MLClient Kelas
Kelas klien untuk berinteraksi dengan layanan Azure ML.
Gunakan klien ini untuk mengelola sumber daya Azure ML seperti ruang kerja, pekerjaan, model, dan sebagainya.
- Warisan
-
builtins.objectMLClient
Konstruktor
MLClient(credential: TokenCredential, subscription_id: str | None = None, resource_group_name: str | None = None, workspace_name: str | None = None, registry_name: str | None = None, **kwargs: Any)
Parameter
Atur ID Langganan Azure. Opsional hanya untuk aset registri. Default ke Tidak Ada.
Grup sumber daya Azure. Opsional hanya untuk aset registri. Default ke Tidak Ada.
Ruang kerja yang akan digunakan di klien. Opsional hanya untuk operasi yang tidak bergantung pada ruang kerja. Default ke Tidak Ada.
Registri yang digunakan dalam klien. Opsional hanya untuk operasi yang tidak bergantung pada ruang kerja. Default ke Tidak Ada.
Menentukan apakah akan menampilkan bilah kemajuan untuk operasi yang berjalan lama atau tidak (misalnya pelanggan dapat mempertimbangkan untuk mengatur ini ke False jika tidak menggunakan SDK ini dalam penyiapan interaktif). Default ke True.
Menentukan apakah akan mengaktifkan telemetri atau tidak. Akan ditimpa ke False jika tidak ada di Jupyter Notebook. Default ke True jika dalam Jupyter Notebook.
Contoh
Saat menggunakan domain berdaulat (yaitu cloud apa pun selain AZURE_PUBLIC_CLOUD), Anda harus meneruskan nama cloud di kwargs dan Anda harus menggunakan otoritas dengan DefaultAzureCredential.
from azure.ai.ml import MLClient
from azure.identity import AzureAuthorityHosts, DefaultAzureCredential
kwargs = {"cloud": "AzureChinaCloud"}
ml_client = MLClient(
subscription_id=subscription_id,
resource_group_name=resource_group,
credential=DefaultAzureCredential(authority=AzureAuthorityHosts.AZURE_CHINA),
**kwargs,
)
Metode
begin_create_or_update |
Membuat atau memperbarui sumber daya Azure ML secara asinkron. |
create_or_update |
Membuat atau memperbarui sumber daya Azure ML. |
from_config |
Mengembalikan klien dari Ruang Kerja Azure Machine Learning yang sudah ada menggunakan konfigurasi file. Metode ini menyediakan cara sederhana untuk menggunakan kembali ruang kerja yang sama di beberapa buku catatan atau proyek Python. Anda dapat menyimpan properti Azure Resource Manager (ARM) ruang kerja dalam file konfigurasi JSON menggunakan format ini:
Kemudian, Anda dapat menggunakan metode ini untuk memuat ruang kerja yang sama di notebook atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja. |
begin_create_or_update
Membuat atau memperbarui sumber daya Azure ML secara asinkron.
begin_create_or_update(entity: R, **kwargs) -> LROPoller[R]
Parameter
- entity
- Union[Workspace , Registry, Compute, OnlineDeployment , OnlineEndpoint, BatchDeployment , BatchEndpoint, Schedule]
Sumber daya untuk membuat atau memperbarui.
Mengembalikan
Sumber daya setelah operasi buat/perbarui.
Tipe hasil
create_or_update
Membuat atau memperbarui sumber daya Azure ML.
create_or_update(entity: T, **kwargs) -> T
Parameter
Sumber daya untuk membuat atau memperbarui.
Mengembalikan
Sumber daya yang dibuat atau diperbarui.
Tipe hasil
from_config
Mengembalikan klien dari Ruang Kerja Azure Machine Learning yang sudah ada menggunakan konfigurasi file.
