azureml-core Paket
Pakete
core |
Enthält grundlegende Pakete, Module und Klassen für Azure Machine Learning. Zu den Hauptbereichen gehören das Verwalten von Computezielen, das Erstellen und Verwalten von Arbeitsbereichen und Experimenten sowie das Übermitteln von bzw. Zugreifen auf Modellausführungen und Ausführungsausgaben und -protokollierungen. |
data |
Enthält Module, die die Datendarstellung für den Datenspeicher und das Dataset in Azure Machine Learning unterstützen. Dieses Paket enthält Kernfunktionen, die die Klassen Datastore und Dataset im core-Paket unterstützen. Datenspeicherobjekte enthalten Verbindungsinformationen zu Azure-Speicherdiensten, auf die problemlos anhand des Namens verwiesen werden kann, ohne dass Verbindungsinformationen in Skripts direkt verwendet oder hart codiert werden müssen. Der Datenspeicher unterstützt eine Reihe verschiedener Dienste, die durch Klassen in diesem Paket dargestellt werden, einschließlich AzureBlobDatastore, AzureFileDatastore und AzureDataLakeDatastore. Eine vollständige Liste der unterstützten Speicherdienste finden Sie im Artikel zur Datastore-Klasse. Ein Datenspeicher fungiert als Container für Ihre Datendateien. Ein Dataset können Sie sich als Verweis oder Zeiger auf bestimmte Daten vorstellen, die sich in Ihrem Datenspeicher befinden. Die folgenden Datasettypen werden unterstützt:
Weitere Informationen finden Sie im Artikel Hinzufügen & Registrieren von Datasets. Informationen zu den ersten Schritten mit Datasets finden Sie unter https://aka.ms/tabulardataset-samplenotebook und https://aka.ms/filedataset-samplenotebook. |
exceptions |
Enthält Ausnahmeklassen von Azure Machine Learning. |
history |
Dieses Modul wird intern zum Vorbereiten des ML SDK für Remoteumgebungen verwendet. |
Module
authentication |
Enthält Funktionen zum Verwalten verschiedener Authentifizierungstypen in Azure Machine Learning. Unterstützte Authentifizierungstypen:
Weitere Informationen zu diesen Authentifizierungsmechanismen finden Sie unter https://aka.ms/aml-notebook-auth. |
adla |
Enthält Funktionen zum Verwalten von Azure Data Lake Analytics-Computezielen in Azure Machine Learning. |
aks |
Enthält Funktionen zum Verwalten von Azure Kubernetes Service-Computezielen in Azure Machine Learning. |
amlcompute |
Enthält Funktionen zum Verwalten von Azure Machine Learning-Computezielen in Azure Machine Learning |
batch |
Enthält Funktionen zum Verwalten von Batch-Computezielen in Azure Machine Learning. |
compute |
Enthält die abstrakten übergeordneten Klassen und Konfigurationsklassen für Computeziele in Azure Machine Learning. |
computeinstance |
Enthält Funktionen zum Erstellen einer vollständig verwalteten cloudbasierten Arbeitsstation in Azure Machine Learning. |
databricks |
Enthält Funktionen zum Verwalten von Databricks-Computezielen in Azure Machine Learning. |
datafactory |
Enthält Funktionen zum Verwalten von datafactory-Computezielen in Azure Machine Learning |
dsvm |
Enthält Funktionen zum Verwalten von Data Science Virtual Machine-Computezielen in Azure Machine Learning. |
hdinsight |
Enthält Funktionen zum Verwalten von HDInsight-Clustercomputezielen in Azure Machine Learning. |
kubernetescompute |
Enthält Funktionen zum Verwalten von Azure Machine Learning-Computezielen in Azure Machine Learning |
kusto |
Enthält Funktionen zum Verwalten von Kusto-Computezielen in Azure Machine Learning. |
remote |
Enthält Funktionen zum Verwalten von Remotecomputezielen in Azure Machine Learning. |
synapse |
Verwaltet Synapse-Computeziele in Azure Machine Learning Service |
compute_target |
