指出程式代碼數據格在哪個狀態、數據格執行是否成功，以及執行所花費的時間長度。

  • 錯誤修正和改善

    • 已改善頁面載入時間
    • 提升效能
    • 改善速度和核心可靠性

2020-12-07

適用於 Python v1.19.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 已將測試數據的實驗性支援新增至 AutoMLStep。
      • 已新增測試集擷取功能的初始核心實作。
      • 將 sklearn.externals.joblib 的參考移至直接相依於 joblib。
      • 引進新的 AutoML 工作類型「image-instance-分割」。
    • azureml-automl-runtime
      • 已新增測試集擷取功能的初始核心實作。
      • 當文字數據行中的所有字串長度完全相同一個字元時，TfIdf 文字-gram 特徵化程式無法運作，因為其Tokenizer會忽略少於兩個字元的字串。 目前的程式代碼變更可讓 AutoML 處理此使用案例。
      • 引進新的 AutoML 工作類型「image-instance-分割」。
    • azureml-contrib-automl-dnn-nlp
      • 新 dnn-nlp 套件的初始 PR
    • azureml-contrib-automl-dnn-vision
      • 引進新的 AutoML 工作類型「image-instance-分割」。
    • azureml-contrib-automl-pipeline-steps
      • 這個新套件負責建立許多模型定型/推斷案例所需的步驟。 - 它也會將定型/推斷程式代碼移至 azureml.train.automl.runtime 套件，以便透過策劃的環境版本自動提供任何未來的修正程式。
    • azureml-contrib-dataset
      • 引進新的 AutoML 工作類型「image-instance-分割」。
    • azureml-core
      • 已新增測試集擷取功能的初始核心實作。
      • 修正 azureml-core 套件中檔的 xref 警告
      • SDK 中命令支援功能的檔案字串修正
      • 將命令屬性新增至 RunConfiguration。 此功能可讓使用者透過 Azure 機器學習 SDK 在計算上執行實際的命令或可執行檔。
      • 用戶可以刪除空白實驗，因為該實驗的標識符。
    • azureml-dataprep
      • 已新增使用 Scala 2.12 建置之 Spark 的數據集支援。 這會新增至現有的 2.11 支援。
    • azureml-mlflow
      • AzureML-MLflow 會在遠端腳本中新增安全防護，以避免提前終止提交的執行。
    • azureml-pipeline-core
      • 已修正針對透過UI建立之管線端點設定預設管線的錯誤
    • azureml-pipeline-steps
      • 已將測試數據的實驗性支援新增至 AutoMLStep。
    • azureml-tensorboard
      • 修正 azureml-core 套件中檔的 xref 警告
    • azureml-train-automl-client
      • 已將測試數據的實驗性支援新增至 AutoMLStep。
      • 已新增測試集擷取功能的初始核心實作。
      • 引進新的 AutoML 工作類型「image-instance-分割」。
    • azureml-train-automl-runtime
      • 已新增測試集擷取功能的初始核心實作。
      • 修正使用 validation_size 設定來定型 AutoML 模型時，最佳 AutoML 模型的原始說明計算。
      • 將 sklearn.externals.joblib 的參考移至直接相依於 joblib。
    • azureml-train-core

      • HyperDriveRun.get_children_sorted_by_primary_metric（） 現在應該更快完成

      • 改善 HyperDrive SDK 中的錯誤處理。

      • 已取代所有估算器類別，而偏好使用 ScriptRunConfig 來設定實驗執行。 已被取代的類別包括：

        • MMLBase
        • 評估工具
        • PyTorch
        • TensorFlow
        • Chainer
        • SKLearn

      • 已淘汰使用 Nccl 和 Gloo 作為估算器類別的有效輸入類型，而偏好搭配 ScriptRunConfig 使用 PyTorchConfiguration。

      • 已淘汰 Mpi 作為估算器類別的有效輸入類型，而優先使用 MpiConfiguration 搭配 ScriptRunConfig。

      • 新增命令屬性以執行組態。 此功能可讓使用者透過 Azure 機器學習 SDK 在計算上執行實際的命令或可執行檔。

      • 已取代所有估算器類別，而偏好使用 ScriptRunConfig 來設定實驗執行。 已被取代的類別包括：+ MMLBaseEstimator + 估算器 + PyTorch + TensorFlow + Chainer + SKLearn

      • 已淘汰使用 Nccl 和 Gloo 作為估算器類別的有效輸入類型，而偏好搭配 ScriptRunConfig 使用 PyTorchConfiguration。

      • 已淘汰使用 Mpi 作為估算器類別的有效輸入類型，而偏好搭配 ScriptRunConfig 使用 MpiConfiguration。

2020-11-30

Azure Machine Learning 工作室 筆記本體驗 （11 月更新）

  • 新功能

  • 錯誤修正和改善

    • 已改善頁面載入時間
    • 提升效能
    • 改善速度和核心可靠性
    • 大型檔案上傳。 您現在可以上傳檔案 >95 mb

2020-11-09

Azure 機器學習 SDK for Python v1.18.0

  • 錯誤修正和改善
    • azureml-automl-core
      • 藉由允許將短時間序列與高斯雜訊填補，以改善時間序列的處理。
    • azureml-automl-runtime
      • 如果 DateTime 數據行具有 OutOfBoundsDatetime 值，則擲回 ConfigException
      • 藉由允許將短時間序列與高斯雜訊填補，以改善時間序列的處理。
      • 確定每個文字數據行都可以根據該文字數據行中的字串長度，搭配 n-gram 範圍使用 char-gram 轉換
      • 為使用者本機計算上執行的 AutoML 實驗提供最佳模式的原始功能說明
    • azureml-core
      • 釘選套件：pyjwt 以避免在即將發行的版本中提取中斷。
      • 如果這類實驗存在或新的實驗，建立實驗會傳回具有相同指定名稱的作用中或最後一個封存實驗。
      • 依名稱呼叫get_experiment會傳回具有該指定名稱的作用中或最後一個封存實驗。
      • 用戶無法在重新啟用實驗時重新命名實驗。
      • 已改善錯誤訊息，以在數據集錯誤傳遞至實驗時包含潛在修正程式（例如 ScriptRunConfig）。
      • 已改善的檔 OutputDatasetConfig.register_on_complete ，以包含名稱已經存在時所發生之狀況的行為。
      • 指定可能與一般環境變數相撞的數據集輸入和輸出名稱，現在會產生警告
      • 註冊數據存放區時，重新 grant_workspace_access 設定參數的用途。 將它設定為 True ，以從 機器學習 Studio 存取虛擬網路後方的數據。 深入了解
      • 已精簡連結服務 API。 我們不會提供資源標識碼，而是有三個不同的參數sub_id、rg 和組態中定義的名稱。
      • 為了讓客戶能夠自行解決令牌損毀問題，請讓工作區令牌同步處理成為公用方法。
      • 這項變更可讓空字串作為script_param的值使用
    • azureml-train-automl-client
      • 藉由允許將短時間序列與高斯雜訊填補，以改善時間序列的處理。
    • azureml-train-automl-runtime
      • 如果 DateTime 數據行具有 OutOfBoundsDatetime 值，則擲回 ConfigException
      • 已新增針對使用者本機計算上執行之 AutoML 實驗的最佳模型提供原始功能說明的支援
      • 藉由允許將短時間序列與高斯雜訊填補，以改善時間序列的處理。
    • azureml-train-core
      • 這項變更可讓空字串作為script_param的值使用
    • azureml-train-restclients-hyperdrive
      • 自述檔已變更以提供更多內容
    • azureml-widgets
      • 將字串支援新增至 widget 的圖表/平行座標連結庫。

2020-11-05

影像實體分割的資料標記 （多邊形註釋） （預覽）

數據標記中的影像實例分割（多邊形批註）項目類型現已可供使用，因此使用者可以在影像中對象的輪廓周圍繪製及標註多邊形。 用戶可以將類別和多邊形指派給影像內感興趣的每個物件。

深入瞭解 影像實例分割標籤。

2020-10-26

適用於 Python v1.17.0 的 Azure 機器學習 SDK

  • 新範例
  • 錯誤修正和改善
    • azureml-automl-core
      • 已修正get_output可能會引發 XGBoostError 的問題。
    • azureml-automl-runtime
      • AutoML 所建立的時間/行事曆型功能現在具有前置詞。
      • 已修正針對已啟用大量類別和子取樣的分類數據集，在 StackEnsemble 定型期間發生的 IndexError。
      • 修正了重新學習模型之後 VotingRegressor 預測可能不正確的問題。
    • azureml-core
      • 更多有關 AKS 部署組態與 Azure Kubernetes Service 概念之間關聯性的詳細數據。
      • 環境用戶端標籤支援。 使用者可以標記環境，並依標籤標加以參考。
    • azureml-dataprep
      • 搭配 Scala 2.12 使用目前不支援的 Spark 時，更好的錯誤訊息。
    • azureml-explain-model
      • azureml-explain-model 套件已正式淘汰
    • azureml-mlflow
      • 已針對未正確處理完成狀態的 azureml 後端，解決 mlflow.projects.run 中的 Bug。
    • azureml-pipeline-core
      • 新增支援，以建立、列出和取得以一個管線端點為基礎的管線排程。
      • 使用無效的使用範例改善PipelineData.as_dataset的檔 - 使用PipelineData.as_dataset現在會導致擲回 ValueException
      • 已變更 HyperDriveStep 管線筆記本，以在 HyperDriveStep 執行之後直接在 PipelineStep 中註冊最佳模型。
    • azureml-pipeline-steps
      • 已變更 HyperDriveStep 管線筆記本，以在 HyperDriveStep 執行之後直接在 PipelineStep 中註冊最佳模型。
    • azureml-train-automl-client
      • 已修正get_output可能會引發 XGBoostError 的問題。

Azure Machine Learning 工作室 筆記本體驗 （10 月更新）

2020-10-12

適用於 Python v1.16.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • AKSWebservice 和 AKSEndpoints 現在支援 Pod 層級 CPU 和記憶體資源限制。 在適用的 CLI 呼叫中設定 --cpu-cores-limit 和 --memory-gb-limit 旗標，即可使用這些選擇性限制
    • azureml-core
      • 釘選 azureml-core 直接相依性的主要版本
      • AKSWebservice 和 AKSEndpoints 現在支援 Pod 層級 CPU 和記憶體資源限制。 Kubernetes 資源和限制的詳細資訊
      • 已更新 run.log_table，以允許記錄個別的數據列。
      • 已新增靜態方法 Run.get(workspace, run_id) ，只使用工作區擷取執行
      • 已新增實例方法 Workspace.get_run(run_id) 以擷取工作區內的執行
      • 執行組態中的命令屬性簡介，可讓使用者提交命令，而不是腳本和自變數。
    • azureml-interpret
      • 已修正說明用戶端is_raw azureml-interpret 中的旗標行為
    • azureml-sdk
      • azureml-sdk 正式支援 Python 3.8。
    • azureml-train-core
      • 新增 TensorFlow 2.3 策展環境
      • 執行組態中的命令屬性簡介，可讓使用者提交命令，而不是腳本和自變數。
    • azureml-widgets
      • 腳本執行小工具重新設計的介面。

2020-09-28

適用於 Python v1.15.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-contrib-interpret
      • LIME 解釋器已從 azureml-contrib-interpret 移至 interpret-community 套件，並從 azureml-contrib-interpret 套件中移除 image explainer
      • 已從 azureml-contrib-interpret 套件中移除視覺效果儀錶板、說明用戶端移至 azureml-interpret 套件，並在 azureml-contrib-interpret 套件和筆記本中淘汰，以反映改良的 API
      • 修正 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 套件描述
    • azureml-contrib-notebook
      • 將nbcovert相依性釘選為 < 6，使紙廠1.x繼續運作。
    • azureml-core
      • 已將參數新增至 TensorflowConfiguration 和 MpiConfiguration 建構函式，以啟用更精簡的類別屬性初始化，而不需要使用者設定每個個別屬性。 已新增 PyTorchConfiguration 類別，以在 ScriptRunConfig 中設定分散式 PyTorch 作業。
      • 釘選 azure-mgmt-resource 版本以修正驗證錯誤。
      • 支援 Triton 無程式代碼部署
      • 在互動式案例中使用 執行時，現在會追蹤Run.start_logging（） 中指定的目錄。 在呼叫 Run.complete（） 時，ML Studio 上可以看到追蹤的檔案
      • 現在可以使用 和 Dataset.Tabular.from_json_lines_files 傳遞 encoding 自變數，在建立數據集Dataset.Tabular.from_delimited_files期間指定檔案編碼。 支援的編碼方式為 'utf8'、'iso88591'、'latin1'、'ascii'、utf16'、'utf32'、'utf8bom' 和 'windows1252'。
      • 當環境物件未傳遞至 ScriptRunConfig 建構函式時，錯誤修正。
      • 已更新 Run.cancel（） 以允許從另一部電腦取消本機執行。
    • azureml-dataprep
      • 已修正數據集掛接逾時問題。
    • azureml-explain-model
      • 修正 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 套件描述
    • azureml-interpret
      • 已從 azureml-contrib-interpret 套件中移除視覺效果儀錶板、說明用戶端移至 azureml-interpret 套件，並在 azureml-contrib-interpret 套件和筆記本中淘汰，以反映改良的 API
      • azureml-interpret 套件更新為相依於 interpret-community 0.15.0
      • 修正 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 套件描述
    • azureml-pipeline-core
      • 已修正當系統在呼叫 name 參數設定為既有數據集名稱時register_on_complete，系統可能會停止回應的管線問題OutputFileDatasetConfig。
    • azureml-pipeline-steps
      • 已移除過時的 databricks 筆記本。
    • azureml-tensorboard
      • 修正 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 套件描述
    • azureml-train-automl-runtime
      • 已從 azureml-contrib-interpret 套件中移除視覺效果儀錶板、說明用戶端移至 azureml-interpret 套件，並在 azureml-contrib-interpret 套件和筆記本中淘汰，以反映改良的 API
    • azureml-widgets
      • 已從 azureml-contrib-interpret 套件中移除視覺效果儀錶板、說明用戶端移至 azureml-interpret 套件，並在 azureml-contrib-interpret 套件和筆記本中淘汰，以反映改良的 API

2020-09-21

適用於 Python v1.14.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善

    • azure-cli-ml

      • 已從 SDK 移除方格分析，且不再受到支援。

    • azureml-accel-models

      • azureml-accel-models 套件現在支援 TensorFlow 2.x

    • azureml-automl-core

      • 已針對本機版本的 pandas/sklearn 不符合定型期間所使用的錯誤處理，在 get_output 中新增錯誤處理

    • azureml-automl-runtime

      • 已修正 AutoArima 反覆項目會失敗並出現 PredictionException 和訊息：「預測期間發生無訊息失敗」的錯誤。

    • azureml-cli-common

      • 已從 SDK 移除方格分析，且不再受到支援。

    • azureml-contrib-server

      • 更新 pypi 概觀頁面套件的描述。

    • azureml-core

      • 已從 SDK 移除方格分析，不再受到支援。
      • 減少工作區擷取失敗時的錯誤訊息數目。
      • 擷取元數據失敗時不要顯示警告
      • 新的 Kusto 步驟和 Kusto 計算目標。
      • 更新 sku 參數的檔。 在 CLI 和 SDK 中移除工作區更新功能的 SKU。
      • 更新 pypi 概觀頁面套件的描述。
      • 已更新 Azure 機器學習 環境的檔。
      • 在 SDK 中公開 AML 工作區的服務受控資源設定。

    • azureml-dataprep

      • 啟用數據集掛接檔案的執行許可權。

    • azureml-mlflow

      • 已更新 Azure 機器學習 MLflow 檔和筆記本範例
      • 使用 Azure 機器學習 後端的新 MLflow 項目支援
      • MLflow 模型登錄支援
      • 已新增 Azure RBAC 對 AzureML-MLflow 作業的支援

    • azureml-pipeline-core

      • 已改善 PipelineOutputFileDataset.parse_* 方法的檔。
      • 新的 Kusto 步驟和 Kusto 計算目標。
      • 提供管線端點實體的 Swaggerurl 屬性，讓使用者可以看到已發佈管線端點的架構定義。

    • azureml-pipeline-steps

      • 新的 Kusto 步驟和 Kusto 計算目標。

    • azureml-telemetry

      • 更新 pypi 概觀頁面套件的描述。

    • azureml-train

      • 更新 pypi 概觀頁面套件的描述。

    • azureml-train-automl-client

      • 已針對本機版本的 pandas/sklearn 不符合定型期間所使用的錯誤處理，在 get_output 中新增錯誤處理

    • azureml-train-core

      • 更新 pypi 概觀頁面套件的描述。

2020-08-31

適用於 Python v1.13.0 的 Azure 機器學習 SDK

  • 預覽功能

    • azureml-core 使用新的輸出數據集功能，您可以回寫至雲端記憶體，包括 Blob、ADLS Gen 1、ADLS Gen 2 和 FileShare。 您可以設定輸出資料的位置、如何輸出資料（透過掛接或上傳），是否要註冊輸出數據以供日後重複使用和共用，並在管線步驟之間順暢地傳遞元數據。 這可讓重現性、共用、防止重複數據，併產生成本效益和生產力提升。 瞭解如何使用它

  • 錯誤修正和改善

    • azureml-automl-core
      • 已新增 validated_{platform}_requirements.txt 檔案，以便釘選 AutoML 的所有 pip 相依性。
      • 此版本支援大於 4 Gb 的模型。
      • 已升級的 AutoML 相依性： scikit-learn （現在為 0.22.1）、 pandas （現在為 0.25.1）、 numpy （現在為 1.18.2）。
    • azureml-automl-runtime
      • 將 horovod 設定為文字 DNN 一律使用 fp16 壓縮。
      • 此版本支援大於 4 Gb 的模型。
      • 已修正 AutoML 因 ImportError 而失敗的問題：無法匯入名稱 RollingOriginValidator。
      • 已升級的 AutoML 相依性： scikit-learn （現在為 0.22.1）、 pandas （現在為 0.25.1）、 numpy （現在為 1.18.2）。
    • azureml-contrib-automl-dnn-forecasting
      • 已升級的 AutoML 相依性： scikit-learn （現在為 0.22.1）、 pandas （現在為 0.25.1）、 numpy （現在為 1.18.2）。
    • azureml-contrib-fairness
      • 提供 azureml-contrib-fairness 的簡短描述。
    • azureml-contrib-pipeline-steps
      • 已新增訊息，指出此套件已被取代，且用戶應該改用 azureml-pipeline-steps。
    • azureml-core
      • 已新增工作區的清單索引鍵命令。
      • 在工作區 SDK 和 CLI 中新增標記參數。
      • 已修正使用數據集提交子執行失敗的 TypeError: can't pickle _thread.RLock objectsBug。
      • 為 Model list（） 新增page_count預設/檔。
      • 修改 CLI&SDK 以採用 adbworkspace 參數，並新增工作區 adb lin/unlink runner。
      • 修正 Dataset.update 中導致更新最新數據集版本的 Bug，而不是呼叫數據集更新的版本。
      • 修正 Dataset.get_by_name中的錯誤，即使擷取特定舊版，也會顯示最新數據集版本的標籤。
    • azureml-interpret
      • 已新增機率輸出，以根據原始解釋器中的shap_values_output參數，在 azureml 解譯中塑造評分解釋器。
    • azureml-pipeline-core
      • 改善 PipelineOutputAbstractDataset.register的檔。
    • azureml-train-automl-client
      • 已升級的 AutoML 相依性： scikit-learn （現在為 0.22.1）、 pandas （現在為 0.25.1）、 numpy （現在為 1.18.2）。
    • azureml-train-automl-runtime
      • 已升級的 AutoML 相依性： scikit-learn （現在為 0.22.1）、 pandas （現在為 0.25.1）、 numpy （現在為 1.18.2）。
    • azureml-train-core
      • 用戶現在必須在建立 HyperDriveConfig 時提供有效的hyperparameter_sampling自變數。 此外，已編輯 HyperDriveRunConfig 的檔，以通知使用者已淘汰 HyperDriveRunConfig。
      • 將 PyTorch 預設版本還原為 1.4。
      • 新增 PyTorch 1.6 和 TensorFlow 2.2 映射和策展環境。

