Az Azure Machine Tanulás Python SDK kibocsátási megjegyzései

  • Cikk

Ebben a cikkben megismerheti az Azure Machine Tanulás Python SDK-kiadásokat. A teljes SDK-referenciatartalmat az Azure Machine Tanulás Pythonhoz készült fő SDK referenciaoldalán tekinti meg.

RSS-hírcsatorna: Értesítést kaphat a lap frissítésekor a következő URL-cím másolásával és beillesztésével a hírcsatorna-olvasóba: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

Azure Machine Tanulás SDK for Python v1.56.0

  • azureml-core
    • Engedélyezze az alkalmazás Elemzések újraleképezését az új, Kína keleti régiója 3. régiójához, mivel nem támogatja a klasszikus erőforrás módot. Kijavítottuk a China North 3 hiányzó frissítését is.
  • azureml-defaults
    • Ütközött azureml-inference-server-http pin-to 1.0.0 in azureml-defaults.
  • azureml-interpret
    • frissített azureml-interpret csomag az interpret-community 0.31.* verzióra
  • azureml-responsibleai
    • frissítette a common environment és az azureml-responsibleai csomagot a raiwidgets és a responsibleai 0.33.0 verzióra
    • A felelősi és méltányossági függőségi verziók számának növelése

2024-01-29

Azure Machine Tanulás SDK for Python v1.55.0

  • azureml-core
    • Engedélyezze az alkalmazás Elemzések újraleképezését az új, Kína keleti régiója 3. régiójához, mivel nem támogatja a klasszikus erőforrás módot. Kijavítottuk a China North 3 hiányzó frissítését is.
  • azureml-defaults
    • Ütközött azureml-inference-server-http pin-to 1.0.0 in azureml-defaults.
  • azureml-interpret
    • frissített azureml-interpret csomag az interpret-community 0.31.* verzióra
  • azureml-responsibleai
    • frissítette a common environment és az azureml-responsibleai csomagot a raiwidgets és a responsibleai 0.33.0 verzióra
    • A felelősi és méltányossági függőségi verziók számának növelése

2023-11-13

  • azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
    • A statsmodels, a pandas és a scipy verziót az 1.13-ra, az 1.3.5-re és az 1.10.1-re frissítették – az fbprophet 0.7.1-et a prophet 1.1.4 váltotta fel, amikor egy modellt helyi környezetben tölt be, ezeknek a csomagoknak a verzióinak meg kell egyezniük a modell betanításával.
  • azureml-core, azureml-pipeline-core, azureml-pipeline-steps
    • AzureML-Pipeline – Adjon hozzá egy figyelmeztetést a init_scripts paraméterhez a Databricks lépésben, amely figyelmezteti a közelgő elavulásra.
  • azureml-interpret
    • frissített azureml-interpret csomag az interpret-community 0.30-as verzióra.*
  • azureml-mlflow
    • feat: Add AZUREML_BLOB_MAX_SINGLE_PUT_SIZE to control the size in bájt of upload chunks. Ha ezt az alapértelmezett értékről (64*1024*1024 azaz 64 MB-ról) csökkenti, elháríthatja azokat a problémákat, amelyek miatt az írási műveletek időtúllépés miatt meghiúsulnak.
    • A modellek AzureML-nyilvántartásokból való feltöltésének és letöltésének támogatása jelenleg kísérleti
    • Támogatás hozzáadása azon felhasználók számára, amelyek modelleket szeretnének letölteni vagy feltölteni az AML-adatbázisokból

2023-08-21

Azure Machine Tanulás SDK for Python v1.53.0

  • azureml-automl-core
    • Az AutoML-előrejelzési TCN-modellekben az előrejelzéskor ismert funkciók/regresszorok támogatása.
  • azureml-automl-dnn-vision
    • Jelzők engedélyezése log_training_metrics és log_validation_loss automatikus objektumészleléshez és példányszegmentáláshoz
  • azureml-contrib-automl-dnn-forecasting
    • Az AutoML-előrejelzési TCN-modellekben az előrejelzéskor ismert funkciók/regresszorok támogatása.
  • azureml-core
    • Appinsights hely felcserélése qatarcentral esetén az uaenorth-ra mutatáshoz
    • A Python 3.7 2023. június 27-én véget ért. Következésképpen a 3.7 2023 októberétől megszűnik az AzureML-Core-ban, és az Azureml-Core 2024 februárjában megszűnik a 3.7-es támogatással.
  • azureml-mlflow
    • Javítás az MLflow load_model API-k használatával történő modellek betöltéséhez azureML URI-k átadásakor
  • azureml-pipeline-core
    • A gyermekfuttatás kihagyása és a naplózási hiba kihagyása, ha a gyermekfuttatás betöltése sikertelen volt (például 404) a használatával PipelineRun.get_pipeline_runs.
    • PipelineEndpoint.list új int paramétert max_resultsvezet be, amely a visszaadott lista maximális méretét jelzi. Az alapértelmezett érték max_results 100.
  • azureml-training-tabular
    • Az AutoML-előrejelzési TCN-modellekben az előrejelzéskor ismert funkciók/regresszorok támogatása.

2023-06-26

Azure Machine Tanulás SDK for Python v1.52.0

  • azureml-automl-dnn-vision
    • A futtatókörnyezeti (örökölt) automl-modellek mlflow-aláírása bináris bemenetek elfogadására módosult. Ez lehetővé teszi a kötegelt következtetést. A prediktív függvény visszafelé kompatibilis, így a felhasználók továbbra is küldhetnek base64-sztringeket bemenetként. Az előrejelzési függvény kimenete módosult, hogy eltávolítsa az ideiglenes fájlnevet és az üres vizualizációkat és hozzárendelési kulcsot, ha a modell magyarázata n...
  • azureml-contrib-automl-dnn-forecasting
    • Kijavítottunk egy hibát, amely hibát okozott az elosztott TCN-betanítás során, amikor az adatok egyetlen idősorból állnak.
  • azureml-interpret
    • shap pin eltávolítása az azureml-interpretben, hogy a legújabbra frissüljön a interpret-communityben
  • azureml-responsibleai
    • frissítette a közös környezetet és az azureml-responsibleai csomagot a raiwidgets és a responsibleai 0.28.0-ra

2023-05-20

Azure Machine Tanulás SDK for Python v1.51.0

  • azureml-automl-core
    • Az AutoML-előrejelzési feladat mostantól támogatja a gördülő előrejelzést, és részlegesen támogatja a mennyiségi előrejelzéseket a hierarchikus idősorokhoz (HTS).
    • Nem táblázatos adathalmazok használatának letiltása az ügyfelek számára besorolási (többosztályos és többcímkés) forgatókönyvekhez
  • azureml-automl-dnn-nlp
    • Nem táblázatos adathalmazok használatának letiltása az ügyfelek számára besorolási (többosztályos és többcímkés) forgatókönyvekhez
  • azureml-contrib-automl-pipeline-steps
    • Az AutoML-előrejelzési feladat mostantól támogatja a gördülő előrejelzést, és részlegesen támogatja a mennyiségi előrejelzéseket a hierarchikus idősorokhoz (HTS).
  • azureml-fsspec
    • Az MLTable & FSSpec összes felhasználó által okozott hibáját lecseréli az azureml-dataprepből importált egyéni UserErrorException értékre.
  • azureml-interpret
    • frissített azureml-interpret csomag az interpret-community 0.29.* verzióra
  • azureml-pipeline-core
    • Javítsa ki pipeline_version , hogy a híváskor pipeline_endpoint.submit()nem lép érvénybe.
  • azureml-train-automl-client
    • Az AutoML-előrejelzési feladat mostantól támogatja a gördülő előrejelzést, és részlegesen támogatja a mennyiségi előrejelzéseket a hierarchikus idősorokhoz (HTS).
  • azureml-train-automl-runtime
    • Az AutoML-előrejelzési feladat mostantól támogatja a gördülő előrejelzést, és részlegesen támogatja a mennyiségi előrejelzéseket a hierarchikus idősorokhoz (HTS).
  • mltable
    • Az MLTable-fájlok betöltésekor mostantól több kódolási változat utf-8 is támogatott.
    • Az MLTable & FSSpec összes felhasználó által okozott hibáját lecseréli az azureml-dataprepből importált egyéni UserErrorException értékre.

2023-04-10

Azure Machine Tanulás SDK for Python v1.50.0

  • azureml-contrib-automl-dnn-forecasting
    • A TCN-modellek adott kvantitására vonatkozó előrejelzés támogatása hozzáadva.
  • azureml-responsibleai
    • frissítette a common environment és az azureml-responsibleai csomagot a raiwidgets és a responsibleai 0.26.0 verzióra
  • azureml-train-automl-runtime
    • MlTable-kezelés javítása modelltesztelési forgatókönyvhöz
  • azureml-training-tabular
    • A forecast_quantile metódus paramétereként kvantiliseket adott hozzá.

2023-03-01

A Python 3.7 támogatásának megszűnése az Azure Machine Tanulás SDK v1-csomagokban

  • Funkciók elavulása
    • A Python 3.7 elavulttá tévő futtatókörnyezete SDK v1-csomagokhoz
      • 2023. december 4-én az Azure Machine Tanulás hivatalosan leállítja a Python 3.7 for SDK v1-csomagok támogatását, és elavulttá teszi azt támogatott futtatókörnyezetként. További részletekért olvassa el az Azure SDK for Python verziótámogatási szabályzatát
      • A 2023. december 4-i elavulási dátumtól kezdve az Azure Machine Tanulás SDK v1 csomagjai a továbbiakban nem kapnak biztonsági javításokat és egyéb frissítéseket a Python 3.7-futtatókörnyezethez.
      • Az Azure Machine jelenlegi Python 3.7-verziói Tanulás SDK v1 továbbra is működik. Annak érdekében azonban, hogy továbbra is megkapja a biztonsági frissítéseket, és továbbra is megfelelő technikai segítségre legyen képes, az Azure Machine Tanulás határozottan azt javasolja, hogy helyezze át a szkripteket és függőségeket a Python-futtatókörnyezet támogatott verziójára.
      • Az Azure Machine Tanulás SDK v1-fájlok futtatókörnyezeteként javasoljuk a Python 3.8-as vagy újabb verziójának használatát.
      • Emellett a Python 3.7-alapú Azure Machine Tanulás SDK v1-csomagok már nem jogosultak technikai segítségre.
      • Ha bármilyen aggálya van, az Azure Machine Tanulás támogatásával kapcsolatba léphet velünk.

2023-13-02

Azure Machine Tanulás SDK for Python v1.49.0

  • Kompatibilitástörő változások
    • Az 1.49.0-s vagy újabb verziótól kezdve az alábbi AutoML-algoritmusok nem támogatottak.
      • Regresszió: FastLinearRegressor, OnlineGradientDescentRegressor
      • Besorolás: AveragedPerceptronClassifier.
    • Az algoritmusok további használatához használja az 1.48.0-s vagy újabb verziót.
  • Hibajavítások és fejlesztések
    • azureml-automl-dnn-nlp
      • Naplók a modellre és a hiperparaméter-beállításokra alkalmazott végső értékek megjelenítéséhez az alapértelmezett és a felhasználó által megadott értékek alapján.
    • azureml-contrib-automl-dnn-forecasting
      • A TCNForecaster nem skálázási metrikái mostantól az utolsó korszak értékeit tükrözik.
      • A TCN-betanítási kísérlet futtatásakor már elérhetők a betanítási és tesztelési csoport előrejelzési horizontvizualizációi.
      • A futtatások többé nem fognak meghiúsulni a "TCN-metrikák kiszámításának sikertelensége" hiba miatt. A rendszer továbbra is naplózza az "Előrejelzési metrikaszámítás hibát eredményezett, legrosszabb pontszámok visszajelentése" figyelmeztető üzenetet. Ehelyett kivételt emelünk ki, ha az inf/nan érvényesítési veszteség több mint két egymást követő alkalommal jelentkezik az "Érvénytelen modell, A TCN-betanítás nem konvergens" üzenettel. Az ügyfeleknek tisztában kell lenniük azzal, hogy a betöltött modellek előrejelzésként adhatnak vissza nan/inf értékeket, miközben a változás után következtetnek.
    • azureml-core
      • Az Azure Machine Tanulás-munkaterület létrehozása a Log Analytics-alapú alkalmazásokat Elemzések használja a klasszikus alkalmazás Elemzések elavulásának előkészítéséhez. Azok a felhasználók, akik klasszikus alkalmazás Elemzések erőforrásokat szeretnének használni, továbbra is megadhatják a sajátjukat az Azure Machine Tanulás-munkaterület létrehozásakor.
    • azureml-interpret
      • frissített azureml-interpret csomag a interpret-community 0.28.*
    • azureml-mlflow
      • Az azureml-mlflow-ügyfél frissítése az MLflow 2.0 kezdeti támogatásával
    • azureml-responsibleai
      • frissített azureml-responsibleai csomagokat és jegyzetfüzeteket a raiwidgets és a responsibleai v0.24.0-ra
    • azureml-sdk
      • az azureml-sdk és az azureml-train-automl-client mostantól támogatja a Python 3.10-es verzióját
    • azureml-train-automl-client
      • az azureml-sdk és az azureml-train-automl-client mostantól támogatja a Python 3.10-es verzióját
    • azureml-train-automl-runtime
      • Hiányzó y eltávolítása betanítás előtt
      • A céloszlop nan- vagy üres értékeinek törlése nem streamelési forgatókönyvek esetén
      • A tesztkészlet előrejelzési horizont vizualizációi már elérhetők a betanítási kísérlet futtatásakor.
    • azureml-train-core
      • Az ügyfél támogatása hozzáadva a hyperdrive-futtatások egyéni futtatási azonosítójának megadásához
    • azureml-train-restclients-hyperdrive
      • Az ügyfél támogatása hozzáadva a hyperdrive-futtatások egyéni futtatási azonosítójának megadásához

2022-12-05

Azure Machine Tanulás SDK for Python v1.48.0

  • Kompatibilitástörő változások

    • A Python 3.6 támogatása elavult az Azure Machine Tanulás SDK-csomagokhoz.

  • Hibajavítások és fejlesztések

    • azureml-core
      • A munkaterület létrehozásakor létrehozott tárfiókok mostantól alapértelmezés szerint letiltják a blob nyilvános hozzáférését
    • azureml-responsibleai
      • Frissítettük az azureml-responsibleai csomagokat és jegyzetfüzeteket a raiwidgets és a responsibleai packages v0.23.0-ra
      • Modellszerializáló és pyfunc modell hozzáadva az azureml-responsibleai csomaghoz a modellek egyszerű mentéséhez és lekéréséhez
    • azureml-train-automl-runtime
      • Docstring hozzáadva a ManyModels-paraméterekhez és a HierarchicalTimeSeries-paraméterekhez
      • Kijavítottuk azt a hibát, amely miatt a generált kód nem megfelelően végzett betanítási/tesztelési felosztásokat.
      • Kijavítottunk egy hibát, amely miatt az előrejelzés által generált kódbetanítási feladatok meghiúsultak.

2022-10-25

Azure Machine Tanulás SDK for Python v1.47.0

  • azureml-automl-dnn-nlp
    • Az AutoML NLP futásidejű változásai a rögzített betanítási paraméterek figyelembe vételével, az újonnan bevezetett modellsöprési és hiperparaméter-finomhangolás részeként.
  • azureml-mlflow
    • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT használatával szabályozható az összetevők feltöltésének időtúllépése
  • azureml-train-automl-runtime
    • Számos modell és hierarchikus idősor betanítása mostantól kényszeríti az időtúllépési paraméterek ellenőrzését az ütközés észleléséhez, mielőtt elküldené a kísérletet futtatásra. Ez megakadályozza a kísérlet sikertelenségét a futtatás során, mert kivételt emel a kísérlet elküldése előtt.
    • Az ügyfelek mostantól szabályozhatják a lépésméretet, miközben a számos modell következtetésében szereplő gördülő előrejelzést használják.
    • A Többmodelles következtetés nem particionált táblázatos adatokkal mostantól támogatja a forecast_quantiles.

2022-09-26

Azure Machine Tanulás SDK for Python v1.46.0

  • azureml-automl-dnn-nlp
    • Az ügyfelek többé nem adhatnak meg egy sort a CoNLL-ben, amely csak egy jogkivonatból áll. A sornak mindig egy üres új vonalnak kell lennie, vagy egy pontosan egy jogkivonattal, amelyet pontosan egy szóköz követ, amelyet pontosan egy címke követ.
  • azureml-contrib-automl-dnn-forecasting
    • Van egy sarki eset, ahol a minták a keresztérvényesítés felosztása után 1-re csökkennek, de sample_size továbbra is a felosztás előtti darabszámra mutatnak, így a batch_size egyes esetekben több mint a mintaszám. Ebben a javításban a felosztás után inicializáljuk sample_size
  • azureml-core
    • Elavulásra vonatkozó figyelmeztetést adtunk hozzá, amikor az ügyfelek a cli/SDK v1-es modell üzembehelyezési API-jait használják a modellek üzembe helyezéséhez, valamint akkor is, ha a Python 3.6-os vagy annál kisebb verziója van.
    • A viselkedés módosításának AZUREML_LOG_DEPRECATION_WARNING_ENABLED következő értékei az alábbiak szerint változnak:
      • Alapértelmezett – a figyelmeztetést jeleníti meg, ha az ügyfél a Python 3.6-os vagy újabb verziót használja, valamint a cli/sdk 1-et.
      • True - megjeleníti az sdk v1 elavulásra vonatkozó figyelmeztetést az azureml-sdk-csomagokon.
      • False - letiltja az sdk v1 elavulásra vonatkozó figyelmeztetést az azureml-sdk-csomagokon.
    • A végrehajtandó parancs a környezeti változó beállításához az elavuló üzenet letiltásához:
      • Windows – setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
      • Linux - export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
  • azureml-interpret
    • az azureml-interpret csomag frissítése a 0.27-es interpret-communityre.*
  • azureml-pipeline-core
    • Az alapértelmezett időzóna (UTC) beállítása.
    • Javítsa ki az SqlDataReference helytelen újrahasználatát a DataTransfer lépésben.
  • azureml-responsibleai
    • azureml-responsibleai csomag és válogatott rendszerképek frissítése raiwidgetsre és responsibleai v0.22.0-ra
  • azureml-train-automl-runtime
    • Kijavítottunk egy hibát a létrehozott szkriptekben, amely miatt bizonyos metrikák nem jelennek meg megfelelően a felhasználói felületen.
    • Számos modell támogatja a következtetés gördülő előrejelzését.
    • A legnépszerűbb N modellek visszaküldésének támogatása számos modellforgatókönyvben.

2022-08-29

Azure Machine Tanulás SDK for Python v1.45.0

  • azureml-automl-runtime
    • Kijavítottunk egy hibát, amely miatt a sample_weight oszlop ellenőrzése nem volt megfelelő.
    • Rolling_forecast() nyilvános metódust adott hozzá az előrejelzési folyamat burkolóihoz az összes támogatott előrejelzési modell esetében. Ez a metódus lecseréli az elavult rolling_evaluation() metódust.
    • Kijavítottunk egy hibát, amely miatt az AutoML regressziós feladatai visszaestek a modell kiértékeléséhez érvényes felosztásra, amikor a CV megfelelőbb választás lett volna.
  • azureml-core
    • Új felhőkonfigurációs utótag hozzáadva: "aml_discovery_endpoint".
    • Frissítette a beszállító azure-storage csomagot a 2-es verzióról a 12-es verzióra.
  • azureml-mlflow
    • Új felhőkonfigurációs utótag hozzáadva: "aml_discovery_endpoint".
  • azureml-responsibleai
    • azureml-responsibleai csomag és válogatott képek frissítése a raiwidgetsre és a responsibleai 0.21.0-ra
  • azureml-sdk
    • Az azureml-sdk csomag mostantól engedélyezi a Python 3.9-et.

2022-08-01

Azure Machine Tanulás SDK for Python v1.44.0

  • azureml-automl-dnn-nlp
    • A súlyozott pontosság és a Matthews korrelációs együttható (MCC) többé nem lesz olyan metrika, amely az NLP többcímkés besorolás számított metrikáiban jelenik meg.
  • azureml-automl-dnn-vision
    • Felhasználói hiba elhárítása érvénytelen széljegyzetformátum megadásakor
  • azureml-cli-common
    • Frissítettük a v1 parancssori felület leírását
  • azureml-contrib-automl-dnn-forecasting
    • Kijavítottuk a "Nem sikerült kiszámítani a TCN-metrikákat". A TCNForecaster által okozott problémák, amikor az érvényesítési adatkészlet különböző idősorai eltérő hosszúságúak.
    • Automatikus időbélyeg-azonosító-észlelés lett hozzáadva az olyan DNN-előrejelzési modellekhez, mint a TCNForecaster.
    • Kijavítottunk egy hibát az Előrejelzés TCN-modellel, amely miatt az érvényesítési adatok bizonyos körülmények között megsérülhettek, amikor a felhasználó megadta az érvényesítési csoportot.
  • azureml-core
    • Timeout_seconds paraméter beállításának engedélyezése összetevők futtatásból való letöltésekor
    • Figyelmeztető üzenet hozzáadva – Az Azure Machine Tanulás CLI 1-ben 2025.09.09-én megszűnik. Javasoljuk, hogy a felhasználók a CLI 2-s verziót fogadják el.
    • Kijavíthatja a nem AmlComputes-hez való küldést, amely kivételeket tartalmaz.
    • Docker-környezet támogatása a környezetekhez
  • azureml-interpret
    • Az AutoML-csomagok numpy-verziójának növelése
  • azureml-pipeline-core
    • Javítsa ki a regenerate_outputs=Igaz értéket, amely nem lép érvénybe a folyamat elküldésekor.
  • azureml-train-automl-runtime
    • Az AutoML-csomagok numpy-verziójának növelése
    • Kódlétrehozás engedélyezése a látáshoz és az nlp-hez
    • Az eredeti oszlopok, amelyeken a szemcsék létrejönnek, predictions.csv

2022-07-21

A Python 3.6 támogatásának megszűnése az Azure Machine Tanulás SDK v1-csomagokban

  • Funkciók elavulása
    • A Python 3.6 elavulttá tévő futtatókörnyezete SDK v1-csomagokhoz
      • 2022. december 05-én az Azure Machine Tanulás elavulttá teszi a Python 3.6-ot támogatott futtatókörnyezetként, és hivatalosan megszűnik a Python 3.6 támogatása az SDK v1-csomagokhoz.
      • Az Azure Machine Tanulás 2022. december 05-i elavulási dátumától kezdve az Azure Machine Tanulás SDK v1-csomagok által használt Python 3.6-os futtatókörnyezetre már nem alkalmaz biztonsági javításokat és egyéb frissítéseket.
      • A meglévő Azure Machine Tanulás SDK v1-csomagok Python 3.6-os verziója továbbra is fut. Az Azure Machine Tanulás azonban határozottan azt javasolja, hogy migrálja a szkripteket és a függőségeket egy támogatott Python-futtatókörnyezeti verzióra, hogy továbbra is megkapja a biztonsági javításokat, és továbbra is jogosult maradjon a technikai támogatásra.
      • Javasoljuk, hogy a Python 3.8-as verzióját használja futtatókörnyezetként az Azure Machine Tanulás SDK 1-es csomagjaihoz.
      • Emellett a Python 3.6-ot használó Azure Machine Tanulás SDK v1-csomagok már nem jogosultak technikai támogatásra.
      • Ha kérdése van, vegye fel velünk a kapcsolatot az AML ügyfélszolgálatán keresztül.

2022-06-27

  • azureml-automl-dnn-nlp
    • Ismétlődő címkék oszlopának eltávolítása többcímke-előrejelzésből
  • azureml-contrib-automl-pipeline-steps
    • Számos modell mostantól csv formátumban is képes előrejelzési kimenetet generálni. – Számos modell-előrejelzés tartalmaz oszlopneveket a kimeneti fájlban csv fájlformátum esetén.
  • azureml-core
    • Az ADAL-hitelesítés elavult, és az összes hitelesítési osztály MSAL-hitelesítést használ. Telepítse az azure-cli>=2.30.0-t az MSAL-alapú hitelesítés használatához az AzureCliAuthentication osztály használatakor.
    • Javítás hozzáadva a környezeti regisztráció kényszerítéséhez, amikor Environment.build(workspace). A javítás megoldja a környezet klónozása vagy egy másik példánytól örökölt környezet helyett létrehozott legújabb környezet keveredése.
    • Az SDK figyelmeztető üzenete a számítási példány 2022. május 31-e előtti újraindítására, ha 2021. szeptember 19-e előtt jött létre
  • azureml-interpret
    • Az azureml-interpret csomag frissítette a interpret-community 0.26.* verziót.
    • Az azureml-interpret csomagban adjon hozzá lehetőséget a nyers és a megtervezett funkciónevek lekérésére a pontozó magyarázótól. Emellett adjon hozzá példát a pontozási jegyzetfüzethez, hogy lekérje a pontozási magyarázó funkcióneveit, és dokumentációt adjon hozzá a nyers és a megtervezett funkciónevekről.
  • azureml-mlflow
    • az azureml-core az azureml-mlflow függőségeként el lett távolítva. – Az MLflow-projektekhez és a helyi üzemelő példányokhoz azureml-core szükséges, és külön kell telepíteni.
    • A végpontok létrehozásának és üzembe helyezésének támogatása az MLflow-ügyfél beépülő modulon keresztül.
  • azureml-responsibleai
    • Frissítettük az azureml-responsibleai csomag- és környezeti rendszerképeket a legújabb responsibleai és raiwidgets 0.19.0-s kiadásra
  • azureml-train-automl-client
    • Az OutputDatasetConfig mostantól támogatott az MM/HTS-folyamatszerkesztő bemeneteként. A leképezések a következők: 1) OutputTabularDatasetConfig –> nem particionált táblázatos adatkészletként kezelve. 2) OutputFileDatasetConfig –> iktatott adathalmazként kezelve.
  • azureml-train-automl-runtime
    • Olyan adatérvényesítést adtunk hozzá, amely megköveteli, hogy az adathalmaz kisebbségi osztálymintáinak száma legalább annyi legyen, mint a kért CV-redők száma.
    • Az automatikus keresztérvényesítési paraméterkonfiguráció mostantól elérhető az AutoML-előrejelzési feladatokhoz. A felhasználók mostantól megadhatják az "auto" értéket n_cross_validations és cv_step_size, vagy üresen hagyhatják őket, és az AutoML ezeket a konfigurációkat az adatok alapján biztosítja. Ez a funkció azonban jelenleg nem támogatott, ha a TCN engedélyezve van.
    • A számos modell és hierarchikus idősor előrejelzési paraméterei mostantól objektumon keresztül továbbíthatók, nem pedig egyéni paramétereket használnak a szótárban.
    • Az engedélyezett előrejelzési modellvégpontok kvantitással támogatottak a Power BI-ban.
    • Az AutoML scipy függőségének frissítése az 1.5.3-as értékre kötve az 1.5.2-es értékről

2022-04-25

Azure Machine Tanulás SDK for Python v1.41.0

Kompatibilitástörő változásra figyelmeztető figyelmeztetés

Ez a kompatibilitástörő változás a júniusi kiadásból származik azureml-inference-server-http. A júniusi azureml-inference-server-http kiadásban (0.9.0-s verzió) a Python 3.6 támogatása csökkent. Mivel azureml-defaults ez a módosítás attól azureml-inference-server-httpfügg, a rendszer propagálja a módosítást.azureml-defaults Ha nem következtetést használazureml-defaults, nyugodtan használhatja azureml-core vagy bármely más Azure Machine-Tanulás SDK-csomagot közvetlenül a telepítés azureml-defaultshelyett.

  • azureml-automl-dnn-nlp
    • Alapértelmezés szerint bekapcsolja a hosszú távú szöveg funkciót.
  • azureml-automl-dnn-vision
    • Az ObjectAnnotation Osztály típusának módosítása objektumról "adatobjektumra".
  • azureml-core
    • Ez a kiadás frissíti az ügyfelek által használt Keyvault-osztályt, amely lehetővé teszi számukra a keyvault tartalomtípus megadását, amikor titkos kulcsot hoz létre az SDK használatával. Ez a kiadás frissíti az SDK-t is, hogy tartalmazzon egy új függvényt, amely lehetővé teszi az ügyfelek számára, hogy lekérje a tartalomtípus értékét egy adott titkos kódból.
  • azureml-interpret
    • frissített azureml-interpret csomag a interpret-community 0.25.0-s verzióra
  • azureml-pipeline-core
    • Ne nyomtassa ki többé a futtatás részleteit, ha pipeline_run.wait_for_completionshow_output=False
  • azureml-train-automl-runtime
    • Kijavít egy hibát, amely miatt a kódlétrehozás meghiúsul, ha az azureml-contrib-automl-dnn-forecasting csomag jelen van a betanítási környezetben.
    • Hiba kijavítása, ha egy tesztadatkészletet címkeoszlop nélkül használ az AutoML-modell tesztelésével.

2022-03-28

Azure Machine Tanulás SDK for Python v1.40.0

  • azureml-automl-dnn-nlp
    • A Long Range Text funkciót nem kötelezővé tesszük, és csak akkor, ha az ügyfelek kifejezetten ezt a funkciót választják, a "enable_long_range_text" parancsot használva
    • Adatérvényesítési réteg hozzáadása többosztályos besorolási forgatókönyvhöz, amely ugyanazt az alaposztályt alkalmazza, mint a többcímkés a közös érvényesítésekhez, és egy származtatott osztály a feladatspecifikusabb adatérvényesítési ellenőrzésekhez.
  • azureml-automl-dnn-vision
    • A KeyError javítása az osztálysúlyok számítása közben.
  • azureml-contrib-reinforcementlearning
    • Az SDK figyelmeztető üzenete az RL-szolgáltatás közelgő elavulása esetén
  • azureml-core
      • Az új futtatókörnyezeten átment futtatások naplóit adja vissza, amikor meghívja a lekérési naplók függvényt a futtatási objektumon, beleértve a run.get_details, run.get_all_logsstb.
    • Hozzáadott kísérleti módszer Datastore.register_onpremises_hdfs, amely lehetővé teszi a felhasználók számára, hogy helyszíni HDFS-erőforrásokra mutató adattárakat hozzanak létre.
    • A parancssori felület dokumentációjának frissítése a súgóparancsban
  • azureml-interpret
    • Azureml-interpret csomag esetén távolítsa el a shap pint a csomagolás frissítésével. Távolítsa el a numba- és numpy pin-kódokat a CE env frissítése után.
  • azureml-mlflow
    • Az MLflow üzembehelyezési ügyfél hibajavítása sikertelen run_local, ha a konfigurációs objektum nem lett megadva.
  • azureml-pipeline-steps
    • Elavult folyamat estimatorStep hibás hivatkozásának eltávolítása
  • azureml-responsibleai
    • az azureml-responsibleai csomag frissítése a raiwidgets és a responsibleai 0.17.0 kiadásra
  • azureml-train-automl-runtime
    • Az automatizált gépi tanulás kódlétrehozása mostantól támogatja az ElőrejelzésTCN-modelleket (kísérleti).
    • A kódlétrehozással létrehozott modellek mostantól alapértelmezés szerint kiszámítják az összes metrikát (kivéve a normalizált átlagos abszolút hibát, a normalizált medián abszolút hibát, a normalizált RM Standard kiadás és az előrejelzési modellek esetében normalizált RMSLE-t). A kiszámítandó metrikák listája a függvény visszatérési értékének get_metrics_names()szerkesztésével módosítható. A keresztérvényesítés alapértelmezés szerint a kódgenerálással létrehozott modellek előrejelzéséhez használatos.
  • azureml-training-tabular
    • A kiszámítandó metrikák listája a függvény visszatérési értékének get_metrics_names()szerkesztésével módosítható. A keresztérvényesítés alapértelmezés szerint a kódgenerálással létrehozott modellek előrejelzéséhez használatos.
    • Decimális típusú y-teszt átalakítása lebegőpontossá, hogy a metrikák számítása hiba nélkül folytatódhasson.

2022-02-28

Azure Machine Tanulás SDK for Python v1.39.0

  • azureml-automl-core
    • A PBI-ben megjelenő helytelen űrlap javítása az AutoML regressziós modellekkel való integrációhoz
    • Min-label-class-check hozzáadása mindkét besorolási feladathoz (többosztályos és többcímke). Hibát jelez az ügyfél futtatásakor, ha a bemeneti betanítási adatkészlet osztályainak egyedi száma 2-nél kevesebb. A besorolást nem érdemes két osztálynál kevesebben futtatni.
  • azureml-automl-runtime
    • Decimális típusú y-teszt átalakítása lebegőpontossá, hogy a metrikák számítása hiba nélkül folytatódhasson.
    • Az AutoML-betanítás mostantól támogatja a numpy 1.8-as verzióját.
  • azureml-contrib-automl-dnn-forecasting
    • Kijavítottunk egy hibát a TCNForecaster modellben, amely nem minden betanítási adatot használt a keresztérvényesítési beállítások megadásakor.
    • A TCNForecaster burkoló előrejelzési módszere, amely rontotta a következtetési idő előrejelzéseit. Kijavítottunk egy hibát is, amely miatt az előrejelzési módszer nem használta a legfrissebb környezeti adatokat a betanított forgatókönyvekben.
  • azureml-interpret
    • Azureml-interpret csomag esetén távolítsa el a shap pint a csomagolás frissítésével. Távolítsa el a numba- és numpy pin-kódokat a CE env frissítése után.
  • azureml-responsibleai
    • azureml-responsibleai package to raiwidgets and responsibleai 0.17.0 release
  • azureml-synapse
    • Javítsa ki azt a hibát, amely miatt a magic widget eltűnt.
  • azureml-train-automl-runtime
    • Az AutoML-függőségek frissítése a Python 3.8 támogatásához. Ez a módosítás megszakítja az SDK 1.37 vagy újabb verziójával betanított modellekkel való kompatibilitást, mivel a modellben mentett újabb Pandas-felületek miatt.
    • Az AutoML betanítása mostantól támogatja a numpy 1.19-es verzióját
    • Az AutoML alaphelyzetbe állítási index logikájának javítása az együttes modellekhez az automl_setup_model_explanations API-ban
    • Az AutoML-ben használjon lightgbm helyettesítő modellt lineáris helyettesítő modell helyett ritka eset esetén a legújabb lightgbm verziófrissítés után
    • Az AutoML által előállított összes belső köztes összetevő transzparensen lesz tárolva a szülőfuttatáson (ahelyett, hogy az alapértelmezett munkaterületi blobtárolóba kerül). A felhasználóknak látniuk kell az AutoML által a szülőfuttatás címtárában outputs/ létrehozott összetevőket.