Enthält Funktionen für Computeziele, die nicht von Azure Machine Learning verwaltet werden. Computeziele definieren Ihre Trainings-Computeumgebung und können entweder lokale Ressourcen oder Remoteressourcen in der Cloud sein. Mit Remoteressourcen können Sie Ihre Machine Learning-Experimente problemlos vertikal oder horizontal skalieren, indem Sie die Vorteile der beschleunigten CPU- und GPU-Verarbeitung nutzen. Informationen zu Computezielen, die von Azure Machine Learning verwaltet werden, finden Sie in der ComputeTarget-Klasse. Weitere Informationen finden Sie unter Was sind Computeziele in Azure Machine Learning?. |
conda_dependencies |
Enthält Funktionen zum Verwalten von Conda-Umgebungsabhängigkeiten. Verwenden Sie die Klasse CondaDependencies, um vorhandene Conda-Umgebungsdateien zu laden sowie neue Umgebungen zu konfigurieren und zu verwalten, in denen Experimente ausgeführt werden. |
container_registry |
Enthält Funktionen zum Verwalten einer Azure Container Registry-Instanz |
databricks |
Enthält Funktionen zum Verwalten von Databricks-Umgebungen in Azure Machine Learning. Weitere Informationen zum Arbeiten mit Databricks in Azure Machine Learning finden Sie unter Einrichten einer Python-Entwicklungsumgebung für Azure Machine Learning. |
dataset |
Verwaltet die Interaktion mit Azure Machine Learning Datasets. Dieses Modul bietet Funktionen zum Verwenden von Rohdaten, Verwalten von Daten und Ausführen von Aktionen für Daten in Azure Machine Learning. Verwenden Sie die Dataset-Klasse in diesem Modul, um Datasets zusammen mit der Funktionalität im data-Paket zu erstellen, das die unterstützenden Klassen FileDataset und TabularDataset enthält. Informationen zu den ersten Schritten mit Datasets finden Sie im Artikel Hinzufügen & Registrieren von Datasets. |
datastore |
Enthält Funktionen zum Verwalten von Datenspeichern in Azure Machine Learning. |
environment |
Enthält Funktionalität zum Erstellen und Verwalten reproduzierbarer Umgebungen in Azure Machine Learning. Umgebungen bieten eine Möglichkeit zur Verwaltung von Softwareabhängigkeiten, sodass kontrollierte Umgebungen mit minimaler manueller Konfiguration reproduziert werden können, wenn Sie zwischen lokalen und verteilten Cloudentwicklungsumgebungen wechseln. Umgebungen kapseln Python-Pakete, Umgebungsvariablen und Softwareeinstellungen für Trainings- und Bewertungsskripts sowie Laufzeiten für Python, Spark oder Docker. Weitere Informationen zur Verwendung von Umgebungen für Training und Bereitstellung mit Azure Machine Learning finden Sie unter Erstellen und Verwalten von wiederverwendbaren Umgebungen. |
experiment |
Enthält Funktionen zum Übermitteln von Experimenten und Verwalten des Experimentverlaufs in Azure Machine Learning. |
container |
Enthält Funktionen zum Verwalten von Containerimages in Azure Machine Learning. |
image |
Enthält die Basisfunktionen zum Verwalten von Images in Azure Machine Learning. Ein Image kapselt ein Modell, ein Skript und zugeordnete Dateien, um die Laufzeitumgebung eines bereitgestellten Webdiensts zur Verfügung zu stellen. Das Image verfügt über einen HTTP-Endpunkt mit Lastenausgleich, der Bewertungsanforderungen empfangen und Vorhersagen zurückgeben kann. |
unknown_image |
Enthält Funktionen zum Verwalten von Images, die nicht in Azure Machine Learning importiert wurden. |
keyvault |
Enthält Funktionen zum Verwalten von Geheimnissen in der Azure Key Vault-Instanz, der einem Azure Machine Learning-Arbeitsbereich zugeordnet ist. Dieses Modul enthält Helfermethoden zum Hinzufügen, Abrufen, Löschen und Auflisten von Geheimnissen aus der Azure Key Vault-Instanz, die einem Arbeitsbereich zugeordnet ist. |
linked_service |
Enthält Funktionen zum Erstellen und Verwalten eines verknüpften Diensts in einem Azure Machine Learning-Arbeitsbereich. |
model |
