適用於：
Azure CLI ml 延伸模組 v1Python SDK azureml v1
重要
本文提供使用 Azure Machine Learning SDK v1 的相關信息。 SDK v1 自 2025 年 3 月 31 日起已被取代。 其支援將於 2026 年 6 月 30 日結束。 您可以在該日期之前安裝並使用 SDK v1。 您使用 SDK v1 的現有工作流程將在支援終止日期後繼續運作。 不過，如果產品發生架構變更，它們可能會面臨安全性風險或重大變更。
建議您在 2026 年 6 月 30 日之前轉換至 SDK v2。 如需 SDK v2 的詳細資訊，請參閱 什麼是 Azure Machine Learning CLI 和 Python SDK v2？ 和 SDK v2 參考。
重要
本文中的 Azure CLI 命令使用 azure-cli-ml 或 v1 (Azure Machine Learning 的擴充功能)。 CLI v1 的支援已於 2025 年 9 月 30 日結束。 Microsoft 將不再提供此服務的技術支援或更新。 您使用 CLI v1 的現有工作流程將在支援終止日期之後繼續運作。 不過，如果產品發生架構變更，它們可能會面臨安全性風險或重大變更。
建議您盡快轉換至 ml或 v2 擴充功能。 如需 v2 擴充功能的詳細資訊，請參閱 Azure 機器學習 CLI 擴充功能和 Python SDK v2。
Azure Machine Learning 管線是將完整機器學習工作自動化的工作流程。 它標準化了最佳實踐，支持團隊協作，並提高了效率。
為什麼需要 Azure Machine Learning 管線？
管線會將機器學習工作分成步驟。 每個步驟都是可管理的元件，可以單獨開發和自動化。 Azure Machine Learning 會管理步驟之間的相依性。 這種模組化方法：
- 標準化 MLOps 並支持團隊協作
- 提高培訓效率並降低成本
- 標準化機器學習操作 （MLOps） 並支持可擴展的團隊協作
- 提高培訓效率並降低成本
將 MLOps 實務標準化並支援可調整的小組共同作業
MLOps 可自動建置和部署模型。 管道透過將每個步驟映射到特定任務來簡化此過程，因此團隊可以獨立工作。
例如，專案可能包括資料收集、準備、訓練、評估和部署。 資料工程師、科學家和 ML 工程師各自擁有自己的步驟。 步驟最好建置為 元件，然後整合到單一工作流程中。 管線可以透過 DevOps 實務進行版本控制、自動化和標準化。
定型效率和成本降低
管道還可以提高效率並降低成本。 它們會重複使用未變更步驟的輸出，並可讓您在工作的最佳運算資源上執行每個步驟。
開始的最佳做法
您可以透過數種方式建置管線，視您的起點而定。
如果您是管線的新手，請先將現有程式碼分割成步驟、參數化輸入，並將所有內容包裝成管線。
若要擴展，請針對常見問題使用管線範本。 團隊分支模板，處理分配的步驟，並根據需要僅更新其部分。
借助可重複使用的管道和組件，團隊可以通過克隆或組合現有部分來快速創建新的工作流程。
您可以使用 CLI、 Python SDK 或 設計工具 UI 來建置管線。
我應該使用哪一種 Azure 管線技術？
Azure 提供數種類型的管線，以供不同的用途使用：
| 案例 | 主要角色 | Azure 供應項目 | OSS 供應項目 | 標準管道 | 優勢 |
|---|---|---|---|---|---|
| 模型協調流程 (機器學習) | 資料科學家 | Azure Machine Learning 管線 | Kubeflow 管線 | 資料 -> 模型 | 散發、快取、程式碼優先、重複使用 |
| 資料協調流程 (資料準備) | 資料工程師 | Azure Data Factory | Apache Airflow | 資料 -> 資料 | 強類型移動、以資料為中心的活動 |
| 程式碼與應用程式協調流程 (CI/CD) | 應用程式開發人員/Ops | Azure Pipelines | Jenkins | 程式碼 + 模型 -> 應用程式/服務 | 最開放且彈性的活動支援、核准佇列、具有管制的階段 |
下一步
Azure Machine Learning 管線從開發開始就新增價值。