2022-01-24

Azure Machine Tanulás SDK for Python v1.38.0

  • azureml-automl-core
    • Tabnet Regressor és Tabnet Classifier támogatás az AutoML-ben
    • Adattranszformátor mentése szülőfuttatású kimenetekben, amelyek újra felhasználhatók ugyanahhoz a featurált adatkészlethez, amelyet a kísérlet futtatásakor használtak
    • Az előrejelzési feladat elsődleges metrikáinak lekérésének támogatása get_primary_metrics API-ban.
    • Átnevezték a második választható paramétert a v2 pontozási szkriptekben GlobalParameters néven
  • azureml-automl-dnn-vision
    • Hozzáadta a pontozási metrikákat a metrikák felhasználói felületén
  • azureml-automl-runtime
    • Hibajavítás olyan esetekben, amikor a NimbusML-modellek algoritmusának neve üres sztringként jelenhet meg az ML Studióban vagy a konzol kimenetén.
  • azureml-core
    • A azureml.core.webservice.aks.AksWebservice.deploy_configuration hozzáadott blobfuse_enabled paraméter. Ha ez a paraméter igaz, a modellek és a pontozási fájlok a blobtároló API helyett blobfüzére lesznek letöltve.
  • azureml-interpret
    • Az azureml-interpret frissítése a interpret-community 0.24.0-s verzióra
    • Az azureml-interpret update scoring explainerben a lightgbm legújabb verziójának támogatása a ritka TreeExplainerrel
    • Az azureml-interpret frissítése a 0.23-as interpret-communityre.*
  • azureml-pipeline-core
    • Vegyen fel megjegyzést a pipelinedata-ban, és javasolja a felhasználónak, hogy inkább a folyamat kimeneti adatkészletét használja.
  • azureml-pipeline-steps
    • A ParallelRunConfighoz hozzáadva environment_variables a futtatókörnyezeti környezeti változókat a paraméter átadhatja, és a felhasználói szkript végrehajtásának folyamatára lesz beállítva.
  • azureml-train-automl-client
    • Tabnet Regressor és Tabnet Classifier támogatás az AutoML-ben
  • azureml-train-automl-runtime
    • Adattranszformátor mentése szülőfuttatású kimenetekben, amelyek újra felhasználhatók ugyanahhoz a featurált adatkészlethez, amelyet a kísérlet futtatásakor használtak
  • azureml-train-core
    • A Bayesian Optimization támogatásának engedélyezése a Hyperdrive-ban
    • A Bayesian és a GridParameterSampling objektumok mostantól átadhatják a tulajdonságokat

2021-12-13

Azure Machine Tanulás SDK for Python v1.37.0

  • Kompatibilitástörő változások

    • azureml-core
      • Az 1.37.0-s verziótól kezdve az Azure Machine Tanulás SDK az MSAL-t használja alapul szolgáló hitelesítési kódtárként. Az MSAL az Azure Active Directory (Azure AD) 2.0-s verziós hitelesítési folyamatát használja a további funkciók biztosításához és a jogkivonat-gyorsítótár biztonságának növeléséhez. További információ: A Microsoft Authentication Library (MSAL) áttekintése.
      • Frissítse az AML SDK-függőségeket a Pythonhoz készült Azure Resource Management ügyfélkódtár legújabb verziójára (azure-mgmt-resource>=15.0.0,20.0.0<) & fogadja el a Track2 SDK-t.
      • Az 1.37.0-s verziótól kezdve az Azure-ml-cli bővítménynek kompatibilisnek kell lennie az Azure CLI >=2.30.0 legújabb verziójával.
      • Ha azure CLI-t használ egy folyamatban, például az Azure DevOpsban, győződjön meg arról, hogy az összes tevékenység/fázis az Azure CLI 2.30.0-s verzió feletti verzióit használja az MSAL-alapú Azure CLI-hez. Az Azure CLI 2.30.0 nem kompatibilis a korábbi verziókkal, és hibát jelez a nem kompatibilis verziók használatakor. Ha Azure CLI-hitelesítő adatokat szeretne használni az Azure Machine Tanulás SDK-val, az Azure CLI-t pipcsomagként kell telepíteni.

  • Hibajavítások és fejlesztések

    • azureml-core
      • Eltávolított példánytípusok a Kubernetes-számítás csatolási munkafolyamatából. A példánytípusok mostantól közvetlenül beállíthatók a Kubernetes-fürtben. További részletekért látogasson el aka.ms/amlarc/doc.
    • azureml-interpret
      • az azureml-interpret frissítése a interpret-community 0.22.* verzióra
    • azureml-pipeline-steps
      • Kijavítottunk egy hibát, amely miatt a kísérlet "helyőrzője" létre lehetett hozni egy folyamat AutoMLStep-fájllal való elküldésekor.
    • azureml-responsibleai
      • az azureml-responsibleai és a számítási példány környezetének frissítése a responsibleai és a raiwidgets 0.15.0 kiadásra
      • frissítse az azureml-responsibleai csomagot a legújabb responsibleai 0.14.0-s verzióra.
    • azureml-tensorboard
      • Most már csatlakoztathatja Tensorboard(runs, use_display_name=True) a TensorBoard-naplókat a helyettük run.display_name/run.idrun.idelnevezett mappákhoz.
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely miatt a kísérlet "helyőrzője" létre lehetett hozni egy folyamat AutoMLStep-fájllal való elküldésekor.
      • Frissítse az AutoMLConfig test_data és test_size dokumentumokat az előzetes verzió állapotának megfelelően.
    • azureml-train-automl-runtime
      • Új funkcióval a felhasználók egyetlen egyedi értékkel adhatják át az idősorok szemcséit.
      • Bizonyos esetekben egy AutoML-modell előrejelezheti a naN-eket. Az ezeknek a NaN-előrejelzéseknek megfelelő sorok törlődnek a tesztadatkészletekből és -előrejelzésekből, mielőtt a tesztfuttatásokban használt metrikák számítási metrikáinak számítanának.

2021-11-08

Azure Machine Tanulás SDK for Python v1.36.0

  • Hibajavítások és fejlesztések
    • azureml-automl-dnn-vision
      • Néhány hibaüzenet kisebb elírásai törlődnek.
    • azureml-contrib-reinforcementlearning
      • A szimulátorokat használó megerősítési Tanulás-futtatások elküldése már nem támogatott.
    • azureml-core
      • A particionált prémium blob támogatása hozzáadva.
      • A felügyelt identitás hitelesítéséhez nem nyilvános felhők megadása már nem támogatott.
      • A felhasználó migrálhatja az AKS-webszolgáltatást az online végpontra és üzembe helyezésre, amelyet a PARANCSSOR (v2) felügyel.
      • A Kubernetes számítási célok betanítási feladatainak példánytípusa mostantól egy RunConfiguration tulajdonságon keresztül állítható be: run_config.kubernetescompute.instance_type.
    • azureml-defaults
      • Eltávolított redundáns függőségek, mint a gunicorn és a werkzeug
    • azureml-interpret
      • azureml-interpret csomag frissítve a interpret-community 0.21.* verziójára
    • azureml-pipeline-steps
      • Deprecate MpiStep javára használja CommandStep futtatására ML-betanítás (beleértve az elosztott képzés) a folyamatokban.
    • azureml-train-automl-rutime
      • Frissítse az AutoML-modell tesztelési előrejelzéseinek kimeneti formátumára vonatkozó dokumentumokat.
      • A Naive, a SeasonalNaive, az Average és a SeasonalAverage előrejelzési modell dokumentációs leírása hozzáadva.
      • A rendszer a featurizáció összegzését futtatáskor összetevőként tárolja (ellenőrizze, hogy a kimenetek mappájában található "featurization_summary.json" nevű fájl szerepel-e)
      • Kategorikus jelzők támogatása a Tabnet Learnerhez.
      • Adjon hozzá downsample paramétert a automl_setup_model_explanations, hogy a felhasználók a paraméter hamis értékre állításával az összes adatra vonatkozó magyarázatokat kaphassanak.

2021-10-11

Azure Machine Tanulás SDK for Python v1.35.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Bináris metrikák számításának engedélyezése
    • azureml-contrib-fairness
      • Hibaüzenet javítása sikertelen irányítópult-letöltéskor
    • azureml-core
      • A felügyelt identitás hitelesítéséhez nem nyilvános felhők megadására vonatkozó hiba megoldódott.
      • Dataset.File.upload_directory() és Dataset.Tabular.register_pandas_dataframe() kísérleti jelzők el lettek távolítva.
      • A kísérleti jelzők a TabularDataset osztály partition_by() metódusában törlődnek.
    • azureml-pipeline-steps
      • A ParallelRunConfig osztály paraméteréhez a kísérleti jelzők el lettek távolítva partition_keys .
    • azureml-interpret
      • azureml-interpret csomag frissítve az intepret-community 0.20-ra.*
    • azureml-mlflow
      • Lehetővé tette az összetevők és képek naplózását az MLflow használatával alkönyvtárak használatával
    • azureml-responsibleai
      • Hibaüzenet javítása sikertelen irányítópult-letöltéskor
    • azureml-train-automl-client
    • azureml-train-automl-runtime
      • TCNForecaster-támogatás hozzáadása a modelltesztek futtatásához.
      • Frissítse a modelltesztet predictions.csv kimeneti formátumot. A kimeneti oszlopok tartalmazzák az eredeti célértékeket és a tesztfuttatásnak átadott funkciókat. Ez kikapcsolható a be- test_include_predictions_only=TrueAutoMLConfig vagy bekapcsolással.ModelProxy.test()include_predictions_only=True Ha a felhasználó csak előrejelzéseket kért, akkor a kimeneti formátum a következőképpen néz ki (az előrejelzés megegyezik a regresszióval): Besorolás => [előrejelzett értékek] [valószínűségek] Regresszió => [előrejelzett értékek] egyéb (alapértelmezett): Besorolás => [eredeti tesztadat-címkék] [előrejelzett értékek] [valószínűségek] [funkciók] Regresszió => [eredeti tesztadat-címkék] [előrejelzett értékek] [szolgáltatások] Az [predicted values] oszlop neve = [label column name] + "_predicted". Az [probabilities] oszlopnevek = [class name] + "_predicted_proba". Ha a tesztfuttatás bemeneteként nem ad át céloszlopot, akkor [original test data labels] nem lesz a kimenetben.

2021-09-07

Azure Machine Tanulás SDK for Python v1.34.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Támogatott egy korábban betanított előrejelzési folyamat újraillesztése.
      • A betanítási adatokhoz (mintában szereplő előrejelzéshez) tartozó előrejelzések beolvasásának képessége az előrejelzéshez.
    • azureml-automl-runtime
      • Támogatás hozzáadása előrejelzett valószínűségek visszaadásához egy AutoML-osztályozómodell üzembe helyezett végpontjáról.
      • Hozzáadtunk egy előrejelzési lehetőséget a felhasználók számára, amely meghatározza, hogy az összes előrejelzésnek egész számnak kell lennie.
      • A céloszlop neve nem része a modellmagyarázat funkcióneveinek a training_data_label_column_name
      • adathalmaz bemeneteként.
      • Támogatott egy korábban betanított előrejelzési folyamat újraillesztése.
      • A betanítási adatokhoz (mintában szereplő előrejelzéshez) tartozó előrejelzések beolvasásának képessége az előrejelzéshez.
    • azureml-core
      • Támogatott a streamoszlop típusának beállítása, a streamoszlopok csatlakoztatása és letöltése táblázatos adathalmazban.
      • Új választható mezők hozzáadva a Kubernetes.attach_configuration(identity_type=None, identity_ids=None) elemhez, amelyek lehetővé teszik a KubernetesCompute csatolását SystemAssigned vagy UserAssigned identitással. A print(compute_target) vagy a compute_target.szerialize(): identity_type, identity_id, principal_id és tenant_id/client_id hívásakor új identitásmezők jelennek meg.
    • azureml-dataprep
      • A táblázatos adathalmaz streamoszloptípusának beállításához hozzáadott támogatás. támogatja a streamoszlopok táblázatos adatkészletben való csatlakoztatását és letöltését.
    • azureml-defaults
      • A függőség azureml-inference-server-http==0.3.1 hozzá lett adva a következőhöz azureml-defaults: .
    • azureml-mlflow
      • A list_experiments API lapszámozásának engedélyezése paramok hozzáadásával max_results és page_token opcionálisan. A dokumentációt az MLflow hivatalos dokumentációjában találja.
    • azureml-sdk
      • Az azureml-sdk-ben lecserélte az elavult csomag (azureml-train) függőségét.
      • Azureml-responsibleai hozzáadása az azureml-sdk extrákhoz
    • azureml-train-automl-client
      • Tegye elérhetővé a test_data paramétereket a test_size következőben AutoMLConfig: . Ezek a paraméterek a modell betanítási fázisának befejezése után automatikusan elindíthatók a tesztfuttatásban. A teszt a legjobb modell használatával számítja ki az előrejelzéseket, és metrikákat hoz létre az előrejelzések alapján.

2021-08-24

Azure Machine Tanulás Kísérletezési felhasználói felület

  • Törlés futtatása
    • A Törlés futtatása egy új funkció, amely lehetővé teszi a felhasználók számára egy vagy több futtatás törlését a munkaterületről.
    • Ez a funkció segíthet a felhasználóknak csökkenteni a tárolási költségeket és kezelni a tárkapacitást azáltal, hogy közvetlenül törli a futtatásokat és kísérleteket a felhasználói felületről.
  • Batch Cancel Run
    • A Batch Mégse futtatás új funkció, amellyel a felhasználók kiválaszthatnak egy vagy több futtatási műveletet a futtatási listából.
    • Ez a funkció segíthet a felhasználóknak több várólistán lévő futtatás megszakításában, és helyet szabadíthatnak fel a fürtön.

2021-08-18

Azure Machine Tanulás Kísérletezési felhasználói felület

  • Megjelenítendő név futtatása
    • A Futtatás megjelenítendő neve egy új, szerkeszthető és opcionális megjelenítendő név, amely hozzárendelhető egy futtatáshoz.
    • Ez a név segíthet a futtatások hatékonyabb nyomon követésében, rendszerezésében és felderítésében.
    • A futtatás megjelenítendő neve alapértelmezés szerint egy adjective_noun_guid formátum (példa: awesome_watch_2i3uns).
    • Ez az alapértelmezett név testreszabhatóbb névre szerkeszthető. Ez az Azure Machine Tanulás studio felhasználói felületén található Futtatás részletei lapon szerkeszthető.

2021-08-02

Azure Machine Tanulás SDK for Python v1.33.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Továbbfejlesztett hibakezelés az XGBoost-modell lekérése körül.
      • Lehetővé tette az előrejelzések lebegőpontosról egész számmá alakítását az előrejelzési és regressziós feladatokhoz.
      • Az AutoMLConfigban lévő enable_early_stopping alapértelmezett értéke igaz értékre módosult.
    • azureml-automl-runtime
      • Lehetővé tette az előrejelzések lebegőpontosról egész számmá alakítását az előrejelzési és regressziós feladatokhoz.
      • Az AutoMLConfigban lévő enable_early_stopping alapértelmezett értéke igaz értékre módosult.
    • azureml-contrib-automl-pipeline-steps
      • A hierarchikus időrendek (HTS) lehetővé teszik a tevékenységek folyamatokon keresztüli előrejelzését.
      • Táblázatos adatkészlet-támogatás hozzáadása a következtetéshez
      • A következtetési adatokhoz egyéni elérési út adható meg
    • azureml-contrib-reinforcementlearning
      • Egyes tulajdonságok azureml.core.environment.DockerSection elavultak, például shm_size a Ray-dolgozók által a megerősítési tanulási feladatokban használt tulajdonság. Ez a tulajdonság most már megadható azureml.contrib.train.rl.WorkerConfiguration helyette.
    • azureml-core
      • Kijavítottunk egy hivatkozást a dokumentációban ScriptRunConfig.distributed_job_config
      • Az Azure Machine Tanulás számítási fürtök mostantól a munkaterület helyétől eltérő helyen hozhatók létre. Ez hasznos lehet az üresjárati kapacitások lefoglalásának maximalizálásához és a kvótakihasználtság különböző helyeken történő kezeléséhez anélkül, hogy több munkaterületet kellene létrehoznia csak a kvóta használatához, és egy adott helyen létre kell hoznia egy számítási fürtöt. További információ: Azure Machine Tanulás számítási fürt létrehozása.
      • Display_name a Run objektum mutable name mezőjeként hozzáadva.
      • Az adathalmaz from_files mostantól támogatja a nagy bemeneti adatok adatbővítményeinek kihagyását
    • azureml-dataprep
      • Kijavítottunk egy hibát, amely miatt a to_dask_dataframe egy versenyállapot miatt meghiúsult.
      • Az adathalmaz from_files mostantól támogatja a nagy bemeneti adatok adatbővítményeinek kihagyását
    • azureml-defaults
      • Eltávolítjuk az azureml-model-management-sdk==1.0.1b6.post1 függőséget az azureml-defaultsból.
    • azureml-interpret
      • az azureml-interpret frissítése a interpret-community 0.19-es verzióra.*
    • azureml-pipeline-core
      • A hierarchikus időrendek (HTS) lehetővé teszik a tevékenységek folyamatokon keresztüli előrejelzését.
    • azureml-train-automl-client
      • Váltson blobtároló használatára az automatizált gépi tanulásban való gyorsítótárazáshoz.
      • A hierarchikus időrendek (HTS) lehetővé teszik a tevékenységek folyamatokon keresztüli előrejelzését.
      • Továbbfejlesztett hibakezelés az XGBoost-modell lekérése körül.
      • Az AutoMLConfigban lévő enable_early_stopping alapértelmezett értéke igaz értékre módosult.
    • azureml-train-automl-runtime
      • Váltson blobtároló használatára az automatizált gépi tanulásban való gyorsítótárazáshoz.
      • A hierarchikus időrendek (HTS) lehetővé teszik a tevékenységek folyamatokon keresztüli előrejelzését.
      • Az AutoMLConfigban lévő enable_early_stopping alapértelmezett értéke igaz értékre módosult.

2021-07-06

Azure Machine Tanulás SDK for Python v1.32.0

  • Hibajavítások és fejlesztések
    • azureml-core
      • Munkaterület állapotának diagnosztizálása az SDK-ban/parancssori felületen
    • azureml-defaults
      • Függőség hozzáadva opencensus-ext-azure==1.0.8 az azureml-defaultokhoz
    • azureml-pipeline-core
      • Frissítette az AutoMLStep-et, hogy előre összeállított rendszerképeket használjon, amikor a feladatbeküldési környezet megfelel az alapértelmezett környezetnek
    • azureml-responsibleai
      • Új hibaelemző ügyfél hozzáadva a hibaelemzési jelentések feltöltéséhez, letöltéséhez és listázásához
      • Győződjön meg arról, hogy raiwidgets a responsibleai csomagok verziószinkronizálása
    • azureml-train-automl-runtime
      • Állítsa be a különböző featurizációs stratégiák közötti dinamikus kereséshez lefoglalt időt a kísérlet teljes időtúllépésének legfeljebb egynegyedére

2021-06-21

Azure Machine Tanulás SDK for Python v1.31.0

  • Hibajavítások és fejlesztések
    • azureml-core
      • Továbbfejlesztett dokumentáció a környezeti osztály platformtulajdonságához
      • Módosított alapértelmezett AML számítási csomópont skálázási ideje 120 másodpercről 1800 másodpercre
      • Frissítettük a portálon a sikertelen futtatások hibaelhárítására szolgáló alapértelmezett hibaelhárítási hivatkozást: https://aka.ms/azureml-run-troubleshooting
    • azureml-automl-runtime
      • Adattisztítás: A [None, "", "nan", np.nan] célértékekkel rendelkező minták a featurizáció és/vagy modell betanítása előtt el lesznek dobva
    • azureml-interpret
      • A feladatsor kiürítési hibájának megakadályozása a ExplanationClientet használó távoli Azure Machine-Tanulás-futtatásokon az időtúllépés növelésével
    • azureml-pipeline-core
      • Jar paraméter hozzáadása a synapse lépéshez
    • azureml-train-automl-runtime
      • A magas számosságú védőkorlátok javítása, hogy jobban igazodjanak a dokumentumokhoz

2021-06-07

Azure Machine Tanulás SDK for Python v1.30.0

  • Hibajavítások és fejlesztések
    • azureml-core
      • Rögzítse a < függőséget ruamel-yaml a 0.17.5-ös verzióra, mert a 0.17.5-ös verzióban megjelent egy kompatibilitástörő változás.
      • aml_k8s_config tulajdonság lecserélődik namespacea csatoláshoz használt , default_instance_typeés instance_types paraméterekre KubernetesCompute .
      • A munkaterület szinkronizálási kulcsait hosszú ideig futó műveletre módosítottuk.
    • azureml-automl-runtime
      • Kijavítottuk azokat a problémákat, ahol a big data-alapú futtatások sikertelenek Elements of y_test cannot be NaNlehetnek.
    • azureml-mlflow
      • MLFlow üzembe helyezési beépülő modul hibajavítása aláírás nélküli modellekhez.
    • azureml-pipeline-steps
      • ParallelRunConfig: frissítési dokumentum process_count_per_node.
    • azureml-train-automl-runtime
      • Egyéni definiált kvantilisek támogatása mm-következtetés során
      • A kötegelt következtetés során forecast_quantiles támogatása.
    • azureml-contrib-automl-pipeline-steps
      • Egyéni definiált kvantilisek támogatása mm-következtetés során
      • A kötegelt következtetés során forecast_quantiles támogatása.

2021-05-25

Az Azure Machine Tanulás parancssori felületének (v2) bejelentése

Az ml Azure CLI bővítménye az Azure Machine Tanulás következő generációs felülete. Lehetővé teszi a modellek parancssorról történő betanítását és üzembe helyezését, olyan funkciókkal, amelyek felgyorsítják az adatelemzés vertikális felskálázását és kibővítését, miközben nyomon követik a modell életciklusát. Telepítse és állítsa be a parancssori felületet (v2).

Azure Machine Tanulás SDK for Python v1.29.0

  • Hibajavítások és fejlesztések
    • Kompatibilitástörő változások
      • Megszakadt a Python 3.5 támogatása.
    • azureml-automl-runtime
      • Kijavítottunk egy hibát, amely miatt az STLFeaturizer meghiúsult, ha az idősor hossza rövidebb volt, mint a szezonalitás. Ez a hiba IndexErrorként nyilvánult meg. Az eset kezelése most hiba nélkül történik, bár az STL szezonális összetevője ebben az esetben csak nullákból áll.
    • azureml-contrib-automl-dnn-vision
      • Hozzáadtunk egy metódust a kötegelt következtetéshez fájlelérési útvonalakkal.
    • azureml-contrib-gbdt
      • Az azureml-contrib-gbdt csomag elavult, és lehetséges, hogy nem kapja meg a jövőbeli frissítéseket, és teljesen el lesz távolítva a disztribúcióból.
    • azureml-core
      • A Datastore.register_azure_blob_container create_if_not_exists paraméter javított magyarázata.
      • Mintakód hozzáadva a DatasetConsumptionConfig osztályhoz.
      • A run.log() skaláris metrikaértékeinek alternatív tengelyként való támogatása
    • azureml-dataprep
      • 2 GB-ban elfogadott _with_partition_size() partícióméret korlátozása
    • azureml-interpret
      • az azureml-interpret frissítése a interpret-core csomag legújabb verziójára
      • A 0.36.0-s SHAP-ben elavult SHAP DenseData támogatása megszűnt.
      • Lehetővé teszi ExplanationClient a felhasználó által megadott adattárba való feltöltést.
    • azureml-mlflow
      • Helyezze át az azureml-mlflow-t mlflow-skinnyre, hogy csökkentse a függőségi lábnyomot, miközben fenntartja a beépülő modul teljes támogatását
    • azureml-pipeline-core
      • A PipelineParameter kódmintája a referencia-dokumentumban frissül a megfelelő paraméter használatához.

2021-05-10

Azure Machine Tanulás SDK for Python v1.28.0

  • Hibajavítások és fejlesztések
    • azureml-automl-runtime
      • Továbbfejlesztett AutoML-pontozási szkript a tervezővel való konzisztenssé tétele érdekében
      • Kijavítottuk azt a hibát, amely miatt a Próféta modell előrejelzése "hiányzó oszlop" hibát eredményezne, ha az SDK egy korábbi verziójára van betanítás.
      • Hozzáadta az ARIMAX-modellt az AutoML SDK nyilvánosan elérhető, előrejelzéssel támogatott modelllistáihoz. Itt az ARIMAX az ARIMA-hibák regressziója, valamint a Box és a Jenkins által kifejlesztett átviteli függvénymodellek speciális esete. A két megközelítés különbözőségéről az ARIMAX-modellben olvashat bővebben. Ellentétben a többi többváltozós modellekkel, amelyek automatikusan létrehozott, időfüggő funkciókat (a nap óráját, az év napját és így tovább) használnak az AutoML-ben, ez a modell csak a felhasználó által biztosított funkciókat használja, és megkönnyíti az együtthatók értelmezését.
    • azureml-contrib-dataset
      • A dokumentáció frissített leírása azt jelzi, hogy a libfuse-t a csatlakoztatás során kell telepíteni.
    • azureml-core
      • Az alapértelmezett cpu-válogatott rendszerkép most mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. Az alapértelmezett GPU-rendszerkép most mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
      • A Run.fail() mostantól elavult, a Run.tag() használatával sikertelenként jelöli meg a futtatásokat, vagy a Run.cancel() használatával megszakítottként jelöli meg a futtatásokat.
      • Frissítettük a dokumentációt egy megjegyzéssel, amely szerint a libfuse-t telepíteni kell egy fájladatkészlet csatlakoztatásakor.
      • Adjon hozzá kísérleti register_dask_dataframe() támogatást a táblázatos adatkészlethez.
      • A DatabricksStep támogatása az Azure Blob/ADL-S használatával bemenetként/kimenetként, valamint a permit_cluster_restart paraméter közzététele annak eldöntéséhez, hogy az AML újraindíthatja-e a fürtöt, ha i/o hozzáférési konfigurációt kell hozzáadni a fürthöz
    • azureml-dataset-runtime
      • Az azureml-dataset-runtime mostantól támogatja a pyarrow < 4.0.0 verzióit
    • azureml-mlflow
      • Az AZURE Machine Tanulás az MLFlow beépülő modulon keresztüli üzembe helyezés támogatása.
    • azureml-pipeline-steps
      • A DatabricksStep támogatása az Azure Blob/ADL-S használatával bemenetként/kimenetként, valamint a permit_cluster_restart paraméter közzététele annak eldöntéséhez, hogy az AML újraindíthatja-e a fürtöt, ha i/o hozzáférési konfigurációt kell hozzáadni a fürthöz
    • azureml-synapse
      • Célközönség engedélyezése msi-hitelesítésben
    • azureml-train-automl-client
      • Módosított hivatkozás hozzáadva a számítási cél dokumentumához

2021-04-19

Azure Machine Tanulás SDK for Python v1.27.0

  • Hibajavítások és fejlesztések
    • azureml-core
      • Lehetővé tette az összetevők "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT" környezeti változón keresztüli feltöltésének alapértelmezett időtúllépési értékének felülbírálását.
      • Kijavítottunk egy hibát, amely miatt a ScriptRunConfig környezeti objektumában nem tartották be a docker-beállításokat.
      • Adathalmaz particionálásának engedélyezése célhelyre másoláskor.
      • Egyéni módot adott hozzá az OutputDatasetConfighoz, amely lehetővé teszi a létrehozott adathalmazok átvitelét a folyamatokban egy hivatkozásfüggvényen keresztül. Ezek támogatják a PRS táblázatos particionálásának engedélyezéséhez szükséges fejlesztéseket.
      • Új KubernetesCompute számítási típust adott hozzá az AzureML-Core-hoz.
    • azureml-pipeline-core
      • Egyéni mód hozzáadása az OutputDatasetConfighoz, és lehetővé teszi, hogy a felhasználó egy hivatkozásfüggvényen keresztül haladjon át a folyamatokban létrehozott adathalmazokon. A fájlútvonalak célhelyei támogatják a helyőrzőket. Ezek támogatják a PRS táblázatos particionálásának engedélyezéséhez szükséges fejlesztéseket.
      • Új KubernetesCompute számítási típus hozzáadása az azureml-core-hoz.
    • azureml-pipeline-steps
      • Új KubernetesCompute számítási típus hozzáadása az azureml-core-hoz.
    • azureml-synapse
      • Spark felhasználói felület URL-címének frissítése az azureml synapse widgetjében
    • azureml-train-automl-client
      • Az előrejelzési feladat STL-featurálója mostantól robusztusabb szezonalitás-észlelést használ az idősor gyakorisága alapján.
    • azureml-train-core
      • Kijavítottuk azt a hibát, amely miatt a Környezet objektum docker-beállításai nem teljesülnek.
      • Új KubernetesCompute számítási típus hozzáadása az azureml-core-hoz.

2021-04-05

Azure Machine Tanulás SDK for Python v1.26.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Kijavítottunk egy hibát, amely miatt az AutoMLStep-futtatásokban a Naive modellek használata javasolt volt, és késéssel vagy működés közbeni ablakfunkciókkal meghiúsultak. Ezek a modellek nem ajánlottak a célelmaradások vagy a célgördülő ablakméret beállításakor.
      • Az AutoML-futtatás elküldésekor módosított konzolkimenet a futtatásra mutató portálhivatkozás megjelenítéséhez.
    • azureml-core
      • HDFS-móddal bővült a dokumentáció.
      • A fájladatkészlet-partíciók glob struktúrán alapuló megértéséhez hozzáadott támogatás.
      • Az Azure Machine Tanulás Workspace-hez társított tárolóregisztrációs adatbázis frissítésének támogatása hozzáadva.
      • A DockerSection – "enabled", "shared_volume" és "argumentumok" szakasz elavult környezeti attribútumai mostantól a DockerConfiguration részét képezik.
      • Frissített folyamat parancssori felületének klónozási dokumentációja
      • A portál URL-címeinek frissítése a bérlő hitelesítéshez való hozzáadásához
      • A kísérlet neve el lett távolítva a futtatott URI-kból az átirányítások elkerülése érdekében
      • A kísérletazonosító használatához frissítettük a kísérleti URO-t.
      • Hibajavítások távoli számítás Azure Machine-Tanulás parancssori felülettel való csatlakoztatásához.
      • Frissítettük a portál URI-jait, hogy tartalmazzanak bérlőt a hitelesítéshez.
      • Frissítette a kísérlet URI-ját a kísérletazonosító használatához.
    • azureml-interpret
      • azureml-interpret frissítve a interpret-community 0.17.0 használatára
    • azureml-opendatasets
      • A bemeneti kezdő dátum és a záró dátum típusának ellenőrzése és a hibajelzés, ha nem dátum/idő típusú.
    • azureml-parallel-run
      • [Kísérleti funkció] Paraméter hozzáadása partition_keys a ParallelRunConfighoz, ha meg van adva, a bemeneti adatkészlet(ek) mini kötegekre lesznek particionálva az általa megadott kulcsokkal. Ehhez minden bemeneti adatkészlet particionálására van szükség.
    • azureml-pipeline-steps
      • Hibajavítás – path_on_compute támogatása az adathalmaz konfigurációjának letöltésként való átadása közben.
      • Az RScriptStep elavult, mert a CommandStep használatával R-szkripteket futtat a folyamatokban.
      • Deprecate EstimatorStep annak érdekében, hogy a CommandStep használatával futtassa az ML-betanítást (beleértve az elosztott betanítást is) a folyamatokban.
    • azureml-sdk
      • Az azureml-sdk python_requires < frissítése 3.9-esre
    • azureml-train-automl-client
      • Az AutoML-futtatás elküldésekor módosított konzolkimenet a futtatásra mutató portálhivatkozás megjelenítéséhez.
    • azureml-train-core
      • Elavult a DockerSection "engedélyezve", "shared_volume" és "argumentum" attribútuma a DockerConfiguration és a ScriptRunConfig használata mellett.
      • Azure Open Datasets használata MNIST-adatkészlethez
      • A Hyperdrive hibaüzenetei frissültek.

2021-03-22

Azure Machine Tanulás SDK for Python v1.25.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Az AutoML-futtatás elküldésekor módosított konzolkimenet a futtatásra mutató portálhivatkozás megjelenítéséhez.
    • azureml-core
      • Elkezdi támogatni a munkaterület tárolóregisztrációs adatbázisának frissítését az SDK-ban és a parancssori felületen
      • Elavult a DockerSection "engedélyezve", "shared_volume" és "argumentum" attribútuma a DockerConfiguration és a ScriptRunConfig használata mellett.
      • Frissített folyamat parancssori felületének klónozási dokumentációja
      • A portál URL-címeinek frissítése a bérlő hitelesítéshez való hozzáadásához
      • A kísérlet neve el lett távolítva a futtatott URI-kból az átirányítások elkerülése érdekében
      • A kísérletazonosító használatához frissítettük a kísérleti URO-t.
      • Hibajavítások távoli számítás az az cli használatával történő csatolásához
      • Frissítettük a portál URI-jait, hogy tartalmazzanak bérlőt a hitelesítéshez.
      • A fájladatkészlet-partíciók glob struktúrán alapuló megértéséhez hozzáadott támogatás.
    • azureml-interpret
      • azureml-interpret frissítve a interpret-community 0.17.0 használatára
    • azureml-opendatasets
      • A bemeneti kezdő dátum és a záró dátum típusának ellenőrzése és a hibajelzés, ha nem dátum/idő típusú.
    • azureml-pipeline-core
      • Hibajavítás – path_on_compute támogatása az adathalmaz konfigurációjának letöltésként való átadása közben.
    • azureml-pipeline-steps
      • Hibajavítás – path_on_compute támogatása az adathalmaz konfigurációjának letöltésként való átadása közben.
      • Az RScriptStep elavult, mert a CommandStep használatával R-szkripteket futtat a folyamatokban.
      • Deprecate EstimatorStep annak érdekében, hogy a CommandStep használatával futtassa az ML-betanítást (beleértve az elosztott betanítást is) a folyamatokban.
    • azureml-train-automl-runtime
      • Az AutoML-futtatás elküldésekor módosított konzolkimenet a futtatásra mutató portálhivatkozás megjelenítéséhez.
    • azureml-train-core
      • Elavult a DockerSection "engedélyezve", "shared_volume" és "argumentum" attribútuma a DockerConfiguration és a ScriptRunConfig használata mellett.
      • Azure Open Datasets használata MNIST-adatkészlethez
      • A Hyperdrive hibaüzenetei frissültek.

2021-03-31

Azure Machine Tanulás Studio Notebooks Experience (márciusi frissítés)

  • Új funkciók

    • CSV/TSV renderelése. A felhasználók rácsformátumban jeleníthetik meg és jeleníthetik meg a TSV/CSV-fájlokat az adatelemzés megkönnyítése érdekében.
    • SSO-hitelesítés számítási példányhoz. A felhasználók mostantól egyszerűen hitelesíthetik az új számítási példányokat közvetlenül a Notebook felhasználói felületén, így egyszerűbbé válik az Azure SDK-k közvetlen hitelesítése és használata az Azure Machine Tanulás.
    • Számítási példány metrikái. A felhasználók terminálon keresztül tekinthetik meg a számítási metrikákat, például a processzorhasználatot és a memóriát.
    • Fájladatok. A felhasználók mostantól megtekinthetik a fájl részleteit, beleértve az utolsó módosítás időpontját és a fájlméretet is, ha a fájl melletti három pontra kattintanak.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett lapbetöltési idők.
    • Jobb teljesítmény.
    • Jobb sebesség és kernel-megbízhatóság.
    • A Jegyzetfüzet fájlpanel végleges áthelyezésével függőleges ingatlant szerezhet.
    • A hivatkozások mostantól kattinthatók a Terminálban
    • Továbbfejlesztett Intellisense-teljesítmény

2021-03-08

Azure Machine Tanulás SDK for Python v1.24.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Visszafelé kompatibilis importálás eltávolítása a programból azureml.automl.core.shared. A névtérben nem található modulhibák az azureml.automl.core.shared importálással azureml.automl.runtime.sharedoldhatók meg.
    • azureml-contrib-automl-dnn-vision
      • Közzétett objektumészlelési yolo-modell.
    • azureml-contrib-dataset
      • A táblázatos adathalmazok oszlopértékek és fájladatkészletek metaadatok szerinti szűréséhez hozzáadott funkciók.
    • azureml-contrib-fairness
      • JSON-séma belefoglalása a kerékbe a következőhöz: azureml-contrib-fairness
    • azureml-contrib-mir
      • Ha show_output igaz értékre állítja a modellek üzembe helyezésekor, a rendszer visszajátssza a következtetési konfigurációt és az üzembehelyezési konfigurációt, mielőtt elküldené a kérést a kiszolgálónak.
    • azureml-core
      • A táblázatos adathalmazok oszlopértékek és fájladatkészletek metaadatok szerinti szűréséhez hozzáadott funkciók.
      • Korábban valószínűleg a felhasználók olyan kiépítési konfigurációkat hoztak létre a ComputeTargethez, amelyek nem felelnek meg a admin_user_password mező jelszóerősségére vonatkozó követelményeknek (vagyis a következők közül legalább 3-at kell tartalmazniuk: egy kisbetűt, egy nagybetűt, egy számjegyet és egy speciális karaktert a következő készletből: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Ha a felhasználó gyenge jelszóval létrehozott egy konfigurációt, és ezzel a konfigurációval futtatott egy feladatot, a feladat futásidőben meghiúsul. Most a hívás AmlCompute.provisioning_configuration egy ComputeTargetException kísérő hibaüzenettel jelzi a jelszó erősségének követelményeit.
      • Emellett bizonyos esetekben lehetőség volt olyan konfiguráció megadására is, amely negatív számú maximális csomópontot ad meg. Ezt már nem lehet megtenni. AmlCompute.provisioning_configuration Most egy negatív egész számot ad megComputeTargetException, ha az max_nodes argumentum negatív egész szám.
      • Ha show_output igaz értékre állítja a modellek üzembe helyezésekor, a következtetés konfigurálása és az üzembe helyezés konfigurációja jelenik meg.
      • Ha a show_output igaz értékre állítja, amikor a modell üzembe helyezésének befejezésére vár, megjelenik az üzembe helyezési művelet állapota.
      • Az ügyfél által megadott Azure Machine Tanulás hitelesítési konfigurációs címtár engedélyezése környezeti változón keresztül: AZUREML_AUTH_CONFIG_DIR
      • Korábban létrehozhatott egy kiépítési konfigurációt, amelynek minimális csomópontszáma kisebb, mint a maximális csomópontszám. A feladat futna, de futásidőben meghiúsul. Ezt a hibát kijavítottuk. Ha most egy kiépítési konfigurációt próbál létrehozni az SDK-val min_nodes < max_nodes , megjelenik egy ComputeTargetException.
    • azureml-interpret
      • a magyarázat irányítópultjának javítása, amely nem jeleníti meg az összesített funkciók fontosságát a ritkán megtervezett magyarázatok esetében
      • A ExplanationClient optimalizált memóriahasználata az azureml-interpret csomagban
    • azureml-train-automl-client
      • Kijavítva show_output=False érték, amely visszaadja a vezérlőt a felhasználónak a Spark használatakor.