Enthält Funktionen zur Verwaltung von Machine Learning-Modellen in Azure Machine Learning. Mit der Model-Klasse können Sie die folgenden Hauptaufgaben erledigen:
Weitere Informationen zur Verwendung von Modellen finden Sie unter Funktionsweise des Azure Machine Learning-Diensts: Architektur und Konzepte. |
private_endpoint |
Enthält Funktionen zum Definieren und Konfigurieren von privaten Azure-Endpunkten. |
profile |
Enthält Funktionalität bezüglich Profilerstellungsmodellen in Azure Machine Learning. |
resource_configuration |
Enthält Funktionalität zum Verwalten der Ressourcenkonfiguration für Azure Machine Learning-Entitäten. |
run |
Enthält FuFunktionalität zum Verwalten von Experimentmetriken und Artefakten in Azure Machine Learning. |
runconfig |
Enthält Funktionen zum Verwalten der Konfiguration von Experimentausführungen in Azure Machine Learning. Die Schlüsselklasse in diesem Modul ist RunConfiguration. Sie kapselt Informationen, die zum Übermitteln einer Trainingsausführung auf einem angegebenen Computeziel erforderlich sind. Die Konfiguration umfasst einen weiten Bereich von Verhaltensdefinitionen, z.B. die Vorgabe, ob eine vorhandene Python-Umgebung oder eine aus einer Spezifikation erstellte Conda-Umgebung verwendet werden soll. Auf andere Konfigurationsklassen im Modul wird über RunConfiguration zugegriffen. |
script_run |
Enthält Funktionalität zum Verwalten übermittelter Trainingsausführungen in Azure Machine Learning. |
script_run_config |
Enthält Funktionalität zum Verwalten der Konfiguration für das Übermitteln von Trainingsausführungen in Azure Machine Learning. |
util |
Enthält eine Klasse zum Angeben der Protokollierungsdetailebene. |
aci |
Enthält Funktionen zum Bereitstellen von Machine Learning-Modellen als Webdienst-Endpunkte in Azure Container Instances Azure Container Instances (ACI) wird für Szenarios empfohlen, die in isolierten Containerelementen ausgeführt werden können, einschließlich einfacher Anwendungen, Taskautomatisierungen und Buildaufträgen. Weitere Informationen zur Verwendung von ACI finden Sie unter Bereitstellen eines Modells in Azure Container Instances. |
aks |
Enthält Funktionen zum Bereitstellen von Machine Learning-Modellen als Webdienst-Endpunkte in Azure Kubernetes Service. Für Szenarios, die eine umfassende Containerorchestrierung erfordern (etwa für die containerübergreifende Dienstermittlung, automatische Skalierung und koordinierte Anwendungsupgrades), wird Azure Kubernetes Service (AKS) empfohlen. Weitere Informationen finden Sie unter Bereitstellen eines Modells in Azure Kubernetes Service. |
container_resource_requirements |
In diesem Artikel wird ein Modul zum Beschreiben der Containerressourcenanforderungen in Azure Machine Learning vorgestellt. |
local |
Enthält Funktionen für die Bereitstellung von Machine Learning-Modellen als lokale Webdienst-Endpunkte Die Bereitstellung in einem lokalen Webdienst wird empfohlen, wenn Sie Ihr Modell schnell bereitstellen und überprüfen müssen, oder wenn Sie ein Modell testen, das sich in der Entwicklung befindet. Weitere Informationen finden Sie unter Bereitstellen eines Modells auf Notebook-VMs. |
unknown_webservice |
Enthält Funktionen zum Verwalten unbekannter Webdienste in Azure Machine Learning |
webservice |
Enthält Funktionen zum Verwalten von Modellen, die als Webdienst-Endpunkt in Azure Machine Learning bereitgestellt werden Dieses Modul enthält die abstrakte übergeordnete Klasse Webservice, die Methoden zum Bereitstellen von Modellen definiert. Ein gängiges Muster ist die Erstellung eines Konfigurationsobjekts für das spezifische Computeziel und die anschließende Verwendung der Methoden der Webservice-Klasse mit diesem Konfigurationsobjekt.
