ParallelRunStep Kelas
Membuat langkah Alur Azure Machine Learning untuk memproses data dalam jumlah besar secara asinkron dan paralel.
Untuk contoh penggunaan ParallelRunStep, lihat buku catatan https://aka.ms/batch-inference-notebooks.
Untuk panduan pemecahan masalah, lihat https://aka.ms/prstsg. Anda dapat menemukan lebih banyak referensi di sana.
Buat langkah Azure ML Pipeline untuk memproses data dalam jumlah besar secara asinkron dan paralel.
Untuk contoh penggunaan ParallelRunStep, lihat tautan https://aka.ms/batch-inference-notebooksbuku catatan .
- Warisan
-
azureml.pipeline.core._parallel_run_step_base._ParallelRunStepBaseParallelRunStep
Konstruktor
ParallelRunStep(name, parallel_run_config, inputs, output=None, side_inputs=None, arguments=None, allow_reuse=True)
Parameter
- name
- str
Nama langkah. Harus unik untuk ruang kerja, hanya terdiri dari huruf kecil, angka, atau tanda pisah, mulai dengan huruf, dan panjangnya antara 3 hingga 32 karakter.
- parallel_run_config
- ParallelRunConfig
Objek ParallelRunConfig yang digunakan untuk menentukan properti eksekusi yang diperlukan.
- inputs
- list[Union[DatasetConsumptionConfig, PipelineOutputFileDataset, PipelineOutputTabularDataset]]
Daftar himpunan data input. Semua himpunan data dalam daftar harus memiliki jenis yang sama. Data input akan dipartisi untuk pemrosesan paralel. Setiap himpunan data dalam daftar dipartisi menjadi batch mini secara terpisah, dan setiap batch mini diperlakukan sama dalam pemrosesan paralel.
Pengikatan port output, dapat digunakan dengan langkah-langkah alur selanjutnya.
- side_inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, DatasetConsumptionConfig]]
Daftar data referensi input samping. Input samping tidak akan dipartisi sebagai data input.
Daftar argumen baris perintah untuk diteruskan ke Entry_script Python.
- allow_reuse
- bool
Apakah langkah harus menggunakan kembali hasil sebelumnya ketika dijalankan dengan pengaturan/input yang sama. Jika ini adalah false, eksekusi baru akan selalu dihasilkan untuk langkah ini selama eksekusi alur.
- name
- str
Nama langkah. Harus unik untuk ruang kerja, hanya terdiri dari huruf kecil, angka, atau tanda pisah, mulai dengan huruf, dan panjangnya antara 3 hingga 32 karakter.
- parallel_run_config
- ParallelRunConfig
Objek ParallelRunConfig yang digunakan untuk menentukan properti eksekusi yang diperlukan.
- inputs
- list[Union[DatasetConsumptionConfig, PipelineOutputFileDataset, PipelineOutputTabularDataset]]
Daftar himpunan data input. Semua himpunan data dalam daftar harus memiliki jenis yang sama. Data input akan dipartisi untuk pemrosesan paralel. Setiap himpunan data dalam daftar dipartisi menjadi batch mini secara terpisah, dan setiap batch mini diperlakukan sama dalam pemrosesan paralel.
- output
- PipelineData, OutputPortBinding
Pengikatan port output, dapat digunakan dengan langkah-langkah alur selanjutnya.
- side_inputs
- list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, DatasetConsumptionConfig]]
Daftar data referensi input samping. Input samping tidak akan dipartisi sebagai data input.
Daftar argumen baris perintah untuk diteruskan ke Entry_script Python.
- allow_reuse
- bool
Apakah langkah harus menggunakan kembali hasil sebelumnya ketika dijalankan dengan pengaturan/input yang sama. Jika ini adalah false, eksekusi baru akan selalu dihasilkan untuk langkah ini selama eksekusi alur.
Keterangan
ParallelRunStep dapat digunakan untuk memproses data dalam jumlah besar secara paralel. Kasus penggunaan yang umum adalah saat melatih model ML atau menjalankan inferensi offline untuk menghasilkan prediksi pada suatu batch pengamatan. ParallelRunStep berfungsi dengan memecah data Anda menjadi sejumlah batch yang kemudian diproses secara paralel. Jumlah node ukuran batch, dan parameter yang dapat disetel lainnya untuk mempercepat pemrosesan paralel Anda dapat dikontrol dengan kelas ParallelRunConfig. ParallelRunStep dapat berfungsi dengan TabularDataset atau FileDataset sebagai input.