2021-02-28

Azure Machine Tanulás Studio Notebooks Experience (februári frissítés)

  • Új funkciók

    • Natív terminál (GA). A felhasználók mostantól hozzáférhetnek egy integrált terminálhoz és Git-művelethez az integrált terminálon keresztül.
    • Jegyzetfüzet-kódrészletek (előzetes verzió). A gyakori Azure Machine-Tanulás kódrészletek mostantól kéznél vannak. Lépjen a kódrészletek panelre, amely az eszköztáron keresztül érhető el, vagy aktiválja a kódrészletek menüt a Ctrl + Szóköz billentyűkombinációval.
    • Billentyűparancsok. Teljes paritás a Jupyterben elérhető billentyűparancsokkal.
    • Cellaparaméterek jelzése. Megjeleníti a felhasználókat, hogy a jegyzetfüzetek mely cellái paramétercellák, és a számítási példányon a Papermillen keresztül futtathatnak paraméteres jegyzetfüzeteket.
    • Terminál- és kernel-munkamenet-kezelő: A felhasználók kezelhetik a számításaikon futó összes kernelt és terminál munkamenetet.
    • Megosztás gomb. A felhasználók mostantól bármelyik fájlt megoszthatják a Jegyzetfüzetfájl-kezelőben, ha a jobb gombbal a fájlra kattintanak, és a Megosztás gombra kattintanak.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett lapbetöltési idők
    • Jobb teljesítmény
    • Jobb sebesség és kernel-megbízhatóság
    • A forgókerék hozzáadva az összes folyamatban lévő számítási példány-művelet előrehaladásának megjelenítéséhez.
    • Kattintson a jobb gombbal a Fájlkezelő. A jobb gombbal bármelyik fájlra kattintva megnyithatja a fájlműveleteket.

2021-02-16

Azure Machine Tanulás SDK for Python v1.23.0

  • Hibajavítások és fejlesztések
    • azureml-core
      • [Kísérleti funkció] Támogatás hozzáadása a synapse-munkaterület csatolt szolgáltatásként való összekapcsolásához az AML-hez
      • [Kísérleti funkció] Támogatás hozzáadása a synapse spark-készlet az AML-hez számításként való csatolásához
      • [Kísérleti funkció] Identitásalapú adathozzáférés támogatása. A felhasználók hitelesítő adatok megadása nélkül regisztrálhatnak adattárakat vagy adatkészleteket. Ilyen esetben a rendszer a felhasználók Azure AD-jogkivonatát vagy a számítási cél felügyelt identitását használja a hitelesítéshez. További információ: Csatlakozás a tároláshoz identitásalapú adathozzáférés használatával.
    • azureml-pipeline-steps
      • [Kísérleti funkció] A SynapseSparkStep támogatásának hozzáadása
    • azureml-synapse
      • [Kísérleti funkció] A Spark Magic támogatásával interaktív munkamenetet futtathat a Synapse Spark-készletben.
  • Hibajavítások és fejlesztések
    • azureml-automl-runtime
      • Ebben a frissítésben a holt winters exponenciális simítást adtunk hozzá az AutoML SDK előrejelzési eszközkészletéhez. Az idősorok alapján a legjobb modellt az AICc (Akaike információs kritériuma) választja ki, és visszaadja.
      • Az AutoML most két naplófájlt hoz létre egy helyett. A naplóutasítások az egyikre vagy a másikra kerülnek attól függően, hogy a naplóutasítás melyik folyamatában lett létrehozva.
      • A modell betanítása során, keresztérvényesítésekkel távolítsa el a szükségtelen mintabeli előrejelzést. Ez bizonyos esetekben csökkentheti a modell betanítási idejét, különösen az idősorozat-előrejelzési modellek esetében.
    • azureml-contrib-fairness
      • Adjon hozzá egy JSON-sémát az irányítópultDictionary feltöltéseihez.
    • azureml-contrib-interpret
      • az azureml-contrib-interpret README úgy frissül, hogy az azt tükrözze, hogy a csomag a következő frissítésben el lesz távolítva, miután október óta elavult, használjon inkább azureml-interpret csomagot
    • azureml-core
      • Korábban létrehozhatott egy kiépítési konfigurációt, amelynek minimális csomópontszáma kisebb, mint a maximális csomópontszám. Ezt kijavítottuk. Ha most megpróbál létrehozni egy kiépítési konfigurációt az SDK-val min_nodes < max_nodes , a rendszer létrehoz egy ComputeTargetException.
      • Kijavította az AmlCompute wait_for_completion hibaját, amely miatt a függvény a művelet tényleges befejezése előtt visszaadta a vezérlőfolyamatot
      • A Run.fail() mostantól elavult, a Run.tag() használatával sikertelenként jelöli meg a futtatásokat, vagy a Run.cancel() használatával megszakítottként jelöli meg a futtatásokat.
      • Ha a megadott környezetnév nem sztring, a "Környezeti név várt str, {} found" hibaüzenet jelenik meg.
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely megakadályozta az Azure Databricks-fürtökön végzett AutoML-kísérletek megszakítását.

2021-02-09

Azure Machine Tanulás SDK for Python v1.22.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Kijavítottuk azt a hibát, amely miatt a látásmodellek conda yml-fájlja további pipfüggőséget adott hozzá.
    • azureml-automl-runtime
      • Kijavítottunk egy hibát, amely miatt a klasszikus előrejelzési modellek (például az AutoArima) olyan betanítási adatokat kaphattak, amelyekben az imputált célértékeket tartalmazó sorok nem voltak jelen. Ez megsértette ezeknek a modelleknek az adatszerződését. * Kijavítottuk a különböző hibákat, amelyeknél az idősorok késési operátora késési viselkedést adott meg. Korábban az elmaradás-előfordulási művelet nem jelölte meg megfelelően az összes imputált sort, ezért nem mindig generálta a megfelelő előfordulási késési értékeket. Kijavítottunk néhány kompatibilitási hibát is a késési operátor és a gördülő ablak operátora között késési előfordulási viselkedéssel. Ez korábban azt eredményezte, hogy a gördülőablak-operátor elvetett néhány sort a betanítási adatokból, amelyeket egyébként használnia kell.
    • azureml-core
      • Jogkivonat-hitelesítés támogatása célközönség szerint.
      • Adja hozzá process_count a PyTorchConfiguration-hoz a többfolyamatos többcsomópontos PyTorch-feladatok támogatásához.
    • azureml-pipeline-steps

      • CommandStep most ga, és már nem kísérleti.

      • ParallelRunConfig: adjon hozzá argumentumot allowed_failed_count és allowed_failed_percent a hibaküszöb ellenőrzéséhez a minimális kötegszinten. A hibaküszöbnek most három íze van:

        • error_threshold – az engedélyezett sikertelen mini kötegelemek száma;
        • allowed_failed_count – az engedélyezett sikertelen mini kötegek száma;
        • allowed_failed_percent – az engedélyezett sikertelen mini kötegek százalékos aránya.

        A feladatok leállnak, ha túllépik bármelyiküket. error_threshold a visszamenőleges kompatibilitás megőrzéséhez szükséges. Az érték -1 értékre való beállításával hagyja figyelmen kívül.

      • Kijavítottuk a szóközkezelést az AutoMLStep névben.

      • A ScriptRunConfigot mostantól támogatja a HyperDriveStep

    • azureml-train-core
      • A Szkriptfuttatásból meghívott HyperDrive-futtatások mostantól gyermekfuttatásnak minősülnek.
      • Adja hozzá process_count a PyTorchConfiguration-hoz a többfolyamatos többcsomópontos PyTorch-feladatok támogatásához.
    • azureml-widgetek
      • Adja hozzá a ParallelRunStepDetails vezérlőt a ParallelRunStep állapotának megjelenítéséhez.
      • Lehetővé teszi a hyperdrive-felhasználók számára, hogy egy tengelyt lássanak a párhuzamos koordináta-diagramon, amely az egyes gyermekfuttatásokhoz tartozó hiperparaméter-készletnek megfelelő metrikaértéket jeleníti meg.

2021-01-31

Azure Machine Tanulás Studio Notebooks Experience (januári frissítés)

  • Új funkciók

    • Natív Markdown-szerkesztő az Azure Machine Tanulás. A felhasználók mostantól natív módon renderelhetik és szerkeszthetik a Markdown-fájlokat az Azure Machine Tanulás Studióban.
    • Parancsprogramok futtatási gombja (.py, . R és .sh). A felhasználók mostantól egyszerűen futtathatnak Python-, R- és Bash-szkripteket az Azure Machine Tanulás
    • Változókezelő. Megismerheti a változók és adatkeretek tartalmát egy előugró panelen. A felhasználók egyszerűen ellenőrizhetik az adattípust, a méretet és a tartalmat.
    • Tartalomjegyzék. Lépjen a jegyzetfüzet markdown fejlécek által jelzett szakaszaira.
    • Exportálja a jegyzetfüzetet Latex/HTML/Py formátumban. Könnyen megosztható jegyzetfüzetfájlok létrehozása a LaTexbe, HTML-be vagy .py
    • Intellicode. Az ML-alapú eredmények továbbfejlesztett intelligens automatikus kiegészítési élményt nyújtanak.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett lapbetöltési idők
    • Jobb teljesítmény
    • Jobb sebesség és kernel-megbízhatóság

2021-01-25

Azure Machine Tanulás SDK for Python v1.21.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • Kijavítottuk a parancssori felület súgószövegét az AmlCompute és a UserAssigned Identity használatakor
    • azureml-contrib-automl-dnn-vision
      • Az üzembe helyezési és letöltési gombok láthatók lesznek az AutoML vision-futtatások esetében, és a modellek más AutoML-futtatásokhoz hasonlóan telepíthetők vagy tölthetők le. Két új fájl (scoring_file_v_1_0_0.py és conda_env_v_1_0_0.yml) tartalmaz egy szkriptet a következtetés futtatásához, és egy yml fájlt a conda környezet újbóli létrehozásához. A "model.pth" fájlt is átnevezték a ".pt" kiterjesztés használatára.
    • azureml-core
      • MSI-támogatás az azure-cli-ml-hez
      • Felhasználó által hozzárendelt felügyelt identitás támogatása.
      • Ezzel a módosítással az ügyfeleknek biztosítaniuk kell egy felhasználó által hozzárendelt identitást, amellyel lekérhetők a kulcs az ügyfélkulcs-tárolóból a inaktív titkosításhoz.
      • row_count=0 javítása a nagy méretű fájlok profiljához – a szóközzel elválasztott értékek dupla konvertálásának hibáinak kijavítása
      • A ga kimeneti adathalmaz kísérleti jelzője eltávolítása
      • A modell adott verziójának lekérésére vonatkozó dokumentáció frissítése
      • Munkaterület frissítésének engedélyezése vegyes módú hozzáféréshez privát hivatkozásban
      • Javítás egy másik regisztráció eltávolításához az adattárban az önéletrajz-futtatási funkcióhoz
      • Cli/SDK-támogatás hozzáadva a munkaterület elsődleges felhasználó által hozzárendelt identitásának frissítéséhez
    • azureml-interpret
      • frissített azureml-interpret to interpret-community 0.16.0
      • memóriaoptimalizálás magyarázat-ügyfélhez az azureml-interpretben
    • azureml-train-automl-runtime
      • Engedélyezett streamelés ADB-futtatásokhoz
    • azureml-train-core
      • Javítás egy másik regisztráció eltávolításához az adattárban az önéletrajz-futtatási funkcióhoz
    • azureml-widgetek
      • Az ügyfelek nem láthatják a meglévő futtatott adatvizualizáció módosításait a widget használatával, és mostantól támogatottak, ha feltételes hiperparamétereket használnak.
      • A felhasználói futtatási widget most részletes magyarázatot tartalmaz arra vonatkozóan, hogy egy futtatás miért van várólistás állapotban.

2021-01-11

Azure Machine Tanulás SDK for Python v1.20.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • framework_version hozzáadva az OptimizationConfigban. Akkor használatos, ha a modell regisztrálva van a framework MULTI-ben.
    • azureml-contrib-optimization
      • framework_version hozzáadva az OptimizationConfigban. Akkor használatos, ha a modell regisztrálva van a framework MULTI-ben.
    • azureml-pipeline-steps
      • A CommandStep bemutatása, amely a parancsot feldolgozná. A parancsok lehetnek végrehajthatók, rendszerhéjparancsok, szkriptek stb.
    • azureml-core
      • A munkaterület létrehozása mostantól támogatja a felhasználó által hozzárendelt identitást. UAI-támogatás hozzáadása az SDK/CLI-ből
      • Kijavítottuk a service.reload() hibát a helyi üzembe helyezés score.py módosításainak felvételéhez.
      • run.get_details() egy "submittedBy" nevű további mezővel rendelkezik, amely megjeleníti a futtatás szerzőjének nevét.
      • Szerkesztett Model.register metódusdokumentáció, amelyből megtudhatja, hogyan regisztrálhatja a modellt közvetlenül a futtatásból
      • Kijavítottuk az IOT-Server kapcsolati állapotának változáskezelési problémáját.

2020-12-31

Azure Machine Tanulás Studio Notebooks Experience (decemberi frissítés)

  • Új funkciók

    • Felhasználói fájlnév keresése. A felhasználók mostantól kereshetnek a munkaterületen mentett összes fájlban.
    • Markdown Egymás mellett támogatás jegyzetfüzetcellánként. A jegyzetfüzetcellákban mostantól a felhasználók egymás mellett tekinthetik meg a renderelt markdown és markdown szintaxist.
    • Cellaállapot-sáv. Az állapotsor jelzi, hogy milyen állapotban van egy kódcella, sikeres volt-e egy cellafuttatás, és mennyi ideig tartott a futtatás.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett lapbetöltési idők
    • Jobb teljesítmény
    • Jobb sebesség és kernel-megbízhatóság

2020-12-07

Azure Machine Tanulás SDK for Python v1.19.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Kísérleti támogatást adott az AutoMLStep tesztadataihoz.
      • Hozzáadta a tesztkészlet-betöltési funkció kezdeti alapvető implementációját.
      • A sklearn.externals.joblib fájlra mutató hivatkozások áthelyezése közvetlenül a joblib függvénytől függ.
      • új AutoML-feladattípust vezet be a "image-instance-szegmentáció" típushoz.
    • azureml-automl-runtime
      • Hozzáadta a tesztkészlet-betöltési funkció kezdeti alapvető implementációját.
      • Ha egy szövegoszlop összes sztringje pontosan egy karakter hosszúságú, a TfIdf word-gram featurizer nem működik, mert a tokenizer figyelmen kívül hagyja a két karakternél kevesebb karaktert tartalmazó sztringeket. Az aktuális kódmódosítás lehetővé teszi, hogy az AutoML kezelje ezt a használati esetet.
      • új AutoML-feladattípust vezet be a "image-instance-szegmentáció" típushoz.
    • azureml-contrib-automl-dnn-nlp
      • Kezdeti pr az új dnn-nlp csomaghoz
    • azureml-contrib-automl-dnn-vision
      • új AutoML-feladattípust vezet be a "image-instance-szegmentáció" típushoz.
    • azureml-contrib-automl-pipeline-steps
      • Ez az új csomag felelős a számos modell betanítási/következtetési forgatókönyvéhez szükséges lépések létrehozásáért. - A betanítási/következtetési kódot az azureml.train.automl.runtime csomagba is áthelyezi, így a jövőbeli javítások automatikusan elérhetők lesznek válogatott környezeti kiadásokon keresztül.
    • azureml-contrib-dataset
      • új AutoML-feladattípust vezet be a "image-instance-szegmentáció" típushoz.
    • azureml-core
      • Hozzáadta a tesztkészlet-betöltési funkció kezdeti alapvető implementációját.
      • Az xref-figyelmeztetések javítása az AzureML-Core-csomag dokumentációjában
      • Doc string fixes for Command support feature in SDK
      • Parancstulajdonság hozzáadása a RunConfigurationhoz. A funkció lehetővé teszi a felhasználók számára, hogy tényleges parancsokat vagy végrehajtható fájlokat futtasson a számításon az Azure Machine Tanulás SDK-n keresztül.
      • A felhasználók törölhetik az üres kísérletet a kísérlet azonosítója alapján.
    • azureml-dataprep
      • Hozzáadott adatkészlet-támogatás a Scala 2.12-vel készült Sparkhoz. Ez hozzáadja a meglévő 2.11-támogatást.
    • azureml-mlflow
      • Az AzureML-MLflow biztonságos védőket ad hozzá a távoli szkriptekhez, hogy elkerülje az elküldött futtatások korai leállítását.
    • azureml-pipeline-core
      • Kijavítottunk egy hibát a felhasználói felületen létrehozott folyamatvégpont alapértelmezett folyamatának beállításában
    • azureml-pipeline-steps
      • Kísérleti támogatást adott az AutoMLStep tesztadataihoz.
    • azureml-tensorboard
      • Az xref-figyelmeztetések javítása az AzureML-Core-csomag dokumentációjában
    • azureml-train-automl-client
      • Kísérleti támogatást adott az AutoMLStep tesztadataihoz.
      • Hozzáadta a tesztkészlet-betöltési funkció kezdeti alapvető implementációját.
      • új AutoML-feladattípust vezet be a "image-instance-szegmentáció" típushoz.
    • azureml-train-automl-runtime
      • Hozzáadta a tesztkészlet-betöltési funkció kezdeti alapvető implementációját.
      • Javítsa ki a legjobb AutoML-modell nyers magyarázatainak számítását, ha az AutoML-modellek betanítása validation_size beállítással történik.
      • A sklearn.externals.joblib fájlra mutató hivatkozások áthelyezése közvetlenül a joblib függvénytől függ.
    • azureml-train-core

      • HyperDriveRun.get_children_sorted_by_primary_metric() gyorsabban kell befejeződnie

      • Továbbfejlesztett hibakezelés a HyperDrive SDK-ban.

      • Az összes becslési osztály elavult, és a ScriptRunConfig használatával konfigurálta a kísérletfuttatásokat. Az elavult osztályok a következők:

        • MMLBase
        • Becslő
        • PyTorch
        • TensorFlow
        • Chainer
        • SKLearn

      • Elavulttá tette az Nccl és a Gloo használatát érvényes bemeneti típusként az Estimator osztályok számára a PyTorchConfiguration és a ScriptRunConfig használata mellett.

      • Elavulttá tette az Mpi használatát érvényes bemeneti típusként a Becslő osztályok számára az MpiConfiguration és a ScriptRunConfig használata mellett.

      • Parancstulajdonság hozzáadása a konfiguráció futtatásához. A funkció lehetővé teszi a felhasználók számára, hogy tényleges parancsokat vagy végrehajtható fájlokat futtasson a számításon az Azure Machine Tanulás SDK-n keresztül.

      • Az összes becslési osztály elavult, és a ScriptRunConfig használatával konfigurálta a kísérletfuttatásokat. Elavult osztályok: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

      • Elavulttá tette az Nccl és a Gloo használatát, mint érvényes bemeneti típust az Estimator osztályok számára a PyTorchConfiguration és a ScriptRunConfig használata mellett.

      • Elavulttá tette az Mpi használatát érvényes bemeneti típusként a Becslő osztályok számára az MpiConfiguration és a ScriptRunConfig használata mellett.

2020-11-30

Azure Machine Tanulás Studio Notebooks Experience (novemberi frissítés)

  • Új funkciók

    • Natív terminál. A felhasználók mostantól hozzáférhetnek egy integrált terminálhoz és Git-művelethez az integrált terminálon keresztül.
    • Duplikált mappa
    • A Számítási legördülő lista költségszámítása
    • Offline Compute Pylance

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett lapbetöltési idők
    • Jobb teljesítmény
    • Jobb sebesség és kernel-megbízhatóság
    • Nagyméretű fájlfeltöltés. Most már feltöltheti a 95 mb-os fájlt >

2020-11-09

Azure Machine Tanulás SDK for Python v1.18.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • A rövid idősorok jobb kezelése azáltal, hogy lehetővé teszi a gauss zajjal való párnázást.
    • azureml-automl-runtime
      • ConfigException dobása, ha egy DateTime oszlop OutOfBoundsDatetime értékkel rendelkezik
      • A rövid idősorok jobb kezelése azáltal, hogy lehetővé teszi a gauss zajjal való párnázást.
      • Annak biztosítása, hogy minden szövegoszlop használjon karakter-gram átalakítást az n-gram tartományával a szövegoszlopban lévő sztringek hossza alapján
      • Nyers funkciók magyarázata a felhasználó helyi számításán futó AutoML-kísérletek legjobb módjához
    • azureml-core
      • Rögzítse a csomagot: pyjwt, hogy elkerülje a betörést a hamarosan megjelenő verziókban.
      • A kísérlet létrehozása ugyanazzal a névvel adja vissza az aktív vagy az utolsó archivált kísérletet, ha létezik ilyen kísérlet vagy új kísérlet.
      • Az get_experiment név szerinti hívás az adott névvel rendelkező aktív vagy utolsó archivált kísérletet adja vissza.
      • A felhasználók nem nevezhetnek át egy kísérletet újraaktiválás közben.
      • Továbbfejlesztett hibaüzenet, amely lehetséges javításokat tartalmaz, ha egy adathalmazt helytelenül ad át egy kísérletnek (például ScriptRunConfig).
      • Továbbfejlesztett dokumentáció OutputDatasetConfig.register_on_complete , amely tartalmazza a név már meglévő állapotának viselkedését.
      • Az adathalmaz bemeneti és kimeneti neveinek megadása, amelyek képesek ütközni a közös környezeti változókkal, figyelmeztetést eredményeznek
      • Adattárak regisztrálásakor visszavásárolt grant_workspace_access paraméter. Állítsa be úgy, hogy hozzáférjen a True virtuális hálózat mögötti adatokhoz a Machine Tanulás Studióból. További információ
      • A társított szolgáltatás API pontosított. Az erőforrás-azonosító megadása helyett három külön paraméterrel rendelkezünk, sub_id, rg és név van meghatározva a konfigurációban.
      • Annak érdekében, hogy az ügyfelek önállóan megoldhassák a jogkivonat sérülési problémáit, engedélyezze a munkaterület jogkivonat-szinkronizálását nyilvános módszerként.
      • Ezzel a módosítással egy üres sztring használható értékként egy script_param
    • azureml-train-automl-client
      • A rövid idősorok jobb kezelése azáltal, hogy lehetővé teszi a gauss zajjal való párnázást.
    • azureml-train-automl-runtime
      • ConfigException dobása, ha egy DateTime oszlop OutOfBoundsDatetime értékkel rendelkezik
      • A felhasználó helyi számításán futó AutoML-kísérletek legjobb modelljéhez nyújtott nyers funkciók magyarázatának támogatása
      • A rövid idősorok jobb kezelése azáltal, hogy lehetővé teszi a gauss zajjal való párnázást.
    • azureml-train-core
      • Ezzel a módosítással egy üres sztring használható értékként egy script_param
    • azureml-train-restclients-hyperdrive
      • A README módosult, hogy több kontextust kínáljon
    • azureml-widgetek
      • Sztringtámogatás hozzáadása diagramokhoz/párhuzamos koordináták kódtárához widgethez.

2020-11-05

Adatfeliratozás képpéldány szegmentálásához (sokszöges széljegyzet) (előzetes verzió)

A képpéldányok szegmentációja (sokszögjegyzetek) projekttípusa már elérhető az adatcímkézésben, így a felhasználók sokszögekkel rajzolhatnak és jegyzetelhetnek a képeken lévő objektumok körvonala körül. A felhasználók hozzárendelhetnek egy osztályt és egy sokszöget minden olyan objektumhoz, amely egy képen belül érdekes.

További információ a képpéldányok szegmentálási címkézéséről.

2020-10-26

Azure Machine Tanulás SDK for Python v1.17.0

  • új példák
  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Kijavítottunk egy hibát, amely miatt get_output XGBoostError-t okozhatott.
    • azureml-automl-runtime
      • Az AutoML által létrehozott idő-/naptáralapú funkciók mostantól rendelkeznek az előtaggal.
      • Kijavítottunk egy IndexErrort, amely a StackEnsemble betanítása során történt a nagy számú osztályt és almintázatot engedélyező besorolási adathalmazok esetében.
      • Kijavítottunk egy hibát, amely miatt a VotingRegressor előrejelzései pontatlanok lehetnek a modell újraillesztése után.
    • azureml-core
      • További részletek az AKS üzembehelyezési konfigurációja és az Azure Kubernetes Service fogalmai közötti kapcsolatról.
      • A környezeti ügyfélcímkék támogatása. A felhasználó címkézheti a környezeteket, és címkével hivatkozhat rájuk.
    • azureml-dataprep
      • Jobb hibaüzenet a Jelenleg nem támogatott Spark Scala 2.12-vel való használatakor.
    • azureml-explain-model
      • Az azureml-explain-model csomag hivatalosan elavult
    • azureml-mlflow
      • Megoldott egy hibát az mlflow.projects.run azureml-háttérrendszeren, ahol a véglegesítési állapot nem lett megfelelően kezelve.
    • azureml-pipeline-core
      • Támogatás hozzáadása egy folyamatvégponton alapuló folyamatütemezés létrehozásához, listázásához és lekéréséhez.
      • A PipelineData.as_dataset dokumentációjának továbbfejlesztése érvénytelen használati példával – A PipelineData.as_dataset helytelen használata mostantól valueException elvetéssel történik
      • A HyperDriveStep-folyamatok jegyzetfüzetét úgy módosította, hogy közvetlenül a HyperDriveStep futtatása után regisztrálja a legjobb modellt a PipelineStepben.
    • azureml-pipeline-steps
      • A HyperDriveStep-folyamatok jegyzetfüzetét úgy módosította, hogy közvetlenül a HyperDriveStep futtatása után regisztrálja a legjobb modellt a PipelineStepben.
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely miatt get_output XGBoostError-t okozhatott.

Azure Machine Tanulás Studio Notebooks Experience (októberi frissítés)

  • Új funkciók

  • Hibajavítások és fejlesztések

    • A sebesség és a kernel megbízhatóságának javítása
    • Jupyter Widget felhasználói felületének frissítései

2020-10-12

Azure Machine Tanulás SDK for Python v1.16.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • Az AKSWebservice és az AK Standard kiadás ndpointok mostantól támogatják a podszintű cpu- és memóriaerőforrás-korlátokat. Ezek az opcionális korlátok a vonatkozó CLI-hívásokban való beállítással --cpu-cores-limit és --memory-gb-limit jelzőkkel használhatók
    • azureml-core
      • Az azureml-core közvetlen függőségeinek fő verzióinak rögzítése
      • Az AKSWebservice és az AK Standard kiadás ndpointok mostantól támogatják a podszintű cpu- és memóriaerőforrás-korlátokat. További információ a Kubernetes erőforrásairól és korlátairól
      • A run.log_table frissítése az egyes sorok naplózásának lehetővé tétele érdekében.
      • Statikus metódus Run.get(workspace, run_id) hozzáadva a futtatás csak munkaterület használatával történő lekéréséhez
      • A munkaterületen belüli futtatás lekéréséhez hozzáadott példánymetódus Workspace.get_run(run_id)
      • Parancstulajdonság bevezetése futtatási konfigurációban, amely lehetővé teszi, hogy a felhasználók parancsot küldjenek a szkript & argumentumok helyett.
    • azureml-interpret
      • kijavított magyarázó ügyfél is_raw jelölő viselkedése az azureml-interpretben
    • azureml-sdk
      • azureml-sdk hivatalosan támogatja a Python 3.8-at.
    • azureml-train-core
      • TensorFlow 2.3 válogatott környezet hozzáadása
      • Parancstulajdonság bevezetése futtatási konfigurációban, amely lehetővé teszi, hogy a felhasználók parancsot küldjenek a szkript & argumentumok helyett.
    • azureml-widgetek
      • Újratervezett felület szkriptfuttatási widgethez.

2020-09-28

Azure Machine Tanulás SDK for Python v1.15.0

  • Hibajavítások és fejlesztések
    • azureml-contrib-interpret
      • A LIME-magyarázó az azureml-contrib-interpretről az azureml-contrib-interpret csomagból eltávolított interpret-community csomagra és képmagyaráítóra lett áthelyezve
      • az azureml-contrib-interpret csomagból eltávolított vizualizációs irányítópult, az azureml-interpret csomagba áthelyezett magyarázó ügyfél, és elavult az azureml-contrib-interpret csomagban és a továbbfejlesztett API-nak megfelelően frissített jegyzetfüzetekben
      • az azureml-interpret, az azureml-explain-model, az azureml-contrib-interpret és az azureml-tensorboard pypi-csomagleírásainak javítása
    • azureml-contrib-notebook
      • Rögzítse az nbcovert függőséget 6-ra < , hogy az 1.x papírmalom továbbra is működjön.
    • azureml-core
      • Paraméterek hozzáadva a TensorflowConfiguration és az MpiConfiguration konstruktorhoz az osztályattribútumok egyszerűbb inicializálásához anélkül, hogy a felhasználónak minden egyes attribútumot be kellene állítania. Hozzáadtunk egy PyTorchConfiguration osztályt az elosztott PyTorch-feladatok a ScriptRunConfigban való konfigurálásához.
      • Rögzítse az azure-mgmt-resource verzióját a hitelesítési hiba kijavításához.
      • A Triton No Code Deploy támogatása
      • a Run.start_logging() által megadott kimeneti könyvtárak mostantól nyomon követhetők az interaktív forgatókönyvekben való futtatáskor. A korrektúrák a Run.complete() hívásakor láthatók az ML Studióban
      • A fájlkódolás most már megadható az adathalmaz Dataset.Tabular.from_delimited_files létrehozásakor az argumentummal és Dataset.Tabular.from_json_lines_files az encoding argumentum átadásával. A támogatott kódolások a következők: "utf8", "iso88591", "latin1", "ascii", utf16", "utf32", "utf8bom" és "windows1252".
      • Hibajavítás, ha a környezeti objektumot nem továbbítja a ScriptRunConfig konstruktornak.
      • A Run.cancel() frissítése a helyi futtatás egy másik gépről való megszakításának engedélyezéséhez.
    • azureml-dataprep
      • Kijavítottuk az adathalmaz csatlakoztatásának időtúllépési problémáit.
    • azureml-explain-model
      • az azureml-interpret, az azureml-explain-model, az azureml-contrib-interpret és az azureml-tensorboard pypi-csomagleírásainak javítása
    • azureml-interpret
      • az azureml-contrib-interpret csomagból eltávolított vizualizációs irányítópult, az azureml-interpret csomagba áthelyezett magyarázó ügyfél, és elavult az azureml-contrib-interpret csomagban és a továbbfejlesztett API-nak megfelelően frissített jegyzetfüzetekben
      • azureml-interpret csomag frissítve az interpret-community 0.15.0-s verziótól függően
      • az azureml-interpret, az azureml-explain-model, az azureml-contrib-interpret és az azureml-tensorboard pypi-csomagleírásainak javítása
    • azureml-pipeline-core
      • Kijavítottuk a folyamat azon problémáját OutputFileDatasetConfig , amely miatt a rendszer nem válaszolhat, amikorregister_on_complete a name paraméter egy már meglévő adathalmaznévre van állítva.
    • azureml-pipeline-steps
      • Elavult databricks-jegyzetfüzetek eltávolítása.
    • azureml-tensorboard
      • az azureml-interpret, az azureml-explain-model, az azureml-contrib-interpret és az azureml-tensorboard pypi-csomagleírásainak javítása
    • azureml-train-automl-runtime
      • az azureml-contrib-interpret csomagból eltávolított vizualizációs irányítópult, az azureml-interpret csomagba áthelyezett magyarázó ügyfél, és elavult az azureml-contrib-interpret csomagban és a továbbfejlesztett API-nak megfelelően frissített jegyzetfüzetekben
    • azureml-widgetek
      • az azureml-contrib-interpret csomagból eltávolított vizualizációs irányítópult, az azureml-interpret csomagba áthelyezett magyarázó ügyfél, és elavult az azureml-contrib-interpret csomagban és a továbbfejlesztett API-nak megfelelően frissített jegyzetfüzetekben

2020-09-21

Azure Machine Tanulás SDK for Python v1.14.0

  • Hibajavítások és fejlesztések

    • azure-cli-ml

      • A rácsprofilozás el lett távolítva az SDK-ból, és már nem támogatott.

    • azureml-accel-models

      • Az azureml-accel-models csomag mostantól támogatja a TensorFlow 2.x-et

    • azureml-automl-core

      • Hibakezelés hozzáadása get_output olyan esetekben, amikor a pandas/sklearn helyi verziói nem egyeznek a betanítás során használtakkal

    • azureml-automl-runtime

      • Kijavítottunk egy hibát, amely miatt az AutoArima iterációk egy PredictionException hibával meghiúsultak, és a következő üzenettel: "Csendes hiba történt az előrejelzés során".

    • azureml-cli-common

      • A rácsprofilozás el lett távolítva az SDK-ból, és már nem támogatott.

    • azureml-contrib-server

      • Frissítse a csomag leírását a pypi áttekintési oldalához.

    • azureml-core

      • A rácsprofilozás el lett távolítva az SDK-ból, és már nem támogatott.
      • Csökkentse a hibaüzenetek számát, ha a munkaterület lekérése meghiúsul.
      • Ne jelenjen meg figyelmeztetés, ha a metaadatok beolvasása meghiúsul
      • Új Kusto-lépés és Kusto számítási cél.
      • A termékváltozat paraméter dokumentumának frissítése. Távolítsa el a termékváltozatot a munkaterület frissítési funkciójában a parancssori felületen és az SDK-ban.
      • Frissítse a csomag leírását a pypi áttekintési oldalához.
      • Frissített dokumentáció az Azure Machine Tanulás-környezetekhez.
      • Az AML-munkaterület szolgáltatás által felügyelt erőforrásokra vonatkozó beállításainak elérhetővé tehető az SDK-ban.