Metode ini menyediakan cara sederhana untuk menggunakan kembali ruang kerja yang sama di beberapa buku catatan atau proyek Python. Anda dapat menyimpan properti Azure Resource Manager (ARM) ruang kerja dalam file konfigurasi JSON menggunakan format ini:
{
"subscription_id": "<subscription-id>",
"resource_group": "<resource-group>",
"workspace_name": "<workspace-name>"
}
Kemudian, Anda dapat menggunakan metode ini untuk memuat ruang kerja yang sama di notebook atau proyek Python yang berbeda tanpa mengetik ulang properti ARM ruang kerja.
from_config(credential: TokenCredential, *, path: PathLike | str | None = None, file_name=None, **kwargs) -> MLClient
Parameter
Jalur ke file konfigurasi atau direktori awal untuk mencari file konfigurasi di dalamnya. Default ke Tidak Ada, menunjukkan direktori saat ini akan digunakan.
Nama file konfigurasi yang akan dicari ketika jalur adalah jalur direktori. Default ke "config.json".
Mengembalikan
Klien untuk Ruang Kerja Azure ML yang sudah ada.
Tipe hasil
Pengecualian
Dimunculkan jika "config.json", atau file_name jika ditimpa, tidak dapat ditemukan di direktori. Detail akan diberikan dalam pesan kesalahan.
Contoh
Membuat MLClient dari file bernama "config.json" di direktori "src".
from azure.ai.ml import MLClient
client = MLClient.from_config(credential=DefaultAzureCredential(), path="./sdk/ml/azure-ai-ml/samples/src")
Membuat MLClient dari file bernama "team_workspace_configuration.json" di direktori saat ini.
from azure.ai.ml import MLClient
client = MLClient.from_config(
credential=DefaultAzureCredential(),
file_name="./sdk/ml/azure-ai-ml/samples/team_workspace_configuration.json",
)
Atribut
batch_deployments
Kumpulan operasi terkait penyebaran batch.
Mengembalikan
Operasi Penyebaran Batch.
Tipe hasil
batch_endpoints
Kumpulan operasi terkait titik akhir batch.
Mengembalikan
Operasi Titik Akhir Batch
Tipe hasil
components
compute
connections
Kumpulan operasi terkait koneksi ruang kerja.
Mengembalikan
Operasi Koneksi Ruang Kerja
Tipe hasil
data
datastores
environments
Kumpulan operasi terkait lingkungan.
Mengembalikan
Operasi lingkungan.
Tipe hasil
feature_sets
aka.ms/azuremlexperimental untuk informasi selengkapnya.
Kumpulan operasi terkait kumpulan fitur.
Mengembalikan
Operasi FeatureSet
Tipe hasil
feature_store_entities
aka.ms/azuremlexperimental untuk informasi selengkapnya.
Kumpulan operasi terkait entitas penyimpanan fitur.
Mengembalikan
Operasi FeatureStoreEntity
Tipe hasil
feature_stores
aka.ms/azuremlexperimental untuk informasi selengkapnya.
Kumpulan operasi terkait penyimpanan fitur.
Mengembalikan
Operasi FeatureStore
Tipe hasil
jobs
models
online_deployments
Kumpulan operasi terkait penyebaran online.
Mengembalikan
Operasi Penyebaran Online
Tipe hasil
online_endpoints
Kumpulan operasi terkait titik akhir online.
Mengembalikan
Operasi Titik Akhir Online
Tipe hasil
registries
aka.ms/azuremlexperimental untuk informasi selengkapnya.
Kumpulan operasi terkait registri.
Mengembalikan
Operasi registri
Tipe hasil
resource_group_name
Dapatkan nama grup sumber daya objek MLClient.
Mengembalikan
Nama grup sumber daya Azure.
Tipe hasil
schedules
subscription_id
workspace_hubs
aka.ms/azuremlexperimental untuk informasi selengkapnya.
Kumpulan operasi terkait hub ruang kerja.
Mengembalikan
Operasi Hub
Tipe hasil
workspace_name
Nama ruang kerja tempat operasi yang bergantung pada ruang kerja akan dijalankan.
Mengembalikan
Nama ruang kerja default.
Tipe hasil
workspace_outbound_rules
Kumpulan operasi terkait aturan keluar ruang kerja.
Mengembalikan
Operasi aturan keluar ruang kerja
Tipe hasil
workspaces
Kumpulan operasi terkait ruang kerja.
Mengembalikan
Operasi ruang kerja
Tipe hasil
R
R = ~R
T
T = ~T
Azure SDK for Python
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk