dsl Paquete

Referencia

Funciones

pipeline

Compile una canalización que contenga todos los nodos de componente definidos en esta función.

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]

Parámetros

func: FunctionType

valor predeterminado: None

Función de canalización de usuario que se va a decorar.

name: str

El nombre del componente de canalización, el valor predeterminado es nombre de función.

version: str

La versión del componente de canalización, el valor predeterminado es "1".

display_name: str

El nombre para mostrar del componente de canalización, tiene como valor predeterminado el nombre de la función.

description: str

Descripción de la canalización compilada.

experiment_name: str

Nombre del experimento en el que se creará el trabajo, si se proporciona Ninguno, el experimento se establecerá en el directorio actual.

tags: dict[str, str]

Etiquetas del componente de canalización.

kwargs: dict

Diccionario de parámetros de configuración adicionales.

Devoluciones

Es posible usar el

Un decorador, si func es None
El func decorado

Tipo de valor devuelto

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

Ejemplos

Muestra cómo crear una canalización mediante este decorador.


   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