azureml-pipeline-core Paket
Pakete
core |
Enthält grundlegende Funktionen für Azure Machine Learning-Pipelines, bei denen es sich um konfigurierbare Machine Learning-Workflows handelt. Azure Machine Learning-Pipelines ermöglichen es Ihnen, wiederverwendbare Workflows für maschinelles Lernen zu erstellen, die als Vorlage für Ihre Machine Learning-Szenarien verwendet werden können. Dieses Paket enthält die grundlegenden Funktionen für die Arbeit mit Azure Machine Learning-Pipelines und wird in der Regel zusammen mit den Klassen im steps-Paket verwendet. Eine Machine Learning-Pipeline wird durch eine Sammlung von PipelineStep-Objekten dargestellt, die sequenziert und parallelisiert oder mit expliziten Abhängigkeiten zwischen Schritten erstellt werden können. Pipelineschritte werden verwendet, um ein Pipeline-Objekt zu definieren, das den auszuführenden Workflow darstellt. Sie können Pipelines in einem Jupyter Notebook oder einer anderen integrierten Entwicklungsumgebung (Integrated Development Environment, IDE) erstellen und verwenden, wenn Azure ML SDK installiert ist. Azure ML-Pipelines ermöglichen es Ihnen, sich auf maschinelles Lernen, anstatt auf die Infrastruktur zu konzentrieren. Informationen zu den ersten Schritten beim Erstellen einer Pipeline finden Sie unter https://aka.ms/pl-first-pipeline. Weitere Informationen zu den Vorteilen der Machine Learning-Pipeline und ihrer Beziehung zu anderen von Azure angebotenen Pipelines finden Sie unter Beschreibung von Azure Machine Learning-Pipelines. |
Module
builder |
Definiert Klassen zum Erstellen einer Azure Machine Learning-Pipeline. Ein Pipelinegraph besteht aus Pipelineschritten (PipelineStep), optionalen Pipelinedaten (PipelineData), die in jedem Schritt erzeugt oder genutzt werden, sowie einer optionalen Schrittausführungssequenz (StepSequence). |
graph |
Definiert Klassen zum Erstellen von Azure Machine Learning-Pipelinegraphen. Azure ML-Pipelinegraphen werden für Pipeline-Objekte erstellt, wenn Sie PipelineStep (und abgeleitete Klassen), PipelineData und PipelineData-Objekte verwenden. In typischen Anwendungsfällen müssen die Klassen in diesem Modul nicht direkt verwendet werden. Ein Pipelineausführungsgraph besteht aus Modulknoten, die grundlegende Einheiten wie eine Datenquelle oder einen Schritt darstellen. Knoten können über Ein- und Ausgabeports sowie über zugeordnete Parameter verfügen. Edges definieren Beziehungen zwischen zwei Knotenports in einem Graphen. |
module |
Enthält Klassen zum Erstellen und Verwalten von wiederverwendbaren Berechnungseinheiten einer Azure Machine Learning-Pipeline. Durch Module können Sie Berechnungseinheiten in einer Pipeline erstellen, die Eingaben, Ausgaben und parameterbasierte Umgebungskonfigurationen enthalten können. Ein Modul kann versioniert und in verschiedenen Azure Machine Learning-Pipelines verwendet werden, im Gegensatz zu PipelineStep (und abgeleiteten Klassen), die in einer Pipeline verwendet werden. Module werden für die Wiederverwendung in mehreren Pipelines konzipiert und können sich weiterentwickeln, um eine bestimmte Berechnungslogik an verschiedene Anwendungsfälle anzupassen. Ein Schritt in einer Pipeline kann in schnellen Iterationen verwendet werden, um einen Algorithmus zu verbessern. Sobald das Ziel erreicht ist, wird der Algorithmus in der Regel als Modul veröffentlicht, um die Wiederverwendung zu ermöglichen. |
module_step_base |
Enthält Funktionen zum Hinzufügen eines Schritts zu einer Pipeline mithilfe einer Version von Module. |
pipeline |
Definiert die Klasse zum Erstellen wiederverwendbarer Azure Machine Learning-Workflows. |
pipeline_draft |
Definiert Klassen zum Verwalten veränderlicher Pipelines. |
pipeline_endpoint |
Definiert Klassen zum Verwalten von Pipelines, einschließlich Versionsverwaltung und Endpunkte. |
pipeline_output_dataset |
Enthält Funktionen zum Höherstufen einer Zwischenausgabe zu einem Azure Machine Learning-Dataset. Die Zwischendaten (Ausgabe) in einer Pipeline werden standardmäßig nicht zu einem Azure Machine Learning-Dataset. Um Zwischendaten zu einem Azure Machine Learning-Dataset höherzustufen, rufen Sie die as_dataset-Methode in der PipelineData-Klasse auf, um ein PipelineOutputFileDataset-Objekt zurückzugeben. Aus einem PipelineOutputFileDataset-Objekt können Sie dann ein PipelineOutputTabularDataset-Objekt erstellen. |
run |
Definiert Klassen für übermittelte Pipelines, einschließlich Klassen zum Überprüfen des Status und Abrufen von Ausführungsdetails. |
schedule |
Definiert Klassen für die Planung von Übermittlungen von Azure Machine Learning-Pipelines. |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Tickets als Feedbackmechanismus für Inhalte auslaufen lassen und es durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter:Feedback senden und anzeigen für