    • azureml-dataprep

      • Engedélyezze az adathalmaz csatlakoztatásához szükséges fájlok végrehajtási engedélyét.

    • azureml-mlflow

      • Frissített Azure Machine Tanulás MLflow-dokumentáció és jegyzetfüzetminták
      • MLflow-projektek új támogatása az Azure Machine Tanulás háttérrendszerrel
      • MLflow-modell beállításjegyzékének támogatása
      • Azure RBAC-támogatás hozzáadva az AzureML-MLflow-műveletekhez

    • azureml-pipeline-core

      • Továbbfejlesztettük a PipelineOutputFileDataset.parse_* metódusok dokumentációját.
      • Új Kusto-lépés és Kusto számítási cél.
      • A folyamatvégpont-entitáshoz megadott Swaggerurl tulajdonság az adott felhasználón keresztül láthatja a közzétett folyamatvégpont sémadefinícióját.

    • azureml-pipeline-steps

      • Új Kusto-lépés és Kusto számítási cél.

    • azureml-telemetria

      • Frissítse a csomag leírását a pypi áttekintési oldalához.

    • azureml-train

      • Frissítse a csomag leírását a pypi áttekintési oldalához.

    • azureml-train-automl-client

      • Hibakezelés hozzáadása get_output olyan esetekben, amikor a pandas/sklearn helyi verziói nem egyeznek a betanítás során használtakkal

    • azureml-train-core

      • Frissítse a csomag leírását a pypi áttekintési oldalához.

2020-08-31

Azure Machine Tanulás SDK for Python v1.13.0

  • Előzetes verziójú funkciók

    • azureml-core Az új kimeneti adatkészletek funkciójával visszaírhatja a felhőbeli tárolóba, beleértve a Blob, az ADLS Gen 1, az ADLS Gen 2 és a FileShare fájlmegosztást. Konfigurálhatja az adatok kimeneti helyét, az adatok kimenetének módját (csatlakoztatással vagy feltöltéssel), hogy regisztrálja-e a kimeneti adatokat a jövőbeni újrafelhasználáshoz, és zökkenőmentesen ossza meg és adja át a köztes adatokat a folyamat lépései között. Ez lehetővé teszi a reprodukálhatóságot, a megosztást, az adatok duplikálását, és költséghatékonyságot és hatékonyságnövekedést eredményez. Ismerje meg, hogyan használhatja

  • Hibajavítások és fejlesztések

    • azureml-automl-core
      • Hozzáadta validated_{platform}_requirements.txt fájlt az AutoML összes pipfüggőségének rögzítéséhez.
      • Ez a kiadás a 4 Gb-nál nagyobb modelleket támogatja.
      • Frissített AutoML-függőségek: scikit-learn (most 0.22.1), pandas (most 0.25.1), numpy (most 1.18.2).
    • azureml-automl-runtime
      • Állítsa be a horovodot a szöveges DNN-hez, hogy mindig fp16 tömörítést használjon.
      • Ez a kiadás a 4 Gb-nál nagyobb modelleket támogatja.
      • Kijavítottuk azt a hibát, amely miatt az AutoML az ImportError használatával meghiúsult: a név RollingOriginValidatornem importálható.
      • Frissített AutoML-függőségek: scikit-learn (most 0.22.1), pandas (most 0.25.1), numpy (most 1.18.2).
    • azureml-contrib-automl-dnn-forecasting
      • Frissített AutoML-függőségek: scikit-learn (most 0.22.1), pandas (most 0.25.1), numpy (most 1.18.2).
    • azureml-contrib-fairness
      • Adja meg az azureml-contrib-fairness rövid leírását.
    • azureml-contrib-pipeline-steps
      • Hozzáadott üzenet, amely jelzi, hogy a csomag elavult, és a felhasználónak inkább azureml-pipeline-stepset kell használnia.
    • azureml-core
      • Hozzáadva a munkaterület listakulcs-parancsa.
      • Címkeparaméter hozzáadása a Workspace SDK-ban és a parancssori felületen.
      • Kijavítottuk azt a hibát, amely miatt TypeError: can't pickle _thread.RLock objectsa gyermek adatkészlettel való elküldése meghiúsult.
      • Page_count alapértelmezett/dokumentáció hozzáadása a modelllistához().
      • Módosítsa a CLI&SDK-t úgy, hogy az adbworkspace paramétert vegye fel, és adja hozzá a munkaterület adb lin/unlink runner elemét.
      • Kijavítottuk a Dataset.update azon hibáját, amely miatt az Adatkészlet legújabb verziója nem az Adathalmaz frissítésének verziója lett bekapcsolva.
      • Kijavítottuk az Dataset.get_by_name hibát, amely egy adott régebbi verzió lekérésekor is megjeleníti a legújabb adatkészlet-verzió címkéit.
    • azureml-interpret
      • Valószínűségi kimenetek hozzáadva a shap pontozási magyarázókhoz az azureml-interpretben az eredeti magyarázó shap_values_output paramétere alapján.
    • azureml-pipeline-core
      • Továbbfejlesztett PipelineOutputAbstractDataset.registerdokumentáció.
    • azureml-train-automl-client
      • Frissített AutoML-függőségek: scikit-learn (most 0.22.1), pandas (most 0.25.1), numpy (most 1.18.2).
    • azureml-train-automl-runtime
      • Frissített AutoML-függőségek: scikit-learn (most 0.22.1), pandas (most 0.25.1), numpy (most 1.18.2).
    • azureml-train-core
      • A hyperDriveConfig létrehozásakor a felhasználóknak érvényes hyperparameter_sampling arg-t kell megadniuk. Emellett a HyperDriveRunConfig dokumentációját szerkesztették, hogy tájékoztassa a felhasználókat a HyperDriveRunConfig elavulásáról.
      • A PyTorch alapértelmezett verziójának visszaállítása 1.4-re.
      • PyTorch 1.6 & TensorFlow 2.2 képek és válogatott környezet hozzáadása.

Azure Machine Tanulás Studio Notebooks Experience (augusztusi frissítés)

  • Új funkciók

    • Új első lépések kezdőlapja

  • Előzetes verziójú funkciók

    • A Jegyzetfüzetek összegyűjtése funkció. A Gyűjtési funkcióval a felhasználók mostantól egyszerűen törölhetik a jegyzetfüzeteket, a Gather a jegyzetfüzet automatikus függőségelemzését használja, biztosítva az alapvető kód megmaradását, de eltávolítja az irreleváns elemeket.

  • Hibajavítások és fejlesztések

    • A sebesség és a megbízhatóság javítása
    • Sötét módú hibák javítva
    • Kimeneti görgetési hibák kijavítva
    • A Mintakeresés mostantól az Azure Machine-Tanulás mintajegyzetfüzetek adattárában található összes fájl teljes tartalmában keres
    • A többsoros R-cellák mostantól futtathatók
    • "Megbízom a fájl tartalmában" beállítás most automatikusan be van jelölve az első alkalom után
    • Továbbfejlesztett ütközésfeloldási párbeszédpanel az új "Másolat készítése" lehetőséggel

2020-08-17

Azure Machine Tanulás SDK for Python v1.12.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • Adjon hozzá image_name és image_label paramétereket a Model.package() fájlhoz a beépített csomag lemezképének átnevezéséhez.
    • azureml-automl-core
      • Az AutoML új hibakódot hoz létre a dataprepből, amikor a tartalom olvasás közben módosul.
    • azureml-automl-runtime
      • Riasztások lettek hozzáadva a felhasználóhoz, ha az adatok hiányzó értékeket tartalmaznak, de a featurizáció ki van kapcsolva.
      • Kijavítottuk a gyermek futási hibáit, ha az adatok tartalmazzák a nan és a featurization ki van kapcsolva.
      • Az AutoML új hibakódot hoz létre a dataprepből, amikor a tartalom olvasás közben módosul.
      • Frissített normalizálás, hogy az előrejelzési metrikák szemcseméret szerint történjenek.
      • Az előrejelzési kvantilisek továbbfejlesztett kiszámítása, ha a visszatekintési funkciók le vannak tiltva.
      • Kijavítottuk a bool ritkább mátrixkezelést az AutoML utáni magyarázatok számítása során.
    • azureml-core
      • Egy új metódus run.get_detailed_status() most az aktuális futtatási állapot részletes magyarázatát mutatja be. Jelenleg csak az állapot magyarázatát Queued jeleníti meg.
      • Adjon hozzá image_name és image_label paramétereket a Model.package() fájlhoz a beépített csomag lemezképének átnevezéséhez.
      • Új metódus set_pip_requirements() a teljes pipszakasz egyidejű beállításához CondaDependencies .
      • Hitelesítő adatok nélküli ADLS Gen2-adattár regisztrálásának engedélyezése.
      • Továbbfejlesztett hibaüzenet, amikor helytelen adathalmaztípust próbál letölteni vagy csatlakoztatni.
      • Frissítse az idősor adathalmaz-szűrő mintajegyzetfüzetét a szűrőoptimalizálást biztosító partition_timestamp további példákkal.
      • Módosítsa az sdk-t és a PARANCSSOR-t úgy, hogy fogadja el az subscriptionId, resourceGroup, workspaceName, pe Csatlakozás ionName paraméterként az ArmResourceId helyett a privát végpontkapcsolat törlésekor.
      • A kísérleti dekorátor az osztály nevét jeleníti meg a könnyebb azonosítás érdekében.
      • A modelleken belüli eszközök leírásai a futtatás alapján már nem jönnek létre automatikusan.
    • azureml-datadrift
      • Jelölje meg create_from_model API-t a DataDriftDetectorban elavultként.
    • azureml-dataprep
      • Továbbfejlesztett hibaüzenet, amikor helytelen adathalmaztípust próbál letölteni vagy csatlakoztatni.
    • azureml-pipeline-core
      • Kijavítottuk a regisztrált adathalmazokat tartalmazó folyamatgráf deszerializálása során előforduló hibát.
    • azureml-pipeline-steps
      • Az RScriptStep támogatja az azureml.core.environment RSection-et.
      • Eltávolította a passthru_automl_config paramétert a AutoMLStep nyilvános API-ból, és csak belső paraméterré konvertálta.
    • azureml-train-automl-client
      • Az AutoML-ből eltávolított helyi aszinkron felügyelt környezet fut. Az összes helyi futtatás abban a környezetben fut, ahonnan a futtatás elindult.
      • Kijavítottuk a pillanatképekkel kapcsolatos problémákat, amikor az AutoML elküldése felhasználó által megadott szkriptek nélkül fut.
      • Kijavítottuk a gyermek futási hibáit, ha az adatok tartalmazzák a nan és a featurization funkciót, ki van kapcsolva.
    • azureml-train-automl-runtime
      • Az AutoML új hibakódot hoz létre a dataprepből, amikor a tartalom olvasás közben módosul.
      • Kijavítottuk a pillanatképekkel kapcsolatos problémákat, amikor az AutoML elküldése felhasználó által megadott szkriptek nélkül fut.
      • Kijavítottuk a gyermek futási hibáit, ha az adatok tartalmazzák a nan és a featurization funkciót, ki van kapcsolva.
    • azureml-train-core
      • A pipbeállítások (például-extra-index-url) megadásának támogatása a pipkövetelmények fájlban, amely egy Estimator adott pip_requirements_file paraméternek lett átadva.

2020-08-03

Azure Machine Tanulás SDK for Python v1.11.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • A parancssori felületi modellregisztrációs útvonalon futó objektumban nem átadott modell-keretrendszer és modell-keretrendszer javítása
      • A CLI amlcompute identity show parancsának javítása a bérlőazonosító és az egyszerű azonosító megjelenítéséhez
    • azureml-train-automl-client
      • Get_best_child () hozzáadva az AutoMLRun-hoz, hogy lekérje az AutoML-futtatás legjobb gyermekfuttatását a társított modell letöltése nélkül.
      • Hozzáadott ModelProxy objektum, amely lehetővé teszi az előrejelzés vagy előrejelzés távoli betanítási környezetben való futtatását a modell helyi letöltése nélkül.
      • Az AutoML nem kezelt kivételei mostantól egy ismert problémák HTTP-lapjára mutatnak, ahol további információk találhatók a hibákról.
    • azureml-core
      • A modellnevek hossza 255 karakter lehet.
      • Environment.get_image_details() visszatérési objektum típusa megváltozott. DockerImageDetails osztály lecserélve dict, a rendszerkép részletei az új osztálytulajdonságokból érhetők el. A módosítások visszamenőlegesen kompatibilisek.
      • A függőségi struktúra megőrzéséhez használt Environment.from_pip_requirements() hiba kijavítása
      • Kijavítottunk egy hibát, amely miatt a log_list meghiúsult, ha egy int és egy dupla is szerepel ugyanabban a listában.
      • Miközben engedélyezi a privát kapcsolatot egy meglévő munkaterületen, vegye figyelembe, hogy ha a munkaterülethez számítási célok vannak társítva, ezek a célok nem fognak működni, ha nem állnak ugyanazon virtuális hálózat mögött, mint a munkaterület privát végpontja.
      • Nem kötelező, as_named_input ha adathalmazokat használ a kísérletekben, és hozzáadja as_mount és as_download hozzáadja a .FileDataset A bemeneti név automatikusan létrejön, ha as_mount meghívják vagy as_download meghívják.
    • azureml-automl-core
      • Az AutoML nem kezelt kivételei mostantól egy ismert problémák HTTP-lapjára mutatnak, ahol további információk találhatók a hibákról.
      • Get_best_child () hozzáadva az AutoMLRun-hoz, hogy lekérje az AutoML-futtatás legjobb gyermekfuttatását a társított modell letöltése nélkül.
      • Hozzáadott ModelProxy objektum, amely lehetővé teszi az előrejelzés vagy előrejelzés távoli betanítási környezetben való futtatását a modell helyi letöltése nélkül.
    • azureml-pipeline-steps
      • Hozzáadva enable_default_model_output és enable_default_metrics_output megjelölve a AutoMLStep. Ezek a jelzők az alapértelmezett kimenetek engedélyezésére/letiltására használhatók.

2020-07-20

Azure Machine Tanulás SDK for Python v1.10.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Az AutoML használatakor a rendszer automatikusan létrehozza, ha egy elérési utat ad át az AutoMLConfig objektumnak, és még nem létezik.
      • A felhasználók most már megadhatja az idősor gyakoriságát a tevékenységek előrejelzéséhez a freq paraméter használatával.
    • azureml-automl-runtime
      • Az AutoML használatakor a rendszer automatikusan létrehozza, ha egy elérési utat ad át az AutoMLConfig objektumnak, és még nem létezik.
      • A felhasználók most már megadhatja az idősor gyakoriságát a tevékenységek előrejelzéséhez a freq paraméter használatával.
      • Az AutoML-előrejelzés mostantól támogatja a gördülő kiértékelést, amely arra a használati esetre vonatkozik, hogy egy teszt vagy érvényesítési csoport hossza hosszabb, mint a bemeneti horizont, és az ismert y_pred érték lesz előrejelzési környezetként használva.
    • azureml-core
      • A rendszer figyelmeztető üzeneteket nyomtat, ha egy futtatás során nem töltött le fájlokat az adattárból.
      • Hozzáadta a dokumentációt skip_validation a Datastore.register_azure_sql_database method.
      • Az automatikusan jóváhagyott privát végpont létrehozásához a felhasználóknak frissíteniük kell az SDK 1.10.0-s vagy újabb verziójára. Ebbe beletartozik a virtuális hálózat mögött használható Notebook-erőforrás is.
      • Tegye elérhetővé a NotebookInfo-t a munkaterület lekérése válaszában.
      • A számítási célok listázására és a számítási cél sikeres lekérésére irányuló hívások módosítása távoli futtatáskor. A számítási cél lekéréséhez és a munkaterület számítási céljainak listázásához használható Sdk-függvények mostantól távoli futtatásokon is működnek.
      • Elavult üzenetek hozzáadása az azureml.core.image osztályok osztályleírásaihoz.
      • Kivétel kivédése és a munkaterület és a függő erőforrások eltávolítása, ha a munkaterület privát végpont létrehozása sikertelen.
      • Munkaterület-termékváltozat frissítésének támogatása a munkaterület frissítési módszerében.
    • azureml-datadrift
      • Frissítse a matplotlib 3.0.2-es verzióját a 3.2.1-es verzióra a Python 3.8 támogatásához.
    • azureml-dataprep
      • A webes URL-adatforrások támogatása a kéréssel vagy Head a kéréssel együttRange.
      • Jobb stabilitás a fájladatkészlet csatlakoztatásához és letöltéséhez.
    • azureml-train-automl-client
      • Kijavítottuk a beállítási útmutatók eltávolításával RequirementParseError kapcsolatos problémákat.
      • Docker használata conda helyett a "compute_target='local" használatával elküldött helyi futtatásokhoz
      • A konzolra nyomtatott iterációs időtartam kijavítva. Korábban az iterációs időtartamot néha futtatási befejezési időként nyomtatták ki, a futtatás létrehozási ideje nélkül. Az egyenlő futási befejezési idő és a futtatás kezdési ideje lett javítva.
      • Az AutoML használatakor a rendszer automatikusan létrehozza, ha egy elérési utat ad át az AutoMLConfig objektumnak, és még nem létezik.
      • A felhasználók most már megadhatja az idősor gyakoriságát a tevékenységek előrejelzéséhez a freq paraméter használatával.
    • azureml-train-automl-runtime
      • Továbbfejlesztett konzolkimenet, ha a legjobb modellmagyarázatok sikertelenek.
      • A bemeneti paramétert átnevezte "blocked_models" névre egy bizalmas kifejezés eltávolításához.
        • A bemeneti paramétert átnevezte a "allowed_models" névre egy bizalmas kifejezés eltávolításához.
      • A felhasználók most már megadhatja az idősor gyakoriságát a tevékenységek előrejelzéséhez a freq paraméter használatával.

2020-07-06

Azure Machine Tanulás SDK for Python v1.9.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Get_model_path() helyére AZUREML_MODEL_DIR környezeti változót az AutoML automatikusan létrehozott pontozási szkriptjében. Telemetria is hozzáadva az init() során fellépő hibák nyomon követéséhez.
      • Az AutoMLConfig részeként történő beállítási enable_cache lehetőség el lett távolítva
      • Kijavítottunk egy hibát, amely miatt a futtatások szolgáltatáshibákkal meghiúsulhatnak adott előrejelzési futtatások során
      • Továbbfejlesztett hibakezelés adott modellek körül a get_output
      • Kijavítottuk a fitted_model.fit(X, y) hívását az y transzformátorsal való besoroláshoz
      • Testre szabott előretolt kitöltési imputer az előrejelzési feladatokhoz
      • A rendszer egy új ForecastingParameters osztályt használ a paraméterek diktálási formátumban történő előrejelzése helyett
      • Továbbfejlesztett célelmaradás automatikus észlelése
      • A többcsomópontos, több gpu-os elosztott featurizáció korlátozott rendelkezésre állása a BERT használatával
    • azureml-automl-runtime
      • Próféta most additív szezonalitás modellezés helyett multiplikatív.
      • Kijavítottuk a hibát, amikor a rövid szemcsék, amelyek frekvenciája eltér a hosszú szemcsékétől, sikertelen futtatásokat eredményez.
    • azureml-contrib-automl-dnn-vision
      • Rendszer-/GPU-statisztikák és naplóátlagok gyűjtése betanításhoz és pontozáshoz
    • azureml-contrib-mir
      • Az enable-app-insights jelző támogatása a ManagedInferencingben
    • azureml-core
      • Ezen API-k érvényesítési paramétere lehetővé teszi az érvényesítés kihagyását, ha az adatforrás nem érhető el az aktuális számításból.
        • TabularDataset.time_before(end_time, include_boundary=True, validate=True)
        • TabularDataset.time_after(start_time, include_boundary=True, validate=True)
        • TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
        • TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
      • A modelllista keretrendszerszűrési támogatása hozzáadva, és NCD AutoML-minta hozzáadva a jegyzetfüzethez
      • A Datastore.register_azure_blob_container és a Datastore.register_azure_file_share (csak az SAS-jogkivonatot támogató beállítások) esetében frissítettük a mező doc sztringeit, hogy tartalmazzák a sas_token tipikus olvasási és írási forgatókönyvek minimális engedélykövetelményeit.
      • _with_auth paraméter elavultatása ws.get_mlflow_tracking_uri()
    • azureml-mlflow
      • Helyi file://-modellek üzembe helyezésének támogatása az AzureML-MLflow használatával
      • _with_auth paraméter elavultatása ws.get_mlflow_tracking_uri()
    • azureml-opendatasets
      • A közelmúltban közzétett Covid-19 nyomkövetési adatkészletek már elérhetők az SDK-val
    • azureml-pipeline-core
      • Kijelentkezési figyelmeztetés, ha az "azureml-defaults" nem szerepel a pip-függőség részeként
      • A jegyzetmegjelenítés javítása.
      • Az idézett sortörések támogatása a tagolt fájlok PipelineOutputFileDatasetbe történő elemzésekor.
      • A PipelineDataset osztály elavult. További információ: https://aka.ms/dataset-deprecation. Megtudhatja, hogyan használhatja az adathalmazt a folyamattal, lásd https://aka.ms/pipeline-with-dataset: .
    • azureml-pipeline-steps
      • Az azureml-pipeline lépéseinek dokumentumfrissítései.
      • A ParallelRunConfig támogatása a felhasználók számára lehetővé tette load_yaml() a környezetek beágyazott definiálását a konfiguráció többi részével vagy egy külön fájlban
    • azureml-train-automl-client.
      • Az AutoMLConfig részeként történő beállítási enable_cache lehetőség el lett távolítva
    • azureml-train-automl-runtime
      • A többcsomópontos, több gpu-os elosztott featurizáció korlátozott rendelkezésre állása a BERT használatával.
      • Az ADB-alapú automatizált gépi tanulási futtatások nem kompatibilis csomagjainak hibakezelése hozzáadva.
    • azureml-widgetek
      • Az azureml-widgetek dokumentumfrissítései.

2020-06-22

Azure Machine Tanulás SDK for Python v1.8.0

  • Előzetes verziójú funkciók

    • azureml-contrib-fairness A azureml-contrib-fairness csomag integrálva van a nyílt forráskódú méltányosság-értékelés és a fairlearn tisztességtelenség-mérséklési csomag és az Azure Machine Tanulás Studio között. A csomag lehetővé teszi a modell méltányossági kiértékelési irányítópultjainak feltöltését egy Azure Machine-Tanulás futtatás részeként, és megjelenik az Azure Machine Tanulás Studióban

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • Támogatja az Init-tároló naplóinak lekérését.
      • Új parancssori felületi parancsok hozzáadva a ComputeInstance kezeléséhez
    • azureml-automl-core
      • A felhasználók mostantól engedélyezhetik a stack-együttes iterációt az idősoros feladatokhoz, és figyelmeztetést kaphatnak arról, hogy az esetleg túl alkalmas lehet.
      • Új típusú felhasználói kivétel lett hozzáadva, amely akkor merül fel, ha a gyorsítótár-tároló tartalmát módosították
    • azureml-automl-runtime
      • Az osztályelosztási takarítás már nem engedélyezett, ha a felhasználó letiltja a featurizációt.
    • azureml-contrib-notebook
      • Az azureml-contrib-notebook csomag dokumentációs fejlesztései.
    • azureml-contrib-pipeline-steps
      • Az azureml-contrib---pipeline-steps csomag dokumentációs fejlesztései.
    • azureml-core
      • Set_connection, get_connection, list_connections, delete_connection függvények hozzáadása a munkaterület-kapcsolati erőforráson való működéshez
      • Az azureml-coore/azureml.exceptions csomag dokumentációs frissítései.
      • Az AzureML-Core-csomag dokumentációs frissítései.
      • A ComputeInstance osztály dokumentumfrissítései.
      • Az azureml-core/azureml.core.compute csomag dokumentációs fejlesztései.
      • Az azureml-core webszolgáltatással kapcsolatos osztályainak dokumentumfejlesztése.
      • Felhasználó által kiválasztott adattár támogatása profilkészítési adatok tárolásához
      • Kibontás és page_count tulajdonság hozzáadva a modelllista API-hoz
      • Kijavítottuk azt a hibát, amely miatt a felülírási tulajdonság eltávolítása miatt az elküldött futtatás deszerializálási hibával meghiúsult.
      • Kijavítottuk az inkonzisztens mappastruktúrát egy fájlra hivatkozó FileDataset letöltésekor vagy csatlakoztatásakor.
      • A parquet-fájlok to_spark_dataframe adatkészletének betöltése most már gyorsabb, és támogatja az összes parquet- és Spark SQL-adattípust.
      • Támogatja az Init-tároló naplóinak lekérését.
      • Az AutoML-futtatások mostantól a párhuzamos futtatási lépés gyermekfuttatásaként vannak megjelölve.
    • azureml-datadrift
      • Az azureml-contrib-notebook csomag dokumentációs fejlesztései.
    • azureml-dataprep
      • A parquet-fájlok to_spark_dataframe adatkészletének betöltése most már gyorsabb, és támogatja az összes parquet- és Spark SQL-adattípust.
      • Jobb memóriakezelés a to_pandas_dataframe OutOfMemory-problémáihoz.
    • azureml-interpret
      • Frissített azureml-interpret a interpret-community 0.12-es verziójára.*
    • azureml-mlflow
      • Az azureml-mlflow doc fejlesztései.
      • Támogatja az AML-modellregisztrációs adatbázist az MLFlow használatával.
    • azureml-opendatasets
      • Támogatás hozzáadva a Python 3.8-hoz
    • azureml-pipeline-core
      • Frissítettük PipelineDataseta dokumentációt, hogy egyértelmű legyen, hogy belső osztályról van szó.
      • A ParallelRunStep frissítései több értéket is elfogadnak egy argumentumhoz, például: "--group_column_names", "Col1", "Col2", "Col3"
      • A folyamatokban az AutoMLStep használatával történő köztes adathasználat passthru_automl_config követelményét eltávolította.
    • azureml-pipeline-steps
      • Az azureml-pipeline-steps csomag dokumentációs fejlesztései.
      • A folyamatokban az AutoMLStep használatával történő köztes adathasználat passthru_automl_config követelményét eltávolította.
    • azureml-telemetria
      • Az azureml-telemetria doc fejlesztései.
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely experiment.submit() miatt egy AutoMLConfig objektum kétszeri meghívása eltérő viselkedést eredményezett.
      • A felhasználók mostantól engedélyezhetik a stack-együttes iterációt az idősoros feladatokhoz, és figyelmeztetést kaphatnak arról, hogy az esetleg túl alkalmas lehet.
      • Módosított AutoML-futtatási viselkedés a UserErrorException beállításhoz, ha a szolgáltatás felhasználói hibát jelez
      • Kijavítottunk egy hibát, amely miatt azureml_automl.log nem hozhatók létre vagy hiányoznak naplók az AutoML-kísérlet távoli számítási célon való végrehajtásakor.
      • A kiegyensúlyozatlan osztályokkal rendelkező besorolási adathalmazok esetében súlyelosztást alkalmazunk, ha a funkcióseprő megállapítja, hogy a felosztott adatok esetében a súlyelosztás egy bizonyos küszöbértékkel javítja a besorolási feladat teljesítményét.
      • Az AutoML-futtatások mostantól a párhuzamos futtatási lépés gyermekfuttatásaként vannak megjelölve.
    • azureml-train-automl-runtime
      • Módosított AutoML-futtatási viselkedés a UserErrorException beállításhoz, ha a szolgáltatás felhasználói hibát jelez
      • Az AutoML-futtatások mostantól a párhuzamos futtatási lépés gyermekfuttatásaként vannak megjelölve.

2020-06-08

Azure Machine Tanulás SDK for Python v1.7.0

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • Befejeződött a modellprofilozás eltávolítása a mir contrib-ból a CLI-parancsok és a csomagfüggőségek eltávolításával, a modellprofilozás a core-ban érhető el.
      • A minimális Azure CLI-verzió frissítése 2.3.0-ra
    • azureml-automl-core
      • Jobb kivételüzenet a featurizálási lépésről fit_transform() egyéni transzformátorparaméterek miatt.
      • Több nyelv támogatása mélytanulási transzformátormodellekhez, például BERT az automatizált gépi tanulásban.
      • Távolítsa el az elavult lag_length paramétert a dokumentációból.
      • Továbbfejlesztettük az előrejelzési paraméterek dokumentációját. A lag_length paraméter elavult.
    • azureml-automl-runtime
      • Kijavítottuk azt a hibát, amely akkor jelentkezett, amikor az egyik kategorikus oszlop üres az előrejelzési/tesztelési időszakban.
      • Javítsa ki azokat a futtatási hibákat, amelyek akkor történnek, amikor a visszatekintési funkciók engedélyezve vannak, és az adatok rövid szemcséket tartalmaznak.
      • Kijavítottuk az időindex ismétlődő hibaüzenetével kapcsolatos hibát, amikor a késések vagy a működés közbeni ablakok "auto" értékre lettek állítva.
      • Kijavítottuk a Próféta és az Arima modellekkel kapcsolatos problémát az adatkészleteken, amelyek tartalmazzák a visszatekintési funkciókat.
      • Az 1677-09-21 előtti vagy a 2262-04-11 utáni dátumok támogatása az előrejelzési tevékenységek dátumidejének kivételével. Továbbfejlesztett hibaüzenetek.
      • Továbbfejlesztettük az előrejelzési paraméterek dokumentációját. A lag_length paraméter elavult.
      • Jobb kivételüzenet a featurizálási lépésről fit_transform() egyéni transzformátorparaméterek miatt.
      • Több nyelv támogatása mélytanulási transzformátormodellekhez, például BERT az automatizált gépi tanulásban.
      • Az O Standard kiadás rrorokat eredményező gyorsítótárműveletek felhasználói hibát okoznak.
      • Az ellenőrzésekkel biztosítható, hogy a betanítási és érvényesítési adatok száma és oszlopkészlete azonos legyen
      • Kijavítottuk az automatikusan létrehozott AutoML pontozószkripttel kapcsolatos hibát, amikor az adatok idézőjeleket tartalmaznak
      • Magyarázatok engedélyezése az AutoML Prophet és a Prophet modellt tartalmazó együttes modellekhez.
      • Egy közelmúltbeli ügyfélhiba egy élőwebhelyi hibát észlelt, amely miatt akkor is naplózzuk az üzeneteket az Osztályelosztás-takarítás mentén, ha az osztályelosztási logika nincs megfelelően engedélyezve. A naplók/üzenetek eltávolítása ezzel a lekéréses kérelemmel.
    • azureml-cli-common
      • Befejeződött a modellprofilozás eltávolítása a mir contrib-ból a CLI-parancsok és a csomagfüggőségek eltávolításával, a modellprofilozás a core-ban érhető el.
    • azureml-contrib-reinforcementlearning
      • Terheléstesztelési eszköz
    • azureml-core
      • Dokumentációs módosítások a Script_run_config.py
      • Kijavítottunk egy hibát a futtatási folyamat parancssori felületének nyomtatásával
      • Az azureml-core/azureml.data dokumentációs fejlesztései
      • Kijavítottuk a tárfiók hdfs getconf paranccsal történő lekérésével kapcsolatos problémát
      • Továbbfejlesztett register_azure_blob_container és register_azure_file_share dokumentáció
    • azureml-datadrift
      • Továbbfejlesztett implementáció az adathalmazok eltérésfigyelőinek letiltására és engedélyezésére
    • azureml-interpret
      • A magyarázó ügyfélben távolítsa el a NaN-eket vagy inf-eket a json szerializálás előtt az összetevőkből való feltöltéshez
      • Frissítsen a interpret-community legújabb verziójára, hogy javítsa a memóriakihasználtság hibáit a számos funkcióval és osztálysal rendelkező globális magyarázatok esetében
      • Adjon hozzá true_ys opcionális paramétert a magyarázatfeltöltéshez, hogy több funkciót engedélyezhessen a studio felhasználói felületén
      • Download_model_explanations() és list_model_explanations() teljesítményének javítása
      • Kis finomhangolások a jegyzetfüzetekhez, hogy segítsenek a hibakeresésben
    • azureml-opendatasets
      • Az azureml-opendatasetshez az azureml-dataprep 1.4.0-s vagy újabb verziójára van szükség. Figyelmeztetés hozzáadva, ha a rendszer alacsonyabb verziót észlel
    • azureml-pipeline-core
      • Ez a módosítás lehetővé teszi, hogy a felhasználó opcionális runconfigot adjon meg a moduleVersion modulhoz a modul hívásakor. Publish_python_script.
      • A csomópontfiók engedélyezése lehet folyamatparaméter az azureml.pipeline.steps ParallelRunStep-ben
    • azureml-pipeline-steps
      • Ez a módosítás lehetővé teszi, hogy a felhasználó opcionális runconfigot adjon meg a moduleVersion modulhoz a modul hívásakor. Publish_python_script.
    • azureml-train-automl-client
      • Több nyelv támogatása mélytanulási transzformátormodellekhez, például BERT az automatizált gépi tanulásban.
      • Távolítsa el az elavult lag_length paramétert a dokumentációból.
      • Továbbfejlesztettük az előrejelzési paraméterek dokumentációját. A lag_length paraméter elavult.
    • azureml-train-automl-runtime
      • Magyarázatok engedélyezése az AutoML Prophet és a Prophet modellt tartalmazó együttes modellekhez.
      • Dokumentációfrissítések az azureml-train-automl-* csomagokhoz.
    • azureml-train-core
      • A TensorFlow 2.1-es verziójának támogatása a PyTorch Estimatorban
      • Az azureml-train-core csomag fejlesztései.

2020-05-26

Azure Machine Tanulás SDK for Python v1.6.0

  • Új funkciók

    • azureml-automl-runtime

    • azureml-pipeline-steps

      • A ParallelRunStep most megjelent, és az Azureml-Pipeline-Steps csomag része. A meglévő ParallelRunStep az azureml-contrib-pipeline-steps csomagban elavult. A nyilvános előzetes verzió változásai:
        • Opcionális konfigurálható paraméter hozzáadva run_max_try az adott kötegek maximális hívási metódusának szabályozásához, az alapértelmezett érték 3.
        • A PipelineParameterek már nem lesznek automatikusan létrehozva. Az alábbi konfigurálható értékek explicit módon állíthatók be PipelineParameterként.
          • mini_batch_size
          • node_count
          • process_count_per_node
          • logging_level
          • run_invocation_timeout
          • run_max_try
        • A process_count_per_node alapértelmezett értéke 1-re módosul. A jobb teljesítmény érdekében a felhasználónak hangolnia kell ezt az értéket. Az ajánlott eljárás a GPU- vagy CPU-csomópontok számának beállítása.
        • A ParallelRunStep nem injektál csomagokat, a felhasználónak azureml-core és azureml-dataprep[pandas, fuse] csomagokat kell tartalmaznia a környezet definíciójában. Ha egyéni Docker-rendszerképet használ a user_managed_dependencies, a felhasználónak telepítenie kell a condát a lemezképre.