Erstellen Sie beispielsweise zur Bereitstellung in Azure Container Instances ein AciServiceDeploymentConfiguration-Objekt über die Eine Übersicht über die Bereitstellung finden Sie unter Bereitstellen von Modellen mit Azure Machine Learning. |
workspace |
Enthält Funktionen zum Verwalten eines Arbeitsbereichs. Dieser ist die höchste übergeordnete Ressource in Azure Machine Learning. Dieses Modul enthält die Workspace-Klasse und ihre Methoden und Attribute, mit denen Sie ML-Artefakte wie Computeziele, Umgebungen, Datenspeicher, Experimente und Modelle verwalten können. Ein Arbeitsbereich ist an ein Azure-Abonnement und eine Ressourcengruppe gebunden und spielt eine maßgebliche Rolle für die Kostenabrechnung. Arbeitsbereiche unterstützen die rollenbasierte Zugriffssteuerung (Role-Based Access Control, RBAC) von Azure Resource Manager sowie regionale Affinität für alle im Arbeitsbereich gespeicherten Machine Learning-Daten. |
abstract_dataset |
Enthält die abstrakte Basisklasse für Datasets in Azure Machine Learning. |
abstract_datastore |
Dieses Modul enthält die Basisfunktionen für Datenspeicher, die Verbindungsinformationen in Azure-Speicherdiensten speichern. |
azure_data_lake_datastore |
Enthält die Basisfunktionen für Datenspeicher, die Verbindungsinformationen in Azure Data Lake Storage speichern. |
azure_my_sql_datastore |
Enthält die Basisfunktionalität für Datenspeicher, die Verbindungsinformationen in Azure Database for MySQL speichern. |
azure_postgre_sql_datastore |
Enthält Basisfunktionen für Datenspeicher, die Verbindungsinformationen in Azure Database for PostgreSQL speichern. |
azure_sql_database_datastore |
Dieses Modul enthält die Basisfunktionen für Datenspeicher, die Verbindungsinformationen in Azure SQL-Datenbank speichern. |
azure_storage_datastore |
Enthält Funktionen für Datenspeicher, die Verbindungsinformationen in Azure Blob Storage und Azure Files speichern. |
constants |
Konstanten, die im Paket azureml.data verwendet werden. Nur interne Verwendung. |
context_managers |
Enthält Funktionen zum Verwalten des Datenkontexts von Datenspeichern und Datasets. Nur interne Verwendung. |
data_reference |
Enthält Funktionen, die definieren, wie Verweise auf Daten in Datenspeichern erstellt werden. |
datacache |
Enthält Funktionen zum Verwalten von DatacacheStore und Datacache in Azure Machine Learning. |
datacache_client |
Nur interne Verwendung. |
datacache_consumption_config |
Enthält Funktionen für die Konfiguration der Datencachenutzung. |
datacache_singularity_settings |
Enthält Objekte, die für die Darstellung der Datacache Singularity-Einstellungen erforderlich sind. |
datapath |
Dieses Modul enthält Funktionen zum Erstellen von Verweisen auf Daten in Datenspeichern. Dieses Modul enthält die DataPath-Klasse, die den Speicherort der Daten darstellt, und die DataPathComputeBinding-Klasse, die darstellt, wie die Daten auf den Computezielen verfügbar gemacht werden. |
dataset_action_run |
Enthält Funktionen zur Verwaltung der Ausführung von Datasetaktionen. Dieses Modul bietet praktische Methoden zum Erstellen von Datasetaktionen und zum Abrufen ihrer Ergebnisse nach Abschluss. |
dataset_consumption_config |
Enthält Funktionalität für die Konfiguration der Datasetnutzung. |
dataset_definition |
