Releaseopmerkingen voor Azure Machine Learning Python SDK

In dit artikel vindt u meer informatie over azure Machine Learning Python SDK-releases. Voor de volledige SDK-referentie-inhoud gaat u naar de hoofd-SDK van Azure Machine Learning voor python-referentiepagina.

RSS-feed: Ontvang een melding wanneer deze pagina wordt bijgewerkt door de volgende URL naar uw feedlezer te kopiëren en te plakken: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

Azure Machine Learning SDK voor Python v1.56.0

• azureml-core
  • Schakel Application Insights opnieuw toewijzen in voor nieuwe regio China - oost 3, omdat de klassieke resourcemodus niet wordt ondersteund. Er is ook een probleem opgelost met de ontbrekende update voor China - noord 3.
• azureml-defaults
  • Gestoten azureml-inference-server-http-pin naar 1.0.0 in azureml-defaults.
• azureml-interpret
  • het pakket azureml-interpret bijgewerkt om community 0.31 te interpreteren.*
• azureml-responsibleai
  • gemeenschappelijke omgeving en azureml-responsibleai-pakket bijgewerkt naar raiwidgets en responsibleai 0.33.0
  • Afhankelijkheidsversies van Fairlearn verhogen

2024-01-29

Azure Machine Learning SDK voor Python v1.55.0

• azureml-core
  • Schakel Application Insights opnieuw toewijzen in voor nieuwe regio China - oost 3, omdat de klassieke resourcemodus niet wordt ondersteund. Er is ook een probleem opgelost met de ontbrekende update voor China - noord 3.
• azureml-defaults
  • Gestoten azureml-inference-server-http-pin naar 1.0.0 in azureml-defaults.
• azureml-interpret
  • het pakket azureml-interpret bijgewerkt om community 0.31 te interpreteren.*
• azureml-responsibleai
  • gemeenschappelijke omgeving en azureml-responsibleai-pakket bijgewerkt naar raiwidgets en responsibleai 0.33.0
  • Afhankelijkheidsversies van Fairlearn verhogen

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
  • statsmodels, pandas en scipy zijn geüpgraded naar versie 1.13, 1.3.5 en 1.10.1 - fbprophet 0.7.1 is vervangen door prophet 1.1.4 Bij het laden van een model in een lokale omgeving moeten de versies van deze pakketten overeenkomen met waarop het model is getraind.
• azureml-core, azureml-pipeline-core, azureml-pipeline-steps
  • AzureML-Pipeline: voeg een waarschuwing toe voor de init_scripts parameter in de Databricks-stap, waarin u wordt gewaarschuwd voor de aanstaande afschaffing.
• azureml-interpret
  • bijgewerkt pakket met azureml-interpret om community 0.30 te interpreteren.*
• azureml-mlflow
  • feat: Voeg toe AZUREML_BLOB_MAX_SINGLE_PUT_SIZE om de grootte te bepalen in bytes aan uploadsegmenten. Als u dit verlaagt van de standaardwaarde (64*1024*1024 bijvoorbeeld 64 MB), kunt u problemen oplossen waarbij schrijfbewerkingen mislukken vanwege time-outs.
  • Ondersteuning voor het uploaden en downloaden van modellen uit AzureML-registers is momenteel experimenteel
  • Ondersteuning toevoegen voor gebruikers die het model willen downloaden of uploaden vanuit AML-registers

2023-08-21

Azure Machine Learning SDK voor Python v1.53.0

• azureml-automl-core
  • Ondersteuning van functies/regressors die bekend zijn op het moment van prognose in TCN-modellen voor autoML-prognoses.
• azureml-automl-dnn-vision
  • Markeringen inschakelen voor log_training_metrics en log_validation_loss voor automl-objectdetectie en instantiesegmentatie
• azureml-contrib-automl-dnn-forecasting
  • Ondersteuning van functies/regressors die bekend zijn op het moment van prognose in TCN-modellen voor autoML-prognoses.
• azureml-core
  • Add appinsights location swap for qatarcentral to point to uaenorth
  • Python 3.7 heeft het einde van de levensduur bereikt op 27 juni 2023. Daarom wordt 3.7 vanaf oktober 2023 afgeschaft in azureml-core en wordt de ondersteuning voor azureml-core beëindigd voor 3,7 in februari 2024.
• azureml-mlflow
  • Oplossing voor het laden van modellen met MLflow load_model API's bij het doorgeven van een AzureML-URI
• azureml-pipeline-core
  • Sla de onderliggende uitvoerings- en logboekfout over wanneer het laden van de onderliggende uitvoering is mislukt (bijvoorbeeld 404) met behulp van PipelineRun.get_pipeline_runs.
  • PipelineEndpoint.list introduceert een nieuwe int-parameter max_results, die de maximale grootte van de geretourneerde lijst aangeeft. De standaardwaarde is max_results 100.
• azureml-training-tabellair
  • Ondersteuning van functies/regressors die bekend zijn op het moment van prognose in TCN-modellen voor autoML-prognoses.

2023-06-26

Azure Machine Learning SDK voor Python v1.52.0

• azureml-automl-dnn-vision
  • De mlflow-handtekening voor de runtime (verouderde) automl-modellen is gewijzigd om binaire invoer te accepteren. Hierdoor kan batchdeductie worden ingeschakeld. De voorspellingsfunctie is achterwaarts compatibel, zodat gebruikers nog steeds base64-tekenreeksen als invoer kunnen verzenden. De uitvoer van de voorspellingsfunctie is gewijzigd om de tijdelijke bestandsnaam en de lege visualisaties en toeschrijvingssleutel te verwijderen wanneer modeluitlegbaarheid n...
• azureml-contrib-automl-dnn-forecasting
  • Er is een fout opgelost die fouten veroorzaakte tijdens gedistribueerde TCN-training wanneer de gegevens uit één tijdreeks bestaan.
• azureml-interpret
  • shap-pin verwijderen in azureml-interpret om bij te werken naar de meest recente in interpret-community
• azureml-responsibleai
  • gemeenschappelijke omgeving en azureml-responsibleai-pakket bijgewerkt naar raiwidgets en responsibleai 0.28.0

2023-05-20

Azure Machine Learning SDK voor Python v1.51.0

• azureml-automl-core
  • AutoML-prognosetaak ondersteunt nu rolling prognose en gedeeltelijke ondersteuning voor kwantielprognoses voor hiërarchische tijdreeksen (HTS).
  • Gebruik van niet-tabellaire gegevenssets niet toe aan klanten voor classificatiescenario's (meerdere klassen en meerdere labels)
• azureml-automl-dnn-nlp
  • Gebruik van niet-tabellaire gegevenssets niet toe aan klanten voor classificatiescenario's (meerdere klassen en meerdere labels)
• azureml-contrib-automl-pipeline-steps
  • AutoML-prognosetaak ondersteunt nu rolling prognose en gedeeltelijke ondersteuning voor kwantielprognoses voor hiërarchische tijdreeksen (HTS).
• azureml-fsspec
  • Vervangt alle door de gebruiker veroorzaakte fouten in MLTable & FSSpec door een aangepaste UserErrorException geïmporteerd uit azureml-dataprep.
• azureml-interpret
  • azureml-interpret-pakket bijgewerkt om community 0.29 te interpreteren.*
• azureml-pipeline-core
  • Oplossing pipeline_version wordt niet van kracht bij het aanroepen pipeline_endpoint.submit().
• azureml-train-automl-client
  • AutoML-prognosetaak ondersteunt nu rolling prognose en gedeeltelijke ondersteuning voor kwantielprognoses voor hiërarchische tijdreeksen (HTS).
• azureml-train-automl-runtime
  • AutoML-prognosetaak ondersteunt nu rolling prognose en gedeeltelijke ondersteuning voor kwantielprognoses voor hiërarchische tijdreeksen (HTS).
• mltable
  • Meer coderingsvarianten worden utf-8 nu ondersteund bij het laden van MLTable-bestanden.
  • Vervangt alle door de gebruiker veroorzaakte fouten in MLTable & FSSpec door een aangepaste UserErrorException geïmporteerd uit azureml-dataprep.

2023-04-10

Azure Machine Learning SDK voor Python v1.50.0

• azureml-contrib-automl-dnn-forecasting
  • Er is ondersteuning toegevoegd voor het voorspellen van bepaalde kwantielen voor TCN-modellen.
• azureml-responsibleai
  • gemeenschappelijke omgeving en azureml-responsibleai-pakket bijgewerkt naar raiwidgets en responsibleai 0.26.0
• azureml-train-automl-runtime
  • MLTable-verwerking voor modeltestscenario oplossen
• azureml-training-tabellair
  • Kwantielen toegevoegd als parameter in de methode forecast_quantile.

2023-03-01

Aankondiging van einde van ondersteuning voor Python 3.7 in Azure Machine Learning SDK v1-pakketten

• Afschaffing van functies
  • Python 3.7 verwijderen als een ondersteunde runtime voor SDK v1-pakketten
    • Op 4 december 2023 stopt Azure Machine Learning officieel met het ondersteunen van Python 3.7 voor SDK v1-pakketten en wordt het afgeschaft als een ondersteunde runtime. Lees onze pagina over het ondersteuningsbeleid voor Versies van Azure SDK voor Python voor meer informatie
    • Vanaf de afschaffingsdatum van 4 december 2023 ontvangen de Azure Machine Learning SDK v1-pakketten geen beveiligingspatches en andere updates meer voor de Python 3.7-runtime.
    • De huidige Python 3.7-versies voor Azure Machine Learning SDK v1 werken nog steeds. Als u echter beveiligingsupdates wilt blijven ontvangen en gekwalificeerd wilt blijven voor technische hulp, adviseert Azure Machine Learning u sterk om uw scripts en afhankelijkheden te verplaatsen naar een ondersteunde versie van de Python-runtime.
    • Als runtime voor Azure Machine Learning SDK v1-bestanden adviseren we python versie 3.8 of hoger te gebruiken.
    • Daarnaast komen Op Python 3.7 gebaseerde Azure Machine Learning SDK v1-pakketten niet meer in aanmerking voor technische ondersteuning.
    • Gebruik Azure Machine Learning-ondersteuning om contact met ons op te nemen als u problemen ondervindt.

2023-13-02

Azure Machine Learning SDK voor Python v1.49.0

• Belangrijke wijzigingen
  • Vanaf v1.49.0 en hoger worden de volgende AutoML-algoritmen niet ondersteund.
    • Regressie: FastLinearRegressor, OnlineGradientDescentRegressor
    • Classificatie: AveragedPerceptronClassifier.
  • Gebruik v1.48.0 of lager om deze algoritmen te blijven gebruiken.
• Opgeloste fouten en verbeteringen
  • azureml-automl-dnn-nlp
    • Logboeken om de uiteindelijke waarden weer te geven die zijn toegepast op het model en de hyperparameterinstellingen op basis van zowel de standaardwaarden als de door de gebruiker opgegeven waarden.
  • azureml-contrib-automl-dnn-forecasting
    • Niet-calaire metrische gegevens voor TCNForecaster weerspiegelen nu waarden uit het laatste tijdvak.
    • Visuals voor de prognose horizon voor train-set en testset zijn nu beschikbaar tijdens het uitvoeren van het TCN-trainingsexperiment.
    • Uitvoeringen mislukken niet meer vanwege de fout 'TCN-metrische gegevens kunnen niet worden berekend'. Het waarschuwingsbericht met de tekst 'Berekening van metrische prognose heeft tot een fout geleid, het rapporteren van slechtste scores' wordt nog steeds geregistreerd. In plaats daarvan roepen we een uitzondering op wanneer we meer dan twee keer achter elkaar te maken krijgen met een bericht 'Ongeldig model, TCN-training is niet geconvergeerd'. De klanten moeten zich bewust zijn van het feit dat geladen modellen nan/inf-waarden kunnen retourneren als voorspellingen tijdens deductie na deze wijziging.
  • azureml-core
    • Het maken van een Azure Machine Learning-werkruimte maakt gebruik van Op Log Analytics gebaseerde Application Insights ter voorbereiding op afschaffing van klassieke Application Insights. Gebruikers die klassieke Application Insights-resources willen gebruiken, kunnen nog steeds hun eigen resources opgeven die moeten worden meegebracht bij het maken van een Azure Machine Learning-werkruimte.
  • azureml-interpret
    • azureml-interpret-pakket bijgewerkt om community 0.28 te interpreteren.*
  • azureml-mlflow
    • Azureml-mlflow-client bijwerken met initiële ondersteuning voor MLflow 2.0
  • azureml-responsibleai
    • azureml-responsibleai-pakket en notebooks bijgewerkt naar raiwidgets en responsibleai v0.24.0
  • azureml-sdk
    • azureml-sdk en azureml-train-automl-client bieden nu ondersteuning voor Python versie 3.10
  • azureml-train-automl-client
    • azureml-sdk en azureml-train-automl-client bieden nu ondersteuning voor Python versie 3.10
  • azureml-train-automl-runtime
    • Ontbrekende y opschonen vóór de training
    • Opschonen of lege waarden van de doelkolom voor niet-stroomopwaartse scenario's
    • Visuals voor de prognose horizon voor een testset zijn nu beschikbaar tijdens het uitvoeren van het trainingsexperiment.
  • azureml-train-core
    • De ondersteuning toegevoegd aan de klant om een aangepaste uitvoerings-id voor hyperdrive-uitvoeringen op te geven
  • azureml-train-restclients-hyperdrive
    • De ondersteuning toegevoegd aan de klant om een aangepaste uitvoerings-id voor hyperdrive-uitvoeringen op te geven

2022-12-05

Azure Machine Learning SDK voor Python v1.48.0

• Belangrijke wijzigingen

  • Ondersteuning voor Python 3.6 is afgeschaft voor Azure Machine Learning SDK-pakketten.

• Opgeloste fouten en verbeteringen

  • azureml-core
    • Opslagaccounts die zijn gemaakt als onderdeel van het maken van een werkruimte, stellen nu in dat openbare blob-toegang standaard wordt uitgeschakeld
  • azureml-responsibleai
    • Azureml-responsibleai-pakketten en notebooks bijgewerkt naar raiwidgets en responsibleai-pakketten v0.23.0
    • Model serializer en pyfunc-model toegevoegd aan azureml-responsibleai-pakket voor het eenvoudig opslaan en ophalen van modellen
  • azureml-train-automl-runtime
    • Docstring toegevoegd voor ManyModels Parameters en HierarchicalTimeSeries Parameters
    • Er is een fout opgelost waarbij gegenereerde code niet goed traint/test splitst.
    • Er is een fout opgelost waardoor het voorspellen van gegenereerde codetrainingstaken mislukt.

2022-10-25

Azure Machine Learning SDK voor Python v1.47.0

• azureml-automl-dnn-nlp
  • Runtimewijzigingen voor AutoML NLP om rekening te houden met vaste trainingsparameters, als onderdeel van het zojuist geïntroduceerde model opruimen en hyperparameterafstemming.
• azureml-mlflow
  • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT kan worden gebruikt om de time-out voor uploaden van artefacten te beheren
• azureml-train-automl-runtime
  • Veel modellen en hiërarchische time series-training dwingt nu controle af op time-outparameters om conflict te detecteren voordat het experiment voor uitvoering wordt ingediend. Hiermee voorkomt u dat er tijdens de uitvoering een uitzondering optreedt voordat u een experiment indient.
  • Klanten kunnen nu de stapgrootte beheren tijdens het gebruik van rolling prognose in veel modellendeducties.
  • VeelModelsdeductie met niet-gepartitioneerde tabellaire gegevens ondersteunt nu forecast_quantiles.

2022-09-26

Azure Machine Learning SDK voor Python v1.46.0

• azureml-automl-dnn-nlp
  • Klanten mogen geen regel meer opgeven in CoNLL, die alleen bestaat uit een token. De regel moet altijd een lege nieuwe regel zijn of één met precies één token gevolgd door precies één spatie gevolgd door precies één label.
• azureml-contrib-automl-dnn-forecasting
  • Er is een hoekcase waarbij steekproeven worden teruggebracht tot 1 na de kruisvalidatiesplitsing, maar sample_size nog steeds verwijst naar het aantal voordat de splitsing en daarom batch_size in sommige gevallen meer is dan het aantal steekproeven. In deze oplossing initialiseren we sample_size na de splitsing
• azureml-core
  • Waarschuwing voor afschaffing toegevoegd wanneer klanten de CLI/SDK v1-modelimplementatie-API's gebruiken om modellen te implementeren en ook wanneer Python-versie 3.6 en minder is.
  • De volgende waarden voor het wijzigen van AZUREML_LOG_DEPRECATION_WARNING_ENABLED het gedrag zijn als volgt:
    • Standaard: geeft de waarschuwing weer wanneer de klant Python 3.6 en minder gebruikt en voor cli/sdk v1.
    • True - geeft de sdk v1-afschaffingswaarschuwing weer voor azureml-sdk-pakketten.
    • False - schakelt de sdk v1-afschaffingswaarschuwing uit voor azureml-sdk-pakketten.
  • De opdracht die moet worden uitgevoerd om de omgevingsvariabele in te stellen om het afschaffingsbericht uit te schakelen:
    • Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
    • Linux - export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
• azureml-interpret
  • update azureml-interpret package to interpret-community 0.27.*
• azureml-pipeline-core
  • Herstel de standaardtijdzone van het schema naar UTC.
  • Corriseer onjuist hergebruik bij het gebruik van SqlDataReference in de DataTransfer-stap.
• azureml-responsibleai
  • azureml-responsibleai-pakket en gecureerde afbeeldingen bijwerken naar raiwidgets en responsibleai v0.22.0
• azureml-train-automl-runtime
  • Er is een fout opgelost in gegenereerde scripts waardoor bepaalde metrische gegevens niet correct worden weergegeven in de gebruikersinterface.
  • Veel modellen ondersteunen nu doorlopende prognoses voor deductie.
  • Ondersteuning voor het retourneren van topmodellen N in veel modellenscenario's.

2022-08-29

Azure Machine Learning SDK voor Python v1.45.0

• azureml-automl-runtime
  • Er is een fout opgelost waarbij de sample_weight kolom niet goed is gevalideerd.
  • Openbare rolling_forecast() methode toegevoegd aan de prognosepijplijn-wrappers voor alle ondersteunde prognosemodellen. Met deze methode wordt de afgeschafte methode rolling_evaluation() vervangen.
  • Er is een probleem opgelost waarbij AutoML-regressietaken mogelijk terugvallen op een trainbare splitsing voor modelevaluatie, wanneer CV een geschiktere keuze zou zijn geweest.
• azureml-core
  • Nieuw achtervoegsel voor cloudconfiguratie toegevoegd, 'aml_discovery_endpoint'.
  • Het leverancierpakket azure-storage bijgewerkt van versie 2 naar versie 12.
• azureml-mlflow
  • Nieuw achtervoegsel voor cloudconfiguratie toegevoegd, 'aml_discovery_endpoint'.
• azureml-responsibleai
  • azureml-responsibleai-pakket en gecureerde afbeeldingen bijwerken naar raiwidgets en responsibleai 0.21.0
• azureml-sdk
  • Met het pakket azureml-sdk is Python 3.9 nu toegestaan.

2022-08-01

Azure Machine Learning SDK voor Python v1.44.0

• azureml-automl-dnn-nlp
  • Gewogen nauwkeurigheid en Matthews-correlatiecoëfficiënt (MCC) zijn geen metrische gegevens meer die worden weergegeven op berekende metrische gegevens voor NLP Multilabel-classificatie.
• azureml-automl-dnn-vision
  • Gebruikersfout genereren wanneer er een ongeldige aantekeningsindeling is opgegeven
• azureml-cli-common
  • De beschrijving van de v1 CLI is bijgewerkt
• azureml-contrib-automl-dnn-forecasting
  • Er is een probleem opgelost waarbij TCN-metrische gegevens niet konden worden berekend. Dit is veroorzaakt door TCNForecaster wanneer verschillende tijdreeksen in de validatiegegevensset verschillende lengten hebben.
  • Id-detectie van automatische tijdreeksen toegevoegd voor DNN-prognosemodellen zoals TCNForecaster.
  • Er is een fout opgelost met het TCN-model voorspellen, waarbij validatiegegevens in sommige gevallen beschadigd konden raken wanneer de gebruiker de validatieset heeft opgegeven.
• azureml-core
  • Het instellen van een timeout_seconds parameter toestaan bij het downloaden van artefacten uit een run
  • Waarschuwingsbericht toegevoegd: Azure Machine Learning CLI v1 wordt buiten gebruik gesteld op 2025-09-. Gebruikers worden aangeraden CLI v2 te gebruiken.
  • Corrigeer verzending naar niet-AmlComputes die uitzonderingen genereert.
  • Docker-contextondersteuning toegevoegd voor omgevingen
• azureml-interpret
  • De numpy-versie voor AutoML-pakketten verhogen
• azureml-pipeline-core
  • Oplossing regenerate_outputs=Waar wordt niet van kracht wanneer de pijplijn wordt verzonden.
• azureml-train-automl-runtime
  • De numpy-versie voor AutoML-pakketten verhogen
  • Codegeneratie inschakelen voor vision en nlp
  • Oorspronkelijke kolommen waarop korrels worden gemaakt, worden toegevoegd als onderdeel van predictions.csv

2022-07-21

Aankondiging van einde van ondersteuning voor Python 3.6 in Azure Machine Learning SDK v1-pakketten

• Afschaffing van functies
  • Python 3.6 verwijderen als een ondersteunde runtime voor SDK v1-pakketten
    • Op 05 december 2022 wordt Python 3.6 door Azure Machine Learning afgeschaft als een ondersteunde runtime, waardoor de Python 3.6-ondersteuning voor SDK v1-pakketten formeel wordt beëindigd.
    • Vanaf de afschaffingsdatum van 05 december 2022 past Azure Machine Learning geen beveiligingspatches en andere updates meer toe op de Python 3.6-runtime die wordt gebruikt door Azure Machine Learning SDK v1-pakketten.
    • De bestaande Azure Machine Learning SDK v1-pakketten met Python 3.6 worden nog steeds uitgevoerd. Azure Machine Learning raadt echter ten zeerste aan dat u uw scripts en afhankelijkheden migreert naar een ondersteunde Python-runtimeversie, zodat u beveiligingspatches blijft ontvangen en in aanmerking komt voor technische ondersteuning.
    • U wordt aangeraden Python 3.8 te gebruiken als runtime voor Azure Machine Learning SDK v1-pakketten.
    • Bovendien komen Azure Machine Learning SDK v1-pakketten met Python 3.6 niet meer in aanmerking voor technische ondersteuning.
    • Neem contact met ons op via AML-ondersteuning als u vragen hebt.

2022-06-27

• azureml-automl-dnn-nlp
  • Kolom dubbele labels verwijderen uit voorspellingen met meerdere labels
• azureml-contrib-automl-pipeline-steps
  • Veel modellen bieden nu ook de mogelijkheid om voorspellingsuitvoer te genereren in CSV-indeling. - Veel voorspellingen van modellen bevatten nu kolomnamen in het uitvoerbestand in het geval van csv-bestandsindeling .
• azureml-core
  • ADAL-verificatie is nu afgeschaft en alle verificatieklassen gebruiken nu MSAL-verificatie. Installeer azure-cli>=2.30.0 om verificatie op basis van MSAL te gebruiken bij het gebruik van azureCliAuthentication-klasse.
  • Oplossing toegevoegd om omgevingsregistratie af te dwingen wanneer Environment.build(workspace). De oplossing lost verwarring op van de nieuwste omgeving die is gebouwd in plaats van de vraag wanneer de omgeving wordt gekloond of overgenomen van een ander exemplaar.
  • Waarschuwingsbericht voor SDK voor het opnieuw starten van rekenproces vóór 31 mei 2022, als deze vóór 19 september 2021 is gemaakt
• azureml-interpret
  • Azureml-interpret-pakket bijgewerkt om community 0.26 te interpreteren.*
  • Voeg in het pakket azureml-interpret de mogelijkheid toe om onbewerkte en ontworpen functienamen op te halen uit score-uitleg. Voeg ook een voorbeeld toe aan het scorenotitieblok om functienamen op te halen uit de scoring-uitleg en documentatie toe te voegen over onbewerkte en ontworpen functienamen.
• azureml-mlflow
  • azureml-core als een afhankelijkheid van azureml-mlflow is verwijderd. - Voor MLflow-projecten en lokale implementaties is azureml-core vereist en moet afzonderlijk worden geïnstalleerd.
  • Er wordt ondersteuning toegevoegd voor het maken van eindpunten en het implementeren ervan via de MLflow-clientinvoegtoepassing.
• azureml-responsibleai
  • Azureml-responsibleai-pakket- en omgevingsinstallatiekopieën bijgewerkt naar de nieuwste verantwoordelijke en raiwidgets 0.19.0-release
• azureml-train-automl-client
  • OutputDatasetConfig wordt nu ondersteund als invoer van de MM/HTS-pijplijnbouwer. De toewijzingen zijn: 1) OutputTabularDatasetConfig-> behandeld als niet-gepartitioneerde tabellaire gegevensset. 2) OutputFileDatasetConfig-> behandeld als opgeslagen gegevensset.
• azureml-train-automl-runtime
  • Er is gegevensvalidatie toegevoegd waarvoor het aantal voorbeelden van minderheidsklassen in de gegevensset minstens zoveel moet zijn als het aantal aangevraagde CV-vouwen.
  • Automatische configuratie van parameters voor kruisvalidatie is nu beschikbaar voor AutoML-prognosetaken. Gebruikers kunnen nu automatisch opgeven voor n_cross_validations en cv_step_size of ze leeg laten, en AutoML biedt deze configuraties op basis van uw gegevens. Deze functie wordt momenteel echter niet ondersteund wanneer TCN is ingeschakeld.
  • Prognoseparameters in veel modellen en hiërarchische tijdreeksen kunnen nu worden doorgegeven via object in plaats van afzonderlijke parameters in de woordenlijst te gebruiken.
  • Ingeschakelde voorspellingsmodeleindpunten met ondersteuning voor kwantielen die moeten worden gebruikt in Power BI.
  • Afhankelijkheid van AutoML-scipy bijgewerkt naar 1.5.3 van 1.5.2

2022-04-25

Azure Machine Learning SDK voor Python v1.41.0

Waarschuwing voor wijziging die fouten veroorzaken

Deze belangrijke wijziging is afkomstig van de release van juni van azureml-inference-server-http. In de azureml-inference-server-http release van juni (v0.9.0) wordt de ondersteuning voor Python 3.6 verwijderd. Omdat azureml-defaults dit afhankelijk is azureml-inference-server-httpvan, wordt deze wijziging doorgegeven aan azureml-defaults. Als u niet voor deductie gebruikt azureml-defaults , kunt u of andere Azure Machine Learning SDK-pakketten rechtstreeks gebruiken azureml-core in plaats van installeren azureml-defaults.

• azureml-automl-dnn-nlp
  • De functie voor tekst voor lange bereiken standaard inschakelen.
• azureml-automl-dnn-vision
  • Het klassetype ObjectAnnotation wijzigen van object in 'gegevensobject'.
• azureml-core
  • In deze release wordt de KeyVault-klasse bijgewerkt die door klanten wordt gebruikt om hen in staat te stellen het sleutelkluisinhoudstype op te geven bij het maken van een geheim met behulp van de SDK. Deze release werkt ook de SDK bij met een nieuwe functie waarmee klanten de waarde van het inhoudstype uit een specifiek geheim kunnen ophalen.
• azureml-interpret
  • azureml-interpret-pakket bijgewerkt om community 0.25.0 te interpreteren
• azureml-pipeline-core
  • Details van de uitvoering niet meer afdrukken als pipeline_run.wait_for_completion met show_output=False
• azureml-train-automl-runtime
  • Lost een fout op waardoor het genereren van code mislukt wanneer het pakket azureml-contrib-automl-dnn-forecasting aanwezig is in de trainingsomgeving.
  • Er is een fout opgelost bij het gebruik van een testgegevensset zonder labelkolom met AutoML-modeltests.

2022-03-28

Azure Machine Learning SDK voor Python v1.40.0

• azureml-automl-dnn-nlp
  • We maken de functie Lange-bereiktekst optioneel en alleen als de klanten er expliciet voor kiezen, met behulp van de kwarg 'enable_long_range_text'
  • Gegevensvalidatielaag toevoegen voor classificatiescenario's met meerdere klassen, waarmee dezelfde basisklasse wordt toegepast als multilabel voor algemene validaties en een afgeleide klasse voor meer taakspecifieke controles voor gegevensvalidatie.
• azureml-automl-dnn-vision
  • KeyError herstellen tijdens het berekenen van klassegewichten.
• azureml-contrib-reinforcementlearning
  • Waarschuwingsbericht voor SDK voor aanstaande afschaffing van de RL-service
• azureml-core
  • • Retourlogboeken voor uitvoeringen die onze nieuwe runtime hebben doorlopen bij het aanroepen van een van de get-logboekfuncties op het uitvoeringsobject, waaronder run.get_details, run.get_all_logsenzovoort.
  • Experimentele methode Datastore.register_onpremises_hdfs toegevoegd zodat gebruikers gegevensarchieven kunnen maken die verwijzen naar on-premises HDFS-resources.
  • De CLI-documentatie bijwerken in de Help-opdracht
• azureml-interpret
  • Voor het pakket azureml-interpret verwijdert u shap pin met verpakkingsupdate. Verwijder numba en numpy pin na ce env update.
• azureml-mlflow
  • Foutfix voor MLflow-implementatieclient run_local mislukt wanneer er geen configuratieobject is opgegeven.
• azureml-pipeline-steps
  • Verbroken koppeling van afgeschafte pijplijn-estimatorStep verwijderen
• azureml-responsibleai
  • azureml-responsibleai-pakket bijwerken naar raiwidgets en responsibleai 0.17.0 release
• azureml-train-automl-runtime
  • Codegeneratie voor geautomatiseerde ML ondersteunt nu VoorspellenTCN-modellen (experimenteel).
  • Bij modellen die zijn gemaakt via codegeneratie, worden nu alle metrische gegevens standaard berekend (behalve genormaliseerde gemiddelde absolute fout, genormaliseerde mediaan absolute fout, genormaliseerde RMSE en genormaliseerde RMSLE in het geval van voorspellingsmodellen). De lijst met metrische gegevens die moeten worden berekend, kan worden gewijzigd door de retourwaarde van get_metrics_names(). Kruisvalidatie wordt nu standaard gebruikt voor het voorspellen van modellen die zijn gemaakt via het genereren van code.
• azureml-training-tabellair
  • De lijst met metrische gegevens die moeten worden berekend, kan worden gewijzigd door de retourwaarde van get_metrics_names(). Kruisvalidatie wordt nu standaard gebruikt voor het voorspellen van modellen die zijn gemaakt via het genereren van code.
  • Het converteren van decimale type y-test naar float zodat de berekening van metrische gegevens zonder fouten kan worden voortgezet.

2022-02-28

Azure Machine Learning SDK voor Python v1.39.0

• azureml-automl-core
  • Onjuiste vorm corrigeren die wordt weergegeven in PBI voor integratie met AutoML-regressiemodellen
  • Het toevoegen van min-labelklassen controleert op zowel classificatietaken (meerdere klassen als meerdere labels). Er wordt een fout gegenereerd voor de uitvoering van de klant als het unieke aantal klassen in de gegevensset voor invoertraining minder dan 2 is. Het is betekenisloos om classificatie uit te voeren op minder dan twee klassen.
• azureml-automl-runtime
  • Het converteren van decimale type y-test naar float zodat de berekening van metrische gegevens zonder fouten kan worden voortgezet.
  • AutoML-training ondersteunt nu numpy versie 1.8.
• azureml-contrib-automl-dnn-forecasting
  • Er is een fout opgelost in het TCNForecaster-model, waarbij niet alle trainingsgegevens werden gebruikt bij het opgeven van instellingen voor kruisvalidatie.
  • De prognosemethode van TCNForecaster-wrapper die de voorspellingen van deductietijd heeft beschadigd. Er is ook een probleem opgelost waarbij de prognosemethode geen gebruik zou maken van de meest recente contextgegevens in trainbare scenario's.
• azureml-interpret
  • Voor het pakket azureml-interpret verwijdert u shap pin met verpakkingsupdate. Verwijder numba en numpy pin na ce env update.
• azureml-responsibleai
  • azureml-responsibleai-pakket voor raiwidgets en responsibleai 0.17.0 release
• azureml-synapse
  • Los het probleem op dat de magicwidget is verdwenen.
• azureml-train-automl-runtime
  • AutoML-afhankelijkheden bijwerken ter ondersteuning van Python 3.8. Deze wijziging breekt de compatibiliteit met modellen die zijn getraind met SDK 1.37 of lager omdat nieuwere Pandas-interfaces worden opgeslagen in het model.
  • AutoML-training ondersteunt nu numpy versie 1.19
  • AutoML-indexlogica herstellen voor ensemblemodellen in automl_setup_model_explanations-API
  • Gebruik in AutoML het lightgbm-surrogaatmodel in plaats van het lineaire surrogaatmodel voor sparse case na de meest recente upgrade van de lightgbm-versie
  • Alle interne tussenliggende artefacten die door AutoML worden geproduceerd, worden nu transparant opgeslagen op de bovenliggende uitvoering (in plaats van te worden verzonden naar het standaardwerkruimte-blobarchief). Gebruikers moeten de artefacten kunnen zien die door AutoML worden gegenereerd onder de map op de outputs/ bovenliggende uitvoering.