Azure Machine Learning 工作室 筆記本體驗 （8 月更新）

  • 新功能

    • 新的開始使用登陸頁面

  • 預覽功能

    • 在筆記本中收集功能。 透過「收集」功能，用戶現在可以輕鬆地使用 來清除筆記本，Gather 會使用您筆記本的自動化相依性分析，確保保留必要的程序代碼，但移除任何無關緊要的部分。

  • 錯誤修正和改善

    • 改善速度和可靠性
    • 已修正深色模式 Bug
    • 已修正輸出卷動錯誤
    • 範例搜尋現在會搜尋 Azure 機器學習 範例筆記本存放庫中所有檔案的所有內容
    • 多行 R 儲存格現在可以執行
    • 「我信任此檔案的內容」現在會在第一次自動檢查
    • 已改善衝突解決對話框，其中包含新的 [複製] 選項

2020-08-17

適用於 Python v1.12.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • 將image_name和image_label參數新增至 Model.package（） 以啟用重新命名建置的套件映像。
    • azureml-automl-core
      • 當讀取內容時修改內容時，AutoML 會從 dataprep 引發新的錯誤碼。
    • azureml-automl-runtime
      • 當數據包含遺漏值但特徵化已關閉時，已為使用者新增警示。
      • 已修正當數據包含 nan 且特徵化關閉時，子執行失敗。
      • 當讀取內容時修改內容時，AutoML 會從 dataprep 引發新的錯誤碼。
      • 已更新正規化，以預測由粒紋發生的計量。
      • 已改善在停用回溯功能時預測四分位數的計算。
      • 已修正在 AutoML 之後計算說明時的 bool 疏鬆矩陣處理。
    • azureml-core
      • 新的方法 run.get_detailed_status() 現在會顯示目前執行狀態的詳細說明。 它目前只會顯示狀態的說明 Queued 。
      • 將image_name和image_label參數新增至 Model.package（） 以啟用重新命名建置的套件映像。
      • 一次設定整個 pip 區段CondaDependencies的新方法set_pip_requirements()。
      • 啟用註冊無認證的 ADLS Gen2 資料存放區。
      • 已改善嘗試下載或掛接不正確的數據集類型時的錯誤訊息。
      • 更新時間序列數據集篩選範例筆記本，其中包含更多提供篩選優化partition_timestamp範例。
      • 變更 sdk 和 CLI 以接受 subscriptionId、resourceGroup、workspaceName、pe 連線 ionName 作為參數，而不是刪除私人端點連線時的 ArmResourceId。
      • 實驗性裝飾項目會顯示類別名稱，以便更容易識別。
      • 模型內資產的描述不再根據執行自動產生。
    • azureml-datadrift
      • 將 DataDriftDetector 中的create_from_model API 標示為已被取代。
    • azureml-dataprep
      • 已改善嘗試下載或掛接不正確的數據集類型時的錯誤訊息。
    • azureml-pipeline-core
      • 已修正還原串行化包含已註冊數據集之管線圖形時的 Bug。
    • azureml-pipeline-steps
      • RScriptStep 支持來自 azureml.core.environment 的 RSection。
      • 已從 AutoMLStep 公用 API 移除passthru_automl_config參數，並將它轉換成僅限內部的參數。
    • azureml-train-automl-client
      • 已從 AutoML 移除本機異步受控環境。 在環境中執行的所有本機執行都是從中啟動。
      • 已修正提交 AutoML 時沒有使用者提供腳本的快照集問題。
      • 已修正當數據包含 nan 且特徵化關閉時，子執行失敗。
    • azureml-train-automl-runtime
      • 當讀取內容時修改內容時，AutoML 會從 dataprep 引發新的錯誤碼。
      • 已修正提交 AutoML 時沒有使用者提供腳本的快照集問題。
      • 已修正當數據包含 nan 且特徵化關閉時，子執行失敗。
    • azureml-train-core
      • 已新增在 pip 需求檔案中指定 pip 選項（例如--extra-index-url）的支援，該檔案會傳遞至 Estimator 透過 pip_requirements_file 參數。

2020-08-03

適用於 Python v1.11.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • 修正 CLI 模型註冊路徑中未傳入執行物件的模型架構和模型架構
      • 修正 CLI amlcompute identity show 命令以顯示租用戶標識碼和主體標識符
    • azureml-train-automl-client
      • 已將 get_best_child （） 新增至 AutoMLRun，以擷取 AutoML 執行的最佳子系執行，而不需要下載相關聯的模型。
      • 已新增 ModelProxy 物件，允許在遠端定型環境中執行預測或預測，而不需要在本機下載模型。
      • AutoML 中未處理的例外狀況現在會指向已知問題 HTTP 頁面，您可以在其中找到錯誤的詳細資訊。
    • azureml-core
      • 模型名稱長度可以是 255 個字元。
      • Environment.get_image_details（） 傳回物件類型已變更。 DockerImageDetails 類別已 dict取代 ，影像詳細數據可從新的類別屬性取得。 變更與回溯相容。
      • 修正 Environment.from_pip_requirements（） 的 Bug 以保留相依性結構
      • 已修正當 int 和 double 包含在相同清單中時，log_list會失敗的錯誤。
      • 在現有工作區上啟用私人連結時，請注意，如果有與工作區相關聯的計算目標，如果目標不是與工作區私人端點位於相同的虛擬網路後方，這些目標將無法運作。
      • 在實驗中使用數據集並將 和 as_download 新增as_mount至 FileDataset時，成為as_named_input選擇性的。 如果 as_mount 呼叫 或 as_download ，則會自動產生輸入名稱。
    • azureml-automl-core
      • AutoML 中未處理的例外狀況現在會指向已知問題 HTTP 頁面，您可以在其中找到錯誤的詳細資訊。
      • 已將 get_best_child （） 新增至 AutoMLRun，以擷取 AutoML 執行的最佳子系執行，而不需要下載相關聯的模型。
      • 已新增 ModelProxy 物件，允許在遠端定型環境中執行預測或預測，而不需要在本機下載模型。
    • azureml-pipeline-steps
      • 已將與 enable_default_metrics_output 旗標新增enable_default_model_output至 AutoMLStep。 這些旗標可用來啟用/停用默認輸出。

2020-07-20

適用於 Python v1.10.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 使用 AutoML 時，如果路徑傳遞至 AutoMLConfig 物件，而且它不存在，則會自動建立它。
      • 用戶現在可以使用 參數來指定預測工作 freq 的時間序列頻率。
    • azureml-automl-runtime
      • 使用 AutoML 時，如果路徑傳遞至 AutoMLConfig 物件，而且它不存在，則會自動建立它。
      • 用戶現在可以使用 參數來指定預測工作 freq 的時間序列頻率。
      • AutoML 預測現在支援滾動評估，其適用於測試或驗證集長度超過輸入範圍的使用案例，且已知y_pred值會當做預測內容使用。
    • azureml-core
      • 如果在執行時未從數據存放區下載任何檔案，則會列印警告訊息。
      • 已將的檔案 skip_validation 新增至 Datastore.register_azure_sql_database method。
      • 用戶必須升級至 sdk v1.10.0 或更新版本，才能建立自動核准的私人端點。 這包括 VNet 後方可使用的 Notebook 資源。
      • 在取得工作區的回應中公開 NotebookInfo。
      • 變更以列出計算目標，並在遠端執行時取得計算目標成功。 用來取得計算目標和列出工作區計算目標的 Sdk 函式現在可在遠端執行中運作。
      • 將取代訊息新增至 azureml.core.image 類別的類別描述。
      • 如果工作區私人端點建立失敗，請擲回例外狀況並清除工作區和相依資源。
      • 在工作區更新方法中支援工作區 SKU 升級。
    • azureml-datadrift
      • 將 matplotlib 版本從 3.0.2 更新為 3.2.1，以支援 Python 3.8。
    • azureml-dataprep
      • 已新增對 Range 具有 或 Head 要求之 Web URL 數據源的支援。
      • 改善檔案數據集掛接和下載的穩定性。
    • azureml-train-automl-client
      • 已修正從 setuptools 移除 RequirementParseError 的相關問題。
      • 針對使用 「compute_target=」local」提交的本機執行使用 docker，而不是 conda
      • 列印至主控台的反覆項目持續時間已修正。 先前，反覆項目持續時間有時會列印為運行結束時間減去運行建立時間。 它已更正為等於運行結束時間減去運行開始時間。
      • 使用 AutoML 時，如果路徑傳遞至 AutoMLConfig 物件，而且它不存在，則會自動建立它。
      • 用戶現在可以使用 參數來指定預測工作 freq 的時間序列頻率。
    • azureml-train-automl-runtime
      • 改善最佳模型說明失敗時的控制台輸出。
      • 將輸入參數重新命名為 「blocked_models」，以移除敏感性字詞。
        • 將輸入參數重新命名為 「allowed_models」，以移除敏感性字詞。
      • 用戶現在可以使用 參數來指定預測工作 freq 的時間序列頻率。

2020-07-06

適用於 Python v1.9.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 在 AutoML 自動產生的評分腳本中，將 get_model_path（） 取代為 AZUREML_MODEL_DIR 環境變數。 此外，還新增遙測來追蹤 init（） 期間的失敗。
      • 已移除在 AutoMLConfig 中指定 enable_cache 為一部分的功能
      • 已修正執行可能會在特定預測執行期間因服務錯誤而失敗的錯誤
      • 改善在特定模型期間的錯誤處理 get_output
      • 已修正使用 y 轉換器分類的 fitted_model.fit（X， y） 呼叫
      • 啟用預測工作的自定義正向填滿插補器
      • 會使用新的ForecastingParameters類別，而不是以聽寫格式預測參數
      • 已改善目標延遲自動偵測
      • 已新增具有 BERT 的多節點、多 GPU 分散式特徵化有限可用性
    • azureml-automl-runtime
      • 先知現在會進行加法季節性模型化，而不是乘法。
      • 修正了短粒紋時的問題，其頻率與長粒數不同，會導致執行失敗。
    • azureml-contrib-automl-dnn-vision
      • 收集用於定型和評分的系統/gpu 統計數據和記錄平均值
    • azureml-contrib-mir
      • 已新增 ManagedInferencing 中 enable-app-insights 旗標的支援
    • azureml-core
      • 當無法從目前的計算存取數據源時，允許略過驗證來驗證這些 API 的參數。
        • TabularDataset.time_before（end_time，include_boundary=True，validate=True）
        • TabularDataset.time_after（start_time，include_boundary=True，validate=True）
        • TabularDataset.time_recent（time_delta，include_boundary=True，validate=True）
        • TabularDataset.time_between（start_time、end_time、include_boundary=True、validate=True）
      • 已新增模型清單的架構篩選支援，並在筆記本中新增NCD AutoML 範例
      • 針對Datastore.register_azure_blob_container和Datastore.register_azure_file_share（僅支援 SAS 令牌的選項），我們已更新欄位的檔字串 sas_token ，以包含一般讀取和寫入案例的最低許可權需求。
      • 在 ws.get_mlflow_tracking_uri（） 中取代_with_auth參數
    • azureml-mlflow
      • 新增使用 AzureML-MLflow 部署本機 file:// 模型的支援
      • 在 ws.get_mlflow_tracking_uri（） 中取代_with_auth參數
    • azureml-opendatasets
      • SDK 現已推出最近發佈的 Covid-19 追蹤數據集
    • azureml-pipeline-core
      • 當 「azureml-defaults」 未包含在 pip-dependency 中時註銷警告
      • 改善附註轉譯。
      • 已將分隔檔案剖析為 PipelineOutputFileDataset 時，新增引號換行符的支援。
      • PipelineDataset 類別已被取代。 如需詳細資訊，請參閱https://aka.ms/dataset-deprecation。 瞭解如何搭配管線使用數據集，請參閱 https://aka.ms/pipeline-with-dataset。
    • azureml-pipeline-steps
      • 檔更新至 azureml-pipeline-steps。
      • 在 ParallelRunConfig 的 中 load_yaml() 新增支援，讓使用者將環境內嵌於組態的其餘部分或個別檔案中定義環境
    • azureml-train-automl-client。
      • 已移除在 AutoMLConfig 中指定 enable_cache 為一部分的功能
    • azureml-train-automl-runtime
      • 已新增使用 BERT 的多節點、多 gpu 分散式特徵化有限可用性。
      • 已新增ADB型自動化機器學習執行中不相容套件的錯誤處理。
    • azureml-widgets
      • Azureml-widgets 的檔更新。

2020-06-22

適用於 Python v1.8.0 的 Azure 機器學習 SDK

  • 預覽功能

    • azureml-contrib-fairness 套件azureml-contrib-fairness提供開放原始碼公平性評定與不公平性風險降低套件 Fairlearn 與 Azure Machine Learning 工作室 之間的整合。 特別是，套件可讓模型公平性評估儀錶板上傳為 Azure 機器學習 Run 的一部分，並出現在 Azure Machine Learning 工作室

  • 錯誤修正和改善

    • azure-cli-ml
      • 支援取得 init 容器的記錄。
      • 已新增 CLI 命令來管理 ComputeInstance
    • azureml-automl-core
      • 用戶現在能夠針對時間序列工作啟用堆疊合奏反覆專案，並顯示可能會過度調整的警告。
      • 新增新類型的使用者例外狀況，如果快取存放區內容遭到竄改，就會引發此例外狀況
    • azureml-automl-runtime
      • 如果使用者停用特徵化，就不會再啟用類別平衡掃掠。
    • azureml-contrib-notebook
      • azureml-contrib-notebook 套件的檔改善。
    • azureml-contrib-pipeline-steps
      • azureml-contrib--pipeline-steps 套件的檔改善。
    • azureml-core
      • 新增set_connection、get_connection、list_connections、delete_connection函式，讓客戶在工作區聯機資源上運作
      • azureml-coore/azureml.exceptions 套件的檔更新。
      • azureml 核心套件的檔更新。
      • 對 ComputeInstance 類別的檔更新。
      • azureml-core/azureml.core.compute 套件的文件改進。
      • azureml-core 中 Webservice 相關類別的檔改善。
      • 支援使用者選取的數據存放區來儲存分析數據
      • 已新增模型清單 API 的 expand 和 page_count 屬性
      • 已修正移除 overwrite 屬性會導致提交執行失敗且還原串行化錯誤的錯誤。
      • 已修正下載或掛接參考單一檔案的 FileDataset 時，資料夾結構不一致。
      • 載入 parquet 檔案的數據集to_spark_dataframe現在更快，而且支援所有 parquet 和 Spark SQL 數據類型。
      • 支援取得 init 容器的記錄。
      • AutoML 執行現在會標示為平行執行步驟的子執行。
    • azureml-datadrift
      • azureml-contrib-notebook 套件的檔改善。
    • azureml-dataprep
      • 載入 parquet 檔案的數據集to_spark_dataframe現在更快，而且支援所有 parquet 和 Spark SQL 數據類型。
      • To_pandas_dataframe的 OutOfMemory 問題更好的記憶體處理。
    • azureml-interpret
      • 已升級 azureml-interpret 以使用 interpret-community 0.12 版。*
    • azureml-mlflow
      • azureml-mlflow 的文件改進。
      • 使用 MLFlow 新增 AML 模型登錄的支援。
    • azureml-opendatasets
      • 已新增 Python 3.8 的支援
    • azureml-pipeline-core
      • 已更新 PipelineDataset的檔，使其清楚說明其為內部類別。
      • ParallelRunStep 更新以接受一個自變數的多個值，例如：“--group_column_names”、“Col1”、“Col2”、“Col3”
      • 已移除在管線中使用 AutoMLStep 的元數據使用量passthru_automl_config需求。
    • azureml-pipeline-steps
      • azureml-pipeline-steps 套件的檔改善。
      • 已移除在管線中使用 AutoMLStep 的元數據使用量passthru_automl_config需求。
    • azureml-telemetry
      • azureml-telemetry 的文件改進。
    • azureml-train-automl-client
      • experiment.submit()已修正物件上AutoMLConfig呼叫兩次導致不同行為的錯誤。
      • 用戶現在能夠針對時間序列工作啟用堆疊合奏反覆專案，並顯示可能會過度調整的警告。
      • 已變更 AutoML 執行行為，以在服務擲回使用者錯誤時引發 UserErrorException
      • 修正在遠端計算目標上執行 AutoML 實驗時，導致azureml_automl.log無法產生或遺失記錄的錯誤。
      • 對於具有不平衡類別的分類數據集，我們會套用權數平衡，如果功能掃掠器判斷子取樣數據，加權平衡會根據特定閾值來改善分類工作的效能。
      • AutoML 執行現在會標示為平行執行步驟的子執行。
    • azureml-train-automl-runtime
      • 已變更 AutoML 執行行為，以在服務擲回使用者錯誤時引發 UserErrorException
      • AutoML 執行現在會標示為平行執行步驟的子執行。