  • Kompatibilitástörő változások

    • azureml-pipeline-steps
      • Elavult az azureml.dprep.Dataflow használata az AutoMLConfig érvényes bemenettípusaként
    • azureml-train-automl-client
      • Elavult az azureml.dprep.Dataflow használata az AutoMLConfig érvényes bemenettípusaként

  • Hibajavítások és fejlesztések

    • azureml-automl-core
      • Kijavítottuk azt a hibát, amely során figyelmeztetést lehetett nyomtatni, amely get_output arra kérte a felhasználót, hogy lépjen vissza az ügyfélre.
      • Frissített Mac, hogy támaszkodjon cudatoolkit=9.0, mivel ez nem érhető el a 10-es verzió még.
      • A prófétai és xgboost modellekre vonatkozó korlátozások eltávolítása távoli számításra való betanításkor.
      • Továbbfejlesztett naplózás az AutoML-ben
      • Javult az előrejelzési tevékenységek egyéni featurizálásának hibakezelése.
      • Olyan funkciók lettek hozzáadva, amelyek lehetővé teszik a felhasználók számára, hogy az előrejelzések létrehozásához korlátozott funkciókat is tartalmazzanak.
      • Frissítések hibaüzenetet a felhasználói hiba helyes megjelenítéséhez.
      • A training_data cv_split_column_names támogatása
      • Frissítse a kivételüzenet naplózását és a nyomkövetést.
    • azureml-automl-runtime
      • Engedélyezze a védőkorlátokat a hiányzó értékszámítások előrejelzéséhez.
      • Továbbfejlesztett naplózás az AutoML-ben
      • Részletes hibakezelés hozzáadva az adatelőkészítési kivételekhez
      • A prófétai és xgboost modellekre vonatkozó korlátozások eltávolítása távoli számításra való betanításkor.
      • azureml-train-automl-runtime és azureml-automl-runtime frissítette a függőségeket a következőhöz pytorch: , scipyés cudatoolkit. most már támogatjuk pytorch==1.4.0, scipy>=1.0.0,<=1.3.1és cudatoolkit==10.1.243.
      • Javult az előrejelzési tevékenységek egyéni featurizálásának hibakezelése.
      • Az előrejelzési adathalmaz gyakoriságészlelési mechanizmusa javult.
      • Kijavítottuk a Próféta-modell néhány adathalmazra vonatkozó betanításával kapcsolatos problémát.
      • Javult a maximális horizont automatikus észlelése az előrejelzés során.
      • Olyan funkciók lettek hozzáadva, amelyek lehetővé teszik a felhasználók számára, hogy az előrejelzések létrehozásához korlátozott funkciókat is tartalmazzanak.
      • Az előrejelzési függvény funkcióival lehetővé teszi, hogy a betanított horizonton túli előrejelzéseket biztosítson az előrejelzési modell újratanítása nélkül.
      • A training_data cv_split_column_names támogatása
    • azureml-contrib-automl-dnn-forecasting
      • Továbbfejlesztett naplózás az AutoML-ben
    • azureml-contrib-mir
      • Windows-szolgáltatások támogatása a ManagedInferencingben
      • Távolítsa el a régi MIR-munkafolyamatokat, mint például a MIR-számítás csatolása, a SingleModelMirWebservice osztály – A contrib-mir-csomagban elhelyezett modellprofilozás eltávolítása
    • azureml-contrib-pipeline-steps
      • Kisebb javítás a YAML-támogatáshoz
      • A ParallelRunStep általánosan elérhető – az azureml.contrib.pipeline.steps elavulási értesítéssel rendelkezik, és az azureml.pipeline.steps webhelyre kerül.
    • azureml-contrib-reinforcementlearning
      • RL terheléstesztelési eszköz
      • Az RL-becslés intelligens alapértelmezett értékekkel rendelkezik
    • azureml-core
      • Távolítsa el a régi MIR-munkafolyamatokat, mint például a MIR-számítás csatolása, a SingleModelMirWebservice osztály – A contrib-mir-csomagban elhelyezett modellprofilozás eltávolítása
      • Kijavítottuk a profilkészítési hiba során a felhasználónak megadott információkat: a kérelem azonosítóját tartalmazta, és az üzenetet újrafogalmazták, hogy érthetőbbek legyenek. Új profilkészítési munkafolyamat hozzáadva a profilkészítési futókhoz
      • Továbbfejlesztett hibaszöveg az adathalmaz végrehajtási hibáiban.
      • A munkaterület privát kapcsolati parancssori felületének támogatása hozzáadva.
      • Hozzáadtunk egy opcionális paramétert invalid_linesDataset.Tabular.from_json_lines_files , amely lehetővé teszi az érvénytelen JSON-t tartalmazó sorok kezelésének megadását.
      • A következő kiadásban megszüntetjük a számítás futásalapú létrehozását. Javasoljuk, hogy egy tényleges Amlcompute-fürtöt hozzon létre állandó számítási célként, és használja a fürt nevét számítási célként a futtatási konfigurációban. A példajegyzetfüzetet itt találja: aka.ms/amlcomputenb
      • Továbbfejlesztett hibaüzenetek az adathalmazok végrehajtási hibáiban.
    • azureml-dataprep
      • Figyelmeztetést tett a Pyarrow verziójának explicitebb frissítésére.
      • Továbbfejlesztett hibakezelés és az adatfolyam végrehajtásának sikertelensége esetén visszaadott üzenet.
    • azureml-interpret
      • Az azureml-interpret csomag dokumentációs frissítései.
      • Kijavítottuk az értelmezhetőségi csomagokat és jegyzetfüzeteket, hogy kompatibilisek legyenek a legújabb sklearn-frissítéssel
    • azureml-opendatasets
      • return None (Nincs) értéket ad vissza, ha nincs visszaadott adat.
      • A to_pandas_dataframe teljesítményének javítása.
    • azureml-pipeline-core
      • Gyors javítás a ParallelRunStep esetében, ahol a YAML-ből való betöltés megszakadt
      • A ParallelRunStep általánosan elérhető – az azureml.contrib.pipeline.steps elavulási értesítéssel rendelkezik, és az azureml.pipeline.stepsre kerül – az új funkciók a következők: 1. Adathalmazok PipelineParameter 2 néven. Új paraméter run_max_retry 3. Konfigurálható append_row kimeneti fájl neve
    • azureml-pipeline-steps
      • Elavult azureml.dprep.Dataflow a bemeneti adatok érvényes típusaként.
      • Gyors javítás a ParallelRunStep esetében, ahol a YAML-ből való betöltés megszakadt
      • A ParallelRunStep általánosan elérhető – az azureml.contrib.pipeline.steps elavulási értesítéssel rendelkezik, és az azureml.pipeline.stepsre kerül – az új funkciók a következők:
        • Adathalmazok PipelineParameterként
        • Új paraméter run_max_retry
        • Konfigurálható append_row kimeneti fájl neve
    • azureml-telemetria
      • Frissítse a kivételüzenet naplózását és a nyomkövetést.
    • azureml-train-automl-client
      • Továbbfejlesztett naplózás az AutoML-ben
      • Frissítések hibaüzenetet a felhasználói hiba helyes megjelenítéséhez.
      • A training_data cv_split_column_names támogatása
      • Elavult azureml.dprep.Dataflow a bemeneti adatok érvényes típusaként.
      • Frissített Mac, hogy támaszkodjon cudatoolkit=9.0, mivel ez nem érhető el a 10-es verzió még.
      • A prófétai és xgboost modellekre vonatkozó korlátozások eltávolítása távoli számításra való betanításkor.
      • azureml-train-automl-runtime és azureml-automl-runtime frissítette a függőségeket a következőhöz pytorch: , scipyés cudatoolkit. most már támogatjuk pytorch==1.4.0, scipy>=1.0.0,<=1.3.1és cudatoolkit==10.1.243.
      • Olyan funkciók lettek hozzáadva, amelyek lehetővé teszik a felhasználók számára, hogy az előrejelzések létrehozásához korlátozott funkciókat is tartalmazzanak.
    • azureml-train-automl-runtime
      • Továbbfejlesztett naplózás az AutoML-ben
      • Részletes hibakezelés hozzáadva az adatelőkészítési kivételekhez
      • A prófétai és xgboost modellekre vonatkozó korlátozások eltávolítása távoli számításra való betanításkor.
      • azureml-train-automl-runtime és azureml-automl-runtime frissítette a függőségeket a következőhöz pytorch: , scipyés cudatoolkit. most már támogatjuk pytorch==1.4.0, scipy>=1.0.0,<=1.3.1és cudatoolkit==10.1.243.
      • Frissítések hibaüzenetet a felhasználói hiba helyes megjelenítéséhez.
      • A training_data cv_split_column_names támogatása
    • azureml-train-core
      • Hozzáadtunk egy új HyperDrive-kivételkészletet. Az azureml.train.hyperdrive mostantól részletes kivételeket eredményez.
    • azureml-widgetek
      • Az Azure Machine Tanulás widgetek nem jelennek meg a JupyterLab-ben

2020-05-11

Azure Machine Tanulás SDK for Python v1.5.0

  • Új funkciók

    • Előzetes verziójú funkciók
      • azureml-contrib-reinforcementlearning
        • Az Azure Machine Tanulás előzetes verziójú támogatást ad ki a Ray-keretrendszer használatával végzett megerősítési tanuláshoz. Ez ReinforcementLearningEstimator lehetővé teszi a megerősítést erősítő tanulási ügynökök betanítását GPU- és CPU-számítási célokon az Azure Machine Tanulás.

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • Kijavít egy véletlenül hátrahagyott figyelmeztető naplót az előző lekéréses kérelemben. A naplót hibakeresésre használták, és véletlenül hátrahagyták.
      • Hibajavítás: az ügyfelek tájékoztatása a profilkészítés során fellépő részleges hibáról
    • azureml-automl-core
      • Felgyorsítja a Prophet/AutoArima modellt az AutoML-előrejelzésben azáltal, hogy lehetővé teszi a párhuzamos illesztést az idősorokhoz, ha az adathalmazok több idősort is használnak. Az új funkció előnyeinek kihasználásához javasoljuk, hogy az AutoMLConfigban állítsa be a "max_cores_per_iteration = -1" értéket (azaz az összes rendelkezésre álló processzormagot).
      • A KeyError javítása védőkorlátok konzolfelületen történő nyomtatásához
      • Kijavítottuk a experimentation_timeout_hours hibaüzenetét
      • Elavult TensorFlow-modellek az AutoML-hez.
    • azureml-automl-runtime
      • Kijavítottuk a experimentation_timeout_hours hibaüzenetét
      • Kijavítottuk a nem besorolt kivételt a gyorsítótár-tárolóból való deszerializáláskor
      • Felgyorsítja a Prophet/AutoArima modellt az AutoML-előrejelzésben azáltal, hogy lehetővé teszi a párhuzamos illesztést az idősorokhoz, ha az adathalmazok több idősort is használnak.
      • Javítottuk az előrejelzést engedélyezett gördülőablakkal azon adatkészleteken, ahol a teszt/előrejelzési készlet nem tartalmaz a betanítási készlet egyik szemcséit sem.
      • A hiányzó adatok hatékonyabb kezelése
      • Kijavítottuk az adathalmazok előrejelzése során az előrejelzési időközökkel kapcsolatos hibát, amely idősorokat tartalmaz, amelyek nem igazodnak az időben.
      • Az adatalakzat jobb érvényesítése az előrejelzési feladatokhoz.
      • Javítottuk a gyakoriságészlelést.
      • Jobb hibaüzenetet hozott létre, ha az előrejelzési tevékenységek keresztérvényesítési hajtásai nem hozhatók létre.
      • Javítsa ki a konzolfelületet a hiányzó értékőrző helyes nyomtatásához.
      • Adattípus-ellenőrzések kényszerítése cv_split_indices bemeneten az AutoMLConfigban.
    • azureml-cli-common
      • Hibajavítás: az ügyfelek tájékoztatása a profilkészítés során fellépő részleges hibáról
    • azureml-contrib-mir
      • Hozzáad egy azureml.contrib.mir.RevisionStatus osztályt, amely adatokat továbbít a jelenleg üzembe helyezett MIR-változatról és a felhasználó által megadott legújabb verzióról. Ez az osztály szerepel a MirWebservice objektumban a "deployment_status" attribútum alatt.
      • Engedélyezi a MirWebservice típusú webszolgáltatások és a SingleModelMirWebservice gyermekosztály frissítését.
    • azureml-contrib-reinforcementlearning
      • A Ray 0.8.3 támogatása hozzáadva
      • Az AmlWindowsCompute csak csatlakoztatott tárolóként támogatja az Azure Filest
      • Átnevezték health_check_timeout health_check_timeout_seconds
      • Kijavítottunk néhány osztály-/metódusleírást.
    • azureml-core
      • Engedélyezett WASB –> Blobkonvertálások az Azure Government és a Kínai felhőkben.
      • Kijavítottuk a hibát, amely lehetővé teszi, hogy az olvasói szerepkörök az ml-futtatási PARANCSSOR-parancsokat használjanak a futtatási információk lekéréséhez
      • Eltávolítottuk a szükségtelen naplózást az Azure Machine Tanulás távoli futtatások során bemeneti adatkészletekkel.
      • Az RCranPackage mostantól támogatja a CRAN-csomag verziójának "version" paraméterét.
      • Hibajavítás: az ügyfelek tájékoztatása a profilkészítés során fellépő részleges hibáról
      • Az azureml-core-hoz hozzáadott európai stílusú lebegőpontos kezelés.
      • Az Azure Machine Tanulás sdk engedélyezett munkaterületi privát kapcsolati funkciói.
      • TabularDataset létrehozásakor from_delimited_filesa logikai argumentum empty_as_stringbeállításával megadhatja, hogy az üres értékeket Nincs értékként vagy üres sztringként kell-e betölteni.
      • Az adathalmazok európai stílusú lebegőpontos kezelése hozzáadva.
      • Továbbfejlesztett hibaüzenetek az adathalmaz csatlakoztatási hibáival kapcsolatban.
    • azureml-datadrift
      • Az SDK-ból származó Adateltolódási eredmények lekérdezése olyan hibát tartalmazott, amely nem különböztette meg a minimális, maximális és középszintű jellemzőmetrikát, ami ismétlődő értékeket eredményezett. Ezt a hibát kijavítottuk a cél vagy alapterv metrikanevekre való előtagolásával. Előtte: duplikált perc, maximum, középérték. Ezután: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
    • azureml-dataprep
      • Az írásvédett Python-környezetek kezelésének javítása az adatkézbesítéshez szükséges .NET-függőségek biztosításakor.
      • Kijavítottuk az adatfolyam létrehozását a vezető üres rekordokkal rendelkező fájlon.
      • A következőhöz hasonló hibakezelési beállításokat to_partition_iterator adtunk hozzá to_pandas_dataframe.
    • azureml-interpret
      • A magyarázóútvonalak hosszának csökkentése a Windows-korlát túllépésének valószínűségének csökkentése érdekében
      • Hibajavítás a mimikai magyarázóval lineáris helyettesítő modellel létrehozott ritka magyarázatokhoz.
    • azureml-opendatasets
      • Az MNIST oszlopainak kijavítása sztringként van elemezve, amelynek intnek kell lennie.
    • azureml-pipeline-core
      • Lehetővé teszi, hogy regenerate_outputs egy ModulStepbe beágyazott modul használatakor.
    • azureml-train-automl-client
      • Elavult TensorFlow-modellek az AutoML-hez.
      • A felhasználók javítása a nem támogatott algoritmusok helyi módban való listázásának engedélyezéséhez
      • Az AutoMLConfig dokumentumjavításai.
      • Adattípus-ellenőrzések kényszerítése cv_split_indices bemeneten az AutoMLConfigban.
      • Kijavítottuk az AutoML-futtatások sikertelen futtatásával kapcsolatos hibát a show_output
    • azureml-train-automl-runtime
      • Kijavítottunk egy hibát az Együttes iterációkban, amely megakadályozta a modell letöltési időtúllépésének sikeres indítását.
    • azureml-train-core
      • Elírás javítása az azureml.train.dnn.Nccl osztályban.
      • A PyTorch 1.5-ös verziójának támogatása a PyTorch Estimatorban
      • Kijavítottuk azt a hibát, amely miatt a keretrendszerkép nem hívható le az Azure Government-régióban a betanítási keretrendszerbecslők használatakor

2020-05-04

Új jegyzetfüzet-élmény

Mostantól közvetlenül az Azure Machine Tanulás studio webes felületén hozhat létre, szerkeszthet és oszthat meg gépi tanulási jegyzetfüzeteket és fájlokat. Az Azure Machine Tanulás Python SDK-ban elérhető összes osztályt és metódust használhatja ezekből a jegyzetfüzetekből. Első lépésként tekintse meg a Munkaterület-cikkben található Jupyter-jegyzetfüzetek futtatását.

Bevezetett új funkciók:

  • A Visual Studio Code által használt továbbfejlesztett szerkesztő (Monaco-szerkesztő)
  • Felhasználói felületi/UX-fejlesztések
  • Cella eszköztár
  • Új jegyzetfüzet eszköztára és számítási vezérlői
  • Jegyzetfüzet állapotsora
  • Beágyazott kernelváltás
  • R-támogatás
  • Akadálymentességi és honosítási fejlesztések
  • Parancskatalógus
  • További billentyűparancsok
  • Automatikus mentés
  • Jobb teljesítmény és megbízhatóság

A stúdióból az alábbi webes szerzői eszközöket érheti el:

Webalapú eszköz Leírás
Azure Machine Tanulás Studio Notebooks A jegyzetfüzetfájlok első osztályon belüli létrehozása és az Azure Machine Tanulás Python SDK-ban elérhető összes művelet támogatása.

2020-04-27

Azure Machine Tanulás SDK for Python v1.4.0

  • Új funkciók

    • Az AmlCompute-fürtök mostantól támogatják a felügyelt identitások beállítását a fürtön a kiépítéskor. Csak adja meg, hogy rendszer által hozzárendelt identitást vagy felhasználó által hozzárendelt identitást szeretne-e használni, és adja meg az utóbbi identitásazonosítóját. Ezután beállíthatja a különböző erőforrások, például a Storage vagy az ACR elérésére vonatkozó engedélyeket úgy, hogy a számítás identitása az adatok biztonságos elérésére szolgáljon az AmlCompute által ma alkalmazott jogkivonatalapú megközelítés helyett. A paraméterekkel kapcsolatos további információkért tekintse meg SDK-referenciánkat.

  • Kompatibilitástörő változások

    • Az AmlCompute-fürtök támogatták a futtatásalapú létrehozással kapcsolatos előzetes verziójú funkciót, amelyet két hét múlva tervezünk elavulni. Az Amlcompute osztály használatával továbbra is létrehozhat állandó számítási célokat, de az "amlcompute" azonosítónak a futtatási konfigurációban használt számítási célként való megadásának konkrét megközelítése hamarosan nem támogatott.

  • Hibajavítások és fejlesztések

    • azureml-automl-runtime
      • Az oszlopban lévő egyedi értékek számának kiszámításakor engedélyezze a nem használható típus támogatását.
    • azureml-core
      • Nagyobb stabilitás az Azure Blob Storage-ból tabularDataset használatával történő olvasáskor.
      • Továbbfejlesztett dokumentáció a grant_workspace_msi paraméterhez Datastore.register_azure_blob_store: .
      • Kijavítottuk a hibát datastore.upload az argumentum támogatásához src_dir , amely egy / vagy \.
      • Végrehajtható hibaüzenet jelenik meg, amikor olyan Azure Blob Storage-adattárba próbál feltölteni, amely nem rendelkezik hozzáférési kulccsal vagy SAS-jogkivonattal.
    • azureml-interpret
      • A feltöltött magyarázatok vizualizációs adataihoz hozzáadta a fájlmérethez kötött felső határt.
    • azureml-train-automl-client
      • Az AutoMLConfig label_column_name &weight_column_name paramétereinek explicit ellenőrzése sztring típusúnak.
    • azureml-contrib-pipeline-steps
      • A ParallelRunStep mostantól támogatja az adathalmazt folyamatparaméterként. A felhasználó létrehozhat folyamatokat mintaadatkészlettel, és módosíthatja az azonos típusú (fájl- vagy táblázatos) bemeneti adatkészletet az új folyamatfuttatáshoz.

2020-04-13

Azure Machine Tanulás SDK for Python v1.3.0

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • A betanítás utáni műveletekhez további telemetriai adatok is hozzáadva.
      • Felgyorsítja az automatikus ARIMA-betanítást a négyzetek feltételes összegének (CSS) betanításával a 100-nál hosszabb sorozatokhoz. A használt hossz állandó ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/a TimeSeriesInternal osztályban a /src/azureml-automl-core/azureml/automl/core/shared/constants.py
      • Javítottuk az előrejelzési futtatások felhasználói naplózását, most pedig további információ jelenik meg arról, hogy melyik fázis fut jelenleg a naplóban.
      • Nem engedélyezett target_rolling_window_size 2-nél kisebb értékekre állítani
    • azureml-automl-runtime
      • Javítottuk a duplikált időbélyegek észlelésekor megjelenő hibaüzenetet.
      • Nem engedélyezett, target_rolling_window_size 2-nél kisebb értékekre legyen beállítva.
      • Kijavítottuk a késés számítási hibáját. A problémát az okozta, hogy nem elegendő számú megfigyelés szükséges egy sorozat szezonális lebontásához. A "de-seasonalized" adatok egy részleges automatikus javítási függvény (PACF) kiszámítására szolgálnak az késés hosszának meghatározásához.
      • Engedélyezett oszlop-célú featurizációs testreszabás a tevékenységek featurizációs konfigurációval történő előrejelzéséhez. Mostantól támogatott a numerikus és a kategorikus oszlopos célú előrejelzési tevékenység.
      • A drop column featurization testreszabása a tevékenységek featurizálási konfigurációval történő előrejelzéséhez.
      • Engedélyezett számítási testreszabás a tevékenységek előrejelzéséhez a featurization config használatával. A betanítási adatok állandó értékének számítása mostantól támogatott a céloszlop és középérték, középérték, most_frequent és állandó érték számítása esetében.
    • azureml-contrib-pipeline-steps
      • A ParallelRunConfignak továbbítandó sztring számítási nevek elfogadása
    • azureml-core
      • A Environment.clone(new_name) API hozzáadva a környezeti objektum másolatának létrehozásához
      • Environment.docker.base_dockerfile elfogadja a filepath fájlt. Ha meg tud oldani egy fájlt, a rendszer beolvassa a tartalmat base_dockerfile környezeti tulajdonságba
      • A base_image és base_dockerfile kölcsönösen kizáró értékeinek automatikus alaphelyzetbe állítása, ha a felhasználó manuálisan állít be egy értéket a Environment.dockerben
      • Hozzáadott user_managed jelző az RSectionben, amely azt jelzi, hogy a környezetet felhasználó vagy Az Azure Machine Tanulás kezeli-e.
      • Adatkészlet: Kijavítottuk az adathalmaz letöltési hibáját, ha az adatelérési út Unicode-karaktereket tartalmaz.
      • Adatkészlet: Továbbfejlesztett adatkészlet-csatlakoztatási gyorsítótárazási mechanizmus az Azure Machine Tanulás Compute minimális lemezterület-követelményének betartásához, ami megakadályozza, hogy a csomópont használhatatlanná váljon, és a feladat megszakadjon.
      • Adatkészlet: Az idősor oszlopához hozzáadunk egy indexet, amikor pandas-adatkeretként fér hozzá egy idősor-adathalmazhoz, amely az idősorozat-alapú adathozzáférés felgyorsítására szolgál. Korábban az index ugyanazt a nevet kapta, mint az időbélyeg oszlop, ami összezavarja a felhasználókat azzal kapcsolatban, hogy melyik a tényleges időbélyegoszlop, és melyik az index. Most nem adunk konkrét nevet az indexnek, mivel nem használható oszlopként.
      • Adatkészlet: Kijavítottuk az adathalmaz-hitelesítési problémát a szuverén felhőben.
      • Adatkészlet: Kijavítottuk Dataset.to_spark_dataframe az Azure PostgreSQL-adattárakból létrehozott adathalmazok hibáját.
    • azureml-interpret
      • Globális pontszámok hozzáadva a vizualizációhoz, ha a helyi fontossági értékek ritkák
      • Az azureml-interpret frissítette a 0.9-es interpret-community használatát.*
      • Kijavítottuk a ritkán kiértékelt adatokkal rendelkező letöltési magyarázattal kapcsolatos problémát
      • A magyarázó objektum ritkán használható formátumának támogatása az AutoML-ben
    • azureml-pipeline-core
      • A ComputeInstance támogatása számítási célként a folyamatokban
    • azureml-train-automl-client
      • A betanítás utáni műveletekhez további telemetriai adatok is hozzáadva.
      • Kijavítottuk a regressziót a korai leállításkor
      • Elavult azureml.dprep.Dataflow a bemeneti adatok érvényes típusaként.
      • Az AutoML-kísérlet alapértelmezett időtúllépésének módosítása hat napra.
    • azureml-train-automl-runtime
      • A betanítás utáni műveletekhez további telemetriai adatok is hozzáadva.
      • ritkább AutoML-támogatás hozzáadva a végpontok közötti támogatáshoz
    • azureml-opendatasets
      • Hozzáadtunk egy másik telemetriát a szolgáltatásfigyelőhöz.
      • A blob bejárati ajtajának engedélyezése a stabilitás növelése érdekében

2020-03-23

Azure Machine Tanulás SDK for Python v1.2.0

  • Kompatibilitástörő változások

    • A Python 2.7 támogatásának elvetése

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • Hozzáadja az "--subscription-id" azonosítót a parancssori felület parancsaihoz az ml model/computetarget/service
      • Támogatás hozzáadása az ügyfél által felügyelt kulcs (CMK) vault_url, key_name és key_version ACI üzembe helyezéséhez
    • azureml-automl-core
      • Az X és az y adat-előrejelzési feladatokhoz egyaránt engedélyezett, konstans értékkel rendelkező testreszabott számítás.
      • Kijavítottuk a hibaüzenetek felhasználónak való megjelenítésével kapcsolatos problémát.
    • azureml-automl-runtime
      • Kijavítottuk az adathalmazok előrejelzésével kapcsolatos problémát, amely csak egy sort tartalmazó szemcséket tartalmaz
      • Csökkentette az előrejelzési feladatokhoz szükséges memória mennyiségét.
      • Jobb hibaüzeneteket adtunk hozzá, ha az időoszlop formátuma helytelen.
      • Az X és az y adat-előrejelzési feladatokhoz egyaránt engedélyezett, konstans értékkel rendelkező testreszabott számítás.
    • azureml-core
      • Támogatott a ServicePrincipal betöltése a következő környezeti változókból: AZUREML_Standard kiadás RVICE_PRINCIPAL_ID, AZUREML_Standard kiadás RVICE_PRINCIPAL_TENANT_ID és AZUREML_Standard kiadás RVICE_PRINCIPAL_PASSWORD
      • Új paramétert support_multi_line vezetett be a következőhöz Dataset.Tabular.from_delimited_files: Alapértelmezés szerint (support_multi_line=False) az összes sortörés, beleértve az idézett mezőértékeket is, rekordtörésként lesz értelmezve. Az adatok ily módon történő olvasása gyorsabb és több processzormag párhuzamos végrehajtására optimalizált. Ez azonban azt eredményezheti, hogy csendesen több rekordot hoz létre hibás mezőértékekkel. Ezt akkor kell beállítani, True ha a tagolt fájlok ismerten idézőjeles sortöréseket tartalmaznak.
      • Az ADLS Gen2 regisztrálható az Azure Machine Tanulás parancssori felületén
      • A TabularDataset with_timestamp_columns() metódusának "partition_timestamp" paraméterére átnevezte az "fine_grain_timestamp" paramétert az "időbélyeg" és a "coarse_grain_timestamp" paraméterre, hogy jobban tükrözze a paraméterek használatát.
      • A kísérletnév maximális hosszának növelése 255-re.
    • azureml-interpret
      • Az azureml-interpret frissítése a interpret-community 0.7-es verzióra.*
    • azureml-sdk
      • Függőségekre vált a kompatibilis Tilde verzióval, hogy támogassa a javítást a kiadás előtti és a stabil kiadásokban.

2020-03-11

Azure Machine Tanulás SDK for Python v1.1.5

  • Funkciók elavulása

    • Python 2.7
      • Utolsó verzió a Python 2.7 támogatásához

  • Kompatibilitástörő változások

    • Szemantikus verziószámozás 2.0.0
      • Az Azure Machine Tanulás Python SDK 1.1-es verziójától kezdve bevezeti a Szemantic Versioning 2.0.0-t. Minden későbbi verzió új számozási sémát és szemantikai verziószámozási szerződést követ.

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • A konzisztencia érdekében módosítsa a végpont parancssori felületének parancsnevét az "az ml endpoint aks" (az ml endpoint aks) névről valós idejűre.
      • cli telepítési utasítások frissítése stabil és kísérleti ág parancssori felületéhez
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
    • azureml-automl-core
      • Az AutoML ONNX-modellekhez engedélyezve van a Batch mód következtetése (egyszerre több sort vesz fel)
      • Javítottuk az adathalmazok gyakoriságának észlelését, az adatok hiányát vagy szabálytalan adatpontokat tartalmaznak
      • Hozzáadta a domináns gyakoriságnak nem megfelelő adatpontok eltávolításának lehetőségét.
      • A konstruktor bemenetét úgy módosította, hogy a megfelelő oszlopokra vonatkozó számítási beállításokat alkalmazza.
      • Javítottuk a hibanaplózást.
    • azureml-automl-runtime
      • Kijavítottuk azt a hibát, amelyet akkor észleltünk, ha a gabona nem volt jelen a betanítási készletben a tesztkészletben
      • A y_query követelmény el lett távolítva az előrejelzési szolgáltatás pontozása során
      • Kijavítottuk az előrejelzéssel kapcsolatos hibát, amikor az adatkészlet hosszú időeltávú rövid szemcséket tartalmaz.
      • Kijavítottuk a hibát, amikor az automatikus maximális horizont be van kapcsolva, és a dátumoszlop sztringek formájában tartalmaz dátumokat. Megfelelő átalakítás és hibaüzenetek lettek hozzáadva, ha az átalakítás nem lehetséges
      • Natív NumPy és SciPy használata a FileCacheStore köztes adatainak szerializálásához és deszerializálásához (helyi AutoML-futtatásokhoz használatos)
      • Kijavítottunk egy hibát, amely miatt a sikertelen gyermekfuttatások futási állapotban elakadhattak.
      • A featurizáció sebességének növelése.
      • Kijavítottuk a gyakoriság-ellenőrzést a pontozás során, most az előrejelzési feladatok nem igényelnek szigorú gyakorisági egyenértékűséget a vonat és a tesztkészlet között.
      • A konstruktor bemenetét úgy módosította, hogy a megfelelő oszlopokra vonatkozó számítási beállításokat alkalmazza.
      • Kijavítottuk a késési típus kiválasztásával kapcsolatos hibákat.
      • Kijavítottuk az adathalmazokon felmerülő, nem besorolt hibát, amely egyetlen sorból álló szemcséket tartalmaz
      • Kijavítottuk a gyakoriság-észlelési lassúsággal kapcsolatos problémát.
      • Kijavítottunk egy hibát az AutoML-kivételkezelésben, amely a betanítási hiba valódi okát egy AttributeErrorra cserélte.
    • azureml-cli-common
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
    • azureml-contrib-mir
      • Funkciók hozzáadása a MirWebservice osztályhoz a hozzáférési jogkivonat lekéréséhez
      • A MirWebservice alapértelmezett jogkivonatának használata a MirWebservice.run() hívás során – Csak a frissítés, ha a hívás meghiúsul
      • A Mir webszolgáltatás üzembe helyezéséhez a megfelelő [Standard_DS2_v2, Standard_F16, Standard_A2_v2] termékváltozatra van szükség a [Ds2v2, A2v2 és F16] helyett.
    • azureml-contrib-pipeline-steps
      • A ParallelRunStep paraméterhez side_inputs opcionális paraméter hozzáadva. Ez a paraméter a tároló mappájának csatlakoztatására használható. Jelenleg a DataReference és a PipelineData támogatott típusok.
      • A ParallelRunConfigban átadott paraméterek felülírhatók a folyamatparaméterek átadásával. Az új folyamatparaméterek támogatottak aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count és aml_process_count_per_node már része a korábbi kiadásnak).
    • azureml-core
      • Az üzembe helyezett Azure Machine Tanulás webszolgáltatások mostantól alapértelmezés szerint naplózásra kerülnekINFO. Ez az üzembe helyezett szolgáltatás környezeti változójának AZUREML_LOG_LEVEL beállításával szabályozható.
      • A Python sdk a felderítési szolgáltatással "api" végpontot használ a "folyamatok" helyett.
      • Váltsa fel az új útvonalakat az összes SDK-hívásban.
      • A ModelManagementService felé irányuló hívások útválasztása új egységes szerkezetre módosult.
        • Nyilvánosan elérhetővé tette a munkaterület frissítési módszerét.
        • Hozzáadta image_build_compute paramétert a munkaterület frissítési módszeréhez, hogy lehetővé tegye a felhasználó számára a rendszerképek összeállításához szükséges számítás frissítését.
      • Elavult üzeneteket adott hozzá a régi profilkészítési munkafolyamathoz. Rögzített profilkészítési processzor- és memóriakorlátok.
      • RSection hozzáadva a környezet részeként az R-feladatok futtatásához.
      • Érvényesítés hozzáadva, hogy Dataset.mount hibát jelezzon, ha az adathalmaz forrása nem érhető el, vagy nem tartalmaz adatokat.
      • Egy másik paraméterként hozzáadva --grant-workspace-msi-access a Datastore CLI-hez az Azure Blob Container regisztrálásához, amely lehetővé teszi a virtuális hálózat mögött található Blob-tároló regisztrálását.
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
      • Kijavítottuk a problémát a aks.py _deploy.
      • Ellenőrzi a feltöltött modellek integritását a csendes tárolási hibák elkerülése érdekében.
      • A felhasználó most már megadhat egy értéket a hitelesítési kulcshoz a webszolgáltatások kulcsainak újragenerálásakor.
      • Kijavítottuk azt a hibát, amely miatt a nagybetűk nem használhatók adathalmaz bemeneti neveként.
    • azureml-defaults
      • azureml-dataprep elemet a rendszer a következő részeként azureml-defaultstelepíti: . Az adathalmazok csatlakoztatásához már nem szükséges manuálisan telepítenie az adat-előkészítést[biztosítékot] a számítási célokra.
    • azureml-interpret
      • Az azureml-interpret frissítése a interpret-community 0.6-os verzióra.*
      • Az azureml-interpret frissítése az interpret-community 0.5.0-s verziótól függően
      • Azureml-stílusú kivételek hozzáadva az azureml-interprethez
      • Rögzített DeepScoringExplainer szerializálás keras-modellekhez
    • azureml-mlflow
      • Szuverén felhők támogatásának hozzáadása az azureml.mlflow-hoz
    • azureml-pipeline-core
      • A folyamat kötegelt pontozási jegyzetfüzete mostantól ParallelRunStep-et használ
      • Kijavítottunk egy hibát, amely miatt a PythonScriptStep-eredmények helytelenül újra felhasználhatók az argumentumlista módosítása ellenére
      • Az oszlopok típusának beállítása a parse_* metódus meghívásakor PipelineOutputFileDataset
    • azureml-pipeline-steps
      • Áthelyezte a AutoMLStepazureml-pipeline-steps csomagot. Elavult a AutoMLStep belül azureml-train-automl-runtime.
      • Dokumentációs példa az adatkészlethez PythonScriptStep-bemenetként
    • azureml-tensorboard
      • Az azureml-tensorboard frissítése a TensorFlow 2.0 támogatásához
      • A megfelelő portszám megjelenítése egyéni TensorBoard-port számítási példányon való használatakor
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely miatt bizonyos csomagok nem megfelelő verziókban telepíthetők távoli futtatásokon.
      • Kijavítottuk a FeaturizationConfig felülírási problémáját, amely szűri az egyéni featurizációs konfigurációt.
    • azureml-train-automl-runtime
      • Kijavítottuk a távoli futtatások frekvenciaészlelésével kapcsolatos problémát
      • Áthelyezte a AutoMLStepazureml-pipeline-steps csomagot. Elavult a AutoMLStep belül azureml-train-automl-runtime.
    • azureml-train-core
      • A PyTorch 1.4-es verziójának támogatása a PyTorch Estimatorban

2020-03-02

Azure Machine Tanulás SDK for Python v1.1.2rc0 (előzetes kiadás)

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • Az AutoML ONNX-modellekhez engedélyezve van a Batch mód következtetése (egyszerre több sort vesz fel)
      • Javítottuk az adathalmazok gyakoriságának észlelését, az adatok hiányát vagy szabálytalan adatpontokat tartalmaznak
      • Hozzáadta a domináns gyakoriságnak nem megfelelő adatpontok eltávolításának lehetőségét.
    • azureml-automl-runtime
      • Kijavítottuk azt a hibát, amelyet akkor észleltünk, ha a gabona nem volt jelen a betanítási készletben a tesztkészletben
      • A y_query követelmény el lett távolítva az előrejelzési szolgáltatás pontozása során
    • azureml-contrib-mir
      • Funkciók hozzáadása a MirWebservice osztályhoz a hozzáférési jogkivonat lekéréséhez
    • azureml-core
      • Az üzembe helyezett Azure Machine Tanulás webszolgáltatások mostantól alapértelmezés szerint naplózásra kerülnekINFO. Ez az üzembe helyezett szolgáltatás környezeti változójának AZUREML_LOG_LEVEL beállításával szabályozható.
      • Javítsa ki az Dataset.get_all iterálást a munkaterületen regisztrált összes adathalmaz visszaadásához.
      • Javítsa a hibaüzenetet, ha érvénytelen típust ad át path az adathalmaz-létrehozási API-k argumentumának.
      • A Python sdk a felderítési szolgáltatással "api" végpontot használ a "folyamatok" helyett.
      • Váltás az új útvonalakra az összes SDK-hívásban
      • A ModelManagementService felé irányuló hívások útválasztásának módosítása új egységes szerkezetre
        • Nyilvánosan elérhetővé tette a munkaterület frissítési módszerét.
        • Hozzáadta image_build_compute paramétert a munkaterület frissítési módszeréhez, hogy lehetővé tegye a felhasználó számára a számítási rendszerkép összeállításához való frissítését
      • Elavult üzeneteket adott hozzá a régi profilkészítési munkafolyamathoz. Rögzített profilkészítési processzor- és memóriakorlátok
    • azureml-interpret
      • az azureml-interpret frissítése a 0.6-os interpret-communityre.*
    • azureml-mlflow
      • Szuverén felhők támogatásának hozzáadása az azureml.mlflow-hoz
    • azureml-pipeline-steps
      • A .AutoMLStepazureml-pipeline-steps package Elavult a AutoMLStep belül azureml-train-automl-runtime.
    • azureml-train-automl-client
      • Kijavítottunk egy hibát, amely miatt bizonyos csomagok nem megfelelő verziókban telepíthetők távoli futtatásokon.
    • azureml-train-automl-runtime
      • Kijavítottuk a távoli futtatások frekvenciaészlelésével kapcsolatos problémát
      • A .AutoMLStepazureml-pipeline-steps package Elavult a AutoMLStep belül azureml-train-automl-runtime.
    • azureml-train-core
      • A .AutoMLStepazureml-pipeline-steps package Elavult a AutoMLStep belül azureml-train-automl-runtime.