2022-01-24

Azure Machine Learning SDK voor Python v1.38.0

• azureml-automl-core
  • Ondersteuning voor tabnetregressor en tabnetclassificatie in AutoML
  • Gegevenstransformatie opslaan in uitvoer van bovenliggende uitvoeringen, die opnieuw kunnen worden gebruikt om dezelfde gemetriseerde gegevensset te produceren, die is gebruikt tijdens de uitvoering van het experiment
  • Ondersteuning voor het ophalen van primaire metrische gegevens voor de prognosetaak in get_primary_metrics-API.
  • De naam van de tweede optionele parameter in v2-scorescripts is gewijzigd als GlobalParameters
• azureml-automl-dnn-vision
  • De scoregegevens toegevoegd in de gebruikersinterface voor metrische gegevens
• azureml-automl-runtime
  • Er is een fout opgelost voor gevallen waarin de naam van het algoritme voor NimbusML-modellen kan worden weergegeven als lege tekenreeksen, hetzij in ML Studio of in de console-uitvoer.
• azureml-core
  • Parameter blobfuse_enabled toegevoegd in azureml.core.webservice.aks.AksWebservice.deploy_configuration. Wanneer deze parameter waar is, worden modellen en scorebestanden gedownload met blobfuse in plaats van de Blob Storage-API.
• azureml-interpret
  • Azureml-interpret bijgewerkt om community 0.24.0 te interpreteren
  • In azureml-interpret-scoring-uitleg voor het ondersteunen van de nieuwste versie van lightgbm met sparse TreeExplainer
  • Azureml-interpret bijwerken om community 0.23 te interpreteren.*
• azureml-pipeline-core
  • Voeg opmerking toe aan pipelinedata, raad de gebruiker aan om in plaats daarvan de gegevensset voor pijplijnuitvoer te gebruiken.
• azureml-pipeline-steps
  • Toevoegen environment_variables aan ParallelRunConfig, runtime-omgevingsvariabelen kunnen worden doorgegeven door deze parameter en worden ingesteld op het proces waarin het gebruikersscript wordt uitgevoerd.
• azureml-train-automl-client
  • Ondersteuning voor tabnetregressor en tabnetclassificatie in AutoML
• azureml-train-automl-runtime
  • Gegevenstransformatie opslaan in uitvoer van bovenliggende uitvoeringen, die opnieuw kunnen worden gebruikt om dezelfde gemetriseerde gegevensset te produceren, die is gebruikt tijdens de uitvoering van het experiment
• azureml-train-core
  • Ondersteuning inschakelen voor vroegtijdige beëindiging voor Bayesian Optimization in Hyperdrive
  • Bayesian- en GridParameterSampling-objecten kunnen nu eigenschappen doorgeven

2021-12-13

Azure Machine Learning SDK voor Python v1.37.0

• Belangrijke wijzigingen

  • azureml-core
    • Vanaf versie 1.37.0 gebruikt Azure Machine Learning SDK MSAL als onderliggende verificatiebibliotheek. MSAL maakt gebruik van Azure Active Directory (Azure AD) v2.0-verificatiestroom om meer functionaliteit te bieden en de beveiliging voor tokencache te verbeteren. Zie Overzicht van de Microsoft Authentication Library (MSAL) voor meer informatie.
    • Werk AML SDK-afhankelijkheden bij naar de nieuwste versie van de Azure Resource Management-clientbibliotheek voor Python (azure-mgmt-resource>=15.0.0.0.0.0<) en adopt track2 SDK.
    • Vanaf versie 1.37.0 moet de azure-ml-cli-extensie compatibel zijn met de nieuwste versie van Azure CLI >=2.30.0.
    • Wanneer u Azure CLI in een pijplijn gebruikt, zoals Azure DevOps, moet u ervoor zorgen dat alle taken/fasen gebruikmaken van versies van Azure CLI boven v2.30.0 voor Azure CLI op basis van MSAL. Azure CLI 2.30.0 is niet achterwaarts compatibel met eerdere versies en genereert een fout bij het gebruik van incompatibele versies. Als u Azure CLI-referenties wilt gebruiken met Azure Machine Learning SDK, moet Azure CLI worden geïnstalleerd als pip-pakket.

• Opgeloste fouten en verbeteringen

  • azureml-core
    • Instantietypen zijn verwijderd uit de werkstroom koppelen voor Kubernetes-rekenkracht. Instantietypen kunnen nu rechtstreeks worden ingesteld in het Kubernetes-cluster. Ga naar aka.ms/amlarc/doc voor meer informatie.
  • azureml-interpret
    • azureml-interpret bijgewerkt om community 0.22 te interpreteren.*
  • azureml-pipeline-steps
    • Er is een fout opgelost waarbij het experiment 'tijdelijke aanduiding' mogelijk werd gemaakt bij het verzenden van een pijplijn met een AutoMLStep.
  • azureml-responsibleai
    • azureml-responsibleai- en rekeninstantieomgeving bijwerken naar de verantwoordelijke en raiwidgets 0.15.0-release
    • update azureml-responsibleai package to latest responsibleai 0.14.0.
  • azureml-tensorboard
    • U kunt nu Tensorboard(runs, use_display_name=True) de TensorBoard-logboeken koppelen aan mappen met de run.display_name/run.id naam in plaats van run.id.
  • azureml-train-automl-client
    • Er is een fout opgelost waarbij het experiment 'tijdelijke aanduiding' mogelijk werd gemaakt bij het verzenden van een pijplijn met een AutoMLStep.
    • Update AutoMLConfig test_data en test_size documenten om de preview-status weer te geven.
  • azureml-train-automl-runtime
    • Er is een nieuwe functie toegevoegd waarmee gebruikers tijdreekskorrels met één unieke waarde kunnen doorgeven.
    • In bepaalde scenario's kan een AutoML-model NaN's voorspellen. De rijen die overeenkomen met deze NaN-voorspellingen, worden verwijderd uit testgegevenssets en voorspellingen voordat u metrische gegevens in testuitvoeringen kunt berekenen.

2021-11-08

Azure Machine Learning SDK voor Python v1.36.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-dnn-vision
    • Kleine typfouten opschonen op sommige foutberichten.
  • azureml-contrib-reinforcementlearning
    • Het indienen van versterkingsleeruitvoeringen die gebruikmaken van simulators worden niet meer ondersteund.
  • azureml-core
    • Er is ondersteuning toegevoegd voor gepartitioneerde Premium-blob.
    • Het opgeven van niet-openbare clouds voor verificatie van beheerde identiteiten wordt niet meer ondersteund.
    • De gebruiker kan de AKS-webservice migreren naar een online-eindpunt en -implementatie, die wordt beheerd door CLI (v2).
    • Het exemplaartype voor trainingstaken op Kubernetes-rekendoelen kan nu worden ingesteld via een RunConfiguration-eigenschap: run_config.kubernetescompute.instance_type.
  • azureml-defaults
    • Overbodige afhankelijkheden verwijderd, zoals gunicorn en werkzeug
  • azureml-interpret
    • azureml-interpret-pakket bijgewerkt naar versie 0.21.* van interpret-community
  • azureml-pipeline-steps
    • Beëindig MpiStep ten gunste van het gebruik van CommandStep voor het uitvoeren van ML-training (inclusief gedistribueerde training) in pijplijnen.
  • azureml-train-automl-rutime
    • Werk de documenten voor uitvoerindelingen voor de AutoML-modeltest bij.
    • Er zijn docstringbeschrijvingen toegevoegd voor het voorspellingsmodel Naive, SeasonalNaive, Average en SeasonalAverage.
    • De featurization-samenvatting wordt nu opgeslagen als een artefact tijdens de uitvoering (controleer op een bestand met de naam 'featurization_summary.json' onder de uitvoermap)
    • Ondersteuning voor categorische indicatoren inschakelen voor Tabnet Learner.
    • Voeg de parameter downsample toe aan automl_setup_model_explanations zodat gebruikers uitleg kunnen krijgen over alle gegevens zonder downsampling door deze parameter in te stellen op false.

2021-10-11

Azure Machine Learning SDK voor Python v1.35.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Berekening van binaire metrische gegevens inschakelen
  • azureml-contrib-fairness
    • Foutbericht bij mislukt downloaden van dashboards verbeteren
  • azureml-core
    • Er is een fout opgetreden bij het opgeven van niet-openbare clouds voor verificatie van beheerde identiteiten.
    • Dataset.File.upload_directory() en Dataset.Tabular.register_pandas_dataframe() experimentele vlaggen worden nu verwijderd.
    • Experimentele vlaggen worden nu verwijderd in de methode partition_by() van de klasse TabularDataset.
  • azureml-pipeline-steps
    • Experimentele vlaggen worden nu verwijderd voor de partition_keys parameter van de klasse ParallelRunConfig.
  • azureml-interpret
    • azureml-interpret-pakket bijgewerkt naar intepret-community 0.20.*
  • azureml-mlflow
    • Het mogelijk gemaakt om artefacten en installatiekopieën met MLflow te registreren met behulp van submappen
  • azureml-responsibleai
    • Foutbericht bij mislukt downloaden van dashboards verbeteren
  • azureml-train-automl-client
    • Er is ondersteuning toegevoegd voor Computer Vision-taken, zoals afbeeldingsclassificatie, objectdetectie en exemplaarsegmentatie. Gedetailleerde documentatie vindt u op: AutoML instellen voor het trainen van Computer Vision-modellen met Python (v1).
    • Berekening van binaire metrische gegevens inschakelen
  • azureml-train-automl-runtime
    • TCNForecaster-ondersteuning toevoegen aan modeltestuitvoeringen.
    • Werk de modeltest bij predictions.csv uitvoerindeling. De uitvoerkolommen bevatten nu de oorspronkelijke doelwaarden en de functies die zijn doorgegeven aan de testuitvoering. Dit kan worden uitgeschakeld door in test_include_predictions_only=TrueAutoMLConfig of door in te stellen include_predictions_only=True in ModelProxy.test(). Als de gebruiker heeft gevraagd om alleen voorspellingen op te nemen, ziet de uitvoerindeling eruit (prognoses zijn hetzelfde als regressie): Classificatie => [voorspelde waarden] [waarschijnlijkheden] Regressie => [voorspelde waarden] anders (standaard): Classificatie => [oorspronkelijke testgegevenslabels] [voorspelde waarden] [waarschijnlijkheden] [functies] Regressie => [oorspronkelijke testgegevenslabels] [voorspelde waarden] [functies] De [predicted values] kolomnaam = [label column name] + "_predicted". De [probabilities] kolomnamen = [class name] + "_predicted_proba". Als er geen doelkolom is doorgegeven als invoer voor de testuitvoering, wordt deze [original test data labels] niet weergegeven in de uitvoer.

2021-09-07

Azure Machine Learning SDK voor Python v1.34.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Er is ondersteuning toegevoegd voor het opnieuw aanpassen van een eerder getrainde prognosepijplijn.
    • Mogelijkheid toegevoegd om voorspellingen op te halen over de trainingsgegevens (in-sample voorspelling) voor prognose.
  • azureml-automl-runtime
    • Voeg ondersteuning toe om voorspelde waarschijnlijkheden te retourneren vanaf een geïmplementeerd eindpunt van een AutoML-classificatiemodel.
    • Er is een prognoseoptie toegevoegd voor gebruikers om op te geven dat alle voorspellingen gehele getallen moeten zijn.
    • De naam van de doelkolom is verwijderd uit onderdeel van de functienamen van modeluitleg voor lokale experimenten met training_data_label_column_name
    • als invoer van gegevensset.
    • Er is ondersteuning toegevoegd voor het opnieuw aanpassen van een eerder getrainde prognosepijplijn.
    • Mogelijkheid toegevoegd om voorspellingen op te halen over de trainingsgegevens (in-sample voorspelling) voor prognose.
  • azureml-core
    • Er is ondersteuning toegevoegd voor het instellen van het type stroomkolom, het koppelen en downloaden van streamkolommen in tabelvorm.
    • Nieuwe optionele velden die zijn toegevoegd aan Kubernetes.attach_configuration(identity_type=Geen, identity_ids=Geen), waardoor KubernetesCompute kan worden gekoppeld met een SystemAssigned- of UserAssigned-identiteit. Er worden nieuwe identiteitsvelden opgenomen bij het aanroepen van afdrukken (compute_target) of compute_target.serialize(): identity_type, identity_id, principal_id en tenant_id/client_id.
  • azureml-dataprep
    • Er is ondersteuning toegevoegd voor het instellen van het type stroomkolom voor gegevenssets in tabelvorm. er is ondersteuning toegevoegd voor het koppelen en downloaden van streamkolommen in tabelgegevensset.
  • azureml-defaults
    • De afhankelijkheid azureml-inference-server-http==0.3.1 is toegevoegd aan azureml-defaults.
  • azureml-mlflow
    • Paginering van list_experiments-API toestaan door optionele parameters toe te voegen max_results en page_token op te geven. Zie officiële MLflow-documenten voor documentatie.
  • azureml-sdk
    • Afhankelijkheid van afgeschaft pakket (azureml-train) in azureml-sdk vervangen.
    • Azureml-responsibleai toevoegen aan azureml-sdk-extra's
  • azureml-train-automl-client
    • Maak de test_data en test_size parameters beschikbaar in AutoMLConfig. Deze parameters kunnen worden gebruikt om automatisch een testuitvoering te starten nadat de modeltrainingsfase is voltooid. De testuitvoering berekent voorspellingen met behulp van het beste model en genereert metrische gegevens op basis van deze voorspellingen.

2021-08-24

Gebruikersinterface van Azure Machine Learning Experimenten

• Verwijderen uitvoeren
  • Run Delete is een nieuwe functionaliteit waarmee gebruikers een of meer uitvoeringen uit hun werkruimte kunnen verwijderen.
  • Deze functionaliteit kan gebruikers helpen de opslagkosten te verlagen en opslagcapaciteit te beheren door regelmatig uitvoeringen en experimenten vanuit de gebruikersinterface rechtstreeks te verwijderen.
• Uitvoering batch annuleren
  • Batch Cancel Run is een nieuwe functionaliteit waarmee gebruikers een of meer uitvoeringen kunnen selecteren om te annuleren vanuit hun lijst met uitvoeringen.
  • Met deze functionaliteit kunnen gebruikers meerdere uitvoeringen in de wachtrij annuleren en ruimte vrijmaken op hun cluster.

2021-08-18

Gebruikersinterface van Azure Machine Learning Experimenten

• Weergavenaam uitvoeren
  • De weergavenaam uitvoeren is een nieuwe, bewerkbare en optionele weergavenaam die kan worden toegewezen aan een uitvoering.
  • Deze naam kan helpen bij het effectiever bijhouden, ordenen en ontdekken van de uitvoeringen.
  • De weergavenaam uitvoeren is standaard ingesteld op een adjective_noun_guid-indeling (bijvoorbeeld: awesome_watch_2i3uns).
  • Deze standaardnaam kan worden bewerkt naar een meer aanpasbare naam. Dit kan worden bewerkt vanaf de pagina Details uitvoeren in de Azure Machine Learning-studio gebruikersinterface.

2021-08-02

Azure Machine Learning SDK voor Python v1.33.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Verbeterde foutafhandeling rond het ophalen van XGBoost-modellen.
    • Mogelijkheid toegevoegd om de voorspellingen te converteren van float naar gehele getallen voor prognose- en regressietaken.
    • De standaardwaarde voor enable_early_stopping in AutoMLConfig is bijgewerkt naar Waar.
  • azureml-automl-runtime
    • Mogelijkheid toegevoegd om de voorspellingen te converteren van float naar gehele getallen voor prognose- en regressietaken.
    • De standaardwaarde voor enable_early_stopping in AutoMLConfig is bijgewerkt naar Waar.
  • azureml-contrib-automl-pipeline-steps
    • Hiërarchische tijdreeksen (HTS) is ingeschakeld voor het voorspellen van taken via pijplijnen.
    • Ondersteuning voor tabellaire gegevenssets toevoegen voor deductie
    • Aangepast pad kan worden opgegeven voor de deductiegegevens
  • azureml-contrib-reinforcementlearning
    • Sommige eigenschappen in azureml.core.environment.DockerSection zijn afgeschaft, zoals shm_size eigenschappen die door Ray-werknemers worden gebruikt in versterkingsleertaken. Deze eigenschap kan nu worden opgegeven.azureml.contrib.train.rl.WorkerConfiguration
  • azureml-core
    • Een hyperlink in ScriptRunConfig.distributed_job_config documentatie opgelost
    • Azure Machine Learning-rekenclusters kunnen nu worden gemaakt op een andere locatie dan de locatie van de werkruimte. Dit is handig voor het maximaliseren van de toewijzing van niet-actieve capaciteit en het beheren van het quotumgebruik op verschillende locaties zonder dat u meer werkruimten hoeft te maken om alleen quota te gebruiken en een rekencluster op een bepaalde locatie te maken. Zie Een Azure Machine Learning-rekencluster maken voor meer informatie.
    • Display_name toegevoegd als een onveranderbaar naamveld van run-object.
    • Gegevensset from_files ondersteunt nu het overslaan van gegevensextensies voor grote invoergegevens
  • azureml-dataprep
    • Er is een fout opgelost waarbij to_dask_dataframe mislukt vanwege een racevoorwaarde.
    • Gegevensset from_files ondersteunt nu het overslaan van gegevensextensies voor grote invoergegevens
  • azureml-defaults
    • We verwijderen de afhankelijkheid azureml-model-management-sdk==1.0.1b6.post1 van azureml-defaults.
  • azureml-interpret
    • azureml-interpret bijgewerkt om community 0.19 te interpreteren.*
  • azureml-pipeline-core
    • Hiërarchische tijdreeksen (HTS) is ingeschakeld voor het voorspellen van taken via pijplijnen.
  • azureml-train-automl-client
    • Schakel over naar het gebruik van blobstore voor caching in Geautomatiseerde ML.
    • Hiërarchische tijdreeksen (HTS) is ingeschakeld voor het voorspellen van taken via pijplijnen.
    • Verbeterde foutafhandeling rond het ophalen van XGBoost-modellen.
    • De standaardwaarde voor enable_early_stopping in AutoMLConfig is bijgewerkt naar Waar.
  • azureml-train-automl-runtime
    • Schakel over naar het gebruik van blobstore voor caching in Geautomatiseerde ML.
    • Hiërarchische tijdreeksen (HTS) is ingeschakeld voor het voorspellen van taken via pijplijnen.
    • De standaardwaarde voor enable_early_stopping in AutoMLConfig is bijgewerkt naar Waar.

2021-07-06

Azure Machine Learning SDK voor Python v1.32.0

• Opgeloste fouten en verbeteringen
  • azureml-core
    • Diagnose van werkruimtestatus beschikbaar maken in SDK/CLI
  • azureml-defaults
    • Afhankelijkheid toegevoegd opencensus-ext-azure==1.0.8 aan azureml-standaardwaarden
  • azureml-pipeline-core
    • De AutoMLStep bijgewerkt om vooraf gemaakte installatiekopieën te gebruiken wanneer de omgeving voor het indienen van taken overeenkomt met de standaardomgeving
  • azureml-responsibleai
    • Nieuwe foutanalyseclient toegevoegd voor het uploaden, downloaden en vermelden van foutanalyserapporten
    • Controleren raiwidgets of en responsibleai pakketten zijn gesynchroniseerd met versie
  • azureml-train-automl-runtime
    • Stel de tijd in die is toegewezen om dynamisch te zoeken in verschillende featurization-strategieën tot een maximum van één vierde van de time-out voor het totale experiment

2021-06-21

Azure Machine Learning SDK voor Python v1.31.0

• Opgeloste fouten en verbeteringen
  • azureml-core
    • Verbeterde documentatie voor platformeigenschap in omgevingsklasse
    • Standaardtijd van AML-rekenknooppunt omlaag schalen gewijzigd van 120 seconden in 1800 seconden
    • Bijgewerkte standaardkoppeling voor probleemoplossing die wordt weergegeven in de portal voor mislukte uitvoeringen voor het oplossen van problemen: https://aka.ms/azureml-run-troubleshooting
  • azureml-automl-runtime
    • Gegevens opschonen: Voorbeelden met doelwaarden in [Geen, "", "nan", np.nan] worden verwijderd vóór featurization en/of modeltraining
  • azureml-interpret
    • Leeggemaakte taakwachtrijfouten voorkomen in externe Azure Machine Learning-uitvoeringen die gebruik maken van ExplanationClient door de time-out te verhogen
  • azureml-pipeline-core
    • Jar-parameter toevoegen aan synapse-stap
  • azureml-train-automl-runtime
    • Hoge kardinaliteitsrails herstellen om beter te worden uitgelijnd met documenten

2021-06-07

Azure Machine Learning SDK voor Python v1.30.0

• Opgeloste fouten en verbeteringen
  • azureml-core
    • Afhankelijkheid ruamel-yaml vastmaken aan < 0.17.5 als een belangrijke wijziging is uitgebracht in 0.17.5.
    • aml_k8s_config de eigenschap wordt vervangen door namespace, default_instance_typeen instance_types parameters voor KubernetesCompute koppelen.
    • Synchronisatiesleutels voor werkruimten zijn gewijzigd in een langdurige bewerking.
  • azureml-automl-runtime
    • Er zijn problemen opgelost waarbij uitvoeringen met big data mogelijk mislukken.Elements of y_test cannot be NaN
  • azureml-mlflow
    • Bugfix van de MLFlow-implementatieinvoegtoepassing voor modellen zonder handtekening.
  • azureml-pipeline-steps
    • ParallelRunConfig: document bijwerken voor process_count_per_node.
  • azureml-train-automl-runtime
    • Ondersteuning voor aangepaste gedefinieerde kwantielen tijdens MM-deductie
    • Ondersteuning voor forecast_quantiles tijdens batchdeductie.
  • azureml-contrib-automl-pipeline-steps
    • Ondersteuning voor aangepaste gedefinieerde kwantielen tijdens MM-deductie
    • Ondersteuning voor forecast_quantiles tijdens batchdeductie.

2021-05-25

Aankondiging van de CLI (v2) voor Azure Machine Learning

De ml extensie voor Azure CLI is de interface van de volgende generatie voor Azure Machine Learning. Hiermee kunt u vanaf de opdrachtregel modellen trainen en implementeren, met functies waarmee het op- en uitschalen van gegevenswetenschap kan worden versneld terwijl de levenscyclus van het model wordt bijgehouden. Installeer en stel de CLI (v2) in.

Azure Machine Learning SDK voor Python v1.29.0

• Opgeloste fouten en verbeteringen
  • Belangrijke wijzigingen
    • Verwijderde ondersteuning voor Python 3.5.
  • azureml-automl-runtime
    • Er is een fout opgelost waarbij de STLFeaturizer mislukte als de tijdreekslengte korter was dan de seizoensgebondenheid. Deze fout is een IndexError. De case wordt nu zonder fouten verwerkt, hoewel het seizoensgebonden onderdeel van de STL alleen uit nullen bestaat in dit geval.
  • azureml-contrib-automl-dnn-vision
    • Er is een methode toegevoegd voor batchdeductie met bestandspaden.
  • azureml-contrib-gbdt
    • Het pakket azureml-contrib-gbdt is afgeschaft en ontvangt mogelijk geen toekomstige updates en wordt helemaal uit de distributie verwijderd.
  • azureml-core
    • Gecorrigeerde uitleg van parameter create_if_not_exists in Datastore.register_azure_blob_container.
    • Voorbeeldcode toegevoegd aan de klasse DatasetConsumptionConfig.
    • Ondersteuning toegevoegd voor stap als alternatieve as voor scalaire metrische waarden in run.log()
  • azureml-dataprep
    • De partitiegrootte beperken die is geaccepteerd in _with_partition_size() 2 GB
  • azureml-interpret
    • azureml-interpret bijwerken naar de nieuwste versie van het interpret-core-pakket
    • Verwijderde ondersteuning voor SHAP DenseData, die is afgeschaft in SHAP 0.36.0.
    • Uploaden naar een door de gebruiker opgegeven gegevensarchief inschakelen ExplanationClient .
  • azureml-mlflow
    • Verplaats azureml-mlflow naar mlflow-skinny om de afhankelijkheidsvoetafdruk te verminderen en tegelijkertijd volledige ondersteuning voor invoegtoepassingen te behouden
  • azureml-pipeline-core
    • Het codevoorbeeld pipelineParameter wordt bijgewerkt in het referentiedocument om de juiste parameter te gebruiken.

2021-05-10

Azure Machine Learning SDK voor Python v1.28.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-runtime
    • Verbeterd AutoML-scorescript om het consistent te maken met de ontwerpfunctie
    • Patchfout waarbij prognose met het Prophet-model een fout 'ontbrekende kolom' genereert als deze is getraind op een eerdere versie van de SDK.
    • Het ARIMAX-model toegevoegd aan de openbare, voorspellende modellijsten van de AutoML SDK. Hier is ARIMAX een regressie met ARIMA-fouten en een speciaal geval van de overdrachtsfunctiemodellen die zijn ontwikkeld door Box en Jenkins. Zie Het ARIMAX-model muddle voor een bespreking van hoe de twee benaderingen verschillen. In tegenstelling tot de rest van de multivariate modellen die gebruikmaken van automatisch gegenereerde, tijdafhankelijke functies (uur van de dag, dag van het jaar, enzovoort) in AutoML, gebruikt dit model alleen functies die door de gebruiker worden geleverd en maakt het interpreteren van coëfficiënten eenvoudig.
  • azureml-contrib-dataset
    • Beschrijving van documentatie bijgewerkt met indicatie dat libfuse moet worden geïnstalleerd tijdens het gebruik van koppeling.
  • azureml-core
    • De standaard-CPU gecureerde installatiekopieën worden nu mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. De standaard-GPU-installatiekopieën zijn nu mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
    • Run.fail() is nu afgeschaft, gebruik Run.tag() om de uitvoering als mislukt te markeren of gebruik Run.cancel() om de uitvoering te markeren als geannuleerd.
    • Bijgewerkte documentatie met een opmerking dat libfuse moet worden geïnstalleerd bij het koppelen van een bestandsgegevensset.
    • Voeg experimentele ondersteuning voor register_dask_dataframe() toe aan tabellaire gegevenssets.
    • Ondersteuning voor DatabricksStep met Azure Blob/ADL-S als invoer/uitvoer en parameter permit_cluster_restart beschikbaar stellen om de klant te laten beslissen of AML het cluster opnieuw kan opstarten wanneer de i/o-toegangsconfiguratie moet worden toegevoegd aan het cluster
  • azureml-dataset-runtime
    • azureml-dataset-runtime ondersteunt nu versies van pyarrow < 4.0.0
  • azureml-mlflow
    • Er is ondersteuning toegevoegd voor implementatie in Azure Machine Learning via onze MLFlow-invoegtoepassing.
  • azureml-pipeline-steps
    • Ondersteuning voor DatabricksStep met Azure Blob/ADL-S als invoer/uitvoer en parameter permit_cluster_restart beschikbaar stellen om de klant te laten beslissen of AML het cluster opnieuw kan opstarten wanneer de i/o-toegangsconfiguratie moet worden toegevoegd aan het cluster
  • azureml-synapse
    • Doelgroep in msi-verificatie inschakelen
  • azureml-train-automl-client
    • Gewijzigde koppeling toegevoegd voor rekendoeldocumenten

2021-04-19

Azure Machine Learning SDK voor Python v1.27.0

• Opgeloste fouten en verbeteringen
  • azureml-core
    • De mogelijkheid toegevoegd om de standaardtime-outwaarde voor uploaden van artefacten te overschrijven via de omgevingsvariabele 'AZUREML_ARTIFACTS_DEFAULT_TIMEOUT'.
    • Er is een fout opgelost waarbij docker-instellingen in omgevingsobject in ScriptRunConfig niet worden gerespecteerd.
    • Partitioneren van een gegevensset toestaan bij het kopiëren naar een bestemming.
    • Er is een aangepaste modus toegevoegd aan outputDatasetConfig om het doorgeven van gemaakte gegevenssets in pijplijnen via een koppelingsfunctie mogelijk te maken. Deze ondersteuningsverbeteringen die zijn aangebracht om partitionering in tabelvorm in te schakelen voor PRS.
    • Er is een nieuw KubernetesCompute-rekentype toegevoegd aan azureml-core.
  • azureml-pipeline-core
    • Een aangepaste modus toevoegen aan outputDatasetConfig en een gebruiker in staat stellen om gemaakte gegevenssets in pijplijnen door te geven via een koppelingsfunctie. Bestandspadbestemmingen ondersteunen tijdelijke aanduidingen. Deze ondersteunen de verbeteringen die zijn aangebracht om partitionering in tabelvorm mogelijk te maken voor PRS.
    • Toevoeging van nieuw KubernetesCompute-rekentype aan azureml-core.
  • azureml-pipeline-steps
    • Toevoeging van nieuw KubernetesCompute-rekentype aan azureml-core.
  • azureml-synapse
    • URL van spark-gebruikersinterface bijwerken in widget van azureml synapse
  • azureml-train-automl-client
    • De STL-featurizer voor de prognosetaak maakt nu gebruik van een krachtigere seizoensgebondenheidsdetectie op basis van de frequentie van de tijdreeks.
  • azureml-train-core
    • Er is een fout opgelost waarbij docker-instellingen in het omgevingsobject niet worden gerespecteerd.
    • Toevoeging van nieuw KubernetesCompute-rekentype aan azureml-core.

2021-04-05

Azure Machine Learning SDK voor Python v1.26.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Er is een probleem opgelost waarbij Naïeve modellen worden aanbevolen in AutoMLStep-uitvoeringen en mislukken met vertragings- of rolling vensterfuncties. Deze modellen worden niet aanbevolen wanneer doelvertragingen of de grootte van het lopende doelvenster zijn ingesteld.
    • Console-uitvoer gewijzigd bij het verzenden van een AutoML-uitvoering om een portalkoppeling naar de uitvoering weer te geven.
  • azureml-core
    • HDFS-modus toegevoegd in documentatie.
    • Er is ondersteuning toegevoegd om inzicht te krijgen in partities van bestandsgegevenssets op basis van glob-structuur.
    • Er is ondersteuning toegevoegd voor het bijwerken van containerregisters die zijn gekoppeld aan Azure Machine Learning Workspace.
    • Afgeschafte omgevingskenmerken onder DockerSection : 'ingeschakeld', 'shared_volume' en 'argumenten' maken nu deel uit van DockerConfiguration in RunConfiguration.
    • Documentatie voor het klonen van pijplijn-CLI bijgewerkt
    • Bijgewerkte portal-URI's voor het opnemen van tenants voor verificatie
    • Naam van experiment verwijderd uit uitvoerings-URI's om omleidingen te voorkomen
    • Experiment URO bijgewerkt om experiment-id te gebruiken.
    • Opgeloste fouten voor het koppelen van externe berekeningen met Azure Machine Learning CLI.
    • Portal-URI's bijgewerkt om tenant op te nemen voor verificatie.
    • De experiment-URI is bijgewerkt om de experiment-id te gebruiken.
  • azureml-interpret
    • azureml-interpret bijgewerkt voor gebruik van interpret-community 0.17.0
  • azureml-opendatasets
    • Invoer van begin- en einddatumtypevalidatie en foutindicatie als dit geen datum/tijd-type is.
  • azureml-parallel-run
    • [Experimentele functie] Voeg de parameter toe partition_keys aan ParallelRunConfig, indien opgegeven, de invoergegevensset(s) worden gepartitioneerd in minibatches door de sleutels die erin zijn opgegeven. Hiervoor moeten alle invoergegevenssets worden gepartitioneerd.
  • azureml-pipeline-steps
    • Bugfix: ondersteuning voor path_on_compute tijdens het doorgeven van de configuratie van de gegevensset als download.
    • Gebruik CommandStep voor het uitvoeren van R-scripts in pijplijnen.
    • Verwijder EstimatorStep ten gunste van het gebruik van CommandStep voor het uitvoeren van ML-training (inclusief gedistribueerde training) in pijplijnen.
  • azureml-sdk
    • Python_requires bijwerken naar < 3.9 voor azureml-sdk
  • azureml-train-automl-client
    • Console-uitvoer gewijzigd bij het verzenden van een AutoML-uitvoering om een portalkoppeling naar de uitvoering weer te geven.
  • azureml-train-core
    • Afgeschafte kenmerken van DockerSection 'enabled', 'shared_volume' en 'arguments' ten gunste van het gebruik van DockerConfiguration met ScriptRunConfig.
    • Azure Open Datasets gebruiken voor MNIST-gegevensset
    • Hyperdrive-foutberichten zijn bijgewerkt.

2021-03-22

Azure Machine Learning SDK voor Python v1.25.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Console-uitvoer gewijzigd bij het verzenden van een AutoML-uitvoering om een portalkoppeling naar de uitvoering weer te geven.
  • azureml-core
    • Begint met het bijwerken van het containerregister voor werkruimte in SDK en CLI
    • Afgeschafte kenmerken van DockerSection 'enabled', 'shared_volume' en 'arguments' ten gunste van het gebruik van DockerConfiguration met ScriptRunConfig.
    • Documentatie voor het klonen van pijplijn-CLI bijgewerkt
    • Bijgewerkte portal-URI's voor het opnemen van tenants voor verificatie
    • Naam van experiment verwijderd uit uitvoerings-URI's om omleidingen te voorkomen
    • Experiment URO bijgewerkt om experiment-id te gebruiken.
    • Opgeloste fouten voor het koppelen van externe berekeningen met behulp van az CLI
    • Portal-URI's bijgewerkt om tenant op te nemen voor verificatie.
    • Er is ondersteuning toegevoegd om inzicht te krijgen in partities van bestandsgegevenssets op basis van glob-structuur.
  • azureml-interpret
    • azureml-interpret bijgewerkt voor gebruik van interpret-community 0.17.0
  • azureml-opendatasets
    • Invoer van begin- en einddatumtypevalidatie en foutindicatie als dit geen datum/tijd-type is.
  • azureml-pipeline-core
    • Bugfix: ondersteuning voor path_on_compute tijdens het doorgeven van de configuratie van de gegevensset als download.
  • azureml-pipeline-steps
    • Bugfix: ondersteuning voor path_on_compute tijdens het doorgeven van de configuratie van de gegevensset als download.
    • Gebruik CommandStep voor het uitvoeren van R-scripts in pijplijnen.
    • Verwijder EstimatorStep ten gunste van het gebruik van CommandStep voor het uitvoeren van ML-training (inclusief gedistribueerde training) in pijplijnen.
  • azureml-train-automl-runtime
    • Console-uitvoer gewijzigd bij het verzenden van een AutoML-uitvoering om een portalkoppeling naar de uitvoering weer te geven.
  • azureml-train-core
    • Afgeschafte kenmerken van DockerSection 'enabled', 'shared_volume' en 'arguments' ten gunste van het gebruik van DockerConfiguration met ScriptRunConfig.
    • Azure Open Datasets gebruiken voor MNIST-gegevensset
    • Hyperdrive-foutberichten zijn bijgewerkt.

2021-03-31

Azure Machine Learning-studio Notebooks Experience (update van maart)

• Nieuwe functies

  • CSV/TSV weergeven. Gebruikers kunnen een TSV-/CSV-bestand weergeven in een rasterindeling voor eenvoudigere gegevensanalyse.
  • SSO-verificatie voor rekenproces. Gebruikers kunnen nu eenvoudig nieuwe rekeninstanties rechtstreeks in de notebookgebruikersinterface verifiëren, waardoor het eenvoudiger is om Azure-SDK's rechtstreeks in Azure Machine Learning te verifiëren en te gebruiken.
  • Metrische gegevens van rekeninstanties. Gebruikers kunnen metrische rekengegevens bekijken, zoals CPU-gebruik en geheugen via terminal.
  • Bestandsgegevens. Gebruikers kunnen nu bestandsgegevens zien, inclusief de laatste wijzigingstijd en bestandsgrootte door op de drie puntjes naast een bestand te klikken.

• Opgeloste fouten en verbeteringen

  • Verbeterde laadtijden voor pagina's.
  • Verbeterde prestaties.
  • Verbeterde snelheid en kernelbetrouwbaarheid.
  • Verkrijg verticaal onroerend goed door het notitieblokbestandsvenster permanent te verplaatsen.
  • Koppelingen kunnen nu worden geklikt in Terminal
  • Verbeterde IntelliSense-prestaties

2021-03-08

Azure Machine Learning SDK voor Python v1.24.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Achterwaarts compatibele invoer verwijderd uit azureml.automl.core.shared. Er kunnen geen fouten in de module in de azureml.automl.core.shared naamruimte worden gevonden door te importeren uit azureml.automl.runtime.shared.
  • azureml-contrib-automl-dnn-vision
    • Het yolo-model voor de detectie van blootgestelde objecten.
  • azureml-contrib-dataset
    • Functionaliteit toegevoegd voor het filteren van gegevenssets in tabelvorm op kolomwaarden en bestandsgegevenssets op metagegevens.
  • azureml-contrib-fairness
    • JSON-schema opnemen in wiel voor azureml-contrib-fairness
  • azureml-contrib-mir
    • Als u show_output instelt op Waar bij het implementeren van modellen, wordt deductieconfiguratie en implementatieconfiguratie opnieuw afgespeeld voordat de aanvraag naar de server wordt verzonden.
  • azureml-core
    • Functionaliteit toegevoegd voor het filteren van gegevenssets in tabelvorm op kolomwaarden en bestandsgegevenssets op metagegevens.
    • Voorheen was het mogelijk voor gebruikers om inrichtingsconfiguraties te maken voor ComputeTarget's die niet voldoen aan de wachtwoordsterktevereisten voor het admin_user_password veld (dat wil gezegd, dat ze ten minste 3 van het volgende moeten bevatten: een kleine letter, één hoofdletter, één cijfer en één speciaal teken uit de volgende set: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Als de gebruiker een configuratie met een zwak wachtwoord heeft gemaakt en een taak heeft uitgevoerd met die configuratie, mislukt de taak tijdens runtime. De aanroep om een ComputeTargetException met een bijbehorend foutbericht te AmlCompute.provisioning_configuration genereren waarin de vereisten voor wachtwoordsterkte worden uitgelegd.
    • Daarnaast was het in sommige gevallen ook mogelijk om een configuratie met een negatief aantal maximumknooppunten op te geven. Het is niet meer mogelijk om dit te doen. AmlCompute.provisioning_configuration Gooit nu een ComputeTargetException als het max_nodes argument een negatief geheel getal is.
    • Als u show_output instelt op True bij het implementeren van modellen, wordt deductieconfiguratie en implementatieconfiguratie weergegeven.
    • Als u show_output instelt op True wanneer wordt gewacht op de voltooiing van de modelimplementatie, wordt de voortgang van de implementatiebewerking weergegeven.
    • Door de klant opgegeven Azure Machine Learning-verificatiemap via omgevingsvariabele toestaan: AZUREML_AUTH_CONFIG_DIR
    • Voorheen was het mogelijk om een inrichtingsconfiguratie te maken met het minimale aantal knooppunten kleiner dan het maximumaantal knooppunten. De taak wordt uitgevoerd, maar mislukt tijdens runtime. Deze fout is nu opgelost. Als u nu probeert een inrichtingsconfiguratie te maken met min_nodes < max_nodes de SDK, wordt een ComputeTargetException.
  • azureml-interpret
    • uitlegdashboard niet weergeven van statistische functiebelangen voor geparseerde uitleg
    • geoptimaliseerd geheugengebruik van ExplanationClient in azureml-interpret-pakket
  • azureml-train-automl-client
    • Opgelost show_output=Onwaar om het besturingselement terug te keren naar de gebruiker bij het uitvoeren met spark.

2021-02-28

Azure Machine Learning-studio Notebooks Experience (update van februari)

• Nieuwe functies

  • Systeemeigen terminal (GA). Gebruikers hebben nu toegang tot een geïntegreerde terminal en Git-bewerking via de geïntegreerde terminal.
  • Notebookfragmenten (preview). Veelgebruikte codefragmenten van Azure Machine Learning zijn nu binnen handbereik beschikbaar. Navigeer naar het deelvenster codefragmenten, toegankelijk via de werkbalk of activeer het menu codefragmenten met Ctrl + Spatiebalk.
  • Sneltoetsen. Volledige pariteit met sneltoetsen die beschikbaar zijn in Jupyter.
  • Celparameters aangeven. Geeft gebruikers weer welke cellen in een notebook parametercellen zijn en kunnen geparameteriseerde notebooks uitvoeren via Papermill op het rekenproces.
  • Terminal- en kernelsessiebeheer: gebruikers kunnen alle kernels en terminalsessies beheren die worden uitgevoerd op hun berekening.
  • Knop Delen. Gebruikers kunnen nu elk bestand delen in de Verkenner van het notitieblok door met de rechtermuisknop op het bestand te klikken en de knop Delen te gebruiken.

• Opgeloste fouten en verbeteringen

  • Verbeterde laadtijden voor pagina's
  • Betere prestaties
  • Verbeterde snelheid en kernelbetrouwbaarheid
  • Het draaiende wiel is toegevoegd om de voortgang weer te geven voor alle lopende bewerkingen van het rekenproces.
  • Klik met de rechtermuisknop in Bestandenverkenner. Als u met de rechtermuisknop op een bestand klikt, worden bestandsbewerkingen geopend.

2021-02-16

Azure Machine Learning SDK voor Python v1.23.0

• Opgeloste fouten en verbeteringen
  • azureml-core
    • [Experimentele functie] Ondersteuning toevoegen om synapse-werkruimte te koppelen aan AML als een gekoppelde service
    • [Experimentele functie] Ondersteuning toevoegen voor het koppelen van synapse spark-pool aan AML als rekenproces
    • [Experimentele functie] Voeg ondersteuning toe voor gegevenstoegang op basis van identiteit. Gebruikers kunnen gegevensopslag of gegevenssets registreren zonder referenties op te geven. In dat geval wordt het Azure AD-token of de beheerde identiteit van het rekendoel van gebruikers gebruikt voor verificatie. Zie Verbinding maken voor opslag met behulp van gegevenstoegang op basis van identiteiten voor meer informatie.
  • azureml-pipeline-steps
    • [Experimentele functie] Ondersteuning voor SynapseSparkStep toevoegen
  • azureml-synapse
    • [Experimentele functie] Voeg ondersteuning van spark magic toe om een interactieve sessie uit te voeren in synapse spark-pool.
• Opgeloste fouten en verbeteringen
  • azureml-automl-runtime
    • In deze update hebben we exponentiële smoothing toegevoegd aan het voorspellen van de werkset van de AutoML SDK. Gezien een tijdreeks wordt het beste model geselecteerd door AICc (Gecorrigeerd Akaike's Informatiecriterium) en geretourneerd.
    • AutoML genereert nu twee logboekbestanden in plaats van één. Logboekinstructies gaan naar een of de andere, afhankelijk van het proces waarin de logboekinstructie is gegenereerd.
    • Verwijder overbodige voorspellingen in het voorbeeld tijdens modeltraining met kruisvalidaties. Dit kan in sommige gevallen de modeltrainingstijd verminderen, met name voor modellen voor tijdreeksprognoses.
  • azureml-contrib-fairness
    • Voeg een JSON-schema toe voor het uploaden van dashboardDictionary.
  • azureml-contrib-interpret
    • azureml-contrib-interpret README wordt bijgewerkt om aan te geven dat het pakket wordt verwijderd in de volgende update nadat het is afgeschaft sinds oktober, in plaats daarvan azureml-interpret-pakket gebruiken
  • azureml-core
    • Voorheen was het mogelijk om een inrichtingsconfiguratie te maken met het minimale aantal knooppunten kleiner dan het maximumaantal knooppunten. Dit is nu opgelost. Als u nu probeert een inrichtingsconfiguratie te maken met min_nodes < max_nodes de SDK, wordt een ComputeTargetException.
    • Lost een fout op in wait_for_completion in AmlCompute, waardoor de functie de controlestroom retourneert voordat de bewerking daadwerkelijk is voltooid
    • Run.fail() is nu afgeschaft, gebruik Run.tag() om de uitvoering als mislukt te markeren of gebruik Run.cancel() om de uitvoering te markeren als geannuleerd.
    • Foutbericht 'Omgevingsnaam verwachte str, {} gevonden' weergeven wanneer de opgegeven omgevingsnaam geen tekenreeks is.
  • azureml-train-automl-client
    • Er is een fout opgelost waardoor AutoML-experimenten die werden uitgevoerd op Azure Databricks-clusters niet werden geannuleerd.

2021-02-09

Azure Machine Learning SDK voor Python v1.22.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Er is een fout opgelost waarbij een extra pip-afhankelijkheid werd toegevoegd aan het conda yml-bestand voor vision-modellen.
  • azureml-automl-runtime
    • Er is een fout opgelost waarbij klassieke voorspellingsmodellen (bijvoorbeeld AutoArima) trainingsgegevens konden ontvangen waarbij rijen met ingesloten doelwaarden niet aanwezig waren. Dit heeft het gegevenscontract van deze modellen geschonden. * Verschillende fouten opgelost met vertragingsgedrag per exemplaar in de vertragingsoperator van de tijdreeks. Voorheen markeerde de lag-by-occurrence-bewerking niet alle toegerekende rijen correct en zou dus niet altijd de juiste waarden voor de gebeurtenisvertraging genereren. Er zijn ook enkele compatibiliteitsproblemen opgelost tussen de vertragingsoperator en de operator voor rollend venster met vertraging per exemplaar. Dit heeft eerder geresulteerd in het verwijderen van enkele rijen uit de trainingsgegevens die anders moeten worden gebruikt.
  • azureml-core
    • Ondersteuning toevoegen voor tokenverificatie per doelgroep.
    • Voeg toe process_count aan PyTorchConfiguration ter ondersteuning van PyTorch-taken met meerdere knooppunten.
  • azureml-pipeline-steps

    • CommandStep nu GA en niet meer experimenteel.

    • ParallelRunConfig: argument toevoegen allowed_failed_count en allowed_failed_percent om de foutdrempel op minibatchniveau te controleren. Foutdrempel heeft nu drie smaken:

      • error_threshold : het aantal toegestane mislukte minibatchitems;
      • allowed_failed_count : het aantal toegestane mislukte minibatches;
      • allowed_failed_percent: het percentage toegestane mislukte minibatches.

      Een taak stopt als deze groter is dan een taak. error_threshold is vereist om de compatibiliteit met eerdere versies te behouden. Stel de waarde in op -1 om deze te negeren.

    • Afhandeling van witruimten in AutoMLStep-naam opgelost.

    • ScriptRunConfig wordt nu ondersteund door HyperDriveStep

  • azureml-train-core
    • HyperDrive-uitvoeringen die zijn aangeroepen vanuit een ScriptRun, worden nu beschouwd als een onderliggende uitvoering.
    • Voeg toe process_count aan PyTorchConfiguration ter ondersteuning van PyTorch-taken met meerdere knooppunten.
  • azureml-widgets
    • Voeg widget ParallelRunStepDetails toe om de status van een ParallelRunStep te visualiseren.
    • Hiermee kunnen hyperdrive-gebruikers een as in het grafiek met parallelle coördinaten zien waarin de metrische waarde wordt weergegeven die overeenkomt met elke set hyperparameters voor elke onderliggende uitvoering.

2021-01-31

Azure Machine Learning-studio Notebooks Experience (update van januari)

• Nieuwe functies

  • Systeemeigen Markdown-editor in Azure Machine Learning. Gebruikers kunnen markdown-bestanden nu systeemeigen weergeven en bewerken in Azure Machine Learning Studio.
  • Knop Uitvoeren voor scripts (.py, . R en .sh). Gebruikers kunnen nu eenvoudig Python-, R- en Bash-script uitvoeren in Azure Machine Learning
  • Variable Explorer. Verken de inhoud van variabelen en gegevensframes in een pop-upvenster. Gebruikers kunnen eenvoudig het gegevenstype, de grootte en de inhoud controleren.
  • Inhoudstabel. Navigeer naar secties van uw notitieblok, aangegeven door Markdown-headers.
  • Exporteer uw notebook als Latex/HTML/Py. Eenvoudig te delen notitieblokbestanden maken door te exporteren naar LaTex, HTML of .py
  • Intellicode. Door ML aangedreven resultaten bieden een verbeterde intelligente ervaring voor automatisch aanvullen.

• Opgeloste fouten en verbeteringen

  • Verbeterde laadtijden voor pagina's
  • Betere prestaties
  • Verbeterde snelheid en kernelbetrouwbaarheid

2021-01-25

Azure Machine Learning SDK voor Python v1.21.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • Help-tekst van CLI opgelost bij het gebruik van AmlCompute met UserAssigned Identity
  • azureml-contrib-automl-dnn-vision
    • Implementatie- en downloadknoppen worden zichtbaar voor AutoML Vision-uitvoeringen en modellen kunnen worden geïmplementeerd of gedownload, vergelijkbaar met andere AutoML-uitvoeringen. Er zijn twee nieuwe bestanden (scoring_file_v_1_0_0.py en conda_env_v_1_0_0.yml) die een script bevatten voor het uitvoeren van deductie en een yml-bestand om de Conda-omgeving opnieuw te maken. Het bestand model.pth is ook hernoemd om de extensie .pt te gebruiken.
  • azureml-core
    • MSI-ondersteuning voor azure-cli-ml
    • Door de gebruiker toegewezen ondersteuning voor beheerde identiteiten.
    • Met deze wijziging moeten de klanten een door de gebruiker toegewezen identiteit kunnen opgeven die kan worden gebruikt om de sleutel op te halen uit de sleutelkluis van de klant voor versleuteling-at-rest.
    • fix row_count=0 for the profile of large files - fix error in double conversion for delimited values with white space padding
    • Experimentele vlag verwijderen voor algemene beschikbaarheid van uitvoergegevensset
    • Documentatie bijwerken over het ophalen van een specifieke versie van een model
    • Werkruimte bijwerken toestaan voor toegang tot gemengde modus in private link
    • Oplossing voor het verwijderen van een andere registratie in het gegevensarchief voor het hervatten van de uitvoeringsfunctie
    • CLI/SDK-ondersteuning toegevoegd voor het bijwerken van de primaire door de gebruiker toegewezen identiteit van de werkruimte
  • azureml-interpret
    • azureml-interpret bijgewerkt om community 0.16.0 te interpreteren
    • geheugenoptimalisaties voor uitlegclient in azureml-interpret
  • azureml-train-automl-runtime
    • Streaming ingeschakeld voor ADB-uitvoeringen
  • azureml-train-core
    • Oplossing voor het verwijderen van een andere registratie in het gegevensarchief voor het hervatten van de uitvoeringsfunctie
  • azureml-widgets
    • Klanten mogen geen wijzigingen zien in bestaande visualisatie van uitvoeringsgegevens met behulp van de widget en hebben nu ondersteuning als ze optioneel voorwaardelijke hyperparameters gebruiken.
    • De widget voor het uitvoeren van gebruikers bevat nu een gedetailleerde uitleg over waarom een uitvoering de status In de wachtrij heeft.

2021-01-11

Azure Machine Learning SDK voor Python v1.20.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • framework_version toegevoegd in OptimizationConfig. Het wordt gebruikt wanneer het model is geregistreerd bij framework MULTI.
  • azureml-contrib-optimization
    • framework_version toegevoegd in OptimizationConfig. Het wordt gebruikt wanneer het model is geregistreerd bij framework MULTI.
  • azureml-pipeline-steps
    • Introductie van CommandStep, die opdracht zou nemen om te verwerken. De opdracht kan uitvoerbare bestanden, shell-opdrachten, scripts, enzovoort bevatten.
  • azureml-core
    • Het maken van een werkruimte ondersteunt nu door de gebruiker toegewezen identiteit. De uai-ondersteuning toevoegen vanuit SDK/CLI
    • Er is een probleem opgelost met service.reload() om wijzigingen op score.py in de lokale implementatie op te halen.
    • run.get_details() heeft een extra veld met de naam 'submittedBy', waarin de naam van de auteur voor deze uitvoering wordt weergegeven.
    • Documentatie over de methode Edited Model.register om te vermelden hoe u het model rechtstreeks kunt registreren
    • Probleem opgelost met het afhandelen van wijzigingen in de verbindingsstatus van IOT-Server.

12-2020-31

Azure Machine Learning-studio Notebooks Experience (update van december)

• Nieuwe functies

  • Zoeken naar bestandsnaam van gebruiker. Gebruikers kunnen nu alle bestanden doorzoeken die zijn opgeslagen in een werkruimte.
  • Ondersteuning voor Markdown naast elkaar per notebookcel. In een notebookcel kunnen gebruikers nu de optie hebben om weergegeven Markdown en Markdown-syntaxis naast elkaar weer te geven.
  • Celstatusbalk. De statusbalk geeft aan in welke status een codecel zich bevindt, of een cel is uitgevoerd en hoe lang het duurde om te worden uitgevoerd.

• Opgeloste fouten en verbeteringen

  • Verbeterde laadtijden voor pagina's
  • Betere prestaties
  • Verbeterde snelheid en kernelbetrouwbaarheid

2020-12-07

Azure Machine Learning SDK voor Python v1.19.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Experimentele ondersteuning toegevoegd voor testgegevens aan AutoMLStep.
    • De eerste kern implementatie van de opnamefunctie voor testsets is toegevoegd.
    • Verplaatste verwijzingen naar sklearn.externals.joblib om rechtstreeks afhankelijk te zijn van joblib.
    • introduceert een nieuw Type AutoML-taak van 'image-instance-segmentation'.
  • azureml-automl-runtime
    • De eerste kern implementatie van de opnamefunctie voor testsets is toegevoegd.
    • Wanneer alle tekenreeksen in een tekstkolom exact één teken lang zijn, werkt de TfIdf word-gram-featurizer niet omdat de tokenizer de tekenreeksen met minder dan twee tekens negeert. Met de huidige codewijziging kan AutoML deze use-case verwerken.
    • introduceert een nieuw Type AutoML-taak van 'image-instance-segmentation'.
  • azureml-contrib-automl-dnn-nlp
    • Eerste pull-aanvraag voor nieuw dnn-nlp-pakket
  • azureml-contrib-automl-dnn-vision
    • introduceert een nieuw Type AutoML-taak van 'image-instance-segmentation'.
  • azureml-contrib-automl-pipeline-steps
    • Dit nieuwe pakket is verantwoordelijk voor het maken van stappen die vereist zijn voor veel modellen voor het trainen/deductiescenario. - Ook wordt de train/deductiecode verplaatst naar het pakket azureml.train.automl.runtime, zodat toekomstige oplossingen automatisch beschikbaar zijn via gecureerde omgevingsreleases.
  • azureml-contrib-dataset
    • introduceert een nieuw Type AutoML-taak van 'image-instance-segmentation'.
  • azureml-core
    • De eerste kern implementatie van de opnamefunctie voor testsets is toegevoegd.
    • De xref-waarschuwingen voor documentatie in het azureml-core-pakket oplossen
    • Oplossingen voor Doc-tekenreeksen voor de functie voor opdrachtondersteuning in SDK
    • Opdrachteigenschap toevoegen aan RunConfiguration. Met deze functie kunnen gebruikers een werkelijke opdracht of uitvoerbare bestanden uitvoeren op de berekening via de Azure Machine Learning SDK.
    • Gebruikers kunnen een leeg experiment verwijderen op basis van de id van dat experiment.
  • azureml-dataprep
    • Er is ondersteuning voor gegevenssets toegevoegd voor Spark die is gebouwd met Scala 2.12. Dit wordt toegevoegd aan de bestaande 2.11-ondersteuning.
  • azureml-mlflow
    • AzureML-MLflow voegt veilige beveiligingen toe aan externe scripts om vroegtijdige beëindiging van ingediende uitvoeringen te voorkomen.
  • azureml-pipeline-core
    • Er is een fout opgelost bij het instellen van een standaardpijplijn voor pijplijneindpunt dat is gemaakt via de gebruikersinterface
  • azureml-pipeline-steps
    • Experimentele ondersteuning toegevoegd voor testgegevens aan AutoMLStep.
  • azureml-tensorboard
    • De xref-waarschuwingen voor documentatie in het azureml-core-pakket oplossen
  • azureml-train-automl-client
    • Experimentele ondersteuning toegevoegd voor testgegevens aan AutoMLStep.
    • De eerste kern implementatie van de opnamefunctie voor testsets is toegevoegd.
    • introduceert een nieuw Type AutoML-taak van 'image-instance-segmentation'.
  • azureml-train-automl-runtime
    • De eerste kern implementatie van de opnamefunctie voor testsets is toegevoegd.
    • Corrigeer de berekening van de onbewerkte uitleg voor het beste AutoML-model als de AutoML-modellen worden getraind met behulp van validation_size instelling.
    • Verplaatste verwijzingen naar sklearn.externals.joblib om rechtstreeks afhankelijk te zijn van joblib.
  • azureml-train-core

    • HyperDriveRun.get_children_sorted_by_primary_metric() moet nu sneller worden voltooid

    • Verbeterde foutafhandeling in HyperDrive SDK.

    • Afgeschafte alle estimatorklassen ten gunste van het gebruik van ScriptRunConfig om experimentuitvoeringen te configureren. Afgeschafte klassen zijn:

      • MMLBase
      • Estimator
      • PyTorch
      • TensorFlow
      • Chainer
      • SKLearn

    • Het gebruik van Nccl en Gloo is afgeschaft als geldige invoertypen voor Estimator-klassen ten gunste van het gebruik van PyTorchConfiguration met ScriptRunConfig.

    • Het gebruik van Mpi is afgeschaft als een geldig invoertype voor Estimator-klassen ten gunste van het gebruik van MpiConfiguration met ScriptRunConfig.

    • Opdrachteigenschap toevoegen om de configuratie uit te voeren. Met deze functie kunnen gebruikers een werkelijke opdracht of uitvoerbare bestanden uitvoeren op de berekening via de Azure Machine Learning SDK.

    • Afgeschafte alle estimatorklassen ten gunste van het gebruik van ScriptRunConfig om experimentuitvoeringen te configureren. Afgeschafte klassen zijn: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

    • Het gebruik van Nccl en Gloo is afgeschaft als een geldig type invoer voor Estimator-klassen ten gunste van het gebruik van PyTorchConfiguration met ScriptRunConfig.

    • Het gebruik van Mpi is afgeschaft als een geldig type invoer voor Estimator-klassen ten gunste van het gebruik van MpiConfiguration met ScriptRunConfig.

11-2020-30

Azure Machine Learning-studio Notebooks Experience (update van november)

• Nieuwe functies

  • Systeemeigen terminal. Gebruikers hebben nu toegang tot een geïntegreerde terminal en Git-bewerking via de geïntegreerde terminal.
  • Dubbele map
  • Kosten voor vervolgkeuzelijst Compute
  • Offline compute-pylance

• Opgeloste fouten en verbeteringen

  • Verbeterde laadtijden voor pagina's
  • Betere prestaties
  • Verbeterde snelheid en kernelbetrouwbaarheid
  • Groot bestand uploaden. U kunt nu bestand >95 mb uploaden

2020-11-09

Azure Machine Learning SDK voor Python v1.18.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Verbeterde verwerking van korte tijdreeksen door opvulling toe te staan met Gaussiische ruis.
  • azureml-automl-runtime
    • ConfigException gooien als een datetime-kolom outOfBoundsDatetime-waarde heeft
    • Verbeterde verwerking van korte tijdreeksen door opvulling toe te staan met Gaussiische ruis.
    • Zorg ervoor dat elke tekstkolom teken-gramtransformatie kan gebruiken met het n-grambereik op basis van de lengte van de tekenreeksen in die tekstkolom
    • Onbewerkte functie-uitleg bieden voor de beste modus voor AutoML-experimenten die worden uitgevoerd op lokale compute van de gebruiker
  • azureml-core
    • Maak het pakket vast: pyjwt om te voorkomen dat er in toekomstige versies fouten worden opgeslagen in toekomstige versies.
    • Als u een experiment maakt, wordt het actieve of laatste gearchiveerde experiment met dezelfde naam geretourneerd als dit experiment bestaat of een nieuw experiment.
    • Als u get_experiment op naam aanroept, wordt het actieve of laatst gearchiveerde experiment met die naam geretourneerd.
    • Gebruikers kunnen de naam van een experiment niet wijzigen tijdens het opnieuw activeren.
    • Verbeterd foutbericht met mogelijke oplossingen wanneer een gegevensset onjuist wordt doorgegeven aan een experiment (bijvoorbeeld ScriptRunConfig).
    • Verbeterde documentatie voor OutputDatasetConfig.register_on_complete het opnemen van het gedrag van wat er gebeurt wanneer de naam al bestaat.
    • Het opgeven van invoer- en uitvoernamen van gegevenssets die het potentieel hebben om te botsen met algemene omgevingsvariabelen, resulteert nu in een waarschuwing
    • grant_workspace_access Parameter voor hergebruik bij het registreren van gegevensarchieven. Stel deze in op True toegang tot gegevens achter een virtueel netwerk vanuit Machine Learning Studio. Meer informatie
    • De API van de gekoppelde service is verfijnd. In plaats van resource-id op te geven, hebben we drie afzonderlijke parameters sub_id, rg en naam die in de configuratie zijn gedefinieerd.
    • Om klanten in staat te stellen om problemen met tokenbeschadiging zelf op te lossen, schakelt u synchronisatie van werkruimtetoken in als een openbare methode.
    • Met deze wijziging kan een lege tekenreeks worden gebruikt als een waarde voor een script_param
  • azureml-train-automl-client
    • Verbeterde verwerking van korte tijdreeksen door opvulling toe te staan met Gaussiische ruis.
  • azureml-train-automl-runtime
    • ConfigException gooien als een datetime-kolom outOfBoundsDatetime-waarde heeft
    • Er is ondersteuning toegevoegd voor het bieden van uitleg van onbewerkte functies voor het beste model voor AutoML-experimenten die worden uitgevoerd op lokale compute van gebruikers
    • Verbeterde verwerking van korte tijdreeksen door opvulling toe te staan met Gaussiische ruis.
  • azureml-train-core
    • Met deze wijziging kan een lege tekenreeks worden gebruikt als een waarde voor een script_param
  • azureml-train-restclients-hyperdrive
    • README is gewijzigd om meer context te bieden
  • azureml-widgets
    • Voeg tekenreeksondersteuning toe aan de bibliotheek grafieken/parallelcoördinaten voor widget.

2020-11-05

Gegevenslabels voor segmentatie van afbeeldingsexemplaren (veelhoekaantekening) (preview)

Het projecttype voor het segmenteren van het afbeeldingsexemplaren (veelhoekaantekeningen) in gegevenslabels is nu beschikbaar, zodat gebruikers veelhoeken kunnen tekenen en aantekeningen kunnen maken rond de contour van de objecten in de afbeeldingen. Gebruikers kunnen een klasse en een veelhoek toewijzen aan elk object dat interessant is in een afbeelding.

Meer informatie over segmenteringslabels voor afbeeldingsexemplaren.

2020-10-26

Azure Machine Learning SDK voor Python v1.17.0

• nieuwe voorbeelden
  • Er is een nieuwe communitygestuurde opslagplaats met voorbeelden beschikbaar op https://github.com/Azure/azureml-examples
• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Er is een probleem opgelost waarbij get_output een XGBoostError kan genereren.
  • azureml-automl-runtime
    • Functies op basis van tijd/agenda die door AutoML zijn gemaakt, hebben nu het voorvoegsel.
    • Er is een IndexError opgelost tijdens de training van StackEnsemble voor classificatiegegevenssets waarvoor een groot aantal klassen en subsampling is ingeschakeld.
    • Er is een probleem opgelost waarbij VotingRegressor-voorspellingen mogelijk onnauwkeurig zijn na het aanpassen van het model.
  • azureml-core
    • Meer informatie over de relatie tussen de configuratie van AKS-implementatie en azure Kubernetes Service-concepten.
    • Ondersteuning voor omgevingsclientlabels. Gebruiker kan omgevingen labelen en ernaar verwijzen op label.
  • azureml-dataprep
    • Beter foutbericht bij het gebruik van momenteel niet-ondersteunde Spark met Scala 2.12.
  • azureml-explain-model
    • Het pakket azureml-explain-model is officieel afgeschaft
  • azureml-mlflow
    • Er is een fout opgelost in mlflow.projects.run op azureml-back-end, waarbij de status voltooien niet goed werd verwerkt.
  • azureml-pipeline-core
    • Voeg ondersteuning toe voor het maken, vermelden en ophalen van een pijplijnplanning op basis van één pijplijneindpunt.
    • De documentatie van PipelineData.as_dataset verbeterd met een ongeldig gebruiksvoorbeeld: als u PipelineData.as_dataset gebruikt, wordt nu een ValueException gegenereerd
    • Het Notebook voor HyperDriveStep-pijplijnen is gewijzigd om het beste model in een PipelineStep direct te registreren nadat de HyperDriveStep is uitgevoerd.
  • azureml-pipeline-steps
    • Het Notebook voor HyperDriveStep-pijplijnen is gewijzigd om het beste model in een PipelineStep direct te registreren nadat de HyperDriveStep is uitgevoerd.
  • azureml-train-automl-client
    • Er is een probleem opgelost waarbij get_output een XGBoostError kan genereren.

Azure Machine Learning-studio Notebooks Experience (update van oktober)

• Nieuwe functies

  • Volledige ondersteuning voor virtueel netwerk
  • Focusmodus
  • Notitieblokken opslaan Met Ctrl-S
  • Regelnummers

• Opgeloste fouten en verbeteringen

  • Verbetering van snelheid en kernelbetrouwbaarheid
  • Updates voor de gebruikersinterface van Jupyter Widget

2020-10-12

Azure Machine Learning SDK voor Python v1.16.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • AKSWebservice en AKSEndpoints ondersteunen nu cpu- en geheugenresourcelimieten op podniveau. Deze optionele limieten kunnen worden gebruikt door het instellen --cpu-cores-limit en --memory-gb-limit markeren in toepasselijke CLI-aanroepen
  • azureml-core
    • Primaire versies van directe afhankelijkheden van azureml-core vastmaken
    • AKSWebservice en AKSEndpoints ondersteunen nu cpu- en geheugenresourcelimieten op podniveau. Meer informatie over Kubernetes-resources en -limieten
    • Bijgewerkt run.log_table zodat afzonderlijke rijen kunnen worden vastgelegd.
    • Statische methode Run.get(workspace, run_id) toegevoegd om een uitvoering alleen op te halen met behulp van een werkruimte
    • Instantiemethode Workspace.get_run(run_id) toegevoegd om een uitvoering op te halen in de werkruimte
    • Introductie van de opdrachteigenschap in de uitvoeringsconfiguratie, waarmee gebruikers de opdracht kunnen verzenden in plaats van script& argumenten.
  • azureml-interpret
    • opgeloste uitleg client is_raw vlaggedrag in azureml-interpret
  • azureml-sdk
    • azureml-sdk python 3.8 officieel ondersteunen.
  • azureml-train-core
    • TensorFlow 2.3 gecureerde omgeving toevoegen
    • Introductie van de opdrachteigenschap in de uitvoeringsconfiguratie, waarmee gebruikers de opdracht kunnen verzenden in plaats van script& argumenten.
  • azureml-widgets
    • Opnieuw ontworpen interface voor scriptrunwidget.

2020-09-28

Azure Machine Learning SDK voor Python v1.15.0

• Opgeloste fouten en verbeteringen
  • azureml-contrib-interpret
    • LIME-uitleg is verplaatst van azureml-contrib-interpret naar interpret-community-pakket en afbeeldingsuitlichter verwijderd uit het pakket azureml-contrib-interpret
    • visualisatiedashboard verwijderd uit azureml-contrib-interpret-pakket, uitlegclient verplaatst naar azureml-interpret-pakket en afgeschaft in azureml-contrib-interpret-pakketten en notebooks bijgewerkt om een verbeterde API weer te geven
    • pypi-pakketbeschrijvingen herstellen voor azureml-interpret, azureml-explain-model, azureml-contrib-interpret en azureml-tensorboard
  • azureml-contrib-notebook
    • Maak nbcovert-afhankelijkheid vast aan < 6, zodat papierband 1.x blijft werken.
  • azureml-core
    • Parameters toegevoegd aan de TensorflowConfiguration- en MpiConfiguration-constructor om een meer gestroomlijnde initialisatie van de klassekenmerken mogelijk te maken zonder dat de gebruiker elk afzonderlijk kenmerk hoeft in te stellen. Er is een PyTorchConfiguration-klasse toegevoegd voor het configureren van gedistribueerde PyTorch-taken in ScriptRunConfig.
    • Maak de versie van azure-mgmt-resource vast om de verificatiefout op te lossen.
    • Ondersteuning voor Triton No Code Deploy
    • uitvoermappen die zijn opgegeven in Run.start_logging() worden nu bijgehouden bij het gebruik van uitvoering in interactieve scenario's. De bijgehouden bestanden zijn zichtbaar in ML Studio bij het aanroepen van Run.complete()
    • Bestandscodering kan nu worden opgegeven tijdens het maken van de gegevensset met Dataset.Tabular.from_delimited_files en Dataset.Tabular.from_json_lines_files door het encoding argument door te geven. De ondersteunde coderingen zijn 'utf8', 'iso88591', 'latin1', 'ascii', utf16', 'utf32', 'utf8bom' en 'windows1252'.
    • Er is een fout opgelost wanneer het omgevingsobject niet wordt doorgegeven aan de ScriptRunConfig-constructor.
    • Run.cancel() bijgewerkt om het annuleren van een lokale uitvoering vanaf een andere computer toe te staan.
  • azureml-dataprep
    • Time-outproblemen met koppelen van gegevenssets opgelost.
  • azureml-explain-model
    • pypi-pakketbeschrijvingen herstellen voor azureml-interpret, azureml-explain-model, azureml-contrib-interpret en azureml-tensorboard
  • azureml-interpret
    • visualisatiedashboard verwijderd uit azureml-contrib-interpret-pakket, uitlegclient verplaatst naar azureml-interpret-pakket en afgeschaft in azureml-contrib-interpret-pakketten en notebooks bijgewerkt om een verbeterde API weer te geven
    • azureml-interpret-pakket bijgewerkt, afhankelijk van interpret-community 0.15.0
    • pypi-pakketbeschrijvingen herstellen voor azureml-interpret, azureml-explain-model, azureml-contrib-interpret en azureml-tensorboard
  • azureml-pipeline-core
    • Er is een probleem opgelost met de pijplijn waarbij OutputFileDatasetConfig het systeem niet meer reageert wanneerregister_on_complete deze wordt aangeroepen met de name parameter die is ingesteld op een bestaande naam van de gegevensset.
  • azureml-pipeline-steps
    • Verouderde databricks-notebooks zijn verwijderd.
  • azureml-tensorboard
    • pypi-pakketbeschrijvingen herstellen voor azureml-interpret, azureml-explain-model, azureml-contrib-interpret en azureml-tensorboard
  • azureml-train-automl-runtime
    • visualisatiedashboard verwijderd uit azureml-contrib-interpret-pakket, uitlegclient verplaatst naar azureml-interpret-pakket en afgeschaft in azureml-contrib-interpret-pakketten en notebooks bijgewerkt om een verbeterde API weer te geven
  • azureml-widgets
    • visualisatiedashboard verwijderd uit azureml-contrib-interpret-pakket, uitlegclient verplaatst naar azureml-interpret-pakket en afgeschaft in azureml-contrib-interpret-pakketten en notebooks bijgewerkt om een verbeterde API weer te geven

2020-09-21

Azure Machine Learning SDK voor Python v1.14.0

• Opgeloste fouten en verbeteringen

  • azure-cli-ml

    • Rasterprofilering is verwijderd uit de SDK en wordt niet meer ondersteund.