2020-06-08

適用於 Python v1.7.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azure-cli-ml
      • 藉由清除 CLI 命令和套件相依性，完成從 mir contrib 移除模型分析，模型分析可在核心中使用。
      • 將最小 Azure CLI 版本升級至 2.3.0
    • azureml-automl-core
      • 由於自定義轉換器參數，特徵化步驟上的例外狀況訊息fit_transform（）。
      • 為深度學習轉換器模型新增對多種語言的支援，例如自動化 ML 中的 BERT。
      • 從檔中移除已被取代lag_length參數。
      • 已改善預測參數檔。 lag_length參數已被取代。
    • azureml-automl-runtime
      • 已修正當其中一個類別數據行在預測/測試時間是空的時所引發的錯誤。
      • 修正啟用回溯功能且數據包含簡短粒紋時所發生的執行失敗。
      • 已修正當延遲或滾動時段設定為 『auto』 時，重複時間索引錯誤訊息的問題。
      • 已修正數據集上先知和 Arima 模型的問題，其中包含回溯功能。
      • 已新增在預測任務中日期時間以外的數據行 1677-09-21 或 2262-04-11 之前的日期支援。 改善的錯誤訊息。
      • 已改善預測參數檔。 lag_length參數已被取代。
      • 由於自定義轉換器參數，特徵化步驟上的例外狀況訊息fit_transform（）。
      • 為深度學習轉換器模型新增對多種語言的支援，例如自動化 ML 中的 BERT。
      • 導致某些OSErrors的快取作業引發用戶錯誤。
      • 已新增檢查，以確保定型和驗證數據的數據行數目和集合相同
      • 已修正當數據包含引號時自動產生的 AutoML 評分腳本的問題
      • 啟用包含先知模型的 AutoML 先知和合奏模型的說明。
      • 最近的客戶問題顯示即時網站錯誤，即使類別平衡邏輯未正確啟用，我們也會記錄 Class-Balancing-Sweeping 的訊息。 使用此 PR 移除這些記錄/訊息。
    • azureml-cli-common
      • 藉由清除 CLI 命令和套件相依性，完成從 mir contrib 移除模型分析，模型分析可在核心中使用。
    • azureml-contrib-reinforcementlearning
      • 負載測試工具
    • azureml-core
      • Script_run_config.py的文件變更
      • 修正列印執行 submit-pipeline CLI 輸出的錯誤
      • azureml-core/azureml.data 的檔改善
      • 修正使用 hdfs getconf 命令擷取記憶體帳戶的問題
      • 改善register_azure_blob_container和register_azure_file_share檔
    • azureml-datadrift
      • 改善停用和啟用數據集漂移監視器的實作
    • azureml-interpret
      • 在說明用戶端中，先移除 JSON 串行化之前從成品上傳的 NaN 或 Infs
      • 更新至最新版本的解譯社群，以改善記憶體不足錯誤，以取得許多功能和類別的全域說明
      • 將true_ys選擇性參數新增至說明上傳，以在 Studio UI 中啟用更多功能
      • 改善download_model_explanations（） 和list_model_explanations（） 效能
      • 對筆記本進行小型調整，以協助偵錯
    • azureml-opendatasets
      • azureml-opendatasets 需要 azureml-dataprep 1.4.0 版或更高版本。 如果偵測到較低版本，則新增警告
    • azureml-pipeline-core
      • 這項變更可讓使用者在呼叫模組時，將選擇性 Runconfig 提供給 moduleVersion。Publish_python_script。
      • 啟用節點帳戶可以是 azureml.pipeline.steps 中 ParallelRunStep 中的管線參數。
    • azureml-pipeline-steps
      • 這項變更可讓使用者在呼叫模組時，將選擇性 Runconfig 提供給 moduleVersion。Publish_python_script。
    • azureml-train-automl-client
      • 為深度學習轉換器模型新增對多種語言的支援，例如自動化 ML 中的 BERT。
      • 從檔中移除已被取代lag_length參數。
      • 已改善預測參數檔。 lag_length參數已被取代。
    • azureml-train-automl-runtime
      • 啟用包含先知模型的 AutoML 先知和合奏模型的說明。
      • azureml-train-automl-* 套件的檔更新。
    • azureml-train-core
      • 在 PyTorch 估算器中支援 TensorFlow 2.1 版
      • azureml-train-core 套件的改善。

2020-05-26

適用於 Python v1.6.0 的 Azure 機器學習 SDK

  • 新功能

    • azureml-automl-runtime

      • AutoML 預測現在支援客戶預測超出預先指定的最大範圍，而不需要重新定型模型。 當預測目的地遠比指定的最大地平線更遠時，forecast（） 函式仍會使用遞歸運算模式將點預測設為較晚的日期。 如需新功能的圖例，請參閱資料夾中「forecasting-forecast-function」筆記本的「預測遠高於最大地平線」一節。

    • azureml-pipeline-steps

      • ParallelRunStep 現已發行，且屬於 azureml-pipeline-steps 套件的一部分。 azureml-contrib-pipeline-steps 套件中現有的 ParallelRunStep 已被取代。 公開預覽版本的變更：
        • 已新增 run_max_try 選擇性的可設定參數，以控制任何指定批次執行方法的 max呼叫，預設值為 3。
        • 不再自動產生任何 PipelineParameters。 您可以明確將下列可設定的值設定為 PipelineParameter。
          • mini_batch_size
          • node_count
          • process_count_per_node
          • logging_level
          • run_invocation_timeout
          • run_max_try
        • process_count_per_node的預設值會變更為1。 用戶應該微調此值，以提升效能。 最佳做法是將 設定為 GPU 或 CPU 節點的數目。
        • ParallelRunStep 不會插入任何套件，用戶必須在 環境定義中包含 azureml-core 和 azureml-dataprep[pandas， fuse] 套件。 如果自定義 Docker 映射與user_managed_dependencies搭配使用，則用戶必須在映像上安裝 conda。

  • 重大變更

    • azureml-pipeline-steps
      • 已淘汰使用 azureml.dprep.Dataflow 作為 AutoMLConfig 的有效輸入類型
    • azureml-train-automl-client
      • 已淘汰使用 azureml.dprep.Dataflow 作為 AutoMLConfig 的有效輸入類型

  • 錯誤修正和改善

    • azureml-automl-core
      • 已修正在要求用戶降級客戶端期間 get_output 可能會列印警告的錯誤。
      • 已更新 Mac 以依賴 cudatoolkit=9.0，因為 10 版尚無法使用。
      • 在遠端計算上定型時，移除先知和 xgboost 模型的限制。
      • 改善 AutoML 中的記錄
      • 已改善預測工作中自定義特徵化的錯誤處理。
      • 已新增功能，讓使用者包含延遲的功能以產生預測。
      • 更新 錯誤訊息，以正確顯示用戶錯誤。
      • 支援要與 training_data 搭配使用的cv_split_column_names
      • 更新記錄例外狀況訊息和追蹤。
    • azureml-automl-runtime
      • 啟用護欄來預測遺漏值插補。
      • 改善 AutoML 中的記錄
      • 已針對數據準備例外狀況新增精細的錯誤處理
      • 在遠端計算上定型時，移除先知和 xgboost 模型的限制。
      • azureml-train-automl-runtime和 azureml-automl-runtime 已更新、 scipy和cudatoolkit的pytorch相依性。 我們現在支援 pytorch==1.4.0、 scipy>=1.0.0,<=1.3.1與 cudatoolkit==10.1.243。
      • 已改善預測工作中自定義特徵化的錯誤處理。
      • 已改善預測數據集頻率偵測機制。
      • 修正了某些數據集上先知模型定型的問題。
      • 已改善預測期間最大地平線的自動偵測。
      • 已新增功能，讓使用者包含延遲的功能以產生預測。
      • 在預測函式中新增功能，以在定型的地平線之外提供預測，而不需重新定型預測模型。
      • 支援要與 training_data 搭配使用的cv_split_column_names
    • azureml-contrib-automl-dnn-forecasting
      • 改善 AutoML 中的記錄
    • azureml-contrib-mir
      • 已新增 ManagedInferencing 中 Windows 服務的支援
      • 拿掉舊的 MIR 工作流程，例如附加 MIR 計算、SingleModelMirWebservice 類別 - 清除放置在 contrib-mir 套件中的模型分析
    • azureml-contrib-pipeline-steps
      • YAML 支援的次要修正
      • ParallelRunStep 已發行至正式運作 - azureml.contrib.pipeline.steps 有淘汰通知，並移至 azureml.pipeline.steps
    • azureml-contrib-reinforcementlearning
      • RL 負載測試工具
      • RL 估算器具有智慧型手機預設值
    • azureml-core
      • 拿掉舊的 MIR 工作流程，例如附加 MIR 計算、SingleModelMirWebservice 類別 - 清除放置在 contrib-mir 套件中的模型分析
      • 已修正在分析失敗時提供給使用者的資訊：包含要求標識符，並將訊息重新指定為更有意義的訊息。 已將新的程式碼剖析工作流程新增至分析執行器
      • 改善資料集執行失敗的錯誤文字。
      • 已新增工作區私人連結 CLI 支援。
      • 已將選擇性參數 invalid_lines 新增至 Dataset.Tabular.from_json_lines_files ，以指定如何處理包含無效 JSON 的行。
      • 我們將在下一個版本中取代以執行為基礎的計算建立。 建議您將實際的 Amlcompute 叢集建立為永續性計算目標，並使用叢集名稱作為執行組態中的計算目標。 請參閱這裡的範例筆記本：aka.ms/amlcomputenb
      • 改善資料集執行失敗的錯誤訊息。
    • azureml-dataprep
      • 發出警告，以更明確地升級 pyarrow 版本。
      • 改善錯誤處理和訊息在無法執行數據流時傳回的訊息。
    • azureml-interpret
      • azureml-interpret 套件的檔更新。
      • 已修正與最新 sklearn 更新相容的可解譯性套件和筆記本
    • azureml-opendatasets
      • 未傳回任何數據時會傳回 None。
      • 改善to_pandas_dataframe的效能。
    • azureml-pipeline-core
      • 從 YAML 載入中斷的 ParallelRunStep 快速修正
      • ParallelRunStep 已發行至正式運作 - azureml.contrib.pipeline.steps 有淘汰通知，並移至 azureml.pipeline.steps - 新功能包括：1。 數據集為 PipelineParameter 2。 新的參數run_max_retry 3。 可設定的輸出檔名append_row
    • azureml-pipeline-steps
      • 已淘汰 azureml.dprep.Dataflow 做為輸入數據的有效類型。
      • 從 YAML 載入中斷的 ParallelRunStep 快速修正
      • ParallelRunStep 已發行至正式運作 - azureml.contrib.pipeline.steps 有淘汰通知，並移至 azureml.pipeline.steps - 新功能包括：
        • 數據集作為 PipelineParameter
        • 新的參數run_max_retry
        • 可設定的輸出檔名append_row
    • azureml-telemetry
      • 更新記錄例外狀況訊息和追蹤。
    • azureml-train-automl-client
      • 改善 AutoML 中的記錄
      • 更新 錯誤訊息，以正確顯示用戶錯誤。
      • 支援要與 training_data 搭配使用的cv_split_column_names
      • 已淘汰 azureml.dprep.Dataflow 做為輸入數據的有效類型。
      • 已更新 Mac 以依賴 cudatoolkit=9.0，因為 10 版尚無法使用。
      • 在遠端計算上定型時，移除先知和 xgboost 模型的限制。
      • azureml-train-automl-runtime和 azureml-automl-runtime 已更新、 scipy和cudatoolkit的pytorch相依性。 我們現在支援 pytorch==1.4.0、 scipy>=1.0.0,<=1.3.1與 cudatoolkit==10.1.243。
      • 已新增功能，讓使用者包含延遲的功能以產生預測。
    • azureml-train-automl-runtime
      • 改善 AutoML 中的記錄
      • 已針對數據準備例外狀況新增精細的錯誤處理
      • 在遠端計算上定型時，移除先知和 xgboost 模型的限制。
      • azureml-train-automl-runtime和 azureml-automl-runtime 已更新、 scipy和cudatoolkit的pytorch相依性。 我們現在支援 pytorch==1.4.0、 scipy>=1.0.0,<=1.3.1與 cudatoolkit==10.1.243。
      • 更新 錯誤訊息，以正確顯示用戶錯誤。
      • 支援要與 training_data 搭配使用的cv_split_column_names
    • azureml-train-core
      • 已新增一組新的 HyperDrive 特定例外狀況。 azureml.train.hyperdrive 現在會擲回詳細的例外狀況。
    • azureml-widgets
      • Azure 機器學習 Widget 未在 JupyterLab 中顯示

2020-05-11

適用於 Python v1.5.0 的 Azure 機器學習 SDK

  • 新功能

    • 預覽功能
      • azureml-contrib-reinforcementlearning
        • Azure 機器學習 正在發行預覽支援，以使用Ray架構進行增強式學習。 可讓您ReinforcementLearningEstimator在 Azure 機器學習 中跨 GPU 和 CPU 計算目標訓練增強式學習代理程式。

  • 錯誤修正和改善

    • azure-cli-ml
      • 修正我先前 PR 中不小心留下警告記錄檔的 。 記錄檔用於偵錯，不小心留下。
      • 錯誤修正：在分析期間通知用戶端部分失敗
    • azureml-automl-core
      • 在 AutoML 預測中加速先知/AutoArima 模型，方法是在數據集有多個時間序列時啟用時間序列的平行調整。 為了受益於這項新功能，建議您在 AutoMLConfig 中設定 「max_cores_per_iteration = -1」 （也就是使用所有可用的 CPU 核心）。
      • 修正在主控台介面中列印護欄上的 KeyError
      • 已修正experimentation_timeout_hours的錯誤訊息
      • 已淘汰 AutoML 的 TensorFlow 模型。
    • azureml-automl-runtime
      • 已修正experimentation_timeout_hours的錯誤訊息
      • 已修正嘗試從快取存放區還原串行化時未分類的例外狀況
      • 在 AutoML 預測中加速先知/AutoArima 模型，方法是在數據集有多個時間序列時啟用時間序列的平行調整。
      • 已修正數據集上已啟用滾動視窗的預測，其中測試/預測集不包含定型集中的其中一個粒紋。
      • 改善遺漏數據的處理
      • 已修正在數據集上預測期間預測間隔的問題，其中包含時間序列未對齊的時間序列。
      • 已為預測工作新增更好的數據圖形驗證。
      • 已改善頻率偵測。
      • 如果無法產生預測工作的交叉驗證折疊，則建立更好的錯誤訊息。
      • 修正主控台介面，正確列印遺漏值防護欄。
      • 在 AutoMLConfig 中對cv_split_indices輸入強制執行數據類型檢查。
    • azureml-cli-common
      • 錯誤修正：在分析期間通知用戶端部分失敗
    • azureml-contrib-mir
      • 新增 azureml.contrib.mir.RevisionStatus 類別，此類別會轉寄目前部署的 MIR 修訂和使用者指定的最新版本的相關信息。 這個類別包含在 『deployment_status』 屬性下的 MirWebservice 物件中。
      • 啟用 MirWebservice 及其子類別 SingleModelMirWebservice 的 Webservices 更新。
    • azureml-contrib-reinforcementlearning
      • 新增對Ray 0.8.3的支援
      • AmlWindowsCompute 僅支援 Azure 檔案儲存體 作為掛接的記憶體
      • 已將health_check_timeout重新命名為 health_check_timeout_seconds
      • 已修正某些類別/方法描述。
    • azureml-core
      • 已啟用 WASB -> Azure Government 和中國雲端中的 Blob 轉換。
      • 修正 Bug 以允許讀取者角色使用 az ml run CLI 命令來取得執行資訊
      • 已移除 Azure 機器學習 使用輸入資料集執行期間不必要的記錄。
      • RCranPackage 現在支援 CRAN 套件版本的 「version」 參數。
      • 錯誤修正：在分析期間通知用戶端部分失敗
      • 已新增適用於 azureml-core 的歐洲樣式浮點數處理。
      • Azure 機器學習 sdk 中已啟用工作區私人連結功能。
      • 使用 from_delimited_files建立 TabularDataset 時，您可以藉由設定布爾自變數 empty_as_string來指定空值是否應該載入為 None 或空字串。
      • 已新增數據集的歐洲樣式浮點數處理。
      • 改善數據集掛接失敗的錯誤訊息。
    • azureml-datadrift
      • SDK 的數據漂移結果查詢有一個錯誤，無法區分最小、最大值和平均功能計量，因而產生重複的值。 我們已將目標或基準前面加上計量名稱，來修正這個錯誤。 之前：重複最小值、最大值、平均值。 之後：target_min、target_max、target_mean、baseline_min、baseline_max、baseline_mean。
    • azureml-dataprep
      • 改善在確保數據傳遞所需的 .NET 相依性時，處理受寫入限制的 Python 環境。
      • 已修正檔案上具有前置空白記錄的數據流建立。
      • 已新增類似to_pandas_dataframe的錯誤to_partition_iterator處理選項。
    • azureml-interpret
      • 降低說明路徑長度限制，以減少超過 Windows 限制的可能性
      • 使用線性代理模型來模擬解釋器所建立之疏鬆說明的 Bugfix。
    • azureml-opendatasets
      • 修正 MNIST 資料行的問題會剖析為字串，這應該為 int。
    • azureml-pipeline-core
      • 使用內嵌在 ModuleStep 中的模組時，允許選項regenerate_outputs。
    • azureml-train-automl-client
      • 已淘汰 AutoML 的 TensorFlow 模型。
      • 修正使用者允許在本機模式中列出不支持的演算法
      • AutoMLConfig 的檔修正。
      • 在 AutoMLConfig 中對cv_split_indices輸入強制執行數據類型檢查。
      • 已修正在 show_output 中 AutoML 執行失敗的問題
    • azureml-train-automl-runtime
      • 修正 Ensemble 反覆運算中的 Bug，導致模型下載逾時無法成功啟動。
    • azureml-train-core
      • 修正 azureml.train.dnn.Nccl 類別中的錯字。
      • 在 PyTorch 估算器中支援 PyTorch 1.5 版
      • 修正使用定型架構估算器時，無法在 Azure Government 區域中擷取架構映像的問題

2020-05-04

新的筆記本體驗

您現在可以直接在 Azure 機器學習 的 Studio Web 體驗內建立、編輯和共用機器學習筆記本和檔案。 您可以從這些筆記本內使用 Azure 機器學習 Python SDK 中可用的所有類別和方法。 若要開始使用，請流覽 工作區 文章中的執行 Jupyter Notebook。

引進的新功能：

  • Visual Studio Code 使用的改良編輯器 （摩納哥編輯器）
  • UI/UX 改善
  • 資料格工具列
  • 新的筆記本工具列和計算控制件
  • 筆記本狀態列
  • 內嵌核心切換
  • R 支援
  • 輔助功能和當地語系化改善
  • 命令選擇區
  • 其他鍵盤快捷方式
  • 自動儲存
  • 改善效能和可靠性

從 Studio 存取下列 Web 型撰寫工具：

Web 型工具 描述
Azure 機器學習 Studio Notebooks 筆記本檔案的第一個類別內撰寫，並支援 Azure 機器學習 Python SDK 中可用的所有作業。

2020-04-27

適用於 Python v1.4.0 的 Azure 機器學習 SDK

  • 新功能

    • AmlCompute 叢集現在支援在布建時在叢集上設定受控識別。 只要指定是否要使用系統指派的身分識別或使用者指派的身分識別，並針對後者傳遞 identityId。 然後，您可以設定許可權來存取各種資源，例如 儲存體 或 ACR，讓計算的身分識別用來安全地存取數據，而不是 AmlCompute 目前採用的令牌型方法。 如需參數的詳細資訊，請參閱我們的 SDK 參考。

  • 重大變更

    • AmlCompute 叢集支援以執行為基礎的建立的預覽功能，我們計劃在兩周內淘汰。 您可以使用 Amlcompute 類別繼續建立持續計算目標，但指定標識碼 「amlcompute」 的特定方法，因為執行組態中的計算目標很快就會受到支援。