2020-02-18

Azure Machine Tanulás SDK for Python v1.1.1rc0 (előzetes kiadás)

  • Hibajavítások és fejlesztések
    • azure-cli-ml
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
    • azureml-automl-core
      • Javítottuk a hibanaplózást.
    • azureml-automl-runtime
      • Kijavítottuk az előrejelzéssel kapcsolatos hibát, amikor az adatkészlet hosszú időeltávú rövid szemcséket tartalmaz.
      • Kijavítottuk a hibát, amikor az automatikus maximális horizont be van kapcsolva, és a dátumoszlop sztringek formájában tartalmaz dátumokat. Megfelelő átalakítást és ésszerű hibát adtunk hozzá, ha a dátumra konvertálás nem lehetséges
      • Natív NumPy és SciPy használata a FileCacheStore köztes adatainak szerializálásához és deszerializálásához (helyi AutoML-futtatásokhoz használatos)
      • Kijavítottunk egy hibát, amely miatt a sikertelen gyermekfuttatások futási állapotban elakadhattak.
    • azureml-cli-common
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
    • azureml-core
      • Egy másik paraméterként hozzáadva --grant-workspace-msi-access az Azure Blob Container regisztrálásához használt Datastore CLI-hez, amely lehetővé teszi a virtuális hálózat mögötti Blob-tároló regisztrálását
      • Az egypéldányos profilkészítés egy javaslat létrehozásához lett javítva, és a core sdk-ban lett elérhetővé téve.
      • Kijavítottuk a hibát a aks.py _deploy
      • Ellenőrzi a feltöltött modellek integritását a csendes tárolási hibák elkerülése érdekében.
    • azureml-interpret
      • azureml-stílusú kivételek hozzáadása az azureml-interprethez
      • rögzített DeepScoringExplainer szerializálás keras-modellekhez
    • azureml-pipeline-core
      • A folyamat kötegelt pontozási jegyzetfüzete mostantól ParallelRunStep-et használ
    • azureml-pipeline-steps
      • Áthelyezte a AutoMLStepazureml-pipeline-steps csomagot. Elavult a AutoMLStep belül azureml-train-automl-runtime.
    • azureml-contrib-pipeline-steps
      • A ParallelRunStep paraméterhez side_inputs opcionális paraméter hozzáadva. Ez a paraméter a tároló mappájának csatlakoztatására használható. Jelenleg a DataReference és a PipelineData támogatott típusok.
    • azureml-tensorboard
      • Az azureml-tensorboard frissítése a TensorFlow 2.0 támogatásához
    • azureml-train-automl-client
      • Kijavítottuk a FeaturizationConfig felülírási problémáját, amely szűri az egyéni featurizációs konfigurációt.
    • azureml-train-automl-runtime
      • Áthelyezte a AutoMLStepazureml-pipeline-steps csomagot. Elavult a AutoMLStep belül azureml-train-automl-runtime.
    • azureml-train-core
      • A PyTorch 1.4-es verziójának támogatása a PyTorch Estimatorban

2020-02-04

Azure Machine Tanulás SDK for Python v1.1.0rc0 (előzetes kiadás)

  • Kompatibilitástörő változások

    • Szemantikus verziószámozás 2.0.0
      • Az Azure Machine Tanulás Python SDK 1.1-es verziójától kezdve bevezeti a Szemantic Versioning 2.0.0-t. Minden későbbi verzió új számozási sémát és szemantikai verziószámozási szerződést követ.

  • Hibajavítások és fejlesztések

    • azureml-automl-runtime
      • A featurizáció sebességének növelése.
      • Kijavítottuk a gyakoriság-ellenőrzést a pontozás során, most az előrejelzési feladatokban nincs szükség a vonat és a tesztkészlet közötti szigorú gyakoriság-egyenértékűségre.
    • azureml-core
      • A felhasználó most már megadhat egy értéket a hitelesítési kulcshoz a webszolgáltatások kulcsainak újragenerálásakor.
    • azureml-interpret
      • Az azureml-interpret frissítése az interpret-community 0.5.0-s verziótól függően
    • azureml-pipeline-core
      • Kijavítottunk egy hibát, amely miatt a PythonScriptStep-eredmények helytelenül újra felhasználhatók az argumentumlista módosítása ellenére
    • azureml-pipeline-steps
      • Dokumentációs példa az adatkészlethez PythonScriptStep-bemenetként
    • azureml-contrib-pipeline-steps
      • A ParallelRunConfigban átadott paraméterek felülírhatók a folyamatparaméterek átadásával. Az új folyamatparaméterek támogatottak aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count és aml_process_count_per_node már része a korábbi kiadásnak).

2020-01-21

Azure Machine Tanulás SDK for Python v1.0.85

  • Új funkciók

    • azureml-core

      • Az AmlCompute-erőforrások aktuális alaphasználati és kvótakorlátozásának lekérése egy adott munkaterületen és előfizetésben

    • azureml-contrib-pipeline-steps

      • Táblázatos adathalmaz átvitelének engedélyezése a felhasználó számára az előző lépéstől a párhuzamos futtatásig közbenső eredményként

  • Hibajavítások és fejlesztések

    • azureml-automl-runtime
      • Eltávolította a y_query oszlop követelményét az üzembe helyezett előrejelzési szolgáltatásnak küldött kérésben.
      • A "y_query" el lett távolítva a Dominick Orange Juice notebook szolgáltatáskérési szakaszából.
      • Kijavítottuk azt a hibát, amely megakadályozta az előrejelzést az üzembe helyezett modelleken, és dátum-időoszlopokkal rendelkező adathalmazokon működött.
      • Matthews korrelációs együtthatót adott hozzá besorolási metrikaként a bináris és a többosztályos besoroláshoz is.
    • azureml-contrib-interpret
      • Az azureml-contrib-interpret szövegmagyarázatként eltávolított szövegmagyarázatai át lettek helyezve a hamarosan megjelenő értelmező-szöveg adattárba.
    • azureml-core
      • Adatkészlet: a fájladatkészletek használata már nem függ a numpy és a pandas Python-envben való telepítésétől.
      • Módosította LocalWebservice.wait_for_deployment() a helyi Docker-tároló állapotának ellenőrzésére, mielőtt megpróbálná pingelni az állapotvégpontját, jelentősen csökkentve a sikertelen üzembe helyezés jelentéséhez szükséges időt.
      • Kijavítottuk a LocalWebservice.reload() szolgáltatásban használt belső tulajdonság inicializálását, amikor a szolgáltatásobjektum egy meglévő üzembe helyezésből lett létrehozva a LocalWebservice() konstruktor használatával.
      • A pontosításhoz szerkesztett hibaüzenet.
      • Hozzáadott egy új, get_access_token() nevű metódust az AksWebservice szolgáltatáshoz, amely visszaadja az AksServiceAccessToken objektumot, amely tartalmazza a hozzáférési jogkivonatot, az időbélyeg utáni frissítést, az időbélyeg lejáratát és a jogkivonat típusát.
      • Elavult meglévő get_token() metódus az AksWebservice-ben, mivel az új metódus visszaadja a metódus által visszaadott összes információt.
      • Az ml service get-access-token parancsának módosított kimenete. Átnevezték a jogkivonatot accessTokenre, a refreshBy pedig refreshAfter névre. Hozzáadta a expiryOn és a tokenType tulajdonságokat.
      • Rögzített get_active_runs
    • azureml-explain-model
      • shap frissítése a 0.33.0-ra, a interpret-community pedig 0,4.*
    • azureml-interpret
      • shap frissítése a 0.33.0-ra, a interpret-community pedig 0,4.*
    • azureml-train-automl-runtime
      • Matthews korrelációs együtthatót adott hozzá besorolási metrikaként a bináris és a többosztályos besoroláshoz is.
      • Az előfeldolgozási jelző elavult a kódból, és a featurizációra cserélve – a featurizáció alapértelmezés szerint be van kapcsolva

2020-01-06

Azure Machine Tanulás SDK for Python v1.0.83

  • Új funkciók

    • Adatkészlet: Adjon hozzá két lehetőségeton_error, és to_pandas_dataframeout_of_range_datetime hogy sikertelen legyen, ha az adatok hibaértékekkel vannak eltitkolásuk Nonehelyett.
    • Munkaterület: Hozzáadta a hbi_workspace bizalmas adatokat tartalmazó munkaterületek jelzőt, amely további titkosítást tesz lehetővé, és letiltja a speciális diagnosztikát a munkaterületeken. Azt is támogattuk, hogy saját kulcsokat hozzon létre a társított Azure Cosmos DB-példányhoz a munkaterület létrehozásakor megadott paraméterek megadásával cmk_keyvaultresource_cmk_uri , amely létrehoz egy Azure Cosmos DB-példányt az előfizetésben a munkaterület kiépítése során. További információkért tekintse meg az adattitkosítási cikk Azure Cosmos DB-szakaszát.

  • Hibajavítások és fejlesztések

    • azureml-automl-runtime
      • Kijavítottunk egy regressziót, amely miatt a TypeError az AutoML 3.5.4 alatti Python-verziókon való futtatásakor aktiválódott.
    • azureml-core
      • A kijavított hiba datastore.upload_files olyan relatív elérési út volt, amely ./ nem indult el, és nem volt használható.
      • Elavult üzenetek hozzáadása az összes képosztálykód elérési útjaihoz
      • Kijavítottuk a 21Vianet által üzemeltetett Microsoft Azure modellkezelési URL-felépítését.
      • Kijavítottuk azt a hibát, amely miatt a source_dir használó modellek nem csomagolhatók be az Azure Functionsbe.
      • Hozzáadtunk egy lehetőséget Environment.build_local() a rendszerkép Azure Machine Tanulás-munkaterület tárolóregisztrációs adatbázisába való leküldéséhez
      • Frissítette az SDK-t, hogy az Azure Synapse új jogkivonat-kódtárát háttérkompatibilis módon használja.
    • azureml-interpret
      • Kijavítottuk azt a hibát, amely miatt a None függvény nem lett visszaadva, amikor nem volt elérhető magyarázat a letöltéshez. Most kivételt vet fel, máshol egyező viselkedést.
    • azureml-pipeline-steps
      • Nem engedélyezett az s paraméterre való EstimatorDatasetConsumptionConfiginputs átadása, ha a Estimator paramétert egy .EstimatorStep
    • azureml-sdk
      • AutoML-ügyfél hozzáadva az Azureml-sdk csomaghoz, lehetővé téve a távoli AutoML-futtatások elküldését a teljes AutoML-csomag telepítése nélkül.
    • azureml-train-automl-client
      • Az AutoML-futtatások konzolkimenetének korrigált igazítása
      • Kijavítottunk egy hibát, amely miatt a pandas helytelen verziója távoli amlcompute-ra települhet.

2019-12-23

Azure Machine Tanulás SDK for Python v1.0.81

  • Hibajavítások és fejlesztések
    • azureml-contrib-interpret
      • shap-függőség késleltetése a közösség azureml-interpretből való értelmezéséhez
    • azureml-core
      • A számítási cél mostantól paraméterként megadható a megfelelő üzembe helyezési konfigurációs objektumokhoz. Ez kifejezetten annak a számítási célnak a neve, amelybe üzembe kell helyezni, nem pedig az SDK-objektumnak.
      • CreatedBy-információk hozzáadva a modell- és szolgáltatásobjektumokhoz. Elérhető through.created_by
      • Kijavítottuk a ContainerImage.run() fájlt, amely nem megfelelően beállította a Docker-tároló HTTP-portját.
      • A azureml-dataprep parancssori felületi az ml dataset register parancs megadása nem kötelező
      • Kijavítottunk egy hibát, amely TabularDataset.to_pandas_dataframe helytelenül visszaesett egy másik olvasóra, és figyelmeztetést adott ki.
    • azureml-explain-model
      • shap-függőség késleltetése a közösség azureml-interpretből való értelmezéséhez
    • azureml-pipeline-core
      • Új folyamatlépést NotebookRunnerStepadott hozzá, hogy egy helyi jegyzetfüzetet futtatjon a folyamat lépéseként.
      • El lett távolítva a PublishedPipelines, az Schedules és a PipelineEndpoints elavult get_all függvényei
    • azureml-train-automl-client
      • Megkezdte a data_script elavulását az AutoML bemeneteként.

2019-12-09

Azure Machine Tanulás SDK for Python v1.0.79

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • A naplózandó featurizationConfig el lett távolítva
        • Csak az "auto"/"off"/"customized" naplózásra frissített naplózás.
    • azureml-automl-runtime
      • A pandas támogatása hozzáadva. Sorozatok és pandas. Kategorikus az oszlop adattípusának észleléséhez. Korábban csak a numpy.ndarray támogatott
        • A kapcsolódó kódmódosítások hozzáadva a kategorikus dtype helyes kezeléséhez.
      • Továbbfejlesztettük az előrejelzési függvény felületét: a y_pred paraméter megadása nem kötelező. - A dokumentumokat javítottuk.
    • azureml-contrib-dataset
      • Kijavítottunk egy hibát, amely miatt a címkézett adathalmazok nem csatlakoztathatók.
    • azureml-core
      • Hibajavítás a következőhöz Environment.from_existing_conda_environment(name, conda_environment_name): . A felhasználó létrehozhat egy környezetpéldányt, amely a helyi környezet pontos replikája
      • Az idősorozattal kapcsolatos adathalmaz-metódusokat include_boundary=True alapértelmezés szerint módosította.
    • azureml-train-automl-client
      • Kijavítottuk azt a hibát, amely miatt a rendszer nem nyomtatja ki az érvényesítési eredményeket, ha a kimenet értéke hamis.

2019-11-25

Azure Machine Tanulás SDK for Python v1.0.76

  • Kompatibilitástörő változások

    • Azureml-Train-AutoML frissítési problémák
      • Az azureml-train-automl=1.0.76-os azureml-train-automl>< 1.0.76-os verzióra való frissítés részleges telepítést okozhat, ami néhány AutoML-importálás meghiúsulását okozhatja. A probléma megoldásához futtassa a következő helyen található telepítőszkriptet https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd: . Vagy ha közvetlenül pipet használ, a következőkre van lehetősége:
        • "pip install --upgrade azureml-train-automl"
        • "pip install --ignore-installed azureml-train-automl-client"
      • vagy a frissítés előtt eltávolíthatja a régi verziót
        • "pip uninstall azureml-train-automl"
        • "pip install azureml-train-automl"

  • Hibajavítások és fejlesztések

    • azureml-automl-runtime
      • Az AutoML mostantól az igaz és a hamis osztályokat is figyelembe veszi a bináris besorolási feladatok átlagos skaláris metrikáinak kiszámításakor.
      • Az AzureML-AutoML-Core gépi tanulási és betanítási kódját áthelyezte egy új csomagba, az AzureML-AutoML-Runtime-ba.
    • azureml-contrib-dataset
      • Ha a letöltési beállítással meghív to_pandas_dataframe egy címkézett adatkészletet, megadhatja, hogy felülírja-e a meglévő fájlokat.
      • keep_columns Híváskor vagy drop_columns ha egy idősort, címkét vagy képoszlopot elvet, a rendszer az adathalmaz megfelelő funkcióit is elveti.
      • Kijavítottunk egy hibát az objektumészlelési feladat pytorch loaderével kapcsolatban.
    • azureml-contrib-interpret
      • Eltávolította a magyarázó irányítópult widgetét az azureml-contrib-interpret, módosított csomagból, hogy az interpret_community
      • A interpret-community frissített verziója a 0.2.0-ra
    • azureml-core
      • A teljesítmény workspace.datasetsjavítása.
      • Lehetővé tette az Azure SQL Database Datastore regisztrációjának lehetőségét felhasználónév- és jelszó-hitelesítéssel
      • Javítás a RunConfigurations relatív elérési utakról való betöltéséhez.
      • keep_columns Híváskor vagy drop_columns egy idősoroszlop elvetésekor a rendszer az adathalmaz megfelelő képességeit is elveti.
    • azureml-interpret
      • a interpret-community frissített verziója a 0.2.0-ra
    • azureml-pipeline-steps
      • Az Azure Machine Learning-folyamat lépéseinek runconfig_pipeline_params dokumentált támogatott értékei.
    • azureml-pipeline-core
      • A parancssori felület hozzáadva a folyamatparancsok json formátumú kimenetének letöltéséhez.
    • azureml-train-automl
      • Az AzureML-Train-AutoML felosztása két csomagra, egy AzureML-Train-AutoML-Client ügyfélcsomagra és egy AzureML-Train-AutoML-Runtime ml betanítási csomagra
    • azureml-train-automl-client
      • Hozzáadtunk egy vékony ügyfelet az AutoML-kísérletek elküldéséhez anélkül, hogy helyi gépi tanulási függőségeket kellene telepíteni.
      • Kijavítottuk az automatikusan észlelt késések, a gördülőablak-méretek és a maximális horizont naplózását a távoli futtatásokban.
    • azureml-train-automl-runtime
      • Hozzáadott egy új AutoML-csomagot, amely elkülöníti a gépi tanulás és a futtatókörnyezet összetevőit az ügyféltől.
    • azureml-contrib-train-rl
      • Megerősített tanulás támogatása az SDK-ban.
      • AmlWindowsCompute-támogatás hozzáadva az RL SDK-ban.

2019-11-11

Azure Machine Tanulás SDK for Python v1.0.74

  • Előzetes verziójú funkciók

    • azureml-contrib-dataset
      • Az azureml-contrib-dataset importálása után meghívhatja Dataset.Labeled.from_json_lines ahelyett ._Labeled , hogy címkézett adatkészletet hoz létre.
      • Ha a letöltési beállítással meghív to_pandas_dataframe egy címkézett adatkészletet, megadhatja, hogy felülírja-e a meglévő fájlokat.
      • keep_columns Híváskor vagy drop_columns ha egy idősort, címkét vagy képoszlopot elvet, a rendszer az adathalmaz megfelelő funkcióit is elveti.
      • Kijavítottuk a PyTorch-rakodó híváskor dataset.to_torchvision()felmerülő problémáit.

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • Modellprofilozás hozzáadva az előzetes verziójú parancssori felülethez.
      • Kijavítja az Azure Storage kompatibilitástörő változását, amely miatt az Azure Machine Tanulás CLI meghiúsul.
      • Load Balancer-típus hozzáadva az MLC-hez AKS-típusok esetében
    • azureml-automl-core
      • Kijavítottuk az idősorok maximális horizontjának észlelésével kapcsolatos problémát, amely hiányzó értékekkel és több szemcsével rendelkezik.
      • Kijavítottuk a keresztérvényesítési felosztások létrehozása során fellépő hibákkal kapcsolatos problémát.
      • Cserélje le ezt a szakaszt egy markdown formátumú üzenetre, amely megjelenik a kibocsátási megjegyzésekben: -A rövid szemcsék jobb kezelése az előrejelzési adathalmazokban.
      • Kijavítottuk a felhasználói adatok maszkolásával kapcsolatos hibát a naplózás során. -A hibák jobb naplózása az előrejelzési futtatások során.
      • A psutil hozzáadása conda-függőségként az automatikusan létrehozott yml üzembehelyezési fájlhoz.
    • azureml-contrib-mir
      • Kijavítja az Azure Storage kompatibilitástörő változását, amely miatt az Azure Machine Tanulás CLI meghiúsul.
    • azureml-core
      • Kijavítottunk egy hibát, amely miatt az Azure Functionsben üzembe helyezett modellek 500 s-t hoztak létre.
      • Kijavítottunk egy hibát, amely miatt az amlignore-fájl nem lett alkalmazva a pillanatképekre.
      • Hozzáadott egy új API-amlcompute.get_active_runs, amely egy generátort ad vissza egy adott amlcompute-on futó és várólistás futtatáshoz.
      • Az AKS-típusokhoz hozzáadta a Load Balancer-típust az MLC-hez.
      • Hozzáadta append_prefix bool paramétert download_files run.py és download_artifacts_from_prefix artifacts_client. Ez a jelző a forrásfájlút szelektív összesimítására szolgál, így csak a fájl vagy mappa neve lesz hozzáadva a output_directory
      • Kijavítottuk az adathalmazok használatával kapcsolatos run_config.yml deszerializálási problémát.
      • keep_columns Híváskor vagy drop_columns egy idősoroszlop elvetésekor a rendszer az adathalmaz megfelelő képességeit is elveti.
    • azureml-interpret
      • Frissítettük a interpret-community verziót a 0.1.0.3-ra
    • azureml-train-automl
      • Kijavítottunk egy hibát, amely miatt automl_step nem nyomtathat érvényesítési problémákat.
      • Kijavítottuk a register_model a sikeresség érdekében, még akkor is, ha a modell környezetében helyileg hiányoznak függőségek.
      • Kijavítottunk egy hibát, amely miatt egyes távoli futtatások nem voltak engedélyezve a Dockerben.
      • Adja hozzá annak a kivételnek a naplózását, amely miatt a helyi futtatás idő előtt meghiúsul.
    • azureml-train-core
      • Fontolja meg resume_from futtatásokat a legjobb gyermekfuttatások automatikus hiperparaméter-finomhangolásának kiszámítása során.
    • azureml-pipeline-core
      • Rögzített paraméterkezelés a folyamatargumentumok konstrukciójában.
      • Hozzáadva a folyamat leírása és a lépéstípus yaml paramétere.
      • Új yaml-formátum a folyamatlépéshez, és elavultságra vonatkozó figyelmeztetést adott hozzá a régi formátumhoz.

2019-11-04

Webes felület

Az együttműködésen alapuló munkaterület kezdőlapja https://ml.azure.com az Azure Machine Tanulás studiójaként lett továbbfejlesztve és át lett alakítva.

A stúdióból betanítheti, tesztelheti, üzembe helyezheti és kezelheti az Azure Machine-Tanulás-eszközöket, például adatkészleteket, folyamatokat, modelleket, végpontokat stb.

A stúdióból az alábbi webes szerzői eszközöket érheti el:

Webalapú eszköz Leírás
Notebook virtuális gép (előzetes verzió) Teljes mértékben felügyelt felhőalapú munkaállomás
Automatizált gépi tanulás (előzetes verzió) Nincs kódélmény a gépi tanulási modellek fejlesztésének automatizálásához
Tervező Drag-and-drop machine learning modeling tool, korábbi nevén vizuális felület

Az Azure Machine Tanulás tervezői fejlesztései

  • Korábban vizualizációs felületként ismert
  • 11 új modul , beleértve az ajánlókat, az osztályozókat és a betanítási segédprogramokat, beleértve a funkciófejlesztést, a keresztérvényesítést és az adatátalakítást.

R SDK

Az adattudósok és az AI-fejlesztők az Azure Machine Tanulás SDK for R használatával hozhatnak létre és futtathatnak gépi tanulási munkafolyamatokat az Azure Machine Tanulás használatával.

Az Azure Machine Tanulás SDK for R a reticulate csomag használatával kapcsolódik a Python SDK-hoz. Ha közvetlenül a Pythonhoz köti, az R SDK lehetővé teszi a Python SDK-ban implementált alapvető objektumokhoz és metódusokhoz való hozzáférést bármely választott R-környezetből.

Az SDK fő képességei a következők:

  • Felhőbeli erőforrások kezelése a gépi tanulási kísérletek monitorozásához, naplózásához és rendszerezéséhez.
  • Modellek betanítása felhőalapú erőforrások használatával, beleértve a GPU-gyorsított modell betanítását.
  • A modellek üzembe helyezése webszolgáltatásként az Azure Container Instances (ACI) és az Azure Kubernetes Service (AKS) szolgáltatásban.

A teljes dokumentációt a csomag webhelyén találja .

Azure Machine Tanulás integrációja az Event Griddel

Az Azure Machine Tanulás mostantól az Event Grid erőforrás-szolgáltatója, a gépi tanulási eseményeket az Azure Portalon vagy az Azure CLI-vel konfigurálhatja. A felhasználók eseményeket hozhatnak létre a futtatás befejezéséhez, a modellregisztrációhoz, a modell üzembe helyezéséhez és az észlelt adateltolódáshoz. Ezek az események az Event Grid által támogatott eseménykezelőkhöz irányíthatók használat céljából. További részletekért tekintse meg a gépi tanulási eseményséma és az oktatóanyag cikkeit.

2019-10-31

Azure Machine Tanulás SDK for Python v1.0.72

  • Új funkciók

    • Az azureml-datadrift csomagon keresztül hozzáadott adatkészletek monitorozása lehetővé teszi az idősoros adathalmazok figyelését az adateltolódások vagy más statisztikai változások időbeli változásához. Riasztások és események akkor aktiválhatók, ha eltérést észlel, vagy az adatok egyéb feltételei teljesülnek. További információt a dokumentációnkban talál.

    • Két új kiadás (más néven termékváltozat) bejelentése az Azure Machine Tanulás. Ezzel a kiadással mostantól létrehozhat egy alapszintű vagy vállalati Azure Machine-Tanulás-munkaterületet. Az összes meglévő munkaterület alapértelmezés szerint az Alapverzióra van bekapcsolva, és bármikor az Azure Portalra vagy a stúdióba léphet a munkaterület frissítéséhez. Alapszintű vagy nagyvállalati munkaterületet is létrehozhat az Azure Portalon. További információért olvassa el dokumentációnkat . Az SDK-ból a munkaterület kiadása a munkaterület-objektum "termékváltozat" tulajdonságával határozható meg.

    • Továbbfejlesztettük az Azure Machine Tanulás Computet is – mostantól megtekintheti a fürtök metrikáit (például az összes csomópontot, a futó csomópontokat, a teljes magkvótát) az Azure Monitorban, a diagnosztikai naplók hibakereséshez való megtekintése mellett. Emellett megtekintheti a fürtön futó vagy várólistás futtatásokat, valamint a fürt különböző csomópontjainak IP-címeit is. Ezeket megtekintheti a portálon, vagy az SDK vagy a parancssori felület megfelelő függvényeivel.

    • Előzetes verziójú funkciók

      • Előzetes verziótámogatást adunk ki a helyi SSD lemeztitkosításához az Azure Machine Tanulás Compute-ben. Technikai támogatási jegyet kérhet, hogy az előfizetése engedélyezhesse a listában a funkció használatát.
      • Az Azure Machine nyilvános előzetes verziója Tanulás Batch-következtetés. Az Azure Machine Tanulás Batch-következtetés olyan nagy következtetési feladatokat céloz meg, amelyek nem időérzékenyek. A Batch Inference költséghatékony következtetési számítási skálázást biztosít, az aszinkron alkalmazások páratlan átviteli sebességével. Nagy átviteli sebességre, tűz- és felejtési következtetésekre van optimalizálva nagy adatgyűjtemények felett.
      • azureml-contrib-dataset
        • A címkézett adathalmaz engedélyezett funkciói
        import azureml.core
from azureml.core import Workspace, Datastore, Dataset
import azureml.contrib.dataset
from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask

# create a labeled dataset by passing in your JSON lines file
dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)

# download or mount the files in the `image_url` column
dataset.download()
dataset.mount()

# get a pandas dataframe
from azureml.data.dataset_type_definitions import FileHandlingOption
dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)

# get a Torchvision dataset
dataset.to_torchvision()

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • A CLI mostantól támogatja a modellcsomagolást.
      • Hozzáadott adathalmaz parancssori felülete. További információ: az ml dataset --help
      • Az InferenceConfig-példány nélküli támogatott modellek (ONNX, scikit-learn és TensorFlow) üzembe helyezésének és csomagolásának támogatása hozzáadva.
      • A szolgáltatás üzembe helyezéséhez (ACI és AKS) hozzáadott felülírásjelző az SDK-ban és a PARANCSSOR-ban. Ha meg van adva, felülírja a meglévő szolgáltatást, ha már létezik névvel rendelkező szolgáltatás. Ha a szolgáltatás nem létezik, új szolgáltatást fog létrehozni.
      • A modellek két új keretrendszerrel regisztrálhatók, az Onnx és a TensorFlow. – A modellregisztráció elfogadja a minta bemeneti adatokat, a minta kimeneti adatokat és a modell erőforrás-konfigurációját.
    • azureml-automl-core
      • Az iteráció betanítása csak akkor futna egy gyermekfolyamatban, ha futásidejű korlátozások vannak beállítva.
      • Hozzáadott egy védőkorlátot az előrejelzési feladatokhoz annak ellenőrzéséhez, hogy egy adott max_horizon memóriaproblémát okoz-e az adott gépen, vagy sem. Ha igen, megjelenik egy védőkorlát üzenet.
      • Olyan összetett frekvenciák támogatása, mint két év és egy hónap. -Érthető hibaüzenetet adtunk hozzá, ha a gyakoriság nem határozható meg.
      • Azureml-defaults hozzáadása az automatikusan létrehozott conda env-hez a modell üzembe helyezési hibájának megoldásához
      • Az Azure Machine Tanulás Pipeline köztes adatainak táblázatos adatkészletté alakításához és a használatukhoz AutoMLStepvaló engedélyezése.
      • A streameléshez megvalósított oszlopcélú frissítés.
      • Implementált transzformátorparaméter-frissítés az Imputer és a HashOneHotEncoder számára a streameléshez.
      • Hozzáadta az aktuális adatméretet és a minimálisan szükséges adatméretet az érvényesítési hibaüzenetekhez.
      • Frissítettük a keresztérvényesítéshez szükséges minimális adatméretet, hogy minden érvényesítési hajtásban legalább két minta legyen.
    • azureml-cli-common
      • A CLI mostantól támogatja a modellcsomagolást.
      • A modellek két új keretrendszerrel regisztrálhatók, az Onnx és a TensorFlow.
      • A modellregisztráció elfogadja a minta bemeneti adatokat, a minta kimeneti adatokat és a modell erőforrás-konfigurációját.
    • azureml-contrib-gbdt
      • a jegyzetfüzet kiadási csatornájának kijavítása
      • Figyelmeztetést adott hozzá a nem AmlCompute számítási célhoz, amelyet nem támogatunk
      • LightGMB Estimator hozzáadva az azureml-contrib-gbdt csomaghoz
    • azureml-core
      • A CLI mostantól támogatja a modellcsomagolást.
      • Elavult Adathalmaz API-kra vonatkozó elavult figyelmeztetés hozzáadása. Lásd: Dataset API change notice at https://aka.ms/tabular-dataset.
      • Módosítsa Dataset.get_by_id a regisztrációs nevet és a verziót, ha az adathalmaz regisztrálva van.
      • Kijavítottuk azt a hibát, amely miatt a ScriptRunConfig és az adathalmaz argumentumként nem használható ismétlődően a kísérletfuttatás elküldéséhez.
      • A futtatás során lekért adathalmazok nyomon lesznek követve, és a futtatás részletei lapon vagy a futtatás befejezése után történő hívással run.get_details() láthatók.
      • Az Azure Machine Tanulás Pipeline köztes adatainak táblázatos adatkészletté alakításához és a használatukhoz AutoMLStepvaló engedélyezése.
      • Az InferenceConfig-példány nélküli támogatott modellek (ONNX, scikit-learn és TensorFlow) üzembe helyezésének és csomagolásának támogatása hozzáadva.
      • A szolgáltatás üzembe helyezéséhez (ACI és AKS) hozzáadott felülírásjelző az SDK-ban és a PARANCSSOR-ban. Ha meg van adva, felülírja a meglévő szolgáltatást, ha már létezik névvel rendelkező szolgáltatás. Ha a szolgáltatás nem létezik, új szolgáltatást fog létrehozni.
      • A modellek két új keretrendszerrel regisztrálhatók, az Onnx és a TensorFlow. A modellregisztráció elfogadja a minta bemeneti adatokat, a minta kimeneti adatokat és a modell erőforrás-konfigurációját.
      • Új adattárat adott hozzá az Azure Database for MySQL-hez. Hozzáadott példa az Azure Database for MySQL használatára a DataTransferStep-ben az Azure Machine Tanulás Pipelinesban.
      • Hozzáadott funkciók címkék hozzáadásához és a kísérletekből való eltávolításához Hozzáadott funkciók a címkék futtatásából való eltávolításához
      • A szolgáltatás üzembe helyezéséhez (ACI és AKS) hozzáadott felülírásjelző az SDK-ban és a PARANCSSOR-ban. Ha meg van adva, felülírja a meglévő szolgáltatást, ha már létezik névvel rendelkező szolgáltatás. Ha a szolgáltatás nem létezik, új szolgáltatást fog létrehozni.
    • azureml-datadrift
      • Átkerült a azureml-contrib-datadriftazureml-datadrift
      • További támogatás az idősor adathalmazainak figyeléséhez a sodródás és más statisztikai intézkedések esetében
      • Új metódusok create_from_model() és create_from_dataset() az DataDriftDetector osztály. A create() metódus elavult.
      • A Python és a felhasználói felület vizualizációinak módosítása az Azure Machine Tanulás Studióban.
      • Támogatja a heti és havi monitor-ütemezést az adathalmaz-monitorok napi ütemezése mellett.
      • Adatmonitorozási metrikák visszatöltésének támogatása az adathalmaz-figyelők előzményadatainak elemzéséhez.
      • Különböző hibajavítások
    • azureml-pipeline-core
      • Az azureml-dataprepre már nincs szükség az Azure Machine Tanulás Pipeline-futtatás folyamatfájlból yaml való elküldéséhez.
    • azureml-train-automl
      • Azureml-defaults hozzáadása az automatikusan létrehozott conda env-hez a modell üzembe helyezési hibájának megoldásához
      • Az AutoML távoli betanítása mostantól azureml-alapértelmezett értékeket is tartalmaz, amelyek lehetővé teszik a betanítási env újbóli használatát a következtetéshez.
    • azureml-train-core
      • PyTorch 1.3-támogatás hozzáadva a becsléshez PyTorch

2019-10-21

Vizuális felület (előzetes verzió)

  • Az Azure Machine Tanulás vizualizációs felület (előzetes verzió) át lett dolgozva az Azure Machine Tanulás-folyamatokon való futtatáshoz. A vizualizációs felületen létrehozott folyamatok (korábbi nevén kísérletek) mostantól teljesen integrálva vannak az Azure Machine Tanulás alapvető felhasználói felületével.