Untuk menggunakan ParallelRunStep:
Buat objek ParallelRunConfig untuk menentukan cara pemrosesan batch dilakukan, dengan parameter untuk mengontrol ukuran batch, jumlah node per target komputasi, dan referensi ke skrip Python kustom Anda.
Buat objek ParallelRunStep yang menggunakan objek ParallelRunConfig, tentukan input dan output untuk langkah tersebut.
Gunakan objek ParallelRunStep yang dikonfigurasi dalam Pipeline seperti yang Anda lakukan dengan jenis langkah alur lainnya.
Contoh bekerja dengan kelas ParallelRunStep dan ParallelRunConfig untuk inferensi batch dibahas dalam artikel berikut:
Tutorial: Membangun alur Azure Machine Learning untuk pemberian skor batch. Artikel ini menunjukkan cara menggunakan kedua kelas ini untuk pemberian skor batch asinkron dalam alur dan mengaktifkan titik akhir REST untuk menjalankan alur.
Menjalankan inferensi batch pada data dalam jumlah yang besar dengan menggunakan Azure Machine Learning. Artikel ini menunjukkan cara memproses data dalam jumlah besar secara asinkron dan paralel dengan skrip inferensi kustom dan basis model klasifikasi gambar yang sudah dilatih pada himpunan data MNIST.
from azureml.pipeline.steps import ParallelRunStep, ParallelRunConfig
parallel_run_config = ParallelRunConfig(
source_directory=scripts_folder,
entry_script=script_file,
mini_batch_size="5",
error_threshold=10, # Optional, allowed failed count on mini batch items
allowed_failed_count=15, # Optional, allowed failed count on mini batches
allowed_failed_percent=10, # Optional, allowed failed percent on mini batches
output_action="append_row",
environment=batch_env,
compute_target=compute_target,
node_count=2)
parallelrun_step = ParallelRunStep(
name="predict-digits-mnist",
parallel_run_config=parallel_run_config,
inputs=[ named_mnist_ds ],
output=output_dir,
arguments=[ "--extra_arg", "example_value" ],
allow_reuse=True
)
Untuk informasi selengkapnya tentang contoh ini, lihat buku catatan https://aka.ms/batch-inference-notebooks.
Metode
create_module_def |
Buat objek definisi modul yang menjelaskan langkah tersebut. Metode ini tidak dimaksudkan untuk digunakan secara langsung. |
create_node |
Buat node untuk PythonScriptStep lalu tambahkan ke grafik yang ditentukan. Metode ini tidak dimaksudkan untuk digunakan secara langsung. Saat alur dibuat dengan ParallelRunStep, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja. |
create_module_def
Buat objek definisi modul yang menjelaskan langkah tersebut.
Metode ini tidak dimaksudkan untuk digunakan secara langsung.
create_module_def(execution_type, input_bindings, output_bindings, param_defs=None, create_sequencing_ports=True, allow_reuse=True, version=None, arguments=None)
Parameter
- create_sequencing_ports
- bool
Jika true, port pengurutan akan dibuat untuk modul.
- allow_reuse
- bool
Jika true, modul akan tersedia untuk digunakan kembali di Alur mendatang.
- arguments
- list
Daftar argumen beranotasi untuk digunakan saat memanggil modul ini.
Mengembalikan
Objek definisi modul.
Tipe hasil
create_node
Buat node untuk PythonScriptStep lalu tambahkan ke grafik yang ditentukan.
Metode ini tidak dimaksudkan untuk digunakan secara langsung. Saat alur dibuat dengan ParallelRunStep, Azure Machine Learning secara otomatis meneruskan parameter yang diperlukan melalui metode ini sehingga langkah tersebut dapat ditambahkan ke grafik alur yang mewakili alur kerja.
create_node(graph, default_datastore, context)
Parameter
- default_datastore
- AbstractAzureStorageDatastore atau AzureDataLakeDatastore
Penyimpanan data default.
- context
- <xref:azureml.pipeline.core._GraphContext>
Konteks.
Mengembalikan
Node yang dibuat.
Tipe hasil
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