  • azureml-accel-models

    • pakket azureml-accel-models ondersteunt nu TensorFlow 2.x

  • azureml-automl-core

    • Foutafhandeling toegevoegd in get_output voor gevallen waarin lokale versies van pandas/sklearn niet overeenkomen met de versies die tijdens de training worden gebruikt

  • azureml-automl-runtime

    • Er is een fout opgelost waarbij AutoArima-iteraties mislukken met een PredictionException en het bericht: 'Stille fout is opgetreden tijdens voorspelling'.

  • azureml-cli-common

    • Rasterprofilering is verwijderd uit de SDK en wordt niet meer ondersteund.

  • azureml-contrib-server

    • Beschrijving van het pakket voor pypi-overzichtspagina bijwerken.

  • azureml-core

    • Rasterprofilering verwijderd uit de SDK en wordt niet meer ondersteund.
    • Verminder het aantal foutberichten wanneer het ophalen van de werkruimte mislukt.
    • Waarschuwing niet weergeven bij het ophalen van metagegevens mislukt
    • Nieuw Kusto-stap- en Kusto-rekendoel.
    • Document bijwerken voor SKU-parameter. Verwijder de SKU in de werkruimte-updatefunctionaliteit in CLI en SDK.
    • Beschrijving van het pakket voor pypi-overzichtspagina bijwerken.
    • Documentatie bijgewerkt voor Azure Machine Learning-omgevingen.
    • Instellingen voor door de service beheerde resources beschikbaar maken voor de AML-werkruimte in SDK.

  • azureml-dataprep

    • Schakel de machtiging uitvoeren in voor bestanden voor koppelen van gegevenssets.

  • azureml-mlflow

    • Documentatie en notebookvoorbeelden voor Azure Machine Learning MLflow bijgewerkt
    • Nieuwe ondersteuning voor MLflow-projecten met Azure Machine Learning-back-end
    • Ondersteuning voor MLflow-modelregister
    • Azure RBAC-ondersteuning toegevoegd voor AzureML-MLflow-bewerkingen

  • azureml-pipeline-core

    • Verbeterde documentatie van de PipelineOutputFileDataset.parse_*-methoden.
    • Nieuw Kusto-stap- en Kusto-rekendoel.
    • De opgegeven Swaggerurl-eigenschap voor de entiteit pijplijneindpunt via die gebruiker kan de schemadefinitie voor het gepubliceerde pijplijneindpunt zien.

  • azureml-pipeline-steps

    • Nieuw Kusto-stap- en Kusto-rekendoel.

  • azureml-telemetrie

    • Beschrijving van het pakket voor pypi-overzichtspagina bijwerken.

  • azureml-train

    • Beschrijving van het pakket voor pypi-overzichtspagina bijwerken.

  • azureml-train-automl-client

    • Foutafhandeling toegevoegd in get_output voor gevallen waarin lokale versies van pandas/sklearn niet overeenkomen met de versies die tijdens de training worden gebruikt

  • azureml-train-core

    • Beschrijving van het pakket voor pypi-overzichtspagina bijwerken.

08-2020-31

Azure Machine Learning SDK voor Python v1.13.0

• Preview-functies

  • azureml-core Met de nieuwe mogelijkheid voor uitvoergegevenssets kunt u terugschrijven naar cloudopslag, waaronder Blob, ADLS Gen 1, ADLS Gen 2 en FileShare. U kunt configureren waar gegevens moeten worden uitgevoerd, hoe u gegevens kunt uitvoeren (via koppelen of uploaden), of u de uitvoergegevens wilt registreren voor toekomstig hergebruik en delen en tussenliggende gegevens tussen pijplijnstappen naadloos wilt doorgeven. Dit maakt reproduceerbaarheid, delen mogelijk, voorkomt duplicatie van gegevens en resulteert in kostenefficiëntie en productiviteitswinsten. Meer informatie over het gebruik ervan

• Opgeloste fouten en verbeteringen

  • azureml-automl-core
    • Er is validated_{platform}_requirements.txt bestand toegevoegd voor het vastmaken van alle pip-afhankelijkheden voor AutoML.
    • Deze release ondersteunt modellen die groter zijn dan 4 Gb.
    • AutoML-afhankelijkheden bijgewerkt: scikit-learn (nu 0.22.1), pandas (nu 0.25.1), numpy (nu 1.18.2).
  • azureml-automl-runtime
    • Stel horovod in voor tekst-DNN om altijd fp16-compressie te gebruiken.
    • Deze release ondersteunt modellen die groter zijn dan 4 Gb.
    • Er is een probleem opgelost waarbij AutoML mislukt met ImportError: kan de naam RollingOriginValidatorniet importeren.
    • AutoML-afhankelijkheden bijgewerkt: scikit-learn (nu 0.22.1), pandas (nu 0.25.1), numpy (nu 1.18.2).
  • azureml-contrib-automl-dnn-forecasting
    • AutoML-afhankelijkheden bijgewerkt: scikit-learn (nu 0.22.1), pandas (nu 0.25.1), numpy (nu 1.18.2).
  • azureml-contrib-fairness
    • Geef een korte beschrijving op voor azureml-contrib-fairness.
  • azureml-contrib-pipeline-steps
    • Bericht toegevoegd dat aangeeft dat dit pakket is afgeschaft en dat de gebruiker in plaats daarvan azureml-pipeline-steps moet gebruiken.
  • azureml-core
    • Opdracht lijstsleutel toegevoegd voor werkruimte.
    • Voeg de parameter tags toe in de Workspace SDK en CLI.
    • Er is een fout opgelost waarbij het verzenden van een onderliggende uitvoering met gegevensset mislukt vanwege TypeError: can't pickle _thread.RLock objects.
    • Page_count standaarddocumentatie toevoegen voor modellijst().
    • Wijzig DE CLI&SDK om de parameter adbworkspace te gebruiken en werkruimte adb lin/unlink runner toe te voegen.
    • Er is een fout opgelost in Dataset.update waardoor de nieuwste versie van de gegevensset werd bijgewerkt, niet de versie van de update van de gegevensset werd aangeroepen.
    • Er is een fout opgelost in Dataset.get_by_name die de tags voor de nieuwste versie van de gegevensset weergeeft, zelfs wanneer een specifieke oudere versie werd opgehaald.
  • azureml-interpret
    • Er zijn waarschijnlijkheidsuitvoer toegevoegd aan shap scoring-uitlegders in azureml-interpret op basis van shap_values_output parameter uit de oorspronkelijke uitleg.
  • azureml-pipeline-core
    • Verbeterde PipelineOutputAbstractDataset.registerdocumentatie.
  • azureml-train-automl-client
    • AutoML-afhankelijkheden bijgewerkt: scikit-learn (nu 0.22.1), pandas (nu 0.25.1), numpy (nu 1.18.2).
  • azureml-train-automl-runtime
    • AutoML-afhankelijkheden bijgewerkt: scikit-learn (nu 0.22.1), pandas (nu 0.25.1), numpy (nu 1.18.2).
  • azureml-train-core
    • Gebruikers moeten nu een geldig hyperparameter_sampling argument opgeven bij het maken van een HyperDriveConfig. Daarnaast is de documentatie voor HyperDriveRunConfig bewerkt om gebruikers te informeren over de afschaffing van HyperDriveRunConfig.
    • PyTorch-standaardversie herstellen naar 1.4.
    • PyTorch 1.6 & TensorFlow 2.2-afbeeldingen en gecureerde omgeving toevoegen.

Azure Machine Learning-studio Notebooks Experience (update van augustus)

• Nieuwe functies

  • Nieuwe introductiepagina

• Preview-functies

  • Functie verzamelen in notebooks. Met de functie Gather kunnen gebruikers nu eenvoudig notebooks opschonen. Gather maakt gebruik van een geautomatiseerde afhankelijkheidsanalyse van uw notebook, zodat de essentiële code wordt bewaard, maar alle irrelevante onderdelen worden verwijderd.

• Opgeloste fouten en verbeteringen

  • Verbetering van snelheid en betrouwbaarheid
  • Fouten in donkere modus opgelost
  • Fouten in uitvoer schuiven opgelost
  • Voorbeeldzoekopdrachten doorzoekt nu alle inhoud van alle bestanden in de opslagplaats azure Machine Learning-voorbeeldnotebooks
  • R-cellen met meerdere regels kunnen nu worden uitgevoerd
  • "Ik vertrouw de inhoud van dit bestand" wordt nu automatisch gecontroleerd na de eerste keer
  • Dialoogvenster Verbeterde conflictoplossing, met de nieuwe optie 'Een kopie maken'

2020-08-17

Azure Machine Learning SDK voor Python v1.12.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • Voeg image_name en image_label parameters toe aan Model.package() om de naam van de ingebouwde pakketinstallatiekopie te wijzigen.
  • azureml-automl-core
    • AutoML genereert een nieuwe foutcode van dataprep wanneer inhoud wordt gewijzigd tijdens het lezen.
  • azureml-automl-runtime
    • Waarschuwingen toegevoegd voor de gebruiker wanneer gegevens ontbrekende waarden bevatten, maar featurization is uitgeschakeld.
    • Opgeloste fouten bij het uitvoeren van onderliggende items wanneer gegevens nan en featurization bevatten, zijn uitgeschakeld.
    • AutoML genereert een nieuwe foutcode van dataprep wanneer inhoud wordt gewijzigd tijdens het lezen.
    • De normalisatie voor het voorspellen van metrische gegevens is bijgewerkt op basis van graan.
    • Verbeterde berekening van prognose-kwantielen wanneer lookback-functies zijn uitgeschakeld.
    • De verwerking van bool-sparsematrix is opgelost bij het berekenen van uitleg na AutoML.
  • azureml-core
    • Een nieuwe methode run.get_detailed_status() toont nu de gedetailleerde uitleg van de huidige uitvoeringsstatus. Er wordt momenteel alleen een verklaring voor Queued de status weergegeven.
    • Voeg image_name en image_label parameters toe aan Model.package() om de naam van de ingebouwde pakketinstallatiekopie te wijzigen.
    • Nieuwe methode set_pip_requirements() voor het instellen van de hele pip-sectie CondaDependencies in één keer.
    • Schakel het registreren van referentiesloze ADLS Gen2-gegevensopslag in.
    • Verbeterd foutbericht bij het downloaden of koppelen van een onjuist gegevenssettype.
    • Voorbeeldnotitieblok voor het filteren van tijdreeksgegevenssets bijwerken met meer voorbeelden van partition_timestamp die filteroptimalisatie bieden.
    • Wijzig de SDK en CLI om subscriptionId, resourceGroup, workspaceName, pe Verbinding maken ionName te accepteren als parameters in plaats van ArmResourceId bij het verwijderen van een privé-eindpuntverbinding.
    • Experimentele Decorator toont klassenaam voor eenvoudigere identificatie.
    • Beschrijvingen voor de assets in modellen worden niet meer automatisch gegenereerd op basis van een uitvoering.
  • azureml-datadrift
    • Markeer create_from_model API in DataDriftDetector als afgeschaft.
  • azureml-dataprep
    • Verbeterd foutbericht bij het downloaden of koppelen van een onjuist gegevenssettype.
  • azureml-pipeline-core
    • Er is een fout opgelost bij het deserialiseren van de pijplijngrafiek die geregistreerde gegevenssets bevat.
  • azureml-pipeline-steps
    • RScriptStep ondersteunt RSection vanuit azureml.core.environment.
    • De passthru_automl_config parameter is verwijderd uit de AutoMLStep openbare API en deze geconverteerd naar een interne parameter.
  • azureml-train-automl-client
    • Lokale asynchrone beheerde omgeving is verwijderd uit AutoML. Alle lokale uitvoeringen worden uitgevoerd in de omgeving waaruit de uitvoering is gestart.
    • Er zijn problemen met momentopnamen opgelost bij het verzenden van AutoML-uitvoeringen zonder door de gebruiker verstrekte scripts.
    • Fouten in onderliggende uitvoeringen opgelost wanneer gegevens nan en featurization bevatten, zijn uitgeschakeld.
  • azureml-train-automl-runtime
    • AutoML genereert een nieuwe foutcode van dataprep wanneer inhoud wordt gewijzigd tijdens het lezen.
    • Er zijn problemen met momentopnamen opgelost bij het verzenden van AutoML-uitvoeringen zonder door de gebruiker verstrekte scripts.
    • Fouten in onderliggende uitvoeringen opgelost wanneer gegevens nan en featurization bevatten, zijn uitgeschakeld.
  • azureml-train-core
    • Er is ondersteuning toegevoegd voor het opgeven van pip-opties (bijvoorbeeld --extra-index-URL) in het pip-vereistenbestand dat is doorgegeven aan een Estimator via-parameter pip_requirements_file .

2020-08-03

Azure Machine Learning SDK voor Python v1.11.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • Modelframework en modelframework corrigeren dat niet is doorgegeven in het uitvoeringsobject in het CLI-modelregistratiepad
    • Opdracht cli amlcompute-identiteit weergeven herstellen om tenant-id en principal-id weer te geven
  • azureml-train-automl-client
    • Get_best_child () toegevoegd aan AutoMLRun voor het ophalen van de beste onderliggende uitvoering voor een AutoML-uitvoering zonder het bijbehorende model te downloaden.
    • Er is een ModelProxy-object toegevoegd waarmee voorspellen of voorspellen kan worden uitgevoerd in een externe trainingsomgeving zonder het model lokaal te downloaden.
    • Niet-verwerkte uitzonderingen in AutoML verwijzen nu naar een HTTP-pagina met bekende problemen, waar meer informatie over de fouten kan worden gevonden.
  • azureml-core
    • Modelnamen kunnen 255 tekens lang zijn.
    • Environment.get_image_details() retourobjecttype gewijzigd. DockerImageDetailsdictvervangen klasse, afbeeldingsdetails zijn beschikbaar in de nieuwe klasse-eigenschappen. Wijzigingen zijn compatibel met eerdere versies.
    • Fout opgelost voor Environment.from_pip_requirements() om de structuur van afhankelijkheden te behouden
    • Er is een fout opgelost waarbij log_list zou mislukken als een int en double werd opgenomen in dezelfde lijst.
    • Houd er rekening mee dat als er rekendoelen zijn gekoppeld aan de werkruimte, deze doelen niet werken als ze zich niet achter hetzelfde virtuele netwerk bevinden als het privé-eindpunt van de werkruimte.
    • Optioneel gemaakt as_named_input bij het gebruik van gegevenssets in experimenten en toegevoegd as_mount en as_download toegevoegd aan FileDataset. De invoernaam wordt automatisch gegenereerd als as_mount of as_download wordt aangeroepen.
  • azureml-automl-core
    • Niet-verwerkte uitzonderingen in AutoML verwijzen nu naar een HTTP-pagina met bekende problemen, waar meer informatie over de fouten kan worden gevonden.
    • Get_best_child () toegevoegd aan AutoMLRun voor het ophalen van de beste onderliggende uitvoering voor een AutoML-uitvoering zonder het bijbehorende model te downloaden.
    • Er is een ModelProxy-object toegevoegd waarmee voorspellen of voorspellen kan worden uitgevoerd in een externe trainingsomgeving zonder het model lokaal te downloaden.
  • azureml-pipeline-steps
    • Toegevoegd enable_default_model_output en enable_default_metrics_output vlaggen toegevoegd aan AutoMLStep. Deze vlaggen kunnen worden gebruikt om de standaarduitvoer in of uit te schakelen.