    • Egységes felügyeleti élmény az SDK-eszközökkel
    • Verziószámozás és nyomon követés vizuális felületi modellekhez, folyamatokhoz és végpontokhoz
    • Újratervezett felhasználói felület
    • Kötegelt következtetés üzembe helyezése hozzáadva
    • Az Azure Kubernetes Service (AKS) támogatása hozzáadva a következtetési számítási célokhoz
    • Új Python-lépéses folyamatkészítési munkafolyamat
    • Új kezdőlap vizualizációkészítő eszközökhöz

  • Új modulok

    • Matematikai művelet alkalmazása
    • SQL-átalakítás alkalmazása
    • Clip values
    • Adatok összegzése
    • Importálás AZ SQL Database-ből

2019-10-14

Azure Machine Tanulás SDK for Python v1.0.69

  • Hibajavítások és fejlesztések
    • azureml-automl-core
      • A modellmagyarázatok korlátozása a legjobb futtatásra ahelyett, hogy minden futtatásra vonatkozó magyarázatokat adna meg. A viselkedés módosítása helyi, távoli és ADB esetén.
      • A felhasználói felület igény szerinti modellel kapcsolatos magyarázatainak támogatása
      • Hozzáadta a psutilt függőségként automl , és a psutilt conda függőségként tartalmazza az amlcompute-ban.
      • Kijavítottuk az előrejelzési adathalmazok heurisztikus késéseivel és gördülő ablakméreteivel kapcsolatos problémát, amelyek közül néhány lineáris algebrahibákat okozhat
        • Az előrejelzési futtatások heurisztikusan meghatározott paramétereinek nyomtatása hozzáadva.
    • azureml-contrib-datadrift
      • Hozzáadott védelem a kimeneti metrikák létrehozásakor, ha az adathalmaz szintje nem az első szakaszban van.
    • azureml-contrib-interpret
      • az azureml-contrib-explain-model csomag átnevezve az azureml-contrib-interpret névre
    • azureml-core
      • Hozzáadta az API-t az adathalmazok regisztrációja megszüntetéséhez. dataset.unregister_all_versions()
      • az azureml-contrib-explain-model csomag neve azureml-contrib-interpret.
    • azureml-core
      • Hozzáadta az API-t az adathalmazok regisztrációja megszüntetéséhez. Adatkészlet.unregister_all_versions().
      • Az Adathalmaz API-t hozzáadta a megváltozott adatok ellenőrzéséhez. dataset.data_changed_time.
      • Az Azure Machine Tanulás Pipeline használata FileDataset és TabularDatasetHyperDriveStep bemeneteként EstimatorStepPythonScriptStep
      • FileDataset.mount A nagy számú fájllal rendelkező mappák teljesítménye javult
      • A FileDataset és a TabularDataset használata a PythonScriptStep, az EstimatorStep és a HyperDriveStep bemeneteként az Azure Machine Tanulás Pipeline-ban.
      • A FileDataset teljesítménye.a mount() továbbfejlesztve lett a nagy számú fájllal rendelkező mappákhoz
      • Url-cím hozzáadva az ismert hibajavaslatokhoz a futtatási részletekben.
      • Kijavítottunk egy hibát run.get_metrics, amely miatt a kérések meghiúsultak, ha egy futtatásnak túl sok gyermeke volt
      • Kijavítottunk egy hibát run.get_metrics, amely miatt a kérések meghiúsultak, ha egy futtatásnak túl sok gyermeke volt
      • Az Arcadia-fürt hitelesítésének támogatása hozzáadva.
      • Kísérletobjektum létrehozása lekéri vagy létrehozza a kísérletet az Azure Machine Tanulás munkaterületen a futtatási előzmények nyomon követéséhez. A kísérlet azonosítója és az archivált idő a létrehozáskor a Kísérlet objektumban lesz feltöltve. Például: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() and reactivate() olyan függvények, amelyek meghívhatók egy kísérletre, hogy elrejtsék és visszaállítsák a kísérletet az UX-ben való megjelenítéséből, vagy alapértelmezés szerint visszaadják a kísérletek listázására irányuló hívásban. Ha egy archivált kísérlet nevével megegyező nevű új kísérlet jön létre, átnevezheti az archivált kísérletet, amikor újraaktivál egy új nevet. Csak egy aktív kísérlet lehet egy adott névvel. Példa: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Új aktív kísérlet létrehozása ugyanazzal a névvel, mint az archivált. kísérlet2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") A kísérlet statikus metóduslistája() névszűrőt és ViewType-szűrőt vehet fel. A ViewType értékek a következők: "ACTIVE_ONLY", "ARCHIVED_ONLY" és "ALL" Példa: archived_experiments = Experiment.list( munkaterület, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(munkaterület, name="First Experiment", view_type="ALL")
      • Környezet használata modelltelepítéshez és szolgáltatásfrissítéshez
    • azureml-datadrift
      • A DataDriftDector osztály megjelenítési attribútuma már nem támogatja a választható "with_details" argumentumot. A megjelenítési attribútum csak a funkcióoszlopok adateltolódási együtthatóját és adateltolódási hozzájárulását mutatja be.
      • A DataDriftDetector attribútum "get_output" viselkedése megváltozik:
        • A bemeneti paraméter start_time, end_time kötelező helyett választhatók;
        • Az adott bemeneti start_time és/vagy end_time egy adott run_id ugyanabban az inverzálásban értékhiba-kivételt eredményeznek, mert kölcsönösen kizárják egymást
        • A bemeneti start_time és/vagy end_time csak az ütemezett futtatások eredményei lesznek visszaadva;
        • A "daily_latest_only" paraméter elavult.
      • Adathalmaz-alapú adateltolódási kimenetek lekérésének támogatása.
    • azureml-explain-model
      • Átnevezi az AzureML-explain-model csomagot az AzureML-interpretre, így a régi csomag egyelőre visszamenőleges kompatibilitást biztosít
      • kijavítottuk automl a hibát, amelynek nyers magyarázatai besorolási feladatra vannak beállítva a regresszió helyett alapértelmezés szerint a ExplanationClientből való letöltéskor
      • Közvetlenül létrehozandó támogatás ScoringExplainer hozzáadása MimicWrapper
    • azureml-pipeline-core
      • Nagyobb teljesítmény a nagy folyamatlétrehozáshoz
    • azureml-train-core
      • TensorFlow 2.0-támogatás hozzáadva a TensorFlow Estimatorhoz
    • azureml-train-automl

      • Kísérletobjektum létrehozása lekéri vagy létrehozza a kísérletet az Azure Machine Tanulás munkaterületen a futtatási előzmények nyomon követéséhez. A kísérlet azonosítója és az archivált idő a létrehozáskor a Kísérlet objektumban lesz feltöltve. Példa:

        experiment = Experiment(workspace, "New Experiment")
experiment_id = experiment.id

        Az archive() és reactivate() függvények olyan függvények, amelyek meghívhatók egy kísérletre, hogy elrejtsék és visszaállítsák a kísérletet az UX-ben való megjelenítésétől, vagy alapértelmezés szerint visszaadhatók a kísérletek listázására irányuló hívásban. Ha egy archivált kísérlet nevével megegyező nevű új kísérlet jön létre, átnevezheti az archivált kísérletet, amikor újraaktivál egy új nevet. Csak egy aktív kísérlet lehet egy adott névvel. Példa:

        experiment1 = Experiment(workspace, "Active Experiment")
experiment1.archive()
# Create new active experiment with the same name as the archived.
experiment2 = Experiment(workspace, "Active Experiment")
experiment1.reactivate(new_name="Previous Active Experiment")

        A kísérlet statikus metóduslistája () névszűrőt és ViewType-szűrőt vehet fel. A ViewType értékek a következők: "ACTIVE_ONLY", "ARCHIVED_ONLY" és "ALL". Példa:

        archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")

      • Környezet használata modelltelepítéshez és szolgáltatásfrissítéshez.

    • azureml-datadrift
      • A DataDriftDetector osztály megjelenítési attribútuma már nem támogatja a választható "with_details" argumentumot. A megjelenítési attribútum csak a funkcióoszlopok adateltolódási együtthatóját és adateltolódási hozzájárulását mutatja be.
      • A DataDriftDetector függvény [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none-end-time-none--run-id-none-) viselkedése megváltozik:
        • A bemeneti paraméter start_time, end_time kötelező helyett választhatók;
        • Egy adott start_time és/vagy end_time bevitele egy adott run_id ugyanabban az inverzálásban értékhiba-kivételt eredményez, mert kölcsönösen kizárják egymást;
        • A bemeneti start_time és/vagy end_time csak az ütemezett futtatások eredményei lesznek visszaadva;
        • A "daily_latest_only" paraméter elavult.
      • Adathalmaz-alapú adateltolódási kimenetek lekérésének támogatása.
    • azureml-explain-model
      • A ScoringExplainer támogatásának hozzáadása közvetlenül a MimicWrapper használatával történő létrehozásához
    • azureml-pipeline-core
      • Jobb teljesítmény a nagy folyamatlétrehozáshoz.
    • azureml-train-core
      • TensorFlow 2.0-támogatás hozzáadva a TensorFlow Estimatorhoz.
    • azureml-train-automl
      • A szülőfuttatás már nem fog meghiúsulni, ha a beállítás iterációja meghiúsult, mivel a vezénylés már gondoskodik róla.
      • Helyi docker és local-conda támogatás hozzáadva az AutoML-kísérletekhez
      • Az AutoML-kísérletekhez helyi docker- és helyi conda-támogatás is hozzáadva.

2019-10-08

Új webes felület (előzetes verzió) az Azure Machine Tanulás-munkaterületekhez

Az új munkaterületi portál Kísérlet lapja frissült, hogy az adattudósok hatékonyabban monitorozzák a kísérleteket. Az alábbi funkciókkal ismerkedhet meg:

  • Kísérlet metaadatai a kísérletek listájának egyszerű szűréséhez és rendezéséhez
  • Egyszerűsített és performanszos kísérlet részleteinek oldalai, amelyek lehetővé teszik a futtatások vizualizációját és összehasonlítását
  • Új kialakítás a részletek lapjainak futtatásához a betanítási futtatások megértéséhez és figyeléséhez

2019-09-30

Azure Machine Tanulás SDK for Python v1.0.65

  • Új funkciók

    • Válogatott környezetek hozzáadva. Ezeket a környezeteket előre konfigurálták kódtárakkal a gyakori gépi tanulási feladatokhoz, és előre összeállították és gyorsítótárazták Docker-rendszerképekként a gyorsabb végrehajtás érdekében. Alapértelmezés szerint megjelennek a Munkaterület környezetlistájában az "AzureML" előtaggal.
    • Válogatott környezetek hozzáadva. Ezeket a környezeteket előre konfigurálták kódtárakkal a gyakori gépi tanulási feladatokhoz, és előre összeállították és gyorsítótárazták Docker-rendszerképekként a gyorsabb végrehajtás érdekében. Alapértelmezés szerint megjelennek a Munkaterület környezetlistájában az "AzureML" előtaggal.

  • azureml-train-automl

  • azureml-train-automl

    • Hozzáadta az ONNX konverziós támogatását az ADB-hez és a HDI-hez

  • Előzetes verziójú funkciók

    • azureml-train-automl

    • azureml-train-automl

      • Támogatott BERT és BiLSTM szöveges featurizerként (csak előzetes verzió)
      • Támogatott featurizációs testreszabás oszlop- és transzformátorparaméterekhez (csak előzetes verzió)
      • Támogatott nyers magyarázatok, ha a felhasználó engedélyezi a modell magyarázatát a betanítás során (csak előzetes verzió)
      • Betanítható folyamatként való előrejelzéshez timeseries hozzáadva a Prophet (csak előzetes verzió)

    • azureml-contrib-datadrift

      • Az azureml-contrib-datadriftből az azureml-datadriftbe áthelyezett csomagok; a contrib csomag egy későbbi kiadásban lesz eltávolítva

  • Hibajavítások és fejlesztések

    • azureml-automl-core
      • Bevezettük a FeaturizationConfig szolgáltatást az AutoMLConfig és az AutoMLBase szolgáltatásban Gépház
      • Bevezettük a FeaturizationConfig szolgáltatást az AutoMLConfig és az AutoMLBase szolgáltatásban Gépház
        • Oszlop rendeltetésének felülbírálása a featurizáláshoz adott oszlop- és funkciótípussal
        • Transzformátorparaméterek felülbírálása
      • Elavultsági üzenet hozzáadva explain_model() és retrieve_model_explanations()
      • A Prophet betanítható folyamatként lett hozzáadva (csak előzetes verzió)
      • Elavuló üzenet explain_model() és retrieve_model_explanations() esetén.
      • A Prophet betanítható folyamatként lett hozzáadva (csak előzetes verzió).
      • További támogatás a célelmaradások automatikus észleléséhez, a gördülő ablak méretéhez és a maximális horizonthoz. Ha az egyik target_lags, target_rolling_window_size vagy max_horizon "auto" értékre van állítva, a heurisztika a betanítási adatok alapján a megfelelő paraméter értékének becslésére lesz alkalmazva.
      • Rögzített előrejelzés abban az esetben, ha az adatkészlet egy szemcseoszlopot tartalmaz, ez a szemcse numerikus típusú, és a betanítás és a tesztkészlet között eltérés van
      • Kijavítottuk az előrejelzési feladatokban a távoli futtatás során duplikált indexről szóló hibaüzenetet
      • Rögzített előrejelzés abban az esetben, ha az adatkészlet egy szemcseoszlopot tartalmaz, ez a szemcse numerikus típusú, és a betanítás és a tesztkészlet között eltérés van.
      • Kijavítottuk az előrejelzési feladatokban a távoli futtatás során ismétlődő indexről szóló hibaüzenetet.
      • Hozzáadott egy védőkorlátot annak ellenőrzéséhez, hogy egy adathalmaz kiegyensúlyozatlan-e vagy sem. Ha igen, a rendszer egy védőkorlátüzenetet ír a konzolra.
    • azureml-core
      • A modellobjektumon keresztüli sas URL-cím lekérése a tárolóban lévő modellhez. Például: model.get_sas_url()
      • Bevezetés run.get_details()['datasets'] az elküldött futtatáshoz társított adathalmazok lekéréséhez
      • Adjon hozzá API-t Dataset.Tabular.from_json_lines_files a TabularDataset JSON Lines-fájlokból való létrehozásához. A TabularDataset JSON Lines-fájljaiban található táblázatos adatokról ebben a cikkben talál dokumentációt.
      • Más virtuálisgép-méretmezők (operációsrendszer-lemez, GPU-k száma) hozzáadva a supported_vmsizes () függvényhez
      • További mezőket adott hozzá a list_nodes () függvényhez a futtatás, a privát és a nyilvános IP-cím, a port stb. megjelenítéséhez.
      • Lehetőség új mező megadására a fürt kiépítése során – remotelogin_port_public_access, amely engedélyezve vagy letiltva lehet attól függően, hogy a fürt létrehozásakor nyitva vagy zárva szeretné hagyni az SSH-portot. Ha nem adja meg, a szolgáltatás intelligensen megnyitja vagy bezárja a portot attól függően, hogy a fürtöt virtuális hálózaton belül helyezi-e üzembe.
    • azureml-explain-model
    • azureml-core
      • A modellobjektumon keresztüli sas URL-cím lekérése a tárolóban lévő modellhez. Például: modell.get_sas_url()
      • Bevezetés a futtatásba.get_details[adatkészletek] az elküldött futtatáshoz társított adathalmazok lekéréséhez
      • API Dataset.Tabularhozzáadása.from_json_lines_files() tabularDataset JSON Lines-fájlokból való létrehozásához. Ha többet szeretne megtudni ezekről a táblázatos adatokról a TabularDataset JSON Lines-fájljaiban, keresse felhttps://aka.ms/azureml-data a dokumentációt.
      • További virtuálisgép-méretmezők (operációsrendszer-lemez, GPU-k száma) hozzáadva a supported_vmsizes() függvényhez
      • A list_nodes() függvényhez további mezők is hozzáadva a futtatás, a privát és a nyilvános IP-cím, a port stb. megjelenítéséhez.
      • Lehetőség új mező megadására a fürt kiépítése során, amely engedélyezhető vagy letiltható attól függően, hogy a fürt létrehozásakor nyitva vagy zárva szeretné-e hagyni az SSH-portot. Ha nem adja meg, a szolgáltatás intelligensen megnyitja vagy bezárja a portot attól függően, hogy a fürtöt virtuális hálózaton belül helyezi-e üzembe.
    • azureml-explain-model
      • Továbbfejlesztett dokumentáció a magyarázat kimeneteihez a besorolási forgatókönyvben.
      • Hozzáadta az előrejelzett y értékek feltöltésének lehetőségét a kiértékelési példák magyarázatához. További hasznos vizualizációk zárolásának feloldása.
      • A MimicWrapper magyarázó tulajdonsággal bővítette a mögöttes MimicExplainer lekérését.
    • azureml-pipeline-core
      • Notebook hozzáadva a Modul, a ModuleVersion és a ModuleStep leírásához
    • azureml-pipeline-steps
      • Az RScriptStep hozzáadva az AML-folyamaton keresztül futtatott R-szkriptek támogatásához.
      • Kijavítottuk az AzureBatchStepben azokat a metaadat-paramétereket, amelyek a "SubscriptionId paraméter hozzárendelése nincs megadva" hibaüzenetet eredményezték.
    • azureml-train-automl
      • Támogatott training_data, validation_data, label_column_name, weight_column_name adatbeviteli formátumként
      • Elavultsági üzenet hozzáadva explain_model() és retrieve_model_explanations()
    • azureml-pipeline-core
    • azureml-pipeline-steps
      • Az RScriptStep hozzáadva az AML-folyamaton keresztül futtatott R-szkriptek támogatásához.
      • Kijavítottuk az [AzureBatchStepben az "SubscriptionId paraméter hozzárendelése nincs megadva" hibaüzenetet okozó [AzureBatchStep] metaadat-paraméterek elemzése.
    • azureml-train-automl
      • Támogatott training_data, validation_data, label_column_name, weight_column_name adatbeviteli formátumként.
      • Elavuló üzenet explain_model() és retrieve_model_explanations() esetén.

2019-09-16

Azure Machine Tanulás SDK for Python v1.0.62

  • Új funkciók

  • Hibajavítások és fejlesztések

    • azureml-automl-core
      • Elavult a "lag_length" AutoML-beállítás és a LaggingTransformer.
      • Kijavítottuk a bemeneti adatok helyes érvényesítését, ha adatfolyam-formátumban vannak megadva
      • Módosította a fit_pipeline.py a gráf jsonjának létrehozásához és az összetevőkbe való feltöltéshez.
      • A gráfot userrun a használatával Cytoscaperenderelte.
    • azureml-core
      • A kivételkezelés újbóli megnyitása az ADB-kódban, és módosításokat hajt végre az új hibakezelésnek megfelelően
      • Hozzáadta az automatikus MSI-hitelesítést a notebook virtuális gépekhez.
      • Kijavítja azt a hibát, amely miatt hibás vagy üres modelleket lehetett feltölteni a sikertelen újrapróbálkozások miatt.
      • Kijavítottuk azt a hibát, amely DataReference miatt a név megváltozik, amikor a DataReference mód megváltozik (például híváskor as_uploadvagy as_downloadas_mounthíváskor).
      • Make mount_point and target_path optional for FileDataset.mount and FileDataset.download.
      • Kivétel, hogy az időbélyegoszlop nem található, ki lesz dobva, ha a szerialokkal kapcsolatos API meghívása finom időbélyegoszlop hozzárendelése nélkül történik, vagy a hozzárendelt időbélyegoszlopok elvetése történik.
      • Az idősoroszlopokat dátum típusú oszlophoz kell rendelni, ellenkező esetben kivétel várható
      • Az "with_timestamp_columns" API-t hozzárendelő idősoroszlopok a None értéket finom/durva időbélyeg oszlopnévvel jelölhetik, ami törli a korábban hozzárendelt időbélyegoszlopokat.
      • Kivétel akkor lép fel, ha a rendszer durva szemcsés vagy finom szemcsés időbélyeg-oszlopot elvet, és jelzi a felhasználónak, hogy a ledobás akkor végezhető el, ha az időbélyeg-oszlopot kizárja a legördülő listából, vagy meghívja with_time_stamp a Nincs értékkel az időbélyegoszlopok kiadásához
      • Kivétel akkor lép fel, ha a durva szemcsés vagy a finom szemcsés időbélyegoszlop nem szerepel az oszlopok megőrzésének listájában, és jelzi a felhasználó számára, hogy a megtartás akkor végezhető el, ha az időbélyeg oszlopot belefoglalta az oszloplistában, vagy meghívja a With_time_stamp a Nincs értékkel az időbélyegoszlopok kiadásához.
      • A regisztrált modell méretének naplózása hozzáadva.
    • azureml-explain-model
      • Kijavítottuk a konzolra nyomtatott figyelmeztetést, ha nincs telepítve a "csomagolás" Python-csomag: "A lightgbm támogatottnál régebbi verzióját használva frissítsen a 2.2.1-esnél nagyobb verzióra"
      • Kijavítottuk a letöltési modell magyarázatát a számos funkcióval rendelkező globális magyarázatok horizontális felosztásával
      • Kijavítottuk a mimikai magyarázó hiányzó inicializálási példáit a kimeneti magyarázaton
      • Kijavítottuk a beállítástulajdonságok nem módosítható hibáját a magyarázó ügyféllel való feltöltéskor két különböző modelltípus használatával
      • Hozzáadtunk egy get_raw paramétert a explainer.explain() pontozásához, hogy egy pontozó magyarázó a mérnöki és a nyers értékeket is visszaadhassa.
    • azureml-train-automl
      • Az AutoML által bevezetett nyilvános API-k a magyarázó SDK magyarázatainak automl támogatásához – Az AutoML-magyarázatok támogatásának újabb módja az AutoML-featurizáció leválasztásával és az SDK magyarázatával – Az Azureml-magyarázatok integrált, az AutoML-modellekhez készült SDK-jának támogatása.
      • Azureml-alapértelmezett értékek eltávolítása távoli betanítási környezetekből.
      • Módosította az alapértelmezett gyorsítótár-tároló helyét a FileCacheStore-ról az azureFileCacheStore one for AutoML-re az Azure Databricks kódútvonalán.
      • Kijavítottuk a bemeneti adatok helyes érvényesítését, ha adatfolyam-formátumban vannak megadva
    • azureml-train-core

      • Visszaállított source_directory_data_store elavulás.

      • Az Azureml telepített csomagverzióinak felülbírálása.

      • Dockerfile-támogatás hozzáadva a paraméterhez environment_definition az estimatorokban.

      • Egyszerűsített elosztott betanítási paraméterek a becslőkben.

        from azureml.train.dnn import TensorFlow, Mpi, ParameterServer

2019-09-09

Új webes felület (előzetes verzió) az Azure Machine Tanulás-munkaterületekhez

Az új webes felület lehetővé teszi, hogy az adattudósok és az adatmérnökök teljes körű gépi tanulási életciklust végezzenek az adatok előkészítésétől és vizualizációjától a modellek egyetlen helyen történő betanításán és üzembe helyezéséig.

Azure Machine Tanulás munkaterület felhasználói felülete (előzetes verzió)

Főbb funkciók:

Ezzel az új Azure Machine Tanulás felülettel mostantól a következőket teheti:

A jelen kiadás idején a következő böngészők támogatottak: Chrome, Firefox, Safari és Microsoft Edge Preview.

Ismert problémák:

  1. Frissítse a böngészőt, ha a következőt látja: "Hiba történt! Hiba az adattömbfájlok betöltésekor, amikor az üzembe helyezés folyamatban van.

  2. Nem lehet törölni vagy átnevezni a jegyzetfüzetekben és fájlokban lévő fájlokat. A nyilvános előzetes verzióban a Jupyter felhasználói felületét vagy a Terminált használhatja a jegyzetfüzet virtuális gépén a frissítési fájlműveletek végrehajtásához. Mivel ez egy csatlakoztatott hálózati fájlrendszer, a jegyzetfüzet virtuális gépén végzett módosítások azonnal megjelennek a jegyzetfüzet-munkaterületen.

  3. SSH-hoz a notebook virtuális géphez:

    1. Keresse meg a virtuális gép beállítása során létrehozott SSH-kulcsokat. Vagy keresse meg a kulcsokat az Azure Machine Tanulás munkaterület > megnyitási számítás lapján > keresse meg a jegyzetfüzet virtuális gépét a listában>, és nyissa meg a tulajdonságait: másolja a kulcsokat a párbeszédpanelről.
    2. Importálja ezeket a nyilvános és privát SSH-kulcsokat a helyi gépére.
    3. Segítségével SSH-t használhat a jegyzetfüzet virtuális gépére.

2019-09-03

Azure Machine Tanulás SDK for Python v1.0.60

  • Új funkciók

    • Bevezettük a FileDatasetet, amely egy vagy több fájlra hivatkozik az adattárakban vagy a nyilvános URL-címeken. A fájlok bármilyen formátumúak lehetnek. A FileDataset lehetővé teszi a fájlok letöltését vagy csatlakoztatását a számításhoz.
    • A PythonScript-lépés, az Adla Step, a Databricks Step, a DataTransferStep és az AzureBatch lépéshez hozzáadott Yaml-támogatás hozzáadva

  • Hibajavítások és fejlesztések

    • azureml-automl-core

      • Az AutoArima mostantól csak előzetes verzióhoz használható folyamat.
      • Továbbfejlesztett hibajelentés az előrejelzéshez.
      • A naplózást az előrejelzési feladatok általános helyett egyéni kivételekkel javította.
      • A max_concurrent_iterations ellenőrzése el lett távolítva, hogy kevesebb legyen, mint az iterációk teljes száma.
      • Az AutoML-modellek mostantól autoMLExceptions értéket adnak vissza
      • Ez a kiadás javítja az automatizált gépi tanulási helyi futtatások végrehajtási teljesítményét.

    • azureml-core

      • A Dataset.get_all(munkaterület) bemutatása, amely a regisztrációs név által kulcsolt szótárt TabularDataset és FileDataset objektumokat adja vissza.
      workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']

      • Bevezetés parition_format argumentumként és Dataset.Tabular.from_delimited_filesDataset.Tabular.from_parquet.files. Az egyes adatelérési utak partícióinformációi a megadott formátum alapján oszlopokba lesznek kinyerve. A(z) "{column_name}" sztringoszlopot hoz létre, a "{column_name:yyyyy/MM/dd/HH/mm/ss}" pedig datetime oszlopot hoz létre, ahol az "éééé", az "MM", a "dd", a "HH", az "mm" és az "ss" a dátum/idő típus év, hónap, nap, óra, perc és másodperc kinyerésére szolgál. A partition_format az első partíciókulcs helyzetétől a fájl elérési útjának végéig kell kezdődnie. Például a "." elérési utat adva. /USA/2019/01/data.csv", ahol a partíció ország/régió és idő szerint van, partition_format='/{Country}/{PartitionDate:yyyyy/MM/dd}/data.csv" létrehoz egy "Country" sztringoszlopot az "USA" értékkel és a "PartitionDate" datetime oszlopot a "2019-01-01" értékkel.

        workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']

      • Bevezetés partition_format argumentumként és Dataset.Tabular.from_delimited_filesDataset.Tabular.from_parquet.files. Az egyes adatelérési utak partícióinformációi a megadott formátum alapján oszlopokba lesznek kinyerve. A(z) "{column_name}" sztringoszlopot hoz létre, a "{column_name:yyyyy/MM/dd/HH/mm/ss}" pedig datetime oszlopot hoz létre, ahol az "éééé", az "MM", a "dd", a "HH", az "mm" és az "ss" a dátum/idő típus év, hónap, nap, óra, perc és másodperc kinyerésére szolgál. A partition_format az első partíciókulcs helyzetétől a fájl elérési útjának végéig kell kezdődnie. Például a "." elérési utat adva. /USA/2019/01/data.csv", ahol a partíció ország/régió és idő szerint van, partition_format='/{Country}/{PartitionDate:yyyyy/MM/dd}/data.csv" létrehoz egy "Country" sztringoszlopot az "USA" értékkel és a "PartitionDate" datetime oszlopot a "2019-01-01" értékkel.

      • to_csv_filesés to_parquet_files metódusok lettek hozzáadva a .TabularDataset Ezek a módszerek lehetővé teszik az TabularDataset a és a közötti konvertálást FileDataset azáltal, hogy az adatokat a megadott formátumú fájlokká konvertálják.

      • A Model.package() által létrehozott Dockerfile mentésekor automatikusan jelentkezzen be az alaprendszerkép-beállításjegyzékbe.

      • a "gpu_support" már nem szükséges; Az AML mostantól automatikusan észleli és használja az nvidia docker bővítményt, ha elérhető. Egy későbbi kiadásban el lesz távolítva.

      • Támogatás hozzáadva a PipelineDrafts létrehozásához, frissítéséhez és használatához.

      • Ez a kiadás javítja az automatizált gépi tanulási helyi futtatások végrehajtási teljesítményét.

      • A felhasználók név alapján kérdezhetnek le metrikákat a futtatási előzményekből.

      • A naplózást az előrejelzési feladatok általános helyett egyéni kivételekkel javította.

    • azureml-explain-model

      • Hozzáadta feature_maps paramétert az új MimicWrapperhez, lehetővé téve a felhasználók számára a nyers funkciók magyarázatát.
      • Az adathalmaz-feltöltések alapértelmezés szerint ki vannak kapcsolva a magyarázatfeltöltéshez, és újra engedélyezhetők a upload_datasets=True használatával
      • Hozzáadta a "is_law" szűrési paramétereket a magyarázatlistához és a letöltési függvényekhez.
      • Metódust get_raw_explanation(feature_maps) ad hozzá a globális és a helyi magyarázó objektumokhoz is.
      • Hozzáadott verzióellenőrzés a lightgbm-hez nyomtatott figyelmeztetéssel, ha az alábbi támogatott verzió
      • Optimalizált memóriahasználat a magyarázatok kötegelésekor
      • Az AutoML-modellek mostantól autoMLExceptions értéket adnak vissza

    • azureml-pipeline-core

      • A PipelineDrafts létrehozásához, frissítéséhez és használatához hozzáadott támogatás – használható a folyamatdefiníciók karbantartására és interaktív futtatására

    • azureml-train-automl

      • A gpu-kompatibilis Pytorch 1.1.0-s verziójának, cuda a 9.0-s eszközkészletnek és a pytorch-transzformátoroknak a BERT/ XLNet távoli Python-futtatókörnyezetben való engedélyezéséhez szükséges speciális verzióinak telepítéséhez létrehozott funkció.

    • azureml-train-core

      • A hiperparaméterek helydefiníciós hibáinak korai hibája közvetlenül az sdk-ban, nem pedig a kiszolgálóoldalon.

Azure Machine Tanulás Data Prep SDK v1.1.14

  • Hibajavítások és fejlesztések
    • Engedélyezett írás az ADLS/ADLSGen2 szolgáltatásba nyers elérési út és hitelesítő adatok használatával.
    • Kijavítottunk egy hibát, amely miatt include_path=True a program nem működött read_parquet.
    • Kijavítottuk to_pandas_dataframe() az "Érvénytelen tulajdonságérték: hostSecret" kivétel által okozott hibát.
    • Kijavítottunk egy hibát, amely miatt a fájlok nem olvashatók a DBFS-en Spark módban.

2019-08-19

Azure Machine Tanulás SDK for Python v1.0.57

  • Új funkciók

    • TabularDataset Az AutomatedML engedélyezi a használatot. További információkért TabularDatasetlátogasson el ahttps://aka.ms/azureml/howto/createdatasets.

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • Mostantól frissítheti a TLS/SSL-tanúsítványt az AKS-fürtön üzembe helyezett pontozási végponthoz mind a Microsoft által létrehozott, mind az ügyféltanúsítvány esetében.
    • azureml-automl-core
      • Kijavítottunk egy hibát az AutoML-ben, amely miatt a hiányzó címkéket tartalmazó sorok nem lettek megfelelően eltávolítva.
      • Továbbfejlesztett hibanaplózás az AutoML-ben; A teljes hibaüzenetek mostantól mindig a naplófájlba lesznek írva.
      • Az AutoML frissítette a csomag rögzítési funkcióját, hogy tartalmazza azureml-defaultsaz , azureml-explain-modelés azureml-dataprepa . Az AutoML már nem figyelmeztet a csomageltérésekre (a csomag kivételével azureml-train-automl ).
      • Kijavítottunk egy hibát, amely miatt a timeseries cv-felosztások mérete egyenlőtlen volt, ezért a tárolók számítása meghiúsult.
      • A keresztérvényesítési betanítási típus együttes iterációjának futtatásakor, ha a teljes adatkészleten betanított modellek letöltésével nem sikerült letöltődnünk, a modell súlyozása és a szavazati együttesbe betáplált modellek közötti ellentmondások következetlenek voltak.
      • Kijavítottuk a betanítási és/vagy érvényesítési címkék (y és y_valid) megadásakor felmerülő hibát pandas-adatkeret formájában, de nem numpy tömbként.
      • Kijavítottuk az előrejelzési tevékenységekkel kapcsolatos hibát, amikor a bemeneti táblák logikai oszlopaiban nem történt probléma.
      • Lehetővé teszi, hogy az AutoML-felhasználók elvetjenek olyan betanítási sorozatokat, amelyek nem elég hosszúak az előrejelzés során. – Lehetővé teszi, hogy az AutoML-felhasználók olyan szemcséket dobjanak ki a tesztkészletből, amelyek nem léteznek a betanítási készletben az előrejelzéskor.
    • azureml-core
      • Kijavítottuk blob_cache_timeout paraméterrendeléssel kapcsolatos problémát.
      • Külső illesztési és átalakító kivételtípusokat adott hozzá a rendszerhibákhoz.
      • A Key Vault titkos kulcsainak támogatása a távoli futtatásokhoz. Adjon hozzá egy osztályt azureml.core.keyvault.Keyvault a munkaterülethez társított kulcstartó titkos kulcsainak hozzáadásához, lekéréséhez és listázásához. A támogatott műveletek a következők:
        • azureml.core.workspace.Workspace.get_default_keyvault()
        • azureml.core.keyvault.Keyvault.set_secret(név, érték)
        • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
        • azureml.core.keyvault.Keyvault.get_secret(név)
        • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
        • azureml.core.keyvault.Keyvault.list_secrets()
        • További módszerek az alapértelmezett kulcsvault beszerzésére és a titkos kódok lekérésére távoli futtatás során:
        • azureml.core.workspace.Workspace.get_default_keyvault()
        • azureml.core.run.Run.get_secret(név)
        • azureml.core.run.Run.get_secrets(secrets_list)
      • További felülbírálási paraméterek hozzáadva a submit-hyperdrive CLI parancshoz.
      • Az API-hívások megbízhatóságának javítása az újrapróbálkozások kiterjesztése a gyakori kéréstár-kivételekre.
      • Támogatás hozzáadása a futtatások beküldéséhez egy elküldött futtatásból.
      • Kijavítottuk a FileWatcherben a lejáró SAS-jogkivonattal kapcsolatos hibát, amely miatt a fájlok feltöltése a kezdeti jogkivonat lejárta után leállt.
      • Http csv/tsv fájlok importálása támogatott a Python SDK adathalmazban.
      • A Workspace.setup() metódus elavult. A felhasználók számára megjelenő figyelmeztető üzenet a létrehozás() vagy a get()/from_config() használatát javasolja.
      • Hozzáadott Environment.add_private_pip_wheel(), amely lehetővé teszi privát egyéni Python-csomagok whlfeltöltését a munkaterületre, és biztonságosan használhatja őket a környezet létrehozásához/materializálásához.
      • Mostantól frissítheti a TLS/SSL-tanúsítványt az AKS-fürtön üzembe helyezett pontozási végponthoz mind a Microsoft által létrehozott, mind az ügyféltanúsítvány esetében.
    • azureml-explain-model
      • Hozzáadta a paramétert a modellazonosító hozzáadásához a feltöltési magyarázatokhoz.
      • Címkézést adott is_raw hozzá a memóriában és a feltöltésben lévő magyarázatokhoz.
      • Pytorch-támogatás és tesztek hozzáadva az azureml-explain-model csomaghoz.
    • azureml-opendatasets
      • Az automatikus tesztkörnyezet észlelésének és naplózásának támogatása.
      • Hozzáadott osztályok, hogy az EGYESÜLT Államok lakossága megyénként és zip.
    • azureml-pipeline-core
      • Címketulajdonság hozzáadva a bemeneti és kimeneti port definícióihoz.
    • azureml-telemetria
      • Helytelen telemetriai konfigurációt javítottunk.
    • azureml-train-automl
      • Kijavítottuk azt a hibát, amely miatt a beállítási hiba miatt a rendszer nem jelentkezett be a beállításfuttatás "hibák" mezőjébe, ezért a rendszer nem tárolta a szülőfuttatás "hibái" között.
      • Kijavítottunk egy hibát az AutoML-ben, amely miatt a hiányzó címkéket tartalmazó sorok nem lettek megfelelően eltávolítva.
      • Lehetővé teszi, hogy az AutoML-felhasználók elvetjenek olyan betanítási sorozatokat, amelyek nem elég hosszúak az előrejelzés során.
      • Lehetővé teszi, hogy az AutoML-felhasználók olyan szemcséket dobjanak ki a tesztkészletből, amelyek nem léteznek a betanítási készletben előrejelzéskor.
      • Most az AutoMLStep átadja a automl konfigurációt a háttérrendszernek, hogy elkerülje az új konfigurációs paraméterek módosításával vagy hozzáadásával kapcsolatos problémákat.
      • Az AutoML Data Guardrail mostantól nyilvános előzetes verzióban érhető el. A felhasználó egy Data Guardrail-jelentést fog látni (besorolási/regressziós feladatokhoz) a betanítás után, és az SDK API-n keresztül is hozzáférhet hozzá.
    • azureml-train-core
      • Torch 1.2-támogatás hozzáadva a PyTorch Estimatorhoz.
    • azureml-widgetek
      • Továbbfejlesztett keveredési mátrixdiagramok besorolási betanításhoz.