  • 錯誤修正和改善

    • azureml-automl-runtime
      • 在計算數據行中唯一值的數目時，啟用無法隱藏類型的支援。
    • azureml-core
      • 已改善使用 TabularDataset 從 Azure Blob 儲存體 讀取時的穩定性。
      • 已改善 的Datastore.register_azure_blob_store參數檔grant_workspace_msi。
      • 已修正的 Bugdatastore.upload，以支援 以或 \結尾/的src_dir自變數。
      • 嘗試上傳至沒有存取密鑰或 SAS 令牌的 Azure Blob 儲存體 資料存放區時，新增可採取動作的錯誤訊息。
    • azureml-interpret
      • 已針對上傳的說明新增視覺效果數據的檔案大小上限。
    • azureml-train-automl-client
      • 明確檢查 AutoMLConfig 的 label_column_name 和 weight_column_name 參數是否為字串類型。
    • azureml-contrib-pipeline-steps
      • ParallelRunStep 現在支持數據集作為管線參數。 使用者可以使用範例數據集來建構管線，而且可以變更新管線執行之相同類型（檔案或表格式）的輸入數據集。

2020-04-13

適用於 Python v1.3.0 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 新增更多有關訓練後作業的遙測。
      • 針對長度超過 100 的數列，使用方塊 （CSS） 定型的條件式總和來加速自動 ARIMA 定型。 使用的長度會儲存為 timeSeriesInternal 類別中的常數ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/，位於 /src/azureml-automl-core/azureml/automl/core/shared/constants.py
      • 已改善預測執行的用戶記錄，現在會進一步了解記錄檔中目前執行的階段
      • 不允許target_rolling_window_size設定為小於 2 的值
    • azureml-automl-runtime
      • 已改善找到重複時間戳時所顯示的錯誤訊息。
      • 不允許target_rolling_window_size設定為小於 2 的值。
      • 已修正延遲插補失敗。 此問題是由季節性分解數列所需的觀察數目不足所造成。 「取消季節性化」數據是用來計算部分自動更正函式 （PACF） 來判斷延遲長度。
      • 啟用數據行用途特徵化自定義，可透過特徵化設定來預測工作。現在支援數值和類別目錄做為預測工作的數據行用途。
      • 已啟用透過特徵化設定來預測工作的置放數據行特徵化自定義。
      • 透過特徵化組態啟用預測工作的插補自定義。現在支援目標數據行和平均值、中位數、most_frequent和定型數據的常數值插補。
    • azureml-contrib-pipeline-steps
      • 接受要傳遞至 ParallelRunConfig 的字串計算名稱
    • azureml-core
      • 已新增 Environment.clone（new_name） API 以建立 Environment 物件的複本
      • Environment.docker.base_dockerfile接受 filepath。 如果能夠解析檔案，則會將內容讀入base_dockerfile環境屬性
      • 當使用者在 Environment.docker 中手動設定值時，自動重設base_image和base_dockerfile的互斥值
      • 已在 RSection 中新增user_managed旗標，指出環境是由使用者或 Azure 機器學習 管理。
      • 數據集：如果包含 Unicode 字元的數據路徑，則修正數據集下載失敗。
      • 數據集：改善數據集掛接快取機制，以符合 Azure 機器學習 Compute 中的最小磁碟空間需求，這可避免使節點無法使用並導致作業取消。
      • 數據集：當您以 pandas 資料框架的形式存取時間序列數據集時，我們會新增時間序列數據行的索引，以加速存取以時間序列為基礎的數據存取。 先前，索引會指定與時間戳數據行相同的名稱，讓使用者混淆的是實際時間戳數據行，以及哪一個是索引。 我們現在不會為索引提供任何特定名稱，因為它不應該當做數據行使用。
      • 數據集：已修正主權雲端中的數據集驗證問題。
      • 數據集：已修正 Dataset.to_spark_dataframe 從 Azure PostgreSQL 資料存放區建立的數據集失敗。
    • azureml-interpret
      • 如果本機重要性值稀疏，已將全域分數新增至視覺效果
      • 已更新 azureml-interpret 以使用 interpret-community 0.9.*
      • 已修正下載具有疏鬆評估數據之說明的問題
      • 已新增 AutoML 中說明物件的疏鬆格式支援
    • azureml-pipeline-core
      • 支援 ComputeInstance 作為管線中的計算目標
    • azureml-train-automl-client
      • 新增更多有關訓練後作業的遙測。
      • 已修正早期停止中的回歸
      • 已淘汰 azureml.dprep.Dataflow 做為輸入數據的有效類型。
      • 將預設 AutoML 實驗逾時變更為六天。
    • azureml-train-automl-runtime
      • 新增更多有關訓練後作業的遙測。
      • 已新增疏鬆 AutoML 端對端支援
    • azureml-opendatasets
      • 已新增服務監視器的另一個遙測。
      • 啟用 Blob 的前門以提高穩定性

2020-03-23

適用於 Python v1.2.0 的 Azure 機器學習 SDK

  • 重大變更

    • 卸除 Python 2.7 的支援

  • 錯誤修正和改善

    • azure-cli-ml
      • 將 「--subscription-id」 新增至 az ml model/computetarget/service CLI 中的命令
      • 新增傳遞客戶自控密鑰（CMK） vault_url、key_name和 ACI 部署key_version的支援
    • azureml-automl-core
      • 針對 X 和 y 資料預測工作啟用具有常數值的自定義插補。
      • 已修正 中向用戶顯示錯誤訊息的問題。
    • azureml-automl-runtime
      • 已修正數據集上預測的問題，其中包含只有一個數據列的粒紋
      • 減少預測工作所需的記憶體數量。
      • 如果時間數據行的格式不正確，則新增了更好的錯誤訊息。
      • 針對 X 和 y 資料預測工作啟用具有常數值的自定義插補。
    • azureml-core
      • 已新增從環境變數載入 ServicePrincipal 的支援：AZUREML_SERVICE_PRINCIPAL_ID、AZUREML_SERVICE_PRINCIPAL_TENANT_ID和AZUREML_SERVICE_PRINCIPAL_PASSWORD
      • 將新的參數 support_multi_line 引入 ： Dataset.Tabular.from_delimited_files根據預設，support_multi_line=False所有換行符，包括引號域值中的換行符，都會解譯為記錄中斷。 以這種方式讀取數據會更快且更優化，以在多個CPU核心上平行執行。 不過，這可能會導致以無訊息方式產生具有不對齊域值的更多記錄。 當已知分隔的檔案包含引號換行符時，這應該設定 True 為 。
      • 已新增在 Azure 機器學習 CLI 中註冊 ADLS Gen2 的功能
      • 將參數 『fine_grain_timestamp』 重新命名為 『timestamp』，並將 tabularDataset 中 with_timestamp_columns（） 方法的參數 'coarse_grain_timestamp' 重新命名為 'partition_timestamp'，以更好地反映參數的使用方式。
      • 將實驗名稱長度上限增加到 255。
    • azureml-interpret
      • 已更新 azureml-interpret 以解譯社群 0.7.*
    • azureml-sdk
      • 變更為具有相容版本 Tilde 的相依性，以支援在發行前版本和穩定版本中修補。

2020-03-11

適用於 Python 的 Azure 機器學習 SDK v1.1.5

  • 功能淘汰

    • Python 2.7
      • 支援 Python 2.7 的最後版本

  • 重大變更

    • 語意化版本控制系統 2.0.0 \(英文\)
      • 從 1.1 版開始，機器學習 Python SDK 採用語意版本設定 2.0.0。 所有後續版本都遵循新的編號配置和語意版本控制合約。

  • 錯誤修正和改善

    • azure-cli-ml
      • 將 endpoint CLI 命令名稱從 'az ml endpoint aks' 變更為 'az ml endpoint real time'，以取得一致性。
      • 更新穩定和實驗性分支 CLI 的 CLI 安裝指示
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
    • azureml-automl-core
      • 啟用 AutoML ONNX 模型的 Batch 模式推斷（取得多個資料列一次）
      • 已改善數據集的頻率偵測、缺少數據或包含不規則的數據點
      • 已新增移除不符合主要頻率的數據點的功能。
      • 已變更建構函式的輸入，以取得選項清單，以套用對應數據行的插補選項。
      • 錯誤記錄已改善。
    • azureml-automl-runtime
      • 已修正如果定型集中沒有粒紋出現在測試集中時所擲回的錯誤問題
      • 在預測服務評分期間移除y_query需求
      • 已修正當數據集包含短粒紋與長時間間距時，預測的問題。
      • 已修正開啟自動最大地平線，而日期數據行包含字串形式的日期時的問題。 無法轉換至日期時，已針對 新增適當的轉換和錯誤訊息
      • 使用原生 NumPy 和 SciPy 來串行化和還原串行化 FileCacheStore 的中繼數據（用於本機 AutoML 執行）
      • 已修正失敗的子執行可能會卡在 [執行中] 狀態的錯誤。
      • 提高特徵化的速度。
      • 已修正評分期間的頻率檢查，現在預測工作不需要定型和測試集之間的嚴格頻率等價。
      • 已變更建構函式的輸入，以取得選項清單，以套用對應數據行的插補選項。
      • 已修正與延隔類型選取相關的錯誤。
      • 已修正數據集上引發的未分類錯誤，具有單一數據列的粒紋
      • 已修正頻率偵測緩慢的問題。
      • 修正 AutoML 例外狀況處理中的 Bug，導致定型失敗的真正原因被 AttributeError 取代。
    • azureml-cli-common
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
    • azureml-contrib-mir
      • 在 MirWebservice 類別中新增功能以擷取存取令牌
      • 在 MirWebservice.run（） 呼叫期間，預設使用 MirWebservice 的令牌驗證 - 只有在呼叫失敗時才會重新整理
      • Mir Webservice 部署現在需要適當的 Sku [Standard_DS2_v2、Standard_F16、Standard_A2_v2]，而不是 [Ds2v2、A2v2 和 F16]。
    • azureml-contrib-pipeline-steps
      • 選擇性參數side_inputs新增至 ParallelRunStep。 此參數可用來在容器上掛接資料夾。 目前支持的類型為 DataReference 和 PipelineData。
      • 透過現在傳遞管線參數，可以覆寫以 ParallelRunConfig 傳遞的參數。 支援aml_mini_batch_size、aml_error_threshold、aml_logging_level、aml_run_invocation_timeout的新管線參數（aml_node_count和aml_process_count_per_node已是舊版的一部分）。
    • azureml-core
      • 部署的 Azure 機器學習 Webservices 現在預設為INFO記錄。 這可以藉由在已部署的服務中設定 AZUREML_LOG_LEVEL 環境變數來控制。
      • Python sdk 會使用探索服務來使用 'api' 端點，而不是 'pipelines'。
      • 交換至所有 SDK 呼叫中的新路由。
      • 已將呼叫 ModelManagementService 的路由變更為新的整合結構。
        • 已公開提供工作區更新方法。
        • 已在工作區更新方法中新增 image_build_compute 參數，以允許使用者更新映射組建的計算。
      • 已將取代訊息新增至舊的分析工作流程。 已修正分析 CPU 和記憶體限制。
      • 已將 RSection 新增為環境一部分，以執行 R 作業。
      • 已將驗證新增至 Dataset.mount ，以在無法存取數據集的來源或不包含任何數據時引發錯誤。
      • 新增 --grant-workspace-msi-access 為數據存放區 CLI 的另一個參數，用於註冊 Azure Blob 容器，可讓您註冊 VNet 後方的 Blob 容器。
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
      • 已修正 aks.py _deploy中的問題。
      • 驗證上傳的模型完整性，以避免無訊息記憶體失敗。
      • 用戶現在可以在重新產生 Web 服務的金鑰時，指定驗證金鑰的值。
      • 已修正大寫字母無法當做數據集輸入名稱使用的錯誤。
    • azureml-defaults
      • azureml-dataprep 現在會安裝為的一 azureml-defaults部分。 不再需要手動在計算目標上安裝數據準備[fuse] 以掛接數據集。
    • azureml-interpret
      • 已更新 azureml-interpret 以解譯社群 0.6.*
      • 已更新 azureml-interpret 以相依於 interpret-community 0.5.0
      • 已將 azureml 樣式例外狀況新增至 azureml-interpret
      • 修正 Keras 模型的 DeepScoringExplainer 串行化
    • azureml-mlflow
      • 將主權雲端的支援新增至 azureml.mlflow
    • azureml-pipeline-core
      • 管線批次評分筆記本現在使用 ParallelRunStep
      • 已修正 PythonScriptStep 結果在變更自變數清單時可能會不正確地重複使用的錯誤
      • 已新增在上呼叫 parse_* 方法時設定資料行類型的能力 PipelineOutputFileDataset
    • azureml-pipeline-steps
      • AutoMLStepazureml-pipeline-steps將移至封裝。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
      • 已新增數據集作為 PythonScriptStep 輸入的文件範例
    • azureml-tensorboard
      • 已更新 azureml-tensorboard 以支援 TensorFlow 2.0
      • 在計算實例上使用自定義 TensorBoard 埠時，顯示正確的埠號碼
    • azureml-train-automl-client
      • 已修正某些套件可能會在遠端執行時安裝於不正確的版本的問題。
      • 已修正FeaturizationConfig覆寫篩選自定義特徵化設定的問題。
    • azureml-train-automl-runtime
      • 已修正遠端執行中頻率偵測的問題
      • AutoMLStep已移動套件中的 azureml-pipeline-steps 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
    • azureml-train-core
      • 在 PyTorch 估算器中支援 PyTorch 1.4 版

2020-03-02

適用於 Python v1.1.2rc0 的 Azure 機器學習 SDK（發行前版本）

  • 錯誤修正和改善
    • azureml-automl-core
      • 啟用 AutoML ONNX 模型的 Batch 模式推斷（取得多個資料列一次）
      • 已改善數據集的頻率偵測、缺少數據或包含不規則的數據點
      • 已新增移除不符合主要頻率的數據點的功能。
    • azureml-automl-runtime
      • 已修正如果定型集中沒有粒紋出現在測試集中時所擲回的錯誤問題
      • 在預測服務評分期間移除y_query需求
    • azureml-contrib-mir
      • 在 MirWebservice 類別中新增功能以擷取存取令牌
    • azureml-core
      • 部署的 Azure 機器學習 Webservices 現在預設為INFO記錄。 這可以藉由在已部署的服務中設定 AZUREML_LOG_LEVEL 環境變數來控制。
      • 修正反覆運算 Dataset.get_all 以傳回向工作區註冊的所有數據集。
      • 將無效類型傳遞至 path 數據集建立 API 的自變數時，改善錯誤訊息。
      • Python sdk 會使用探索服務來使用 'api' 端點，而不是 'pipelines'。
      • 在所有 SDK 呼叫中交換至新的路由
      • 將呼叫 ModelManagementService 的路由變更為新的整合結構
        • 已公開提供工作區更新方法。
        • 已在工作區更新方法中新增image_build_compute參數，以允許使用者更新映射組建的計算
      • 已將取代訊息新增至舊的分析工作流程。 已修正分析 CPU 和記憶體限制
    • azureml-interpret
      • 更新 azureml-interpret 以解譯社群 0.6.*
    • azureml-mlflow
      • 將主權雲端的支援新增至 azureml.mlflow
    • azureml-pipeline-steps
      • AutoMLStepazureml-pipeline-steps package移至 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
    • azureml-train-automl-client
      • 已修正某些套件可能會在遠端執行時安裝於不正確的版本的問題。
    • azureml-train-automl-runtime
      • 已修正遠端執行中頻率偵測的問題
      • AutoMLStepazureml-pipeline-steps package移至 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
    • azureml-train-core
      • AutoMLStepazureml-pipeline-steps package移至 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。

2020-02-18

適用於 Python v1.1.1rc0 的 Azure 機器學習 SDK（發行前版本）

  • 錯誤修正和改善
    • azure-cli-ml
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
    • azureml-automl-core
      • 錯誤記錄已改善。
    • azureml-automl-runtime
      • 已修正當數據集包含短粒紋與長時間間距時，預測的問題。
      • 已修正開啟自動最大地平線，而日期數據行包含字串形式的日期時的問題。 如果無法轉換至日期，我們新增了適當的轉換和合理的錯誤
      • 使用原生 NumPy 和 SciPy 來串行化和還原串行化 FileCacheStore 的中繼數據（用於本機 AutoML 執行）
      • 已修正失敗的子執行可能會卡在 [執行中] 狀態的錯誤。
    • azureml-cli-common
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
    • azureml-core
      • 新增 --grant-workspace-msi-access 為數據存放區 CLI 的另一個參數，用於註冊 Azure Blob 容器，可讓您註冊 VNet 後方的 Blob 容器
      • 已修正單一實例分析以產生建議，並在核心 SDK 中提供。
      • 已修正 aks.py _deploy的問題
      • 驗證上傳的模型完整性，以避免無訊息記憶體失敗。
    • azureml-interpret
      • 已將 azureml 樣式例外狀況新增至 azureml-interpret
      • 修正 keras 模型的 DeepScoringExplainer 串行化
    • azureml-pipeline-core
      • 管線批次評分筆記本現在使用 ParallelRunStep
    • azureml-pipeline-steps
      • AutoMLStep已移動套件中的 azureml-pipeline-steps 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
    • azureml-contrib-pipeline-steps
      • 選擇性參數side_inputs新增至 ParallelRunStep。 此參數可用來在容器上掛接資料夾。 目前支持的類型為 DataReference 和 PipelineData。
    • azureml-tensorboard
      • 已更新 azureml-tensorboard 以支援 TensorFlow 2.0
    • azureml-train-automl-client
      • 已修正FeaturizationConfig覆寫篩選自定義特徵化設定的問題。
    • azureml-train-automl-runtime
      • AutoMLStep已移動套件中的 azureml-pipeline-steps 。 已淘汰 內的 AutoMLStepazureml-train-automl-runtime。
    • azureml-train-core
      • 在 PyTorch 估算器中支援 PyTorch 1.4 版

2020-02-04

適用於 Python v1.1.0rc0 的 Azure 機器學習 SDK（發行前版本）

  • 重大變更

    • 語意化版本控制系統 2.0.0 \(英文\)
      • 從 1.1 版開始，機器學習 Python SDK 採用語意版本設定 2.0.0。 所有後續版本都遵循新的編號配置和語意版本控制合約。

  • 錯誤修正和改善

    • azureml-automl-runtime
      • 提高特徵化的速度。
      • 已修正評分期間的頻率檢查，現在在預測工作中，我們不需要定型和測試集之間的嚴格頻率等價。
    • azureml-core
      • 用戶現在可以在重新產生 Web 服務的金鑰時，指定驗證金鑰的值。
    • azureml-interpret
      • 已更新 azureml-interpret 以相依於 interpret-community 0.5.0
    • azureml-pipeline-core
      • 已修正 PythonScriptStep 結果在變更自變數清單時可能會不正確地重複使用的錯誤
    • azureml-pipeline-steps
      • 已新增數據集作為 PythonScriptStep 輸入的文件範例
    • azureml-contrib-pipeline-steps
      • 透過現在傳遞管線參數，可以覆寫以 ParallelRunConfig 傳遞的參數。 支援aml_mini_batch_size、aml_error_threshold、aml_logging_level、aml_run_invocation_timeout的新管線參數（aml_node_count和aml_process_count_per_node已是舊版的一部分）。

2020-01-21

適用於 Python v1.0.85 的 Azure 機器學習 SDK

  • 新功能

    • azureml-core

      • 取得指定工作區和訂用帳戶中 AmlCompute 資源的目前核心使用量和配額限制

    • azureml-contrib-pipeline-steps

      • 讓使用者將表格式數據集當作上一個步驟的中繼結果傳遞至 parallelrunstep

  • 錯誤修正和改善

    • azureml-automl-runtime
      • 已移除要求中已部署預測服務中y_query數據行的需求。
      • “y_query” 已從 Dominick 的 Orange Juice 筆記本服務要求區段中移除。
      • 已修正針對已部署模型進行預測的 Bug，並在具有日期時間數據行的數據集上運作。
      • 已將Matthews相互關聯繫數新增為二元和多類別分類的分類計量。
    • azureml-contrib-interpret
      • 已從 azureml-contrib-interpret 移除文字說明，因為文字說明已移至即將發行的解譯文字存放庫。
    • azureml-core
      • 數據集：檔案數據集的使用方式不再相依於 Python env 中要安裝的 numpy 和 pandas。
      • 已變更 LocalWebservice.wait_for_deployment（） 以檢查本機 Docker 容器的狀態，然後再嘗試偵測其健康情況端點，大幅縮短報告失敗部署所需的時間。
      • 已修正使用 LocalWebservice（） 建構函式從現有部署建立服務物件時，LocalWebservice.reload（） 中使用的內部屬性初始化。
      • 已編輯錯誤訊息以釐清。
      • 已將名為 get_access_token（） 的新方法新增至 AksWebservice，該物件會傳回 AksServiceAccessToken 物件，其中包含存取令牌、時間戳後重新整理、時間戳到期和令牌類型。
      • AksWebservice 中已被取代的現有get_token（） 方法，因為新方法會傳回此方法傳回的所有資訊。
      • 已修改 az ml service get-access-token 命令的輸出。 將令牌重新命名為 accessToken，並重新整理 By 以 refreshAfter。 已新增 expiryOn 和 tokenType 屬性。
      • 已修正get_active_runs
    • azureml-explain-model
      • 已將 shap 更新為 0.33.0，並將解譯社群更新為 0.4.*
    • azureml-interpret
      • 已將 shap 更新為 0.33.0，並將解譯社群更新為 0.4.*
    • azureml-train-automl-runtime
      • 已將Matthews相互關聯繫數新增為二元和多類別分類的分類計量。
      • 從程式代碼取代前置處理旗標，並以特徵化取代 -featurization 預設為開啟

2020-01-06

適用於 Python v1.0.83 的 Azure 機器學習 SDK

  • 新功能

    • 數據集：新增兩個選項on_error，並在to_pandas_dataframeout_of_range_datetime數據有錯誤值而不是填入None錯誤值時失敗。
    • 工作區：已針對具有敏感數據的工作區新增 hbi_workspace 旗標，以啟用進一步加密，並停用工作區上的進階診斷。 我們也新增了針對相關聯 Azure Cosmos DB 實例自備密鑰的支援，方法是在建立工作區時指定 cmk_keyvault 和 resource_cmk_uri 參數，以在布建工作區時在訂用帳戶中建立 Azure Cosmos DB 實例。 若要深入瞭解，請參閱 數據加密一文的 Azure Cosmos DB 一節。

  • 錯誤修正和改善

    • azureml-automl-runtime
      • 修正在 3.5.4 以下的 Python 版本上執行 AutoML 時，導致 TypeError 引發的回歸。
    • azureml-core
      • 已修正中的 datastore.upload_files Bug 是無法 ./ 使用開頭的相對路徑。
      • 已新增所有 Image 類別程式代碼路徑的淘汰訊息
      • 已修正由 21Vianet 運作的 Microsoft Azure 模型管理 URL 建構。
      • 已修正無法使用 source_dir 來封裝 Azure Functions 的模型的問題。
      • 已新增選項Environment.build_local（） 將映像推送至 Azure 機器學習 工作區容器登錄
      • 已更新 SDK，以使用 Azure Synapse 上的新令牌連結庫，並以回溯相容的方式。
    • azureml-interpret
      • 已修正當沒有說明可供下載時傳回 None 的錯誤。 現在，在其他地方引發例外狀況、比對行為。
    • azureml-pipeline-steps
      • 不允許在 中使用 時，傳遞DatasetConsumptionConfig至 Estimator的 inputs 參數。EstimatorEstimatorStep
    • azureml-sdk
      • 已將 AutoML 用戶端新增至 azureml-sdk 套件，讓遠端 AutoML 執行得以提交，而不需要安裝完整的 AutoML 套件。
    • azureml-train-automl-client
      • 針對 AutoML 執行的控制台輸出更正對齊方式
      • 修正了在遠端 amlcompute 上安裝不正確 Pandas 版本的錯誤。

2019-12-23

Azure 機器學習 SDK for Python v1.0.81

  • 錯誤修正和改善
    • azureml-contrib-interpret
      • 從 azureml-interpret 延遲成形相依性以解譯社群
    • azureml-core
      • 計算目標現在可以指定為對應部署組態對象的參數。 這是要部署到的計算目標名稱，而不是 SDK 物件。
      • 已將 CreatedBy 資訊新增至 Model 和服務物件。 可存取through.created_by
      • 已修正 ContainerImage.run（），其未正確設定 Docker 容器的 HTTP 埠。
      • 針對 CLI 命令進行az ml dataset register選擇性設定azureml-dataprep
      • 修正錯誤，錯誤 TabularDataset.to_pandas_dataframe 會回復至替代讀取器並列印警告。
    • azureml-explain-model
      • 從 azureml-interpret 延遲成形相依性以解譯社群
    • azureml-pipeline-core
      • 已新增管線步驟 NotebookRunnerStep，以在管線中執行本機筆記本作為步驟。
      • 已移除 PublishedPipelines、Schedules 和 PipelineEndpoints 的已淘汰get_all函式
    • azureml-train-automl-client
      • 開始將data_script取代為 AutoML 的輸入。

2019-12-09

適用於 Python v1.0.79 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 已移除要記錄的featurizationConfig
        • 已更新記錄以僅記錄 「auto」/“off”/“customized”。
    • azureml-automl-runtime
      • 已新增 pandas 的支援。 數列和 pandas。 用於偵測數據行數據類型的類別。 先前僅支持 numpy.ndarray
        • 已新增相關程式代碼變更，以正確處理類別 dtype。
      • 預測函式介面已改善：y_pred參數已設為選擇性。 -檔字串已改善。
    • azureml-contrib-dataset
      • 已修正無法掛接已標記數據集的錯誤。
    • azureml-core
      • 修正的錯誤 Environment.from_existing_conda_environment(name, conda_environment_name)。 使用者可以建立環境實例，該實例是本機環境的確切複本
      • 預設將時間序列相關的資料集方法變更為 include_boundary=True 。
    • azureml-train-automl-client
      • 已修正當顯示輸出設定為 false 時，不會列印驗證結果的問題。

2019-11-25

適用於 Python v1.0.76 的 Azure 機器學習 SDK

  • 重大變更

    • Azureml-Train-AutoML 升級問題
      • 從 azureml-train-automl>=1.0.76 升級至 azureml-train-automl<1.0.76 可能會導致部分安裝，導致某些 AutoML 匯入失敗。 若要解決此問題，您可以執行在 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd中找到的安裝腳本。 或者，如果您直接使用 pip，您可以：
        • “pip install --upgrade azureml-train-automl”
        • “pip install --ignore-installed azureml-train-automl-client”
      • 或者，您可以在升級之前卸載舊版本
        • “pip uninstall azureml-train-automl”
        • “pip install azureml-train-automl”

  • 錯誤修正和改善

    • azureml-automl-runtime
      • 在計算二元分類工作的平均純量計量時，AutoML 現在會同時考慮 true 和 false 類別。
      • 將 AzureML-AutoML-Core 中的機器學習和訓練程式代碼移至新的套件 AzureML-AutoML-Runtime。
    • azureml-contrib-dataset
      • 使用下載選項在標示的數據集上呼叫 to_pandas_dataframe 時，您現在可以指定是否覆寫現有的檔案。
      • 呼叫 keep_columns 或 drop_columns 會導致卸除時間序列、卷標或影像數據行時，也會卸除數據集的對應功能。
      • 已修正物件偵測工作的 pytorch 載入器問題。
    • azureml-contrib-interpret
      • 已從 azureml-contrib-interpret 移除說明儀錶板小工具，已變更套件以參考interpret_community
      • 已將 interpret-community 版本更新為 0.2.0
    • azureml-core
      • 改善的 workspace.datasets效能。
      • 已新增使用使用者名稱和密碼驗證註冊 Azure SQL 資料庫 數據存放區的功能
      • 修正從相對路徑載入 RunConfigurations。
      • 呼叫 keep_columns 或 drop_columns 會導致卸除時間序列數據行時，也會針對數據集卸除對應的功能。
    • azureml-interpret
      • 已將 interpret-community 版本更新為 0.2.0
    • azureml-pipeline-steps
      • 記載 Azure runconfig_pipeline_params 機器學習管線步驟的支援值。
    • azureml-pipeline-core
      • 已新增 CLI 選項，以 Json 格式下載管線命令的輸出。
    • azureml-train-automl
      • 將 AzureML-Train-AutoML 分割成兩個套件：用戶端套件 AzureML-Train-AutoML-Client 和 ML 訓練套件 AzureML-Train-AutoML-Runtime
    • azureml-train-automl-client
      • 已新增精簡用戶端來提交 AutoML 實驗，而不需要在本機安裝任何機器學習相依性。
      • 已修正遠端執行中自動偵測到延遲、滾動視窗大小和最大地平線的記錄。
    • azureml-train-automl-runtime
      • 已新增 AutoML 套件，以隔離機器學習和運行時間元件與用戶端。
    • azureml-contrib-train-rl
      • 已在 SDK 中新增增強式學習支援。
      • 已在 RL SDK 中新增 AmlWindowsCompute 支援。

2019-11-11

適用於 Python v1.0.74 的 Azure 機器學習 SDK

  • 預覽功能

    • azureml-contrib-dataset
      • 匯入 azureml-contrib-dataset 之後，您可以呼叫 Dataset.Labeled.from_json_lines ，而不是 ._Labeled 建立標示的數據集。
      • 使用下載選項在標示的數據集上呼叫 to_pandas_dataframe 時，您現在可以指定是否覆寫現有的檔案。
      • 呼叫 keep_columns 或 drop_columns 會導致卸除時間序列、卷標或影像數據行時，也會卸除數據集的對應功能。
      • 已修正呼叫 時 dataset.to_torchvision()PyTorch 載入器的問題。

  • 錯誤修正和改善

    • azure-cli-ml
      • 已將模型分析新增至預覽 CLI。
      • 修正導致 Azure 機器學習 CLI 失敗的 Azure 儲存體 重大變更。
      • 已將負載平衡器類型新增至 AKS 類型的 MLC
    • azureml-automl-core
      • 已修正在時間序列上偵測最大地平線的問題，並具有遺漏值和多個粒紋。
      • 已修正在產生交叉驗證分割期間發生失敗的問題。
      • 將本節取代為 Markdown 格式的訊息，以出現在版本資訊中：-改進預測數據集中簡短粒紋的處理。
      • 已修正在記錄期間遮罩某些使用者信息的問題。 -已改善預測執行期間錯誤的記錄。
      • 將 psutil 新增為 conda 相依性至自動產生的 yml 部署檔案。
    • azureml-contrib-mir
      • 修正 Azure 儲存體 中斷性變更，導致 Azure 機器學習 CLI 失敗。
    • azureml-core
      • 修正導致 Azure Functions 上部署模型產生 500 秒的錯誤。
      • 已修正快照集上未套用 amlignore 檔案的問題。
      • 已新增 API amlcompute.get_active_runs，以傳回產生器，以在指定的 amlcompute 上執行和佇列執行。
      • 已將負載平衡器類型新增至 AKS 類型的 MLC。
      • 已將 append_prefix bool 參數新增至 run.py 中的 download_files，並在 artifacts_client 中新增download_artifacts_from_prefix。 此旗標是用來選擇性地扁平化原始檔案路徑，因此只會將檔案或資料夾名稱新增至output_directory
      • 修正數據集使用量的 run_config.yml 還原串行化問題。
      • 呼叫 keep_columns 或 drop_columns 會導致卸除時間序列數據行時，也會針對數據集卸除對應的功能。
    • azureml-interpret
      • 已將解譯社群版本更新為 0.1.0.3
    • azureml-train-automl
      • 已修正automl_step可能無法列印驗證問題的問題。
      • 已修正即使模型的環境在本機遺失相依性，仍register_model成功。
      • 已修正某些遠端執行未啟用 Docker 的問題。
      • 新增導致本機執行過早失敗的例外狀況記錄。
    • azureml-train-core
      • 請考慮在計算自動超參數微調最佳子回合時執行resume_from。
    • azureml-pipeline-core
      • 已修正管線自變數建構中的參數處理。
      • 已新增管線描述和步驟類型 yaml 參數。
      • 管線步驟的新 yaml 格式，並新增舊格式的淘汰警告。

2019-11-04

Web 體驗

共同作業工作區登陸頁面https://ml.azure.com已增強並重新命名為 Azure Machine Learning 工作室。

您可以從 Studio 定型、測試、部署及管理 Azure 機器學習 資產，例如數據集、管線、模型、端點等等。

從 Studio 存取下列 Web 型撰寫工具：

Web 型工具 描述
筆記本 VM（預覽） 完全受控的雲端式工作站
自動化機器學習 服務 （預覽） 自動化機器學習模型開發沒有程式碼體驗
設計工具 拖放機器學習模型化工具先前稱為可視化介面

Azure 機器學習 設計工具增強功能

  • 先前稱為可視化介面
  • 11 個新 模組 ，包括推薦程式、分類器和訓練公用程式，包括特徵工程、交叉驗證和數據轉換。

R SDK

數據科學家和 AI 開發人員會使用適用於 R 的 Azure 機器學習 SDK，透過 Azure 機器學習 建置和執行機器學習工作流程。

適用於 R 的 Azure 機器學習 SDK 會reticulate使用 套件系結至 Python SDK。 藉由直接系結至 Python，SDK for R 可讓您從您選擇的任何 R 環境存取 Python SDK 中實作的核心物件和方法。

SDK 的主要功能包括：

  • 管理雲端資源，以監視、記錄和組織機器學習實驗。
  • 使用雲端資源定型模型，包括 GPU 加速模型定型。
  • 將您的模型部署為 Azure 容器執行個體 （ACI） 和 Azure Kubernetes Service （AKS） 上的 Web 服務。

如需完整檔， 請參閱套件網站 。

Azure 機器學習 與 Event Grid 整合

Azure 機器學習 現在是事件方格的資源提供者，您可以透過 Azure 入口網站 或 Azure CLI 設定機器學習事件。 使用者可以建立事件以進行執行完成、模型註冊、模型部署，以及偵測到的數據漂移。 這些事件可以路由傳送至事件方格支援的事件處理程式以供取用。 如需詳細資訊，請參閱機器學習事件 架構 和 教學 課程文章。

2019-10-31

適用於 Python v1.0.72 的 Azure 機器學習 SDK

  • 新功能

    • 透過 azureml-datadrift 套件新增數據集監視器，允許監視數據漂移或其他統計變更的時間序列數據集。 如果偵測到漂移或符合數據的其他條件，可以觸發警示和事件。 請參閱我們的文件取得詳細資訊。

    • 在 Azure 機器學習 中宣佈兩個新版本（也稱為 SKU 交換）。 在此版本中，您現在可以建立基本或企業 Azure 機器學習 工作區。 所有現有的工作區都會預設為 Basic 版本，而且您可以隨時移至 Azure 入口網站 或 Studio 來升級工作區。 您可以從 Azure 入口網站 建立基本或企業工作區。 請閱讀 我們的檔 以深入瞭解。 從 SDK 中，您可以使用工作區物件的 「sku」 屬性來判斷工作區的版本。

    • 我們也對 Azure 機器學習 計算做了增強功能 - 除了檢視診斷記錄以進行偵錯之外，您現在可以檢視叢集的計量（例如節點總數、執行中的節點、核心配額總計）。 此外，您也可以檢視叢集上目前執行或已排入佇列的執行，以及叢集上各種節點的IP等詳細數據。 您可以在入口網站中或使用 SDK 或 CLI 中的對應函式來檢視這些專案。

    • 預覽功能

      • 我們會在 Azure 機器學習 Compute 中發行本機 SSD 磁碟加密的預覽支援。 提出技術支援票證，讓您的訂用帳戶允許使用此功能。
      • Azure 機器學習 Batch 推斷的公開預覽。 Azure 機器學習 Batch 推斷是以不區分時間的大型推斷作業為目標。 Batch 推斷可為異步應用程式提供符合成本效益的推斷計算調整，並提供無與倫比的輸送量。 它已針對大型數據集合的高輸送量、引發和忘記推斷進行優化。
      • azureml-contrib-dataset
        • 已啟用已標記數據集的功能
        import azureml.core
from azureml.core import Workspace, Datastore, Dataset
import azureml.contrib.dataset
from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask

# create a labeled dataset by passing in your JSON lines file
dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)

# download or mount the files in the `image_url` column
dataset.download()
dataset.mount()

# get a pandas dataframe
from azureml.data.dataset_type_definitions import FileHandlingOption
dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)

