dsl Paket

Referenz

Functions

pipeline

Erstellen Sie eine Pipeline, die alle in dieser Funktion definierten Komponentenknoten enthält.

pipeline(func: Callable[[P], T] | None = None, *, name: str | None = None, version: str | None = None, display_name: str | None = None, description: str | None = None, experiment_name: str | None = None, tags: Dict[str, str] | None = None, **kwargs) -> Callable[[Callable[[P], T]], Callable[[P], PipelineJob]] | Callable[[P], PipelineJob]

Parameter

func: FunctionType

Standardwert: None

Die zu ergänzende Benutzerpipelinefunktion.

name: str

Der Name der Pipelinekomponente ist standardmäßig funktionsname.

version: str

Die Version der Pipelinekomponente ist standardmäßig "1".

display_name: str

Der Anzeigename der Pipelinekomponente ist standardmäßig funktionsname.

description: str

Die Beschreibung der erstellten Pipeline.

experiment_name: str

Name des Experiments, unter dem der Auftrag erstellt wird. Wenn Keine angegeben ist, wird das Experiment auf das aktuelle Verzeichnis festgelegt.

tags: dict[str, str]

Die Tags der Pipelinekomponente.

kwargs: dict

Ein Wörterbuch mit zusätzlichen Konfigurationsparametern.

Gibt zurück

Sowohl als auch

Ein Decorator, wenn func keine ist
Der dekorierte Func

Rückgabetyp

Union[ Callable[[Callable], Callable[…, ~PipelineJob]], Callable[<xref:P>, ~PipelineJob]]

Beispiele

Zeigt, wie Eine Pipeline mit diesem Decorator erstellt wird.


   from azure.ai.ml import load_component
   from azure.ai.ml.dsl import pipeline

   component_func = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml"
   )

   # Define a pipeline with decorator
   @pipeline(name="sample_pipeline", description="pipeline description")
   def sample_pipeline_func(pipeline_input1, pipeline_input2):
       # component1 and component2 will be added into the current pipeline
       component1 = component_func(component_in_number=pipeline_input1, component_in_path=uri_file_input)
       component2 = component_func(component_in_number=pipeline_input2, component_in_path=uri_file_input)
       # A decorated pipeline function needs to return outputs.
       # In this case, the pipeline has two outputs: component1's output1 and component2's output1,
       # and let's rename them to 'pipeline_output1' and 'pipeline_output2'
       return {
           "pipeline_output1": component1.outputs.component_out_path,
           "pipeline_output2": component2.outputs.component_out_path,
       }

   # E.g.: This call returns a pipeline job with nodes=[component1, component2],
   pipeline_job = sample_pipeline_func(
       pipeline_input1=1.0,
       pipeline_input2=2.0,
   )
   ml_client.jobs.create_or_update(pipeline_job, experiment_name="pipeline_samples", compute="cpu-cluster")

Share via