Azure Machine Tanulás Data Prep SDK v1.1.12

  • Új funkciók

    • A sztringek listája mostantól bemenetként továbbítható a metódusoknak read_* .

  • Hibajavítások és fejlesztések

    • A Sparkban való futtatás során javult a teljesítmény read_parquet .
    • Kijavítottunk egy hibát, amely column_type_builder nem egyértelmű dátumformátumú egyetlen oszlopban meghiúsult.

Azure Portal

  • Előzetes verziójú funkció
    • A napló- és kimeneti fájlstreamelés mostantól elérhető a futtatási részletek lapjaihoz. A fájlok valós időben frissülnek, amikor az előnézeti kapcsoló be van kapcsolva.
    • A kvóta munkaterületi szinten való beállításának lehetősége előzetes verzióban jelenik meg. Az AmlCompute kvóták az előfizetés szintjén vannak lefoglalva, de most már lehetővé tesszük a kvóta elosztását a munkaterületek között, és kioszthatja a méltányos megosztás és irányítás érdekében. Egyszerűen kattintson a munkaterület bal oldali navigációs sávjának Használat+Kvóták paneljére, és válassza a Kvóták konfigurálása lapot. Ahhoz, hogy a munkaterület szintjén kvótákat lehessen beállítani, előfizetés-rendszergazdának kell lennie, mivel ez egy munkaterületközi művelet.

2019-08-05

Azure Machine Tanulás SDK for Python v1.0.55

  • Új funkciók

    • A jogkivonatalapú hitelesítés mostantól támogatott az AKS-en üzembe helyezett pontozó végpontra irányuló hívásokhoz. Továbbra is támogatjuk az aktuális kulcsalapú hitelesítést, és a felhasználók egyszerre használhatják az egyik ilyen hitelesítési mechanizmust.
    • A virtuális hálózat (VNet) mögötti blobtárolók adattárként való regisztrálásának képessége.

  • Hibajavítások és fejlesztések

    • azureml-automl-core
      • Kijavít egy hibát, amely miatt a CV-felosztások érvényesítési mérete kicsi, és a regresszió és az előrejelzés szempontjából rossz előrejelzett és igaz diagramokat eredményez.
      • A távoli futtatások előrejelzési feladatainak naplózása javult, így a felhasználó átfogó hibaüzenetet kapott, ha a futtatás sikertelen volt.
      • Kijavítottuk azokat a Timeseries hibákat, amikor az előfeldolgozás jelzője Igaz.
      • Az előrejelzési adatérvényesítési hibaüzenetek némelyike hatékonyabb lett.
      • Az AutoML-futtatások memóriahasználatának csökkentése az adathalmazok elvetésével és/vagy lusta betöltésével, különösen a folyamatok közötti ívások között
    • azureml-contrib-explain-model
      • Hozzáadta model_task jelzőt a magyarázókhoz, hogy a felhasználó felülbírálhassa a modelltípus alapértelmezett automatikus következtetési logikáját
      • Widget-módosítások: Automatikus telepítés contrib, nincs több nbextension telepítés/engedélyezés – globális funkcióval kapcsolatos támogatási magyarázat (például Permutatív)
      • Irányítópult-módosítások: - Dobozdiagramok és hegedűdiagramok az összefoglaló oldalon való ábrázolás mellett beeswarm – A diagram gyorsabb átrendezése beeswarm a "Top -k" csúszkán – hasznos üzenet a top-k kiszámításának módjáról – Hasznos testre szabható üzenetek a diagramok helyett, ha az adatok nincsenek megadva
    • azureml-core
      • A Model.package() metódus hozzáadva a modelleket és függőségeiket beágyazó Docker-rendszerképek és Docker-fájlok létrehozásához.
      • Frissítettük a helyi webszolgáltatásokat, hogy elfogadjuk a környezeti objektumokat tartalmazó InferenceConfigs szolgáltatásokat.
      • Kijavítottuk a Model.register() hibát, amely érvénytelen modelleket eredményezett, amikor "." (az aktuális könyvtár esetében) model_path paraméterként lesz átadva.
      • Adja hozzá Run.submit_child, a funkciótükrök Experiment.submit, miközben megadja a futtatást, mint a szülő a beküldött gyermekfuttatás.
      • A Model.register konfigurációs beállításainak támogatása a Run.register_model.
      • Jar-feladatok futtatása meglévő fürtön.
      • Mostantól támogatja instance_pool_id és cluster_log_dbfs_path paramétereket.
      • A modell webszolgáltatásban való üzembe helyezésekor a környezetobjektumok használatának támogatása hozzáadva. A Környezeti objektum mostantól az InferenceConfig objektum részeként is megadható.
      • Appinsifht-leképezés hozzáadása új régiókhoz – centralus – westus – northcentralus
      • Az összes adattárosztály összes attribútumához hozzáadta a dokumentációt.
      • Hozzáadta blob_cache_timeout paramétert a fájlhoz Datastore.register_azure_blob_container.
      • Save_to_directory és load_from_directory metódusokat adott hozzá az azureml.core.environment.Environment szolgáltatáshoz.
      • Hozzáadta az "az ml environment download" és az "az ml environment register" parancsokat a parancssori felülethez.
      • Hozzáadott Environment.add_private_pip_wheel metódus.
    • azureml-explain-model
      • Adathalmaz-követést adott hozzá a magyarázatokhoz az Adathalmaz szolgáltatás (előzetes verzió) használatával.
      • A globális magyarázatok 10k-ról 100-ra történő streamelésekor az alapértelmezett kötegméret csökkent.
      • Hozzáadta model_task jelzőt a magyarázókhoz, hogy a felhasználó felülbírálhassa a modelltípus alapértelmezett automatikus következtetési logikáját.
    • azureml-mlflow
      • Kijavítottuk mlflow.azureml.build_image a beágyazott könyvtárakat figyelmen kívül hagyó hibát.
    • azureml-pipeline-steps
      • Jar-feladatok futtatásának lehetősége a meglévő Azure Databricks-fürtön.
      • A DatabricksStep lépéshez hozzáadott támogatási instance_pool_id és cluster_log_dbfs_path paraméterek.
      • A DatabricksStep lépésben a folyamatparaméterek támogatása hozzáadva.
    • azureml-train-automl
      • Hozzáadva docstrings az Együtteshez kapcsolódó fájlokhoz.
      • A dokumentumokat a megfelelőbb nyelvre max_cores_per_iteration frissítették max_concurrent_iterations
      • A távoli futtatások előrejelzési feladatainak naplózása javult, így a felhasználó átfogó hibaüzenetet kapott, ha a futtatás sikertelen volt.
      • Eltávolított get_data a folyamatjegyzetfüzetből automlstep .
      • Elkezdődött a támogatás dataprep a következőben automlstep: .

Azure Machine Tanulás Data Prep SDK v1.1.10

  • Új funkciók
    • Mostantól kérheti adott ellenőrök (például hisztogram, pontdiagram stb.) végrehajtását adott oszlopokon.
    • A paraméterrel párhuzamos argumentumot adtunk hozzá.append_columns Ha igaz, a rendszer betölti az adatokat a memóriába, de a végrehajtás párhuzamosan fut; ha hamis, a végrehajtás streamelt, de egyszálas.

2019-07-23

Azure Machine Tanulás SDK for Python v1.0.53

  • Új funkciók

  • Hibajavítások és fejlesztések

    • azure-cli-ml
      • A CLI-parancsok "modell üzembe helyezése" és a "szolgáltatásfrissítés" mostantól elfogadják a paramétereket, a konfigurációs fájlokat vagy a kettő kombinációját. A paraméterek elsőbbséget élveznek a fájlok attribútumainál.
      • A modell leírása mostantól frissíthető a regisztráció után
    • azureml-automl-core
      • Frissítse a NimbusML-függőséget az 1.2.0-s verzióra (a legújabb verzióra).
      • A NimbusML-es becslési folyamatok támogatásának hozzáadása az AutoML-becslési eszközökben használandó folyamatokhoz.
      • Kijavítottunk egy hibát az Együttes kiválasztási eljárásában, amely szükségtelenül növekedett az eredményül kapott együttesben, még akkor is, ha a pontszámok állandóak maradtak.
      • Egyes featurizációk újbóli felhasználásának engedélyezése a CV-felosztások között az előrejelzési feladatokhoz. Ez felgyorsítja a beállítás futási idejét, nagyjából n_cross_validations olyan költséges featurizációk esetében, mint a késések és a gördülő ablakok.
      • Probléma megoldása, ha az idő túllépi a pandas által támogatott időtartományt. Most létrehozunk egy DataException-t, ha az idő kisebb, mint a pd. Időbélyeg.min vagy nagyobb, mint a pd. Timestamp.max
      • Az előrejelzés mostantól lehetővé teszi a különböző frekvenciákat a betanítási és tesztkészletekben, ha azok igazíthatók. Például a "januártól kezdődő negyedéves" és a "negyedéves kezdés októberben" is igazítható.
      • A "parameters" tulajdonság hozzá lett adva a TimeSeriesTransformerhez.
      • Távolítsa el a régi kivételosztályokat.
      • Az előrejelzési feladatokban a target_lags paraméter mostantól egyetlen egész számot vagy egész számlistát fogad el. Ha az egész szám meg lett adva, a rendszer csak egy késést hoz létre. Ha egy lista meg van adva, a rendszer a késések egyedi értékeit veszi figyelembe. target_lags=[1, 2, 2, 4] egy, két és négy pontból álló késéseket hoz létre.
      • Kijavítottuk az átalakítás utáni oszloptípusok elvesztésének hibaját (hiba van összekapcsolva);
      • A model.forecast(X, y_query) mezőben engedélyezze, hogy a y_query olyan objektumtípus legyen, amely nem(ek)et tartalmaz a kezdéskor (#459519).
      • Várt értékek hozzáadása a kimenethez automl
    • azureml-contrib-datadrift
      • A példajegyzetfüzet fejlesztései, beleértve az azureml-opendatasetsre váltást az azureml-contrib-opendatasets helyett, és teljesítménybeli fejlesztések az adatok bővítésekor
    • azureml-contrib-explain-model
      • Az azureml-contrib-explain-model csomagban a nyers jellemzők fontosságát meghatározó LIME-magyarázó javított transzformációi argumentuma
      • Szegmentációk hozzáadva a képmagyarázatokhoz az AzureML-contrib-explain-model csomag képmagyarázatában
      • Ritka limeexplainer-támogatás hozzáadása
      • Hozzáadva batch_size a mimikai magyarázóhoz, amikor include_local=Falseaz DecisionTreeExplainableModel végrehajtási idejének javítása érdekében a kötegekben lévő globális magyarázatok streameléséhez
    • azureml-contrib-featureengineering
      • Javítás set_featurizer_timeseries_params(): a diktálás értékének módosítása és a null érték ellenőrzése – Jegyzetfüzet hozzáadása a featurizerhez timeseries
      • Frissítse a NimbusML-függőséget az 1.2.0-s verzióra (a legújabb verzióra).
    • azureml-core
      • Hozzáadta a DBFS-adattárak csatolásának lehetőségét az Azure Machine Tanulás parancssori felületén
      • Kijavítottuk azt a hibát, amely miatt az adattár feltöltése üres mappát hozott létre, ha target_path az első lépésben /
      • Kijavítottuk deepcopy a ServicePrincipalAuthentication hibát.
      • Hozzáadta az "az ml environment show" és az "az ml environment list" parancsokat a parancssori felülethez.
      • A környezetek mostantól támogatják egy base_dockerfile megadását egy már meglévő base_image alternatívaként.
      • A nem használt RunConfiguration beállítás auto_prepare_environment elavultként lett megjelölve.
      • A modell leírása mostantól frissíthető a regisztráció után
      • Hibajavítás: A modell és a rendszerkép törlése mostantól további információt nyújt a felsőbb rétegbeli objektumok lekéréséről, amelyek attól függenek, hogy a törlés meghiúsul-e egy felsőbb rétegbeli függőség miatt.
      • Kijavítottuk azokat a hibát, amelyek üres időtartamot nyomtatnak az egyes környezetek munkaterületének létrehozásakor előforduló üzembe helyezésekhez.
      • Továbbfejlesztett hibakivételek a munkaterület létrehozásához. Így a felhasználók nem látják a "Nem hozható létre munkaterület" szöveget. Nem található..." üzenetként jelenik meg, és ehelyett a tényleges létrehozási hibát látja.
      • Jogkivonat-hitelesítés támogatása az AKS-webszolgáltatásokban.
      • Metódus hozzáadása get_token() objektumokhoz Webservice .
      • A parancssori felület támogatása a gépi tanulási adathalmazok kezeléséhez.
      • Datastore.register_azure_blob_container Most opcionálisan egy blob_cache_timeout értéket (másodpercben) használ, amely konfigurálja a Blobfuse csatlakoztatási paramétereit az adattár gyorsítótár-lejáratának engedélyezéséhez. Az alapértelmezett érték nem időtúllépés, például egy blob olvasása esetén a feladat befejezéséig a helyi gyorsítótárban marad. A legtöbb feladat ezt a beállítást részesíti előnyben, de egyes feladatoknak több adatot kell beolvasniuk egy nagy adatkészletből, mint amennyi elfér a csomópontjaikon. Ezekhez a feladatokhoz a paraméter finomhangolása segít nekik a sikerben. Ügyeljen a paraméter finomhangolására: a túl alacsony érték beállítása gyenge teljesítményt eredményezhet, mivel a korszakban használt adatok lejárhatnak, mielőtt újra felhasználják őket. Minden olvasás a blobtárolóból/hálózatból történik a helyi gyorsítótár helyett, ami negatívan befolyásolja a betanítási időt.
      • A modell leírása mostantól megfelelően frissíthető a regisztráció után
      • A modell- és képtörlés mostantól további információkat nyújt a tőlük függő, felsőbb rétegbeli objektumokról, ami a törlés sikertelenségéhez vezet
      • A távoli futtatások erőforrás-kihasználtságának javítása az azureml.mlflow használatával.
    • azureml-explain-model
      • Az azureml-contrib-explain-model csomagban a nyers jellemzők fontosságát meghatározó LIME-magyarázó javított transzformációi argumentuma
      • a LimeExplainer ritka támogatásának hozzáadása
      • hozzáadott alakzat lineáris magyarázó burkolója, és egy másik szint a táblázatos magyarázó számára a lineáris modellek magyarázatához
      • mimikai magyarázó a magyarázó modelltárban, kijavítottuk a hibát, amikor include_local=Hamis a ritka adatbevitel
      • várt értékek hozzáadása a kimenethez automl
      • rögzített permutációs funkció fontossága, amikor a nyers funkció fontossága érdekében megadott átalakítások argumentuma
      • hozzáadva batch_size a mimikai magyarázóhoz, amikor include_local=Falseaz DecisionTreeExplainableModel végrehajtási idejének javítása érdekében a kötegekben lévő globális magyarázatok streameléséhez
      • a modell magyarázhatósági kódtára esetében rögzített blackbox-magyarázók, ahol a pandas adatkeret bemenete szükséges az előrejelzéshez
      • Kijavítottunk egy hibát, amely explanation.expected_values néha egy úszót adott vissza, nem pedig egy úszót tartalmazó listát.
    • azureml-mlflow
      • A mlflow.set_experiment(experiment_name) teljesítményének javítása
      • Az InteractiveLoginAuthentication mlflow-tracking_uri
      • A távoli futtatások erőforrás-kihasználtságának javítása az azureml.mlflow használatával.
      • Az azureml-mlflow csomag dokumentációjának továbbfejlesztése
      • Hibajavítás, amely miatt a mlflow.log_artifacts("my_dir") az összetevőket my_dir/<artifact-paths> ahelyett, hogy a <artifact-paths>
    • azureml-opendatasets
      • Kitűzés pyarrowopendatasets a régi verziókra (<0.14.0) az újonnan bevezetett memóriaproblémák miatt.
      • Az azureml-contrib-opendatasets áthelyezése az azureml-opendatasetsre.
      • A nyitott adathalmazosztályok regisztrálhatók az Azure Machine Tanulás-munkaterületen, és zökkenőmentesen használhatják az AML-adathalmaz képességeit.
      • Jelentősen javíthatja a NoaaIsdWeather teljesítményét a nem SPARK-verzióban.
    • azureml-pipeline-steps
      • A DBFS Datastore mostantól támogatott a DatabricksStep bemenetei és kimenetei számára.
      • Frissítettük az Azure Batch Step dokumentációját a bemenetekkel/kimenetekkel kapcsolatban.
      • Az AzureBatchStepben delete_batch_job_after_finish alapértelmezett értéket igaz értékre módosította.
    • azureml-telemetria
      • Az azureml-contrib-opendatasets áthelyezése az azureml-opendatasetsre.
      • A nyitott adathalmazosztályok regisztrálhatók az Azure Machine Tanulás-munkaterületen, és zökkenőmentesen használhatják az AML-adathalmaz képességeit.
      • Jelentősen javíthatja a NoaaIsdWeather teljesítményét a nem SPARK-verzióban.
    • azureml-train-automl
      • Frissítettük a get_output dokumentációját, hogy tükrözze a tényleges visszatérési típust, és egyéb megjegyzéseket adjon a kulcstulajdonságok lekéréséről.
      • Frissítse a NimbusML-függőséget az 1.2.0-s verzióra (a legújabb verzióra).
      • várt értékek hozzáadása a kimenethez automl
    • azureml-train-core
      • A sztringek mostantól számítási célként vannak elfogadva az automatikus hiperparaméter-finomhangoláshoz
      • A nem használt RunConfiguration beállítás auto_prepare_environment elavultként lett megjelölve.

Azure Machine Tanulás Data Prep SDK v1.1.9

  • Új funkciók

    • A fájl közvetlenül http- vagy https-URL-címről való olvasásának támogatása.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztett hibaüzenet a Parquet-adatkészlet távoli forrásból való olvasásakor (amely jelenleg nem támogatott).
    • Kijavítottunk egy hibát, amikor az ADLS Gen 2-ben parquet-fájlformátumba írt, és frissítette az ADLS Gen 2 tároló nevét az elérési úton.

2019-07-09

Vizuális felület

  • Előzetes verziójú funkciók
    • Hozzá van adva az "R-szkript végrehajtása" modul a vizuális felületen.

Azure Machine Tanulás SDK for Python v1.0.48

  • Új funkciók

    • azureml-opendatasets
      • Az azureml-contrib-opendatasets mostantól azureml-opendatasets néven érhető el. A régi csomag továbbra is működik, de azt javasoljuk, hogy az azureml-opendatasets tovább haladva gazdagabb képességeket és fejlesztéseket használ.
      • Ez az új csomag lehetővé teszi, hogy a nyitott adathalmazokat adathalmazként regisztrálja az Azure Machine Tanulás munkaterületen, és bármilyen funkciót használjon, amelyet az Adathalmaz kínál.
      • Olyan meglévő képességeket is tartalmaz, mint például a nyílt adathalmazok használata Pandas-/SPARK-adatkeretekként, valamint helycsatlakozások egyes adathalmazokhoz, például az időjáráshoz.

  • Előzetes verziójú funkciók

    • A HyperDriveConfig mostantól paraméterként elfogadhatja a folyamatobjektumot a hiperparaméterek folyamattal történő finomhangolásának támogatásához.

  • Hibajavítások és fejlesztések

    • azureml-train-automl
      • Kijavítottuk az átalakítás utáni oszloptípusok elvesztésének hibáját.
      • Kijavítottuk a hibát, amely lehetővé teszi, hogy y_query az elején a None(s) objektumtípust tartalmazza.
      • Kijavítottuk az Együttes kiválasztási eljárásának azon problémáját, amely szükségtelenül növekedett, még akkor is, ha a pontszámok állandóak maradtak.
      • Kijavítottuk az AutoMLStep list_models list_models beállításainak engedélyezésével és letiltásával kapcsolatos problémát.
      • Kijavítottuk azt a hibát, amely megakadályozta az előfeldolgozás használatát, amikor az AutoML-t az Azure Machine Tanulás Pipelines kontextusában használták volna.
    • azureml-opendatasets
      • Áthelyezte az azureml-contrib-opendataseteket az azureml-opendatasetsbe.
      • Az Azure Machine-Tanulás-munkaterületen regisztrálhatók nyitott adathalmazosztályok, és zökkenőmentesen használhatják az AML-adathalmaz-képességeket.
      • A Továbbfejlesztett NoaaIsdWeather jelentősen bővíti a teljesítményt a nem SPARK-verzióban.
    • azureml-explain-model
      • Frissítettük az értelmezhető objektumok online dokumentációját.
      • Hozzáadva batch_size a mimikai magyarázóhoz, amikor include_local=Falsea globális magyarázatok kötegelt streameléséhez a DecisionTreeExplainableModel végrehajtási idejének javítása érdekében a modell magyarázhatósági kódtárához.
      • Kijavítottuk azt a hibát, amely explanation.expected_values miatt néha egy úszót ad vissza, nem pedig egy lebegőpontos listát.
      • A mimikai magyarázó kimenetéhez automl a várt értékek hozzáadva a magyarázó modelltárban.
      • Kijavítottuk a permutációs funkció fontosságát, amikor az átalakítások argumentumot adnak meg, hogy megkapják a nyers funkciók fontosságát.
    • azureml-core
      • Hozzáadta a DBFS-adattárak csatolásának lehetőségét az Azure Machine Tanulás PARANCSSOR-ban.
      • Kijavítottuk azt a hibát, amely miatt az adattár feltöltése üres mappát hozott létre, ha target_path a rendszer a következővel /kezdi: .
      • Két adathalmaz engedélyezett összehasonlítása.
      • A modell- és képtörlés mostantól további információt nyújt az olyan felsőbb rétegbeli objektumok beolvasásáról, amelyek attól függenek, hogy a törlés meghiúsul-e egy felsőbb rétegbeli függőség miatt.
      • Elavult a nem használt RunConfiguration beállítás a auto_prepare_environment.
    • azureml-mlflow
      • Az azureml.mlflow-t használó távoli futtatások jobb erőforrás-kihasználtsága.
      • Továbbfejlesztettük az azureml-mlflow csomag dokumentációját.
      • Kijavítottuk azt a hibát, amely miatt a mlflow.log_artifacts("my_dir") a "my_dir/artifact-paths" alatt mentette az összetevőket az "artifact-paths" helyett.
    • azureml-pipeline-core
      • Az hash_paths paraméter az összes folyamatlépéshez elavult, és a jövőben el lesz távolítva. Alapértelmezés szerint a source_directory tartalma kivonatolt (kivéve a .amlignore felsorolt fájlokat vagy .gitignore)
      • A modul és a ModuleStep továbbfejlesztése a számítástípus-specifikus modulok támogatásához, a RunConfiguration integrációjának előkészítéséhez és más módosításokhoz a folyamatok számítási típusspecifikus modulhasználatának feloldásához.
    • azureml-pipeline-steps
      • AzureBatchStep: Továbbfejlesztett dokumentáció a bemenetekről/kimenetekről.
      • AzureBatchStep: Az alapértelmezett érték delete_batch_job_after_finish igaz értékre módosult.
    • azureml-train-core
      • A sztringek mostantól számítási célként vannak elfogadva az automatizált hiperparaméter-finomhangoláshoz.
      • Elavult a nem használt RunConfiguration beállítás a auto_prepare_environment.
      • Elavult paraméterek conda_dependencies_file_path , illetve pip_requirements_file_path azok javára conda_dependencies_filepip_requirements_file és javára.
    • azureml-opendatasets
      • Jelentősen javíthatja a NoaaIsdWeather teljesítményét a nem SPARK-verzióban.

2019-04-26

Megjelent az Azure Machine Tanulás Python 1.0.33-hoz készült SDK.

  • Az Azure Machine Tanulás hardveres gyorsított modellek általánosan elérhetők az FPGA-kon.
    • Az azureml-accel-models csomag mostantól a következőket teszi lehetővé:
      • Egy támogatott mély neurális hálózat (ResNet 50, ResNet 152, DenseNet-121, VGG-16 és SSD-VGG) súlyainak betanítása
      • Átviteli tanulás használata a támogatott DNN-vel
      • A modell regisztrálása a Modellkezelési szolgáltatással és a modell tárolóba helyezése
      • A modell üzembe helyezése Azure-beli virtuális gépen FPGA-val egy Azure Kubernetes Service-fürtben
    • A tároló üzembe helyezése Azure Stack Edge-kiszolgálóeszközre
    • Az adatok pontozása a gRPC-végponttal ezzel a mintával

Automatizált gépi tanulás

  • Funkciósöprés a teljesítményoptimalizálás dinamikus hozzáadásának featurizers engedélyezéséhez. Új featurizers: munkahelyi beágyazások, bizonyítékok súlya, célkódolások, szöveges célkódolás, fürt távolsága

  • Intelligens cv a betanítási/érvényes felosztások kezeléséhez az automatizált gépi tanulásban

  • Kevés memóriaoptimalizálási változás és futásidejű teljesítmény javítása

  • Teljesítménybeli javulás a modell magyarázatában

  • ONNX-modell konvertálása helyi futtatáshoz

  • Alminta-támogatás hozzáadva

  • Intelligens leállítás, ha nincs meghatározva kilépési feltétel

  • Halmozott együttesek

  • Idősoros előrejelzés

    • Új előrejelzési függvény
    • Mostantól használhatja a gördülő eredetű keresztérvényesítést az idősoradatokon
    • Új funkció hozzáadva az idősorok késéseinek konfigurálásához
    • Új funkciók hozzáadva a gördülőablak-összesítő funkciók támogatásához
    • Új ünnepnap észlelése és featurizálója, ha az ország/régió kódja a kísérlet beállításai között van definiálva

  • Azure Databricks

    • Engedélyezett idősor-előrejelzés és modellmagyarázó/értelmezhetőségi képesség
    • Most már megszakíthatja és folytathatja (folytathatja) az automatizált gépi tanulási kísérleteket
    • Többmagos feldolgozás támogatása

MLOps

  • Helyi üzembe helyezés & hibakeresés a tárolók pontozásához
    Mostantól helyileg is üzembe helyezhet egy ml-modellt, és gyorsan iterálhat a pontozófájlon és a függőségeken, hogy azok a várt módon viselkedjenek.

  • Bevezetett InferenceConfig & Model.deploy()
    A modelltelepítés mostantól támogatja a forrásmappa megadását egy bejegyzésszkripttel, ugyanazzal, mint a RunConfig. Emellett a modell üzembe helyezése egyszerűsödik egyetlen parancsra.

  • Git-referenciakövetés
    Az ügyfelek már egy ideje igényelnek alapvető Git-integrációs képességeket, mivel ez segít fenntartani a teljes naplózási folyamatot. A Githez kapcsolódó metaadatok (adattár, véglegesítés, tiszta állapot) esetében az Azure Machine Tanulás főbb entitásai közötti nyomon követést valósítottuk meg. Ezeket az információkat az SDK és a parancssori felület automatikusan összegyűjti.

  • Modellprofilozási és érvényesítési szolgáltatás
    Az ügyfelek gyakran panaszkodnak arra, hogy nehéz megfelelően méretezni a következtetési szolgáltatásukhoz társított számítást. A modellprofilozási szolgáltatásunkkal az ügyfél mintabemeneteket biztosíthat, és 16 különböző processzor- és memóriakonfigurációval profilt készítünk az üzembe helyezés optimális méretezésének meghatározásához.

  • Saját alaprendszerkép létrehozása következtetéshez
    Egy másik gyakori panasz az volt, hogy nehézséget okozott a kísérletezésről az újramegosztási függőségek következtetésére való áttérés. Az új alaprendszerkép-megosztási képességünkkel mostantól újra felhasználhatja a kísérletezési alaprendszerképeket, függőségeket és mindezeket a következtetéshez. Ennek fel kell gyorsítania az üzembe helyezéseket, és csökkentenie kell a belső és a külső hurok közötti rést.

  • Továbbfejlesztett Swagger-sémagenerálási élmény
    Az előző Swagger-generációs módszerünk hibalehetőség volt, és lehetetlen volt automatizálni. Új in-line módon hozhat létre swagger sémákat bármely Python-függvényből dekorátorokon keresztül. Ezt a kódot nyílt forráskódúként használjuk, és a sémagenerálási protokoll nem kapcsolódik az Azure Machine Tanulás platformhoz.

  • Általánosan elérhető az Azure Machine Tanulás PARANCSSOR (GA)
    A modellek mostantól egyetlen CLI-paranccsal telepíthetők. Általános visszajelzést kaptunk arról, hogy senki sem helyez üzembe ml-modellt Egy Jupyter-jegyzetfüzetből. A CLI referenciadokumentációja frissült.

2019-04-22

Megjelent az Azure Machine Tanulás Python v1.0.30-hoz készült SDK.

A PipelineEndpoint rendszer bevezette a közzétett folyamat új verziójának hozzáadását ugyanazon végpont fenntartása mellett.

2019-04-15

Azure Portal

  • Most már újraküldhet egy meglévő szkriptfuttatást egy meglévő távoli számítási fürtön.
  • Most már futtathat egy közzétett folyamatot új paraméterekkel a Folyamatok lapon.
  • A futtatási részletek mostantól támogatják az új Pillanatkép-fájlmegjelenítőt. Egy adott futtatás elküldésekor megtekintheti a címtár pillanatképét. A futtatás indításához elküldött jegyzetfüzetet is letöltheti.
  • Most már megszakíthatja a szülőfuttatásokat az Azure Portalon.

2019-04-08

Azure Machine Tanulás SDK for Python v1.0.23

  • Új funkciók
    • Az Azure Machine Tanulás SDK mostantól támogatja a Python 3.7-et.
    • Az Azure Machine Tanulás DNN Estimators mostantól beépített többverziós támogatást biztosít. A becslő például TensorFlow elfogad egy paramétert framework_version , és a felhasználók megadhatják az 1.10-es vagy az 1.12-es verziót. Az aktuális SDK-kiadás által támogatott verziók listájához hívja meg get_supported_versions() a kívánt keretrendszerosztályt (például TensorFlow.get_supported_versions()). A legújabb SDK-kiadás által támogatott verziók listáját a DNN Estimator dokumentációjában találja.

2019-03-25

Azure Machine Tanulás SDK for Python v1.0.21

  • Új funkciók
    • A azureml.core.Run.create_children metódus lehetővé teszi több gyermekfuttatás kis késésű létrehozását egyetlen hívással.

2019-03-11

Azure Machine Tanulás SDK for Python v1.0.18

  • Változások
    • Az azureml-tensorboard csomag az azureml-contrib-tensorboard helyére lép.
    • Ezzel a kiadással beállíthat egy felhasználói fiókot a felügyelt számítási fürtön (amlcompute) a létrehozás során. Ezt úgy teheti meg, hogy átadja ezeket a tulajdonságokat a kiépítési konfigurációban. További részleteket az SDK referenciadokumentációjában talál.

Azure Machine Tanulás Data Prep SDK v1.0.17

  • Új funkciók

    • Mostantól két numerikus oszlop hozzáadását is támogatja, hogy eredményül kapott oszlopot hozzon létre a kifejezésnyelv használatával.

  • Hibajavítások és fejlesztések

    • Továbbfejlesztettük a random_split dokumentációját és paraméterellenőrzését.

2019-02-27

Azure Machine Tanulás Data Prep SDK v1.0.16

  • Hibajavítás
    • Kijavítottunk egy szolgáltatásnév-hitelesítési hibát, amelyet egy API-módosítás okozott.

2019-02-25

Azure Machine Tanulás SDK for Python v1.0.17

  • Új funkciók

    • Az Azure Machine Tanulás mostantól első osztályú támogatást nyújt a népszerű DNN-keretrendszer Chainerhez. Az Chainer osztályfelhasználók egyszerűen betaníthetik és üzembe helyezhetik a Chainer-modelleket.
    • Az Azure Machine Tanulás Pipelines hozzáadott egy folyamatfuttatást az adattár módosításai alapján. A folyamatütemezési jegyzetfüzet frissül, hogy bemutassa ezt a funkciót.

  • Hibajavítások és fejlesztések

    • Az Azure Machine Tanulás-folyamatok támogatása lehetővé tette, hogy a source_directory_data_store tulajdonságot egy kívánt adattárba (például blobtárolóba) állítsa a PythonScriptStep-hez megadott RunConfigurations rendszereken. Alapértelmezés szerint a lépések az Azure File Store-t használják háttéradattárként, amely szabályozási problémákba ütközhet, ha nagy számú lépést hajtanak végre egyidejűleg.

Azure Portal

  • Új funkciók
    • Új húzási táblázatszerkesztői felület a jelentésekhez. A felhasználók áthúzhatnak egy oszlopot a kútból arra a táblázatterületre, ahol megjelenik a táblázat előnézete. Az oszlopok átrendezhetők.
    • Új naplók fájlmegjelenítője
    • Kísérletfuttatásokra, számításokra, modellekre, képekre és üzembe helyezésekre mutató hivatkozások a Tevékenységek lapról

Következő lépések

Olvassa el az Azure Machine Learning áttekintését.