# get a Torchvision dataset
dataset.to_torchvision()

  • 錯誤修正和改善

    • azure-cli-ml
      • CLI 現在支援模型封裝。
      • 已新增數據集 CLI。 如需詳細資訊： az ml dataset --help
      • 已新增在沒有 InferenceConfig 實例的情況下部署和封裝支援模型的支援（ONNX、scikit-learn 和 TensorFlow）。
      • 已在 SDK 和 CLI 中新增服務部署 （ACI 和 AKS） 的覆寫旗標。 如果提供，如果服務已有名稱，則會覆寫現有的服務。 如果服務不存在，將會建立新的服務。
      • 模型可以註冊兩個新的架構 Onnx 和 TensorFlow。 - 模型註冊接受模型的範例輸入數據、範例輸出數據和資源組態。
    • azureml-automl-core
      • 只有在設定運行時間條件約束時，才會在子進程中執行反覆專案定型。
      • 已新增預測工作的護欄，以檢查指定的max_horizon是否在指定的計算機上造成記憶體問題。 如果將會，則會顯示護欄訊息。
      • 已新增對複雜頻率的支援，例如兩年和一個月。 -如果無法判斷 frequency，則新增可理解的錯誤訊息。
      • 新增 azureml-defaults 以自動產生的 conda env 來解決模型部署失敗
      • 允許 Azure 機器學習 Pipeline 中的元數據轉換成表格式數據集，並在 中使用AutoMLStep。
      • 已實作串流的數據行用途更新。
      • 已針對串流實作 Imputer 和 HashOneHotEncoder 的轉換器參數更新。
      • 已將目前的數據大小和所需的最小數據大小新增至驗證錯誤訊息。
      • 更新交叉驗證所需的最小數據大小，以確保每個驗證折疊中至少兩個樣本。
    • azureml-cli-common
      • CLI 現在支援模型封裝。
      • 模型可以註冊兩個新的架構 Onnx 和 TensorFlow。
      • 模型註冊會接受模型的範例輸入數據、範例輸出數據和資源組態。
    • azureml-contrib-gbdt
      • 已修正筆記本的發行通道
      • 已針對不支援的非 AmlCompute 計算目標新增警告
      • 已將 LightGMB 估算器新增至 azureml-contrib-gbdt 套件
    • azureml-core
      • CLI 現在支援模型封裝。
      • 新增已淘汰數據集 API 的淘汰警告。 請參閱 數據集 API 變更注意事項。https://aka.ms/tabular-dataset
      • 如果已註冊數據集，請變更 Dataset.get_by_id 以傳回註冊名稱和版本。
      • 修正 ScriptRunConfig 與數據集為自變數無法重複用來提交實驗執行的 Bug。
      • 在執行期間擷取的數據集將會追蹤，而且可以在執行詳細數據頁面中或執行完成後呼叫 run.get_details() 來查看。
      • 允許 Azure 機器學習 Pipeline 中的元數據轉換成表格式數據集，並在 中使用AutoMLStep。
      • 已新增在沒有 InferenceConfig 實例的情況下部署和封裝支援模型的支援（ONNX、scikit-learn 和 TensorFlow）。
      • 已在 SDK 和 CLI 中新增服務部署 （ACI 和 AKS） 的覆寫旗標。 如果提供，如果服務已有名稱，則會覆寫現有的服務。 如果服務不存在，將會建立新的服務。
      • 模型可以註冊兩個新的架構 Onnx 和 TensorFlow。 模型註冊會接受模型的範例輸入數據、範例輸出數據和資源組態。
      • 已為 適用於 MySQL 的 Azure 資料庫 新增數據存放區。 已新增在 Azure 機器學習 Pipelines 中使用 DataTransferStep 適用於 MySQL 的 Azure 資料庫 的範例。
      • 已新增功能以新增和移除實驗中的標籤新增功能以移除執行中的標籤
      • 已在 SDK 和 CLI 中新增服務部署 （ACI 和 AKS） 的覆寫旗標。 如果提供，如果服務已有名稱，則會覆寫現有的服務。 如果服務不存在，將會建立新的服務。
    • azureml-datadrift
      • 從 azureml-contrib-datadrift 移至 azureml-datadrift
      • 新增了監視漂移和其他統計量值時間序列數據集的支援
      • 新的方法和 create_from_model()create_from_dataset() 類別 DataDriftDetector 。 create() 方法已遭取代。
      • 調整 Azure Machine Learning 工作室 中 Python 和 UI 中的視覺效果。
      • 除了數據集監視器每天之外，還支援每周和每月監視排程。
      • 支援資料監視器計量的回填，以分析數據集監視器的歷史數據。
      • 各種錯誤修正
    • azureml-pipeline-core
      • 不再需要 azureml-dataprep，即可從管線檔案提交 Azure 機器學習 Pipeline yaml 執行。
    • azureml-train-automl
      • 新增 azureml-defaults 以自動產生的 conda env 來解決模型部署失敗
      • AutoML 遠端訓練現在包含 azureml-defaults，以允許重複使用定型 env 進行推斷。
    • azureml-train-core
      • 已在估算器中 PyTorch 新增 PyTorch 1.3 支援

2019-10-21

視覺介面 （預覽）

  • Azure 機器學習 可視化介面（預覽版）已徹底改革，以在 Azure 機器學習 管線上執行。 在可視化介面中撰寫的管線（先前稱為實驗）現在已與核心 Azure 機器學習 體驗完全整合。

    • SDK 資產的整合管理體驗
    • 可視化介面模型、管線和端點的版本設定和追蹤
    • 重新設計的 UI
    • 已新增批次推斷部署
    • 已新增 Azure Kubernetes Service （AKS） 支援推斷計算目標
    • 新的 Python 步驟管線撰寫工作流程
    • 視覺效果撰寫工具的新登陸頁面

  • 新模組

    • 套用數學運算
    • 套用 SQL 轉換
    • 裁剪值
    • 摘要數據
    • 從 SQL 資料庫 匯入

2019-10-14

適用於 Python v1.0.69 的 Azure 機器學習 SDK

  • 錯誤修正和改善
    • azureml-automl-core
      • 將模型說明限制為最佳執行，而不是計算每個回合的說明。 針對本機、遠端和ADB進行此行為變更。
      • 已新增UI隨選模型說明的支援
      • 已將 psutil 新增為 的 automl 相依性，並將 psutil 新增為 amlcompute 中的 conda 相依性。
      • 已修正預測數據集上啟發學習延遲和滾動視窗大小的問題，其中某些數列可能會導致線性代數錯誤
        • 已新增預測回合中啟發學習判斷參數的列印。
    • azureml-contrib-datadrift
      • 如果數據集層級漂移不在第一個區段中，則在建立輸出計量時新增了保護。
    • azureml-contrib-interpret
      • azureml-contrib-explain-model 套件已重新命名為 azureml-contrib-interpret
    • azureml-core
      • 已新增 API 以取消註冊數據集。 dataset.unregister_all_versions()
      • azureml-contrib-explain-model 套件已重新命名為 azureml-contrib-interpret。
    • azureml-core
      • 已新增 API 以取消註冊數據集。 數據。unregister_all_versions（）.
      • 已新增數據集 API 來檢查資料變更的時間。 dataset.data_changed_time.
      • 能夠在 FileDataset Azure 機器學習 Pipeline 中使用 和 TabularDataset 作為 、 EstimatorStep和 HyperDriveStep 的輸入PythonScriptStep
      • FileDataset.mount已針對具有大量檔案的資料夾改善效能
      • 能夠在 Azure 機器學習 管線中使用 FileDataset 和 TabularDataset 做為 PythonScriptStep、EstimatorStep 和 HyperDriveStep 的輸入。
      • FileDataset 的效能。mount（） 已針對具有大量檔案的資料夾進行改善
      • 已將 URL 新增至執行詳細數據中的已知錯誤建議。
      • 修正了run.get_metrics如果執行有太多子系的要求會失敗的 Bug
      • 修正了run.get_metrics如果執行有太多子系的要求會失敗的 Bug
      • 已新增對 Arcadia 叢集驗證的支援。
      • 建立 Experiment 物件會在 Azure 機器學習 工作區中取得或建立實驗，以進行執行歷程記錄追蹤。 實驗標識碼和封存時間會在建立時填入 Experiment 物件中。 範例：experiment = Experiment（workspace， “New Experiment”） experiment_id = experiment.id archive（） 和 reactivate（） 是可在實驗上呼叫的函式，以隱藏和還原實驗，以在 UX 中顯示或依預設在呼叫清單中傳回實驗。 如果以與封存實驗相同的名稱建立新實驗，您可以藉由傳遞新名稱重新啟用時重新命名封存實驗。 只有一個具有指定名稱的作用中實驗。 範例：experiment1 = Experiment（workspace， “Active Experiment”） experiment1.archive（） # 建立與封存相同名稱的新使用中實驗。 experiment2。 = Experiment（workspace， “Active Experiment”） experiment1.reactivate（new_name=“Previous Active Experiment”） 實驗上的靜態方法列表（） 可以接受名稱篩選和 ViewType 篩選。 ViewType 值為 “ACTIVE_ONLY”、“ARCHIVED_ONLY” 和 “ALL” 範例：archived_experiments = Experiment.list（workspace， view_type=“ARCHIVED_ONLY”） all_first_experiments = Experiment.list（workspace， name=“First Experiment”， view_type=“ALL”）
      • 支援使用環境進行模型部署和服務更新
    • azureml-datadrift
      • DataDriftDector 類別的 show 屬性不再支援選擇性自變數 'with_details'。 show 屬性只會呈現特徵數據行的數據漂移係數和數據漂移貢獻。
      • DataDriftDetector 屬性 'get_output' 行為變更：
        • 輸入參數start_time，end_time是選擇性的，而不是強制性的;
        • 在相同的叫用中輸入特定start_time和/或end_time與特定run_id會導致值錯誤例外狀況，因為它們互斥
        • 透過輸入特定的start_time和/或end_time，只會傳回排程執行的結果;
        • 參數 『daily_latest_only』 已被取代。
      • 支援擷取以數據集為基礎的數據漂移輸出。
    • azureml-explain-model
      • 將 AzureML-explain-model 套件重新命名為 AzureML-interpret，讓舊套件保持為目前回溯相容性
      • 已修正 automl 原始說明設定為分類工作的 Bug，而不是從 ExplanationClient 下載時預設回歸
      • 新增要直接使用 建立的支援ScoringExplainerMimicWrapper
    • azureml-pipeline-core
      • 改善大型管線建立的效能
    • azureml-train-core
      • 在 TensorFlow 估算器中新增 TensorFlow 2.0 支援
    • azureml-train-automl

      • 建立 Experiment 物件會在 Azure 機器學習 工作區中取得或建立實驗，以進行執行歷程記錄追蹤。 實驗標識碼和封存時間會在建立時填入 Experiment 物件中。 範例：

        experiment = Experiment(workspace, "New Experiment")
experiment_id = experiment.id

        archive（） 和 reactivate（） 是可在實驗上呼叫的函式，以隱藏和還原實驗，以在 UX 中顯示或預設在清單實驗的呼叫中傳回。 如果以與封存實驗相同的名稱建立新實驗，您可以藉由傳遞新名稱重新啟用時重新命名封存實驗。 只有一個具有指定名稱的作用中實驗。 範例：

        experiment1 = Experiment(workspace, "Active Experiment")
experiment1.archive()
# Create new active experiment with the same name as the archived.
experiment2 = Experiment(workspace, "Active Experiment")
experiment1.reactivate(new_name="Previous Active Experiment")

        實驗上的靜態方法 list（） 可以接受名稱篩選和 ViewType 篩選。 ViewType 值為 “ACTIVE_ONLY”、“ARCHIVED_ONLY” 和 “ALL”。 範例：

        archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")

      • 支援使用環境進行模型部署和服務更新。

    • azureml-datadrift
      • DataDriftDetector 類別的 show 屬性不再支持選擇性自變數 'with_details'。 show 屬性只會呈現特徵數據行的數據漂移係數和數據漂移貢獻。
      • DataDriftDetector 函式 [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-） 行為變更：
        • 輸入參數start_time，end_time是選擇性的，而不是強制性的;
        • 具有相同叫用中特定run_id的特定start_time和/或end_time會導致值錯誤例外狀況，因為它們互斥;
        • 透過輸入特定的start_time和/或end_time，只會傳回排程執行的結果;
        • 參數 『daily_latest_only』 已被取代。
      • 支援擷取以數據集為基礎的數據漂移輸出。
    • azureml-explain-model
      • 新增使用 MimicWrapper 直接建立的 ScoringExplainer 支援
    • azureml-pipeline-core
      • 改善大型管線建立的效能。
    • azureml-train-core
      • 已新增 TensorFlow 估算器中的 TensorFlow 2.0 支援。
    • azureml-train-automl
      • 當安裝反覆項目失敗時，父執行將不再失敗，因為協調流程已經負責處理。
      • 已新增 AutoML 實驗的 local-docker 和 local-conda 支援
      • 已新增 AutoML 實驗的 local-docker 和 local-conda 支援。

2019 年 10 月 8 日

Azure 機器學習 工作區的新 Web 體驗 （預覽）

新工作區入口網站中的 [實驗] 索引標籤已更新，讓數據科學家可以更高效的方式監視實驗。 您可以探索下列功能：

  • 實驗元數據，以輕鬆篩選和排序實驗清單
  • 簡化且高效能的實驗詳細數據頁面，可讓您可視化及比較執行
  • 執行詳細數據頁面的新設計，以瞭解並監視您的訓練回合

2019-09-30

適用於 Python v1.0.65 的 Azure 機器學習 SDK

  • 新功能

    • 已新增策劃的環境。 這些環境已預先設定一般機器學習工作的連結庫，並已預先建置並快取為 Docker 映射，以加快執行速度。 它們預設會出現在工作區的環境清單中，其前置詞為 “AzureML”。
    • 已新增策劃的環境。 這些環境已預先設定一般機器學習工作的連結庫，並已預先建置並快取為 Docker 映射，以加快執行速度。 它們預設會出現在 工作區的環境清單中，其前置詞為 “AzureML”。

  • azureml-train-automl

  • azureml-train-automl

    • 已新增ADB和 HDI 的 ONNX 轉換支援

  • 預覽功能

    • azureml-train-automl

    • azureml-train-automl

      • 支援的 BERT 和 BiLSTM 作為文字特徵化程式 （僅限預覽）
      • 針對資料行用途和轉換器參數支援特徵化自訂 （僅限預覽）
      • 當使用者在定型期間啟用模型說明時支援的原始說明 （僅限預覽）
      • 已將先知新增為 timeseries 可訓練的管線進行預測 （僅限預覽）

    • azureml-contrib-datadrift

      • 從 azureml-contrib-datadrift 重新放置至 azureml-datadrift 的套件;未來 contrib 版本將會移除套件

  • 錯誤修正和改善

    • azureml-automl-core
      • 已介紹 AutoMLConfig 和 AutoMLBase 的 FeaturizationConfig 設定
      • 已介紹 AutoMLConfig 和 AutoMLBase 的 FeaturizationConfig 設定
        • 使用指定的數據行和功能類型覆寫特徵化的數據行用途
        • 覆寫轉換器參數
      • 已新增 explain_model（） 和 retrieve_model_explanations（） 的淘汰訊息
      • 將先知新增為可訓練的管線（僅限預覽）
      • 已新增 explain_model（） 和 retrieve_model_explanations（） 的淘汰訊息。
      • 將先知新增為可訓練的管線（僅限預覽）。
      • 新增了自動偵測目標延隔時間、滾動視窗大小和最大地平線的支援。 如果其中一個target_lags、target_rolling_window_size或max_horizon設定為 『auto』，則會套用啟發學習法來根據定型數據估計對應參數的值。
      • 修正當數據集包含一個粒紋數據行時，此粒紋是數值類型，而且定型和測試集之間有差距
      • 已修正預測工作中遠端執行中重複索引的相關錯誤訊息
      • 已修正當數據集包含一個粒紋數據行時，此粒紋是數值類型，而且定型和測試集之間有差距。
      • 已修正預測工作中遠端執行中重複索引的相關錯誤訊息。
      • 已新增防護欄，以檢查數據集是否不平衡。 如果是，則會將護欄訊息寫入主控台。
    • azureml-core
      • 已新增透過模型物件擷取記憶體中模型SAS URL的功能。 例如：model.get_sas_url（）
      • 介紹 run.get_details()['datasets'] 如何取得與提交執行相關聯的數據集
      • 新增 API Dataset.Tabular.from_json_lines_files 以從 JSON Lines 檔案建立 TabularDataset。 若要瞭解 TabularDataset 上 JSON Lines 檔案中的這個表格式數據，請流覽 本文 以取得檔。
      • 已將其他 VM 大小欄位（OS 磁碟、GPU 數目）新增至 supported_vmsizes （） 函式
      • 已將更多欄位新增至 list_nodes （） 函式，以顯示執行、私用和公用 IP、埠等。
      • 能夠在叢集布建期間指定新欄位 --remotelogin_port_public_access，視您想要在建立叢集時讓 SSH 埠保持開啟或關閉而定，可以設定為啟用或停用。 如果您未指定，服務會根據您是否在 VNet 內部署叢集，以智慧方式開啟或關閉埠。
    • azureml-explain-model
    • azureml-core
      • 已新增透過模型物件擷取記憶體中模型SAS URL的功能。 例如：模型。get_sas_url（）
      • 介紹執行。get_details['datasets'] 以取得與提交執行相關聯的數據集
      • 新增 API Dataset.Tabular。from_json_lines_files（） 從 JSON Lines 檔案建立 TabularDataset。 若要瞭解 TabularDataset 上 JSON Lines 檔案中的這個表格式數據，請瀏覽https://aka.ms/azureml-data 檔。
      • 已將其他 VM 大小欄位（OS 磁碟、GPU 數目）新增至 supported_vmsizes（） 函式
      • 已將其他欄位新增至 list_nodes（） 函式，以顯示執行、私用和公用IP、埠等。
      • 能夠在叢集佈建期間指定新的欄位，視您想要在建立叢集時讓 SSH 埠保持開啟或關閉而定，設定為啟用或停用。 如果您未指定，服務會根據您是否在 VNet 內部署叢集，以智慧方式開啟或關閉埠。
    • azureml-explain-model
      • 已改善分類案例中說明輸出的檔。
      • 已新增在評估範例說明上上傳預測 y 值的功能。 解除鎖定更實用的視覺效果。
      • 已將 explainer 屬性新增至 MimicWrapper，以啟用基礎 MimicExplainer。
    • azureml-pipeline-core
      • 已新增筆記本來描述 Module、ModuleVersion 和 ModuleStep
    • azureml-pipeline-steps
      • 已新增 RScriptStep 以支援透過 AML 管線執行的 R 腳本。
      • 已修正 AzureBatchStep 中剖析的元數據參數，導致錯誤訊息「未指定參數 SubscriptionId 的指派」。
    • azureml-train-automl
      • 支援的數據輸入格式training_data、validation_data、label_column_name weight_column_name
      • 已新增 explain_model（） 和 retrieve_model_explanations（） 的淘汰訊息
    • azureml-pipeline-core
    • azureml-pipeline-steps
      • 已新增 RScriptStep 以支援透過 AML 管線執行的 R 腳本。
      • 已修正 [AzureBatchStep] 中剖析的元數據參數，導致錯誤訊息「未指定參數 SubscriptionId 的指派」。
    • azureml-train-automl
      • 支援training_data、validation_data、label_column_name weight_column_name作為數據輸入格式。
      • 已新增 explain_model（） 和 retrieve_model_explanations（） 的淘汰訊息。

