MLClient 類別

要與 Azure ML 服務互動的用戶端類別。

使用此用戶端來管理 Azure ML 資源,例如工作區、作業、模型等等。

繼承
builtins.object
MLClient

建構函式

MLClient(credential: azure.core.credentials.TokenCredential, subscription_id: Optional[str] = None, resource_group_name: Optional[str] = None, workspace_name: Optional[str] = None, registry_name: Optional[str] = None, **kwargs: Any)

參數

credential
subscription_id
預設值: None
resource_group_name
預設值: None
workspace_name
預設值: None
registry_name
預設值: None

方法

begin_create_or_update

以非同步方式建立或更新 Azure ML 資源。

create_or_update

建立或更新 Azure ML 資源。

from_config

從現有的 Azure Machine Learning 工作區傳回工作區物件。

從檔案讀取工作區組態。 如果找不到組態檔,則會擲回例外狀況。

方法提供在多個 Python 筆記本或專案中重複使用相同工作區的簡單方式。 使用者可以使用workspace.write_config方法來儲存工作區 Azure Resource Manager (ARM) 屬性,並使用此方法在不同的 Python 筆記本或專案中載入相同的工作區,而不需重新系結工作區 ARM 屬性。

begin_create_or_update

以非同步方式建立或更新 Azure ML 資源。

begin_create_or_update(entity: R, **kwargs) -> azure.core.polling._poller.LROPoller[R]

參數

entity
<xref:Union>[<xref:azure.ai.ml.entities.Workspace,azure.ai.ml.entities.Registry,azure.ai.ml.entities.Compute,azure.ai.ml.entities.OnlineDeployment,azure.ai.ml.entities.OnlineEndpoint,azure.ai.ml.entities.BatchDeployment,azure.ai.ml.entities.BatchEndpoint,azure.ai.ml.entities.JobSchedule>]
必要

要建立或更新的資源。

傳回

建立/更新作業之後的資源

傳回類型

LROPoller[<xref:Union>[<xref:azure.ai.ml.entities.Workspace,azure.ai.ml.entities.Registry,azure.ai.ml.entities.Compute,azure.ai.ml.entities.OnlineDeployment,azure.ai.ml.entities.OnlineEndpoint,azure.ai.ml.entities.BatchDeployment,azure.ai.ml.entities.BatchEndpoint,azure.ai.ml.entities.JobSchedule>]]

create_or_update

建立或更新 Azure ML 資源。

create_or_update(entity: T, **kwargs) -> T

參數

entity
<xref:Union>[<xref:azure.ai.ml.entities.Job,azure.ai.ml.entities.Model,azure.ai.ml.entities.Environment,azure.ai.ml.entities.Component,azure.ai.ml.entities.Datastore,azure.ai.ml.entities.WorkspaceModelReference>]
必要

要建立或更新的資源。

傳回

已建立或更新的資源

傳回類型

<xref:Union>[<xref:azure.ai.ml.entities.Job,azure.ai.ml.entities.Model,azure.ai.ml.entities.Environment,azure.ai.ml.entities.Component,azure.ai.ml.entities.Datastore>]

from_config

從現有的 Azure Machine Learning 工作區傳回工作區物件。

從檔案讀取工作區組態。 如果找不到組態檔,則會擲回例外狀況。

方法提供在多個 Python 筆記本或專案中重複使用相同工作區的簡單方式。 使用者可以使用workspace.write_config方法來儲存工作區 Azure Resource Manager (ARM) 屬性,並使用此方法在不同的 Python 筆記本或專案中載入相同的工作區,而不需重新系結工作區 ARM 屬性。

from_config(credential: azure.core.credentials.TokenCredential, *, path: Optional[Union[os.PathLike, str]] = None, file_name=None, **kwargs) -> azure.ai.ml._ml_client.MLClient

參數

credential
<xref:azureml.core.credentials.TokenCredential>
必要

工作區的認證物件。

path
str
必要

組態檔的路徑或要搜尋的起始目錄。 參數預設會啟動目前目錄中的搜尋。

file_name
str
必要

允許覆寫組態檔名稱,以在 path 是目錄路徑時搜尋。

kwargs
dict
必要

其他組態參數的字典。 例如 kwargs = {「cloud」: 「AzureUSGovernment」}

傳回

現有 Azure ML 工作區的工作區物件。

傳回類型

例外狀況

如果目錄中找不到 config.json,就會引發 。 錯誤訊息中將會提供詳細資料。

屬性

R

T

batch_deployments

批次部署相關作業的集合。

傳回

批次部署作業

傳回類型

batch_endpoints

批次端點相關作業的集合。

傳回

Batch 端點作業

傳回類型

components

元件相關作業的集合。

傳回

元件作業

傳回類型

compute

計算相關作業的集合。

傳回

計算作業

傳回類型

connections

工作區連線相關作業的集合。

傳回

工作區連線作業

傳回類型

data

資料相關作業的集合。

傳回

資料作業

傳回類型

datastores

資料存放區相關作業的集合。

傳回

資料存放區作業

傳回類型

environments

環境相關作業的集合。

傳回

環境作業

傳回類型

jobs

作業相關作業的集合。

傳回

工作的作業

傳回類型

<xref:JObOperations>

models

模型相關作業的集合。

傳回

模型作業

傳回類型

online_deployments

線上部署相關作業的集合。

傳回

線上部署作業

傳回類型

online_endpoints

線上端點相關作業的集合。

傳回

線上端點作業

傳回類型

registries

如需詳細資訊,aka.ms/azuremlexperimental。

登錄相關作業的集合。

傳回

登錄作業

傳回類型

resource_group_name

取得 MLClient 物件的資源組名。

傳回

Azure 資源組名。

傳回類型

str

schedules

排程相關作業的集合

傳回

排程作業

傳回類型

<xref:ScheduleOperations>

subscription_id

取得 MLClient 物件的訂用帳戶識別碼。

傳回

Azure 訂用帳戶識別碼。

傳回類型

str

workspace_name

工作區相依作業將會在其中執行。

傳回

預設工作區名稱

傳回類型

<xref:Optional>[str]

workspaces

工作區相關作業的集合。

傳回

工作區作業

傳回類型