Enthält Funktionen zum Verwalten von Datasetdefinitionen und deren Vorgängen. Hinweis Dieses Modul ist veraltet. Weitere Informationen finden Sie unter https://aka.ms/dataset-deprecation. |
dataset_error_handling |
Enthält Ausnahmen für die Fehlerbehandlung bei Datasets in Azure Machine Learning. |
dataset_factory |
Enthält Funktionen zum Erstellen von Datasets für Azure Machine Learning. |
dataset_profile |
Klasse zum Sammeln von Zusammenfassungsstatistiken für die von einem Dataflow erzeugten Daten. Die Funktionalität in diesem Modul umfasst das Sammeln von Informationen darüber, welche Ausführung das Profil erzeugt hat, unabhängig davon, ob das Profil veraltet ist oder nicht. |
dataset_profile_run |
Dieses Modul enthält die Konfiguration für die Überwachung der Ausführung des Datasetprofils in Azure Machine Learning. Die Funktionalität in diesem Modul umfasst die Verwaltung und Überwachung der DatasetProfileRun-Klasse, die einem Experimentobjekt und einer individuellen Ausführungs-ID zugeordnet ist. |
dataset_profile_run_config |
Enthält die Konfiguration zum Generieren einer statistischen Zusammenfassung von Datasets in Azure Machine Learning. Zur den Funktionen in diesem Modul gehören Methoden zum Übermitteln lokaler oder Remoteprofilausführungen und zum Visualisieren des Ergebnisses der übermittelten Profilausführung. |
dataset_snapshot |
Enthält Funktionen zum Verwalten von Datasetmomentaufnahme-Vorgängen. Hinweis Dieses Modul ist veraltet. Weitere Informationen finden Sie unter https://aka.ms/dataset-deprecation. |
dataset_type_definitions |
Enthält Enumerationswerte, die mit Dataset verwendet werden. |
datastore_client |
Nur interne Verwendung. |
dbfs_datastore |
Enthält Funktionen für Datenspeicher, die Verbindungsinformationen im Databricks File System (DBFS) speichern. |
file_dataset |
Enthält Funktionen zum Verweisen auf einzelne oder mehrere Dateien in Datenspeichern oder öffentlichen URLs. Weitere Informationen finden Sie im Artikel Hinzufügen & Registrieren von Datasets. Informationen zum Einstieg in die Arbeit mit einem Datei-Dataset finden Sie unter https://aka.ms/filedataset-samplenotebook. |
hdfs_datastore |
Dieses Modul enthält die Basisfunktionen für Datenspeicher, die Verbindungsinformationen in einem HDFS-Cluster speichern. |
output_dataset_config |
Enthält Konfigurationen, die angeben, wie Ausgaben für einen Auftrag hochgeladen und zu einem Dataset höher gestuft werden sollen Weitere Informationen finden Sie im Artikel Erstellen von Azure Machine Learning-Datasets. |
sql_data_reference |
Enthält Funktionen zum Erstellen von Verweisen auf Daten in Datenspeichern, die Verbindungsinformationen in SQL-Datenbanken speichern. |
stored_procedure_parameter |
Enthält Funktionen zum Erstellen eines Parameters, der an eine gespeicherte SQL-Prozedur übergeben werden soll. |
tabular_dataset |
Enthält Funktionen zum Darstellen von Daten in einem tabellarischen Format durch Analysieren der bereitgestellten Datei oder Dateiliste. Weitere Informationen finden Sie im Artikel Hinzufügen & Registrieren von Datasets. Informationen zu den ersten Schritten mit einem tabellarischen Dataset finden Sie unter https://aka.ms/tabulardataset-samplenotebook. |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für