2019-09-16

Azure 機器學習 SDK for Python v1.0.62

  • 新功能

  • 錯誤修正和改善

    • azureml-automl-core
      • 已取代 AutoML 設定 'lag_length' 和 LaggingTransformer。
      • 修正了以數據流格式指定輸入數據的正確驗證
      • 修改fit_pipeline.py以產生圖形 json 並上傳至成品。
      • 使用 Cytoscape呈現下方userrun的圖形。
    • azureml-core
      • 重新流覽 ADB 程式代碼中的例外狀況處理，並根據新的錯誤處理進行變更
      • 已新增筆記本 VM 的自動 MSI 驗證。
      • 修正因為重試失敗而可能會上傳損毀或空白模型的 Bug。
      • DataReference已修正當模式變更時DataReference名稱變更的錯誤（例如，呼叫as_upload、 as_download或 as_mount時）。
      • 針對和 進行和mount_pointtarget_path選擇性FileDataset.mount。FileDataset.download
      • 如果呼叫時間序列相關 API 而未指派精細時間戳數據行，或卸除指派的時間戳數據行，則找不到時間戳數據行的例外狀況。
      • 時間序列數據行應指派類型為 Date 的數據行，否則會預期例外狀況
      • 指派 API 'with_timestamp_columns' 的時間序列資料行可以接受 None 值精細/粗略時間戳數據行名稱，以清除先前指派的時間戳數據行。
      • 當卸除粗粒或精細時間戳數據行時，例外狀況將會擲回，並指出使用者可以在卸除清單中排除時間戳數據行之後卸除時間戳數據行，或呼叫無值釋放時間戳數據行的 with_time_stamp
      • 當保留數據行清單中未包含粗細的粒紋或精細時間戳數據行時，例外狀況將會擲回，並指示使用者在將時間戳數據行包含在保留數據行清單中之後完成保留，或呼叫具有 None 值來釋放時間戳數據行的with_time_stamp。
      • 已新增已註冊模型大小的記錄。
    • azureml-explain-model
      • 已修正未安裝「封裝」Python 套件時列印到控制台的警告：「使用比支援的 lightgbm 版本舊版本，請升級至大於 2.2.1 的版本」
      • 已修正具有許多功能之全域說明的分區化下載模型說明
      • 已修正輸出說明上的模擬解釋器遺漏初始化範例
      • 已修正使用兩種不同類型的模型上傳說明用戶端時，設定屬性的固定錯誤
      • 已將get_raw參數新增至評分 explainer.explain（），因此一個評分解釋器可以傳回工程和原始值。
    • azureml-train-automl
      • 從 AutoML 引進公用 API，以支援 automl 來自說明 SDK 的說明 - 透過分離 AutoML 特徵化支援 AutoML 說明的較新方式，並說明 SDK - Azureml 說明 SDK for AutoML 模型的整合原始說明支援。
      • 從遠端訓練環境移除 azureml-defaults。
      • 已將預設快取存放區位置從 FileCacheStore 變更為 Azure Databricks 程式代碼路徑上的 AutoML 的 AzureFileCacheStore 位置。
      • 修正了以數據流格式指定輸入數據的正確驗證
    • azureml-train-core

      • 已還原source_directory_data_store淘汰。

      • 已新增覆寫已安裝 azureml 套件版本的功能。

      • 已在估算器中的 參數中 environment_definition 新增 dockerfile 支援。

      • 簡化估算器中的分散式定型參數。

        from azureml.train.dnn import TensorFlow, Mpi, ParameterServer

2019-09-09

Azure 機器學習 工作區的新 Web 體驗 （預覽）

新的 Web 體驗可讓數據科學家和數據工程師完成其端對端機器學習生命週期，從準備和可視化數據到在單一位置定型和部署模型。

Azure 機器學習 工作區 UI （預覽）

主要功能：

使用這個新的 Azure 機器學習 介面，您現在可以：

在此版本中，支援下列瀏覽器：Chrome、Firefox、Safari 和 Microsoft Edge Preview。

已知問題：

  1. 如果您看到「發生問題，請重新整理瀏覽器！ 部署進行時，載入區塊檔案時發生錯誤。

  2. 無法在筆記本和檔案中刪除或重新命名檔案。 在公開預覽期間，您可以使用 Notebook VM 中的 Jupyter UI 或終端機來執行更新檔案作業。 因為它是掛接的網路文件系統所有變更，所以您在 Notebook VM 上所做的變更會立即反映在 Notebook 工作區中。

  3. 若要透過 SSH 連線到 Notebook VM：

    1. 尋找在 VM 設定期間建立的 SSH 金鑰。 或者，在 Azure 機器學習 工作區>中尋找金鑰，開啟 [計算] 索引卷標的> [筆記本 VM] 以>開啟其屬性：從對話框複製密鑰。
    2. 將這些公用和私人SSH 金鑰匯入本機電腦。
    3. 使用它們透過 SSH 連線到 Notebook VM。

2019-09-03

適用於 Python v1.0.60 的 Azure 機器學習 SDK

  • 新功能

    • 引進了 FileDataset，其會參考數據存放區或公用 URL 中的單一或多個檔案。 檔案可以是任何格式。 FileDataset 可讓您下載或掛接檔案到您的計算。
    • 已新增 PythonScript 步驟、Adla 步驟、Databricks 步驟、DataTransferStep 和 AzureBatch 步驟的管線 Yaml 支援

  • 錯誤修正和改善

    • azureml-automl-core

      • AutoArima 現在是僅供預覽的建議管線。
      • 改善預測的錯誤報告。
      • 使用自定義例外狀況來改善記錄，而不是在預測工作中使用泛型。
      • 已移除max_concurrent_iterations的檢查，小於反覆項目總數。
      • AutoML 模型現在會傳回 AutoMLExceptions
      • 此版本可改善自動化機器學習本機執行的執行效能。

    • azureml-core

      • 引進 Dataset.get_all（workspace），其會傳回以其註冊名稱索引鍵的 TabularDataset 和 FileDataset 物件的字典。
      workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']

      • 將作為和Dataset.Tabular.from_parquet.files的Dataset.Tabular.from_delimited_files自變數引進parition_format。 每個數據路徑的數據分割資訊會根據指定的格式擷取到數據行。 '{column_name}' 會建立字符串數據行，而 '{column_name：y/MM/dd/HH/mm/ss}' 會建立 datetime 數據行，其中 'yyyy'、'MM'、'dd'、'HH'、'mm' 和 'ss' 用於擷取日期時間類型的年、月、日、小時、分鐘和秒。 partition_format應該從第一個分割區索引鍵的位置開始，直到檔案路徑的結尾。 例如，假設路徑為 『.。/USA/2019/01/01/data.csv'，其中分割區依國家/地區和時間，partition_format='/{Country}/{PartitionDate：yyyy/MM/dd}/data.csv' 會建立具有值 'USA' 的字符串數據行 'Country'，而日期時間數據行 'PartitionDate' 的值為 '2019-01-01'。

        workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']

      • 將作為和Dataset.Tabular.from_parquet.files的Dataset.Tabular.from_delimited_files自變數引進partition_format。 每個數據路徑的數據分割資訊會根據指定的格式擷取到數據行。 '{column_name}' 會建立字符串數據行，而 '{column_name：y/MM/dd/HH/mm/ss}' 會建立 datetime 數據行，其中 'yyyy'、'MM'、'dd'、'HH'、'mm' 和 'ss' 用於擷取日期時間類型的年、月、日、小時、分鐘和秒。 partition_format應該從第一個分割區索引鍵的位置開始，直到檔案路徑的結尾。 例如，假設路徑為 『.。/USA/2019/01/01/data.csv'，其中分割區依國家/地區和時間，partition_format='/{Country}/{PartitionDate：yyyy/MM/dd}/data.csv' 會建立具有值 'USA' 的字符串數據行 'Country'，而日期時間數據行 'PartitionDate' 的值為 '2019-01-01'。

      • to_csv_files 與 to_parquet_files 方法已新增到 TabularDataset。 這些方法可將數據轉換成指定格式的檔案，以在 和 FileDataset 之間TabularDataset轉換。

      • 儲存 Model.package（） 所產生的 Dockerfile 時，自動登入基底映射登錄。

      • 不再需要 『gpu_support』;AML 現在會在可用時自動偵測並使用 nvidia docker 擴充功能。 未來的版本將予以移除。

      • 已新增建立、更新及使用 PipelineDrafts 的支援。

      • 此版本可改善自動化機器學習本機執行的執行效能。

      • 用戶可以依名稱從執行歷程記錄查詢計量。

      • 使用自定義例外狀況來改善記錄，而不是在預測工作中使用泛型。

    • azureml-explain-model

      • 已將feature_maps參數新增至新的 MimicWrapper，讓用戶能夠取得原始的功能說明。
      • 數據集上傳現在預設為關閉，以便說明上傳，而且可以使用 upload_datasets=True 重新啟用
      • 已將 「is_law」篩選參數新增至說明清單和下載函式。
      • 將方法 get_raw_explanation(feature_maps) 新增至全域和本機說明物件。
      • 已將版本檢查新增至 lightgbm，如果低於支援的版本，則顯示列印警告
      • 批處理說明時優化記憶體使用量
      • AutoML 模型現在會傳回 AutoMLExceptions

    • azureml-pipeline-core

      • 已新增建立、更新及使用 PipelineDrafts 的支援 - 可用來維護可變動的管線定義，並以互動方式使用這些定義來執行

    • azureml-train-automl

      • 已建立功能以安裝支援 gpu 的 pytorch v1.1.0、 cuda toolkit 9.0、pytorch-transformers 的特定版本，這是在遠端 Python 運行時間環境中啟用 BERT/ XLNet 所需的功能。

    • azureml-train-core

      • SDK 中某些超參數空間定義錯誤的早期失敗，而不是伺服器端。

Azure 機器學習 Data Prep SDK v1.1.14

  • 錯誤修正和改善
    • 已啟用使用原始路徑和認證寫入ADLS/ADLSGen2。
    • 已修正導致 include_path=True 無法運作的 read_parquetBug。
    • 已修正 to_pandas_dataframe() 例外狀況「無效的屬性值：hostSecret」所造成的失敗。
    • 已修正在Spark模式中 DBFS 上無法讀取檔案的錯誤。

2019 年 8 月 19 日

適用於 Python v1.0.57 的 Azure 機器學習 SDK

  • 新功能

    • 已啟用 TabularDataset 自動化ML取用。 若要深入瞭解 TabularDataset，請造訪https://aka.ms/azureml/howto/createdatasets.

  • 錯誤修正和改善

    • azure-cli-ml
      • 您現在可以針對 Microsoft 產生的和客戶憑證，更新 AKS 叢集上所部署評分端點的 TLS/SSL 憑證。
    • azureml-automl-core
      • 已修正 AutoML 中遺漏標籤的資料列未正確移除的問題。
      • 已改善 AutoML 中的錯誤記錄;完整錯誤訊息現在一律會寫入記錄檔。
      • AutoML 已更新其套件釘選，以包含 azureml-defaults、 azureml-explain-model和 azureml-dataprep。 AutoML 不再會在套件不相符時發出警告（除了 azureml-train-automl 套件除外）。
      • 修正了 cv 分割大小不相等導致量化計算失敗的問題 timeseries 。
      • 針對交叉驗證定型類型執行合奏反覆專案時，如果我們最終無法下載整個數據集上定型的模型，則模型權數與送入投票合奏的模型之間不一致。
      • 已修正定型和/或驗證標籤 （y 和 y_valid） 以 pandas 數據框架的形式提供但不是 numpy 陣列時引發的錯誤。
      • 已修正當輸入數據表的布爾數據行遇到 None 時，預測工作的問題。
      • 允許 AutoML 使用者卸除預測時間不夠長的訓練系列。 - 允許 AutoML 使用者從預測時不存在於定型集中的測試集卸除粒紋。
    • azureml-core
      • 已修正參數排序blob_cache_timeout的問題。
      • 已將外部大小調整和轉換例外狀況類型新增至系統錯誤。
      • 已新增遠端執行 金鑰保存庫 秘密的支援。 新增類別 azureml.core.keyvault.Keyvault ，以從與工作區相關聯的密鑰保存庫新增、取得和列出秘密。 支援的作業包括：
        • azureml.core.workspace.Workspace.get_default_keyvault（）
        • azureml.core.keyvault.Keyvault.set_secret（名稱、值）
        • azureml.core.keyvault.Keyvault.set_secrets（secrets_dict）
        • azureml.core.keyvault.Keyvault.get_secret（名稱）
        • azureml.core.keyvault.Keyvault.get_secrets（secrets_list）
        • azureml.core.keyvault.Keyvault.list_secrets（）
        • 在遠端執行期間取得預設 keyvault 並取得秘密的更多方法：
        • azureml.core.workspace.Workspace.get_default_keyvault（）
        • azureml.core.run.Run.get_secret（名稱）
        • azureml.core.run.Run.get_secrets（secrets_list）
      • 已新增其他覆寫參數以 submit-hyperdrive CLI 命令。
      • 改善 API 呼叫的可靠性，以擴充對常見要求連結庫例外狀況的重試。
      • 新增從提交的回合提交執行的支援。
      • 已修正 FileWatcher 中過期的 SAS 令牌問題，導致檔案在初始令牌過期後停止上傳。
      • 支援在數據集 Python SDK 中匯入 HTTP csv/tsv 檔案。
      • 已取代 Workspace.setup（） 方法。 向用戶顯示的警告訊息會改為使用 create（） 或 get（）/from_config（） 來建議。
      • 已新增 Environment.add_private_pip_wheel（），可讓您將私人自定義 Python 套件上傳至工作區，並安全地使用這些套件 whl來建置/具體化環境。
      • 您現在可以針對 Microsoft 產生的和客戶憑證，更新 AKS 叢集上所部署評分端點的 TLS/SSL 憑證。
    • azureml-explain-model
      • 已新增 參數，將模型標識碼新增至上傳的說明。
      • 已將標記新增 is_raw 至記憶體中的說明並上傳。
      • 已新增 azureml-explain-model 套件的 pytorch 支援和測試。
    • azureml-opendatasets
      • 支援偵測和記錄自動測試環境。
      • 已新增類別，以依縣和 zip 取得美國人口。
    • azureml-pipeline-core
      • 已將 label 屬性新增至輸入和輸出埠定義。
    • azureml-telemetry
      • 已修正不正確的遙測設定。
    • azureml-train-automl
      • 已修正安裝失敗時的錯誤，錯誤未記錄在安裝程序執行的 [錯誤] 字段中，因此不會儲存在父執行 “errors” 中。
      • 已修正 AutoML 中遺漏標籤的資料列未正確移除的問題。
      • 允許 AutoML 使用者卸除預測時間不夠長的訓練系列。
      • 允許 AutoML 使用者從預測時不存在於定型集中的測試集卸除粒紋。
      • 現在 AutoMLStep 會通過 automl 設定傳遞至後端，以避免變更或新增新的組態參數時發生任何問題。
      • AutoML Data Guardrail 現在處於公開預覽狀態。 在定型之後，使用者會看到數據防護報告（用於分類/回歸工作），也能夠透過 SDK API 加以存取。
    • azureml-train-core
      • 已在 PyTorch 估算器中新增火炬 1.2 支援。
    • azureml-widgets
      • 改善分類定型的混淆矩陣圖表。

Azure 機器學習 數據準備 SDK v1.1.12

  • 新功能

    • 字串清單現在可以當做輸入傳入 read_* 方法。

  • 錯誤修正和改善

    • 在Spark中執行時，已改善的 read_parquet 效能。
    • 已修正單一數據行中具有模棱兩可日期格式失敗的問題 column_type_builder 。

Azure 入口網站

  • 預覽功能
    • 記錄檔和輸出檔案串流現在可供執行詳細數據頁面使用。 開啟預覽切換時，檔案會即時串流更新。
    • 在工作區層級設定配額的功能會在預覽版中發行。 AmlCompute 配額是在訂用帳戶層級配置，但現在可讓您在工作區之間分配該配額，並配置該配額以供公平共用和治理。 只要按下 工作區左側導覽列中的 [Usages+Quotas ] 刀鋒視窗，然後選取 [ 設定配額] 索引 卷標。您必須是訂用帳戶管理員，才能在工作區層級設定配額，因為這是跨工作區作業。

2019-08-05

適用於 Python v1.0.55 的 Azure 機器學習 SDK

  • 新功能

    • 現在支援對 AKS 上所部署評分端點進行呼叫的令牌型驗證。 我們持續支援目前的金鑰型驗證，使用者一次可以使用其中一種驗證機制。
    • 能夠將虛擬網路後方的 Blob 記憶體註冊為數據存放區。

  • 錯誤修正和改善

    • azureml-automl-core
      • 修正錯誤，其中 CV 分割的驗證大小很小，並導致不正確的預測圖表和回歸和預測。
      • 遠端執行上預測工作的記錄已改善，現在使用者會在執行失敗時提供完整的錯誤訊息。
      • 已修正如果前置處理旗標為 True， Timeseries 則為的失敗。
      • 讓一些預測數據驗證錯誤訊息更具可操作性。
      • 藉由卸除和/或延遲載入數據集來減少 AutoML 執行的記憶體耗用量，特別是在進程繁衍之間
    • azureml-contrib-explain-model
      • 已將model_task旗標新增至說明工具，讓使用者覆寫模型類型的預設自動推斷邏輯
      • 小工具變更：使用 自動安裝 ，不再nbextension安裝contrib/啟用 - 支援全域功能重要性的說明（例如，Permutative）
      • 儀錶板變更： - 除了摘要頁面上的繪圖之外 beeswarm ，Box 繪圖和小提琴繪圖 - 在 'Top -k' 滑桿變更上更快速重新 beeswarm 呈現繪圖 - 有用的訊息說明 top-k 的計算方式 - 有用的可自定義訊息，以取代未提供數據時的圖表
    • azureml-core
      • 已新增Model.package（） 方法來建立 Docker 映像和 Dockerfiles，以封裝模型及其相依性。
      • 已更新本機 Web 服務以接受包含 Environment 物件的 InferenceConfigs。
      • 已修正在 『.』 時產生無效模型的 Model.register（）（針對目前目錄）傳遞為 model_path 參數。
      • 新增Run.submit_child，功能會鏡像 Experiment.submit，同時將執行指定為送出子執行的父代。
      • 支援 Run.register_model 中 Model.register 的組態選項。
      • 能夠在現有叢集上執行 JAR 作業。
      • 現在支援instance_pool_id和cluster_log_dbfs_path參數。
      • 已新增將模型部署至 Web 服務時使用 Environment 物件的支援。 Environment 物件現在可以做為 InferenceConfig 物件的一部分來提供。
      • 新增新區域的 appinsifht 對應 - centralus - westus - northcentralus
      • 已新增所有資料存放區類別中所有屬性的檔。
      • 已將 blob_cache_timeout 參數新增至 Datastore.register_azure_blob_container。
      • 已將save_to_directory和load_from_directory方法新增至 azureml.core.environment.Environment。
      • 已將 「az ml environment download」 和 “az ml environment register” 命令新增至 CLI。
      • 已新增Environment.add_private_pip_wheel方法。
    • azureml-explain-model
      • 已使用數據集服務將數據集追蹤新增至說明（預覽）。
      • 當串流全域說明從 10k 到 100 時，已減少預設批次大小。
      • 已將model_task旗標新增至說明工具，讓使用者覆寫模型類型的預設自動推斷邏輯。
    • azureml-mlflow
      • 已修正mlflow.azureml.build_image會忽略巢狀目錄的 Bug。
    • azureml-pipeline-steps
      • 已新增在現有 Azure Databricks 叢集上執行 JAR 作業的功能。
      • 已新增 DatabricksStep 步驟的支援instance_pool_id和cluster_log_dbfs_path參數。
      • 已新增 DatabricksStep 步驟中管線參數的支援。
    • azureml-train-automl
      • 已針對 Ensemble 相關檔案新增 docstrings 。
      • 已將檔案更新為 適用於和的更適當語言max_cores_per_iterationmax_concurrent_iterations
      • 遠端執行上預測工作的記錄已改善，現在使用者會在執行失敗時提供完整的錯誤訊息。
      • 已從管線 automlstep 筆記本中移除get_data。
      • 在中automlstep啟動支援dataprep。

Azure 機器學習 數據準備 SDK v1.1.10

  • 新功能
    • 您現在可以要求在特定數據行上執行特定偵測器（例如直方圖、散佈圖等）。
    • 已將 parallelize 自變數新增至 append_columns。 如果為 True，則數據會載入記憶體中，但執行會平行執行;如果為 False，則執行是串流處理，但單個線程。

