將指令碼執行升級至 SDK v2

  • 發行項

在 SDK v2 中，「實驗」和「執行」已合併成作業。

工作具有類型。 大部分的作業都是執行 command 的命令作業，例如 python main.py。 工作中執行的內容與任何程式設計語言無關，因此您可以執行 bash 指令碼、叫用 python 解譯器、執行一堆 curl 命令或任何其他項目。

若要升級，您將需要變更程式碼來將作業提交至 SDK v2。 您在作業 內 執行的內容不需要升級至 SDK v2。 不過，建議您從模型定型腳本中移除 Azure Machine Learning 特有的任何程式碼。 此區隔可讓您更輕鬆地在本機與雲端之間進行轉換，並且視為成熟 MLOps 的最佳做法。 實際上，這表示移除 azureml.* 程式碼。 模型記錄和追蹤程式碼應該取代為 MLflow。 如需詳細資料，請參閱如何在 v2 中使用 MLflow。

此文章提供 SDK v1 和 SDK v2 案例的比較。

提交指令碼執行

  • SDK v1

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

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

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

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

run = experiment.submit(config)

aml_url = run.get_portal_url()
print(aml_url)

  • SDK v2

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

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

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

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

returned_job = ml_client.jobs.create_or_update(command_job)
returned_job

v1 和 v2 中主要功能的對應

SDK v1 中的功能 SDK v2 中的粗略對應
experiment.submit MLCLient.jobs.create_or_update
ScriptRunConfig() command()

後續步驟

如需詳細資訊，請參閱