2019-07-23

適用於 Python v1.0.53 的 Azure 機器學習 SDK

  • 新功能

    • 自動化 機器學習 現在支援在遠端計算目標上定型 ONNX 模型
    • Azure 機器學習 現在可讓您從先前的執行、檢查點或模型檔案繼續定型。

  • 錯誤修正和改善

    • azure-cli-ml
      • CLI 命令「模型部署」和「服務更新」現在接受參數、組態檔或兩者的組合。 參數的優先順序高於檔案中的屬性。
      • 註冊之後現在可以更新模型描述
    • azureml-automl-core
      • 將 NimbusML 相依性更新為 1.2.0 版本（最新版）。
      • 新增在 AutoML 估算器中使用的 NimbusML 估算器和管線支援。
      • 修正 Ensemble 選取程式中的 Bug，即使分數維持不變，也不需要增加產生的合奏。
      • 針對預測工作，啟用跨 CV 分割的一些特徵重複使用。 這可加速安裝程式的運行時間，大約是n_cross_validations的一個因素，例如延遲和滾動視窗等昂貴的特徵化。
      • 如果時間超出 Pandas 支持的時間範圍，請解決問題。 我們現在會在時間小於 pd 時引發 DataException。Timestamp.min 或大於 pd。Timestamp.max
      • 預測現在可在定型和測試集中允許不同的頻率，如果可以對齊的話。 例如，「從一月份開始的季」和「從十月份開始的季」可以對齊。
      • 屬性 「parameters」 已新增至 TimeSeriesTransformer。
      • 拿掉舊的例外狀況類別。
      • 在預測工作中， target_lags 參數現在接受單一整數值或整數清單。 如果提供整數，則只會建立一個延隔時間。 如果提供清單，則會取得延遲的唯一值。 target_lags=[1， 2， 2， 4] 會建立一個、兩個和四個句點的延遲。
      • 修正在轉換之後遺失資料行類型的 Bug（連結 Bug）：
      • 在 中 model.forecast(X, y_query)，允許y_query在開頭為包含 None（s） 的物件類型（#459519）。
      • 將預期的值新增至 automl 輸出
    • azureml-contrib-datadrift
      • 範例筆記本的改善，包括切換至 azureml-opendatasets，而不是 azureml-contrib-opendatasets 和擴充數據時的效能改善
    • azureml-contrib-explain-model
      • 已修正 AZUREml-contrib-explain-model 套件中原始特徵重要性的 LIME 解釋器轉換自變數
      • 已針對 AzureML-contrib-explain-model 套件將分割新增至影像說明中的影像說明
      • 新增 LimeExplainer 的 scipy 疏鬆支援
      • 已新增 batch_size 至模擬說明時機 include_local=False，以批次串流處理全域說明，以改善 DecisionTreeExplainableModel 的運行時間
    • azureml-contrib-featureengineering
      • 修正呼叫 set_featurizer_timeseries_params（）： 聽寫實值類型變更和 Null 檢查 - 新增筆記本以用於 timeseries 特徵化工具
      • 將 NimbusML 相依性更新為 1.2.0 版本（最新版）。
    • azureml-core
      • 已新增在 Azure 機器學習 CLI 中附加 DBFS 資料存放區的功能
      • 已修正資料存放區上傳的 Bug，如果 target_path 開頭為空的資料夾 /
      • 已修正 deepcopy ServicePrincipalAuthentication 中的問題。
      • 將 “az ml environment show” 和 “az ml environment list” 命令新增至 CLI。
      • 環境現在支援將base_dockerfile指定為已建置base_image的替代方案。
      • 未使用的 RunConfiguration 設定auto_prepare_environment已標示為已被取代。
      • 註冊之後現在可以更新模型描述
      • Bugfix：模型和映射刪除現在提供擷取上游對象的詳細資訊，這些物件會因上游相依於它們而因上游相依性而失敗。
      • 已修正針對某些環境建立工作區時所發生的部署列印空白持續時間的錯誤。
      • 改善工作區建立的失敗例外狀況。 讓使用者看不到「無法建立工作區」。 找不到...作為訊息，而是會看到實際的建立失敗。
      • 在 AKS Webservices 中新增令牌驗證的支援。
      • 將方法新增 get_token() 至 Webservice 物件。
      • 已新增 CLI 支援來管理機器學習數據集。
      • Datastore.register_azure_blob_container 現在選擇性地採用值 blob_cache_timeout （以秒為單位），以設定 blobfuse 的掛接參數，以啟用此資料存放區的快取到期時間。 默認值不會逾時，例如讀取 Blob 時，它會保留在本機快取中，直到作業完成為止。 大部分作業都偏好此設定，但某些作業需要從大型數據集讀取更多數據，而不是符合其節點上的數據。 針對這些作業，微調此參數可協助它們成功。 微調此參數時請小心：設定值太低可能會導致效能不佳，因為 epoch 中使用的數據可能會在再次使用之前過期。 所有讀取都是從 Blob 記憶體/網路完成，而不是本機快取，這會對定型時間造成負面影響。
      • 註冊之後，模型描述現在可以正確更新
      • 模型和映像刪除現在會提供有關相依於上游對象的詳細資訊，這會導致刪除失敗
      • 使用 azureml.mlflow 改善遠端執行的資源使用率。
    • azureml-explain-model
      • 已修正 AZUREml-contrib-explain-model 套件中原始特徵重要性的 LIME 解釋器轉換自變數
      • 新增 LimeExplainer 的 scipy 疏鬆支援
      • 已新增圖形線性解釋器包裝函式，並將另一個層級新增至表格式解釋器，以說明線性模型
      • 適用於解釋模型連結庫中的模擬解釋器，針對疏鬆數據輸入include_local=False 時修正錯誤
      • 將預期的值新增至 automl 輸出
      • 已修正轉換自變數提供以取得原始特徵重要性時的排列特徵重要性
      • 新增 batch_size 至模擬說明時機 include_local=False，以批次串流全域說明以改善 DecisionTreeExplainableModel 的運行時間
      • 針對模型可解釋性連結庫，固定的 blackbox 說明器需要 pandas 數據框架輸入以進行預測
      • 修正了有時會傳回浮點數而非具有浮點數清單的 Bug explanation.expected_values 。
    • azureml-mlflow
      • 改善mlflow.set_experiment效能（experiment_name）
      • 修正針對 mlflow tracking_uri 使用 InteractiveLoginAuthentication 時的錯誤
      • 使用 azureml.mlflow 改善遠端執行的資源使用率。
      • 改善 azureml-mlflow 套件的檔
      • mlflow.log_artifacts（“my_dir”） 的修補錯誤會將成品儲存在 底下 my_dir/<artifact-paths> ，而不是 <artifact-paths>
    • azureml-opendatasets
      • opendatasets釘pyarrow選到舊版 （<0.14.0）， 因為新推出的記憶體問題。
      • 將 azureml-contrib-opendatasets 移至 azureml-opendatasets。
      • 允許開放數據集類別註冊至 Azure 機器學習 工作區，並順暢地使用 AML 數據集功能。
      • 大幅改善非SPARK版本中的 NoaaIsdWeather 擴充效能。
    • azureml-pipeline-steps
      • DatabricksStep 中的輸入和輸出現在支援 DBFS 資料存放區。
      • 已更新有關輸入/輸出的 Azure Batch 步驟檔。
      • 在 AzureBatchStep 中，delete_batch_job_after_finish預設值變更為 true。
    • azureml-telemetry
      • 將 azureml-contrib-opendatasets 移至 azureml-opendatasets。
      • 允許開放數據集類別註冊至 Azure 機器學習 工作區，並順暢地使用 AML 數據集功能。
      • 大幅改善非SPARK版本中的 NoaaIsdWeather 擴充效能。
    • azureml-train-automl
      • 已更新get_output檔，以反映實際的傳回類型，並提供擷取索引鍵屬性的其他注意事項。
      • 將 NimbusML 相依性更新為 1.2.0 版本（最新版）。
      • 將預期的值新增至 automl 輸出
    • azureml-train-core
      • 字串現在已接受為自動化超參數微調的計算目標
      • 未使用的 RunConfiguration 設定auto_prepare_environment已標示為已被取代。

Azure 機器學習 Data Prep SDK v1.1.9

  • 新功能

    • 已新增直接從 HTTP 或 HTTPs URL 讀取檔案的支援。

  • 錯誤修正和改善

    • 已改善嘗試從遠端來源讀取 Parquet 資料集時的錯誤訊息（目前不支援）。
    • 已修正在 ADLS Gen 2 中寫入 Parquet 檔案格式，以及更新路徑中的 ADLS Gen 2 容器名稱時的錯誤。

2019 年 7 月 9 日

視覺化介面

  • 預覽功能
    • 已在可視化介面中新增「執行 R 腳本」模組。

適用於 Python v1.0.48 的 Azure 機器學習 SDK

  • 新功能

    • azureml-opendatasets
      • azureml-contrib-opendatasets 現在可作為 azureml-opendatasets 使用。 舊套件仍可運作，但建議您使用 azureml-opendataset， 以取得更豐富的功能和改進功能。
      • 這個新套件可讓您在 Azure 機器學習 工作區中將開啟的數據集註冊為數據集，並使用任何數據集所提供的功能。
      • 它也包含現有的功能，例如取用開放式數據集作為 Pandas/SPARK 數據框架，以及某些數據集的位置聯結，例如天氣。

  • 預覽功能

    • HyperDriveConfig 現在可以接受管線對象作為參數，以支援使用管線進行超參數微調。

  • 錯誤修正和改善

    • azureml-train-automl
      • 已修正在轉換之後遺失數據行類型的 Bug。
      • 已修正錯誤，以允許y_query成為開頭包含 None（s） 的物件類型。
      • 已修正在 Ensemble 選取程式中，即使分數維持不變，仍不必要地增加產生的合奏的問題。
      • 已修正 AutoMLStep 中允許list_models和封鎖list_models設定的問題。
      • 已修正在 Azure 機器學習 Pipelines 的內容中使用 AutoML 時，防止使用前置處理的問題。
    • azureml-opendatasets
      • 已將 azureml-contrib-opendatasets 移至 azureml-opendatasets。
      • 允許開放數據集類別註冊至 Azure 機器學習 工作區，並順暢地使用 AML 數據集功能。
      • 已大幅擴充非 SPARK 版本中的 NoaaIsdWeather 效能。
    • azureml-explain-model
      • 已更新在線檔，以取得可解釋性物件。
      • 新增 batch_size 至模擬解釋器時機 include_local=False，以批次串流全域說明，以改善 DecisionTreeExplainableModel 的運行時間，以取得模型可解釋性連結庫。
      • explanation.expected_values修正此問題：有時候會傳回浮點數，而不是具有浮點數的清單。
      • 已在說明模型連結庫中新增模擬解釋器輸出的預期值 automl 。
      • 已修正轉換自變數提供以取得原始特徵重要性時的排列特徵重要性。
    • azureml-core
      • 已新增在 Azure 機器學習 CLI 中附加 DBFS 資料存放區的功能。
      • 已修正數據存放區上傳的問題，如果從 開始/，就會target_path建立空白資料夾。
      • 已啟用兩個數據集的比較。
      • 模型和映像刪除現在提供擷取上游對象的詳細資訊，這些物件會因上游相依性而刪除失敗時相依於它們。
      • 已取代 auto_prepare_environment 中未使用的 RunConfiguration 設定。
    • azureml-mlflow
      • 已改善使用 azureml.mlflow 之遠端執行的資源使用率。
      • 已改善 azureml-mlflow 套件的檔。
      • 已修正mlflow.log_artifacts（“my_dir”） 會將成品儲存在 “my_dir/artifact-path” 底下，而不是 “artifact-path” 的問題。
    • azureml-pipeline-core
      • 所有管線步驟的參數hash_paths已被取代，未來將會移除。 根據預設，source_directory的內容會進行哈希處理（但 或 .gitignore中列出的.amlignore檔案除外）
      • 繼續改善Module和ModuleStep以支援計算類型特定模組，以準備 RunConfiguration 整合和其他變更，以解除鎖定管線中的計算類型特定模組使用量。
    • azureml-pipeline-steps
      • AzureBatchStep：改善有關輸入/輸出的檔。
      • AzureBatchStep：delete_batch_job_after_finish預設值變更為 true。
    • azureml-train-core
      • 字串現在會接受為自動化超參數微調的計算目標。
      • 已取代 auto_prepare_environment 中未使用的 RunConfiguration 設定。
      • 已淘汰的參數 conda_dependencies_file_path ，並 pip_requirements_file_path 分別支援 conda_dependencies_file 和 pip_requirements_file 。
    • azureml-opendatasets
      • 大幅改善非SPARK版本中的 NoaaIsdWeather 擴充效能。

2019-04-26

已發行 Azure 機器學習 SDK for Python v1.0.33。

  • 正式推出 FPGA 上的 Azure 機器學習 硬體加速模型。

自動化 Machine Learning

  • 功能掃掠以啟用動態新增 featurizers 以達到效能優化。 新增 featurizers：工作內嵌、辨識項權數、目標編碼、文字目標編碼、叢集距離

  • 智慧型 CV 來處理自動化 ML 內的定型/有效分割

  • 記憶體優化變更和運行時間效能改善很少

  • 模型說明中的效能改進

  • 本機執行的 ONNX 模型轉換

  • 已新增子取樣支援

  • 未定義結束準則時的智慧停止

  • 堆疊合奏

  • 時間序列預測

    • 新的預測預測函數
    • 您現在可以對時間序列數據使用滾動來源交叉驗證
    • 新增以設定時間序列延隔時間的新功能
    • 新增以支援滾動視窗匯總功能的新功能
    • 在實驗設定中定義國家/地區代碼時，新的假日偵測和特徵化工具

  • Azure Databricks

    • 已啟用時間序列預測和模型說明/可解釋性功能
    • 您現在可以取消並繼續自動 ML 實驗
    • 已新增多核心處理的支援

MLOps

  • 為容器評分的本機部署和偵錯
    您現在可以在本機部署 ML 模型，並快速反覆查看評分檔案和相依性，以確保它們如預期般運作。

  • 引進了 InferenceConfig & Model.deploy（）
    模型部署現在支援使用專案腳本指定源資料夾，與 RunConfig 相同。 此外，模型部署已簡化為單一命令。

  • Git 參考追蹤
    客戶已經要求基本的 Git 整合功能一段時間，因為它有助於維護完整的稽核線索。 我們已針對 Git 相關元數據（存放庫、認可、清除狀態）在 Azure 機器學習 中實作跨主要實體的追蹤。 SDK 和 CLI 會自動收集此資訊。

  • 模型分析與驗證服務
    客戶經常抱怨難以適當調整與其推斷服務相關聯的計算大小。 透過我們的模型分析服務，客戶可以提供範例輸入，並跨16個不同的CPU/記憶體組態進行分析，以判斷部署的最佳大小調整。

  • 攜帶您自己的基底映像進行推斷
    另一個常見的抱怨是，從實驗轉移到推斷 RE 共用相依性方面很困難。 有了我們新的基底映射共用功能，您現在可以重複使用實驗基底映射、相依性和全部，以進行推斷。 這應該加快部署速度，並減少從內部到外部迴圈之間的差距。

  • 改善 Swagger 架構產生體驗
    我們先前的 Swagger 產生方法很容易出錯，而且無法自動化。 我們有新的內嵌方式，透過裝飾專案從任何 Python 函式產生 Swagger 架構。 我們已開放原始碼此程序代碼，而且架構產生通訊協定不會與 Azure 機器學習 平台結合。

  • Azure 機器學習 CLI 正式推出 （GA）
    模型現在可以使用單一 CLI 命令進行部署。 我們得到了常見的客戶意見反應，指出沒有人從 Jupyter 筆記本部署 ML 模型。 CLI 參考檔已更新。

2019-04-22

Azure 機器學習 SDK for Python v1.0.30 已發行。

引進 了 ， PipelineEndpoint 以新增發行管線的新版本，同時維護相同的端點。

2019-04-15

Azure 入口網站

  • 您現在可以在現有的遠端計算叢集上重新提交現有的文稿執行。
  • 您現在可以在 [管線] 索引標籤上執行具有新參數的已發佈管線。
  • 執行詳細數據現在支援新的快照集檔案查看器。 當您提交特定執行時，可以檢視目錄的快照集。 您也可以下載提交以啟動執行的筆記本。
  • 您現在可以從 Azure 入口網站 取消父執行。

2019-04-08

Azure 機器學習 SDK for Python v1.0.23

  • 新功能
    • Azure 機器學習 SDK 現在支援 Python 3.7。
    • Azure 機器學習 DNN 估算器現在提供內建的多版本支援。 例如， TensorFlow 估算器現在接受 framework_version 參數，而且使用者可以指定版本 『1.10』 或 『1.12』。 如需您目前 SDK 版本所支援的版本清單，請在所需的架構類別上呼叫 get_supported_versions() （例如 ， 。 TensorFlow.get_supported_versions() 如需最新 SDK 版本支援的版本清單，請參閱 DNN 估算器檔。

2019-03-25

適用於 Python v1.0.21 的 Azure 機器學習 SDK

  • 新功能
    • azureml.core.Run.create_children 方法允許使用單一呼叫來建立多個子回合的低延遲。

2019-03-11

適用於 Python v1.0.18 的 Azure 機器學習 SDK

  • 變更
    • azureml-tensorboard 套件會取代 azureml-contrib-tensorboard。
    • 在此版本中，您可以在建立受控計算叢集時設定用戶帳戶（amlcompute）。 這可以藉由在布建組態中傳遞這些屬性來完成。 您可以在 SDK 參考檔案中找到更多詳細資料。

Azure 機器學習 Data Prep SDK v1.0.17

  • 新功能

    • 現在支援新增兩個數值數據行，以使用表達式語言產生結果數據行。

  • 錯誤修正和改善

    • 已改善random_split的文件和參數檢查。

2019-02-27

Azure 機器學習 數據準備 SDK v1.0.16

  • 錯誤修正
    • 已修正 API 變更所造成的服務主體驗證問題。

2019-02-25

適用於 Python v1.0.17 的 Azure 機器學習 SDK

  • 新功能

    • Azure 機器學習 現在提供熱門 DNN 架構 Chainer 的第一類支援。 使用 Chainer 類別用戶可以輕鬆地定型和部署 Chainer 模型。
    • Azure 機器學習 Pipelines 新增了根據數據存放區修改觸發管線執行的功能。 管線 排程筆記本 已更新，以展示這項功能。

  • 錯誤修正和改善

    • 我們已在 Azure 機器學習 管線中新增支援，以將source_directory_data_store屬性設定為提供給 PythonScriptStep 的 RunConfigurations 上所需的數據存放區（例如 Blob 記憶體）。 根據預設，步驟會使用 Azure 檔案存放區作為備份數據存放區，當大量步驟同時執行時，可能會發生節流問題。

Azure 入口網站

  • 新功能
    • 報表的新拖放數據表編輯器體驗。 用戶可以將數據行從井拖曳到數據表區域，其中會顯示數據表的預覽。 數據行可以重新排列。
    • 新增記錄檔查看器
    • 從 [活動] 索引標籤執行、計算、模型、影像和部署的連結

下一步

閱讀 Azure 機器學習 概觀。