2020-07-20

Azure Machine Learning SDK voor Python v1.10.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Als bij het gebruik van AutoML een pad wordt doorgegeven aan het AutoMLConfig-object en het nog niet bestaat, wordt het automatisch gemaakt.
    • Gebruikers kunnen nu een tijdreeksfrequentie opgeven voor het voorspellen van taken met behulp van de freq parameter.
  • azureml-automl-runtime
    • Als bij het gebruik van AutoML een pad wordt doorgegeven aan het AutoMLConfig-object en het nog niet bestaat, wordt het automatisch gemaakt.
    • Gebruikers kunnen nu een tijdreeksfrequentie opgeven voor het voorspellen van taken met behulp van de freq parameter.
    • AutoML-prognose ondersteunt nu doorlopende evaluatie, die van toepassing is op de use-case dat de lengte van een test- of validatieset langer is dan de invoerperiode en bekende y_pred waarde wordt gebruikt als prognosecontext.
  • azureml-core
    • Waarschuwingsberichten worden afgedrukt als er geen bestanden zijn gedownload uit het gegevensarchief in een uitvoering.
    • Er is documentatie toegevoegd voor skip_validation de Datastore.register_azure_sql_database method.
    • Gebruikers moeten upgraden naar sdk v1.10.0 of hoger om een automatisch goedgekeurd privé-eindpunt te maken. Dit omvat de Notebook-resource die achter het VNet kan worden gebruikt.
    • Maak NotebookInfo beschikbaar in het antwoord van de werkruimte ophalen.
    • Wijzigingen in het weergeven van aanroepen om rekendoelen weer te geven en het berekenen van het rekendoel te laten slagen tijdens een externe uitvoering. Sdk-functies om rekendoel op te halen en rekendoelen voor werkruimten weer te geven, werken nu in externe uitvoeringen.
    • Voeg afschaffingsberichten toe aan de klassebeschrijvingen voor azureml.core.image-klassen.
    • Een uitzondering genereren en werkruimte en afhankelijke resources opschonen als het maken van een privé-eindpunt van de werkruimte mislukt.
    • Ondersteuning voor upgrade van werkruimte-sku's in werkruimte-updatemethode.
  • azureml-datadrift
    • Werk matplotlib-versie bij van 3.0.2 naar 3.2.1 ter ondersteuning van Python 3.8.
  • azureml-dataprep
    • Ondersteuning toegevoegd voor web-URL-gegevensbronnen met Range of Head aanvraag.
    • Verbeterde stabiliteit voor koppelen en downloaden van bestandsgegevenssets.
  • azureml-train-automl-client
    • Er zijn problemen opgelost met betrekking tot het verwijderen van RequirementParseError setuptools.
    • Gebruik docker in plaats van Conda voor lokale uitvoeringen die zijn verzonden met behulp van 'compute_target='local''
    • De herhalingsduur die naar de console wordt afgedrukt, is gecorrigeerd. Voorheen werd de iteratieduur soms afgedrukt als uitvoeringstijd minus de aanmaaktijd van de uitvoering. De bewerking is gecorrigeerd op gelijke uitvoeringstijd minus de begintijd van de uitvoering.
    • Als bij het gebruik van AutoML een pad wordt doorgegeven aan het AutoMLConfig-object en het nog niet bestaat, wordt het automatisch gemaakt.
    • Gebruikers kunnen nu een tijdreeksfrequentie opgeven voor het voorspellen van taken met behulp van de freq parameter.
  • azureml-train-automl-runtime
    • Verbeterde console-uitvoer wanneer de beste modeluitleg mislukt.
    • De naam van de invoerparameter is gewijzigd in 'blocked_models' om een gevoelige term te verwijderen.
      • De naam van de invoerparameter is gewijzigd in 'allowed_models' om een gevoelige term te verwijderen.
    • Gebruikers kunnen nu een tijdreeksfrequentie opgeven voor het voorspellen van taken met behulp van de freq parameter.

2020-07-06

Azure Machine Learning SDK voor Python v1.9.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Vervangen get_model_path() door AZUREML_MODEL_DIR omgevingsvariabele in het automatisch gegenereerde scorescript van AutoML. Er is ook telemetrie toegevoegd om fouten bij te houden tijdens init().
    • De mogelijkheid om op te geven enable_cache als onderdeel van AutoMLConfig is verwijderd
    • Er is een fout opgelost waarbij uitvoeringen mogelijk mislukken met servicefouten tijdens specifieke prognoseuitvoeringen
    • Verbeterde foutafhandeling rond specifieke modellen tijdens get_output
    • Er is een probleem opgelost met fitted_model.fit(X, y) voor classificatie met y-transformator
    • Aangepaste voorwaartse opvulling ingeschakeld voor prognosetaken
    • Er wordt een nieuwe klasse ForecastingParameters gebruikt in plaats van parameters te voorspellen in een dict-indeling
    • Verbeterde automatische uitzetting van doelvertraging
    • Beperkte beschikbaarheid toegevoegd van multi-noded, multi-GPU gedistribueerde featurization met BERT
  • azureml-automl-runtime
    • Prophet doet nu additieve seizoensgebondenheidsmodellering in plaats van vermenigvuldiging.
    • Het probleem opgelost bij korte korrels, waarbij frequenties afwijken van de frequenties van de lange korrels, resulteert in mislukte uitvoeringen.
  • azureml-contrib-automl-dnn-vision
    • Systeem-/GPU-statistieken en logboekgemiddelden verzamelen voor training en scoren
  • azureml-contrib-mir
    • Ondersteuning toegevoegd voor de vlag enable-app-insights in ManagedInferencing
  • azureml-core
    • Een validatieparameter voor deze API's doordat validatie kan worden overgeslagen wanneer de gegevensbron niet toegankelijk is vanuit de huidige berekening.
      • 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)
    • Frameworkfilterondersteuning toegevoegd voor modellijst en NCD AutoML-voorbeeld toegevoegd in notebook terug
    • Voor Datastore.register_azure_blob_container en Datastore.register_azure_file_share (alleen opties die ondersteuning bieden voor SAS-token), hebben we de documentreeksen voor het sas_token veld bijgewerkt met minimale machtigingsvereisten voor typische lees- en schrijfscenario's.
    • _with_auth param in ws.get_mlflow_tracking_uri() afschaven
  • azureml-mlflow
    • Ondersteuning toevoegen voor het implementeren van lokale file://-modellen met AzureML-MLflow
    • _with_auth param in ws.get_mlflow_tracking_uri() afschaven
  • azureml-opendatasets
    • Onlangs gepubliceerde Covid-19-traceringsgegevenssets zijn nu beschikbaar met de SDK
  • azureml-pipeline-core
    • Waarschuwing voor afmelden wanneer 'azureml-defaults' niet is opgenomen als onderdeel van pip-afhankelijkheid
    • De rendering van notitie verbeteren.
    • Ondersteuning toegevoegd voor regeleinden tussen aan citaten bij het parseren van bestanden met scheidingstekens in PipelineOutputFileDataset.
    • De klasse PipelineDataset is afgeschaft. Zie https://aka.ms/dataset-deprecation voor meer informatie. Meer informatie over het gebruik van gegevenssets met pijplijn, zie https://aka.ms/pipeline-with-dataset.
  • azureml-pipeline-steps
    • Documentupdates voor azureml-pipeline-steps.
    • Ondersteuning toegevoegd in ParallelRunConfig's load_yaml() voor gebruikers om omgevingen inline te definiëren met de rest van de configuratie of in een afzonderlijk bestand
  • azureml-train-automl-client.
    • De mogelijkheid om op te geven enable_cache als onderdeel van AutoMLConfig is verwijderd
  • azureml-train-automl-runtime
    • Beperkte beschikbaarheid van gedistribueerde featurization met meerdere knooppunten met meerdere knooppunten toegevoegd met BERT.
    • Foutafhandeling toegevoegd voor incompatibele pakketten in geautomatiseerde machine learning-uitvoeringen op basis van ADB.
  • azureml-widgets
    • Documentupdates voor azureml-widgets.

2020-06-22

Azure Machine Learning SDK voor Python v1.8.0

• Preview-functies

  • azureml-contrib-fairness Het azureml-contrib-fairness pakket biedt integratie tussen de opensource fairness assessment en het risicobeperkingspakket Fairlearn en Azure Machine Learning-studio. Het pakket zorgt er met name voor dat dashboards voor modelgetrouwheidsevaluatie worden geüpload als onderdeel van een Azure Machine Learning-uitvoering en worden weergegeven in Azure Machine Learning-studio

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • Ondersteuning voor het ophalen van logboeken van de init-container.
    • Nieuwe CLI-opdrachten toegevoegd voor het beheren van ComputeInstance
  • azureml-automl-core
    • Gebruikers kunnen nu stack-ensemble-iteratie inschakelen voor Time Series-taken met een waarschuwing dat het mogelijk overfitt.
    • Er is een nieuw type gebruikersonderzondering toegevoegd die wordt gegenereerd als er met de inhoud van het cachearchief is geknoeid
  • azureml-automl-runtime
    • Class Balancing Opruimen is niet meer ingeschakeld als de gebruiker featurization uitschakelt.
  • azureml-contrib-notebook
    • Doc-verbeteringen in het pakket azureml-contrib-notebook.
  • azureml-contrib-pipeline-steps
    • Doc-verbeteringen in het pakket azureml-contrib--pipeline-steps.
  • azureml-core
    • Delete_connection-functies toevoegen voor set_connection, get_connection, list_connections get_connection, delete_connection zodat de klant de werkruimteverbindingsresource kan gebruiken
    • Documentatie-updates voor het pakket azureml-coore/azureml.exceptions.
    • Documentatie-updates voor azureml-core-pakket.
    • Documentupdates voor de computeInstance-klasse.
    • Doc-verbeteringen in het pakket azureml-core/azureml.core.compute.
    • Doc-verbeteringen voor webservicegerelateerde klassen in azureml-core.
    • Ondersteuning voor door de gebruiker geselecteerde gegevensopslag voor het opslaan van profileringsgegevens
    • De eigenschap uitvouwen en page_count toegevoegd voor de API voor de lijst met modellen
    • Er is een fout opgelost waarbij het verwijderen van de eigenschap overschrijven ervoor zorgt dat de ingediende uitvoering mislukt met deserialisatiefout.
    • Er is een inconsistente mapstructuur opgelost bij het downloaden of koppelen van een FileDataset die verwijst naar één bestand.
    • Het laden van een gegevensset met Parquet-bestanden to_spark_dataframe is nu sneller en ondersteunt alle Parquet- en Spark SQL-gegevenstypen.
    • Ondersteuning voor het ophalen van logboeken van de init-container.
    • AutoML-uitvoeringen worden nu gemarkeerd als onderliggende uitvoering van de parallelle uitvoeringsstap.
  • azureml-datadrift
    • Doc-verbeteringen in het pakket azureml-contrib-notebook.
  • azureml-dataprep
    • Het laden van een gegevensset met Parquet-bestanden to_spark_dataframe is nu sneller en ondersteunt alle Parquet- en Spark SQL-gegevenstypen.
    • Betere geheugenafhandeling voor outOfMemory-probleem voor to_pandas_dataframe.
  • azureml-interpret
    • Azureml-interpret bijgewerkt voor gebruik van interpret-community versie 0.12.*
  • azureml-mlflow
    • Doc-verbeteringen in azureml-mlflow.
    • Voegt ondersteuning toe voor het AML-modelregister met MLFlow.
  • azureml-opendatasets
    • Ondersteuning toegevoegd voor Python 3.8
  • azureml-pipeline-core
    • De documentatie is bijgewerkt PipelineDatasetom duidelijk te maken dat het een interne klasse is.
    • ParallelRunStep-updates voor het accepteren van meerdere waarden voor één argument, bijvoorbeeld: '--group_column_names', 'Col1', 'Col2', 'Col3'
    • De passthru_automl_config vereiste voor het gebruik van tussenliggende gegevens met AutoMLStep in pijplijnen is verwijderd.
  • azureml-pipeline-steps
    • Doc-verbeteringen in het pakket azureml-pipeline-steps.
    • De passthru_automl_config vereiste voor het gebruik van tussenliggende gegevens met AutoMLStep in pijplijnen is verwijderd.
  • azureml-telemetrie
    • Doc-verbeteringen in azureml-telemetrie.
  • azureml-train-automl-client
    • Er is een fout opgelost waarbij experiment.submit() twee keer op een AutoMLConfig object werd aangeroepen, leidde tot een ander gedrag.
    • Gebruikers kunnen nu stack-ensemble-iteratie inschakelen voor Time Series-taken met een waarschuwing dat het mogelijk overfitt.
    • Gedrag van AutoML-uitvoering gewijzigd om UserErrorException te genereren als de service een gebruikersfout genereert
    • Lost een fout op die ertoe heeft geleid dat azureml_automl.log geen gegenereerde of ontbrekende logboeken heeft gegenereerd bij het uitvoeren van een AutoML-experiment op een extern rekendoel.
    • Voor classificatiegegevenssets met onevenwichtige klassen passen we gewichtsverdeling toe als de functieveger bepaalt dat voor subsampledgegevens gewichtsverdeling de prestaties van de classificatietaak met een bepaalde drempelwaarde verbetert.
    • AutoML-uitvoeringen worden nu gemarkeerd als onderliggende uitvoering van de parallelle uitvoeringsstap.
  • azureml-train-automl-runtime
    • Gedrag van AutoML-uitvoering gewijzigd om UserErrorException te genereren als de service een gebruikersfout genereert
    • AutoML-uitvoeringen worden nu gemarkeerd als onderliggende uitvoering van de parallelle uitvoeringsstap.

2020-06-08

Azure Machine Learning SDK voor Python v1.7.0

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • Het verwijderen van modelprofilering van mir contrib is voltooid door CLI-opdrachten en pakketafhankelijkheden op te schonen, modelprofilering is beschikbaar in de kern.
    • Hiermee wordt de minimale Versie van Azure CLI bijgewerkt naar 2.3.0
  • azureml-automl-core
    • Betere uitzonderingsbericht over de featurization-stap fit_transform() vanwege aangepaste transformatieparameters.
    • Voeg ondersteuning toe voor meerdere talen voor deep learning-transformatiemodellen zoals BERT in geautomatiseerde ML.
    • Verwijder afgeschafte lag_length parameter uit documentatie.
    • De documentatie voor prognoseparameters is verbeterd. De parameter lag_length is afgeschaft.
  • azureml-automl-runtime
    • Er is een fout opgelost die optreedt wanneer een van de categorische kolommen leeg is in de prognose-/testtijd.
    • Los de uitvoeringsfouten op wanneer de lookback-functies zijn ingeschakeld en de gegevens korte korrels bevatten.
    • Er is een probleem opgelost met het foutbericht met dubbele tijdindex wanneer vertragings- of rolling vensters zijn ingesteld op 'auto'.
    • Er is een probleem opgelost met Prophet- en Arima-modellen in gegevenssets, met daarin de lookback-functies.
    • Ondersteuning toegevoegd voor datums vóór 1677-09-21 of na 2262-04-11 in andere kolommen dan datumtijd in de prognosetaken. Verbeterde foutberichten.
    • De documentatie voor prognoseparameters is verbeterd. De parameter lag_length is afgeschaft.
    • Betere uitzonderingsbericht over de featurization-stap fit_transform() vanwege aangepaste transformatieparameters.
    • Voeg ondersteuning toe voor meerdere talen voor deep learning-transformatiemodellen zoals BERT in geautomatiseerde ML.
    • Cachebewerkingen die ertoe leiden dat sommige OSErrors gebruikersfouten veroorzaken.
    • Controles toegevoegd om ervoor te zorgen dat trainings- en validatiegegevens hetzelfde aantal en dezelfde set kolommen hebben
    • Probleem opgelost met het automatisch gegenereerde AutoML-scorescript wanneer de gegevens aanhalingstekens bevatten
    • Uitleg inschakelen voor AutoML Prophet- en ensemblemodellen die het Prophet-model bevatten.
    • Een recent probleem van de klant heeft een livesitefout onthuld waarbij berichten worden vastgelegd in Class-Balancing-Sweeping, zelfs wanneer de logica voor class balancing niet goed is ingeschakeld. Deze logboeken/berichten verwijderen met deze pull-aanvraag.
  • azureml-cli-common
    • Het verwijderen van modelprofilering van mir contrib is voltooid door CLI-opdrachten en pakketafhankelijkheden op te schonen, modelprofilering is beschikbaar in de kern.
  • azureml-contrib-reinforcementlearning
    • Hulpprogramma voor belastingstests
  • azureml-core
    • Documentatiewijzigingen in Script_run_config.py
    • Lost een fout op met het afdrukken van de uitvoer van de CLI voor verzenden-pijplijn uitvoeren
    • Documentatieverbeteringen in azureml-core/azureml.data
    • Probleem opgelost bij het ophalen van een opslagaccount met behulp van hdfs getconf-opdracht
    • Verbeterde documentatie voor register_azure_blob_container en register_azure_file_share
  • azureml-datadrift
    • Verbeterde implementatie voor het uitschakelen en inschakelen van driftmonitors voor gegevenssets
  • azureml-interpret
    • Verwijder in de uitlegclient NaNs of Infs voorafgaand aan json-serialisatie bij uploaden van artefacten
    • Bijwerken naar de nieuwste versie van interpret-community om geheugenfouten te verbeteren voor globale uitleg met veel functies en klassen
    • Voeg true_ys optionele parameter toe om uitleg te uploaden om meer functies in de gebruikersinterface van studio in te schakelen
    • Prestaties van download_model_explanations() en list_model_explanations() verbeteren
    • Kleine aanpassingen aan notebooks, om te helpen met foutopsporing
  • azureml-opendatasets
    • azureml-opendatasets heeft azureml-dataprep versie 1.4.0 of hoger nodig. Waarschuwing toegevoegd als er een lagere versie wordt gedetecteerd
  • azureml-pipeline-core
    • Met deze wijziging kan de gebruiker een optionele runconfig voor de moduleVersion opgeven bij het aanroepen van de module. Publish_python_script.
    • Knooppuntaccount inschakelen kan een pijplijnparameter zijn in ParallelRunStep in azureml.pipeline.steps
  • azureml-pipeline-steps
    • Met deze wijziging kan de gebruiker een optionele runconfig voor de moduleVersion opgeven bij het aanroepen van de module. Publish_python_script.
  • azureml-train-automl-client
    • Voeg ondersteuning toe voor meerdere talen voor deep learning-transformatiemodellen zoals BERT in geautomatiseerde ML.
    • Verwijder afgeschafte lag_length parameter uit documentatie.
    • De documentatie voor prognoseparameters is verbeterd. De parameter lag_length is afgeschaft.
  • azureml-train-automl-runtime
    • Uitleg inschakelen voor AutoML Prophet- en ensemblemodellen die het Prophet-model bevatten.
    • Documentatie-updates voor azureml-train-automl-*-pakketten.
  • azureml-train-core
    • Ondersteuning voor TensorFlow versie 2.1 in de PyTorch Estimator
    • Verbeteringen in het azureml-train-core-pakket.

2020-05-26

Azure Machine Learning SDK voor Python v1.6.0

• Nieuwe functies

  • azureml-automl-runtime

    • AutoML-prognose biedt nu ondersteuning voor klantenprognoses buiten de vooraf opgegeven max-horizon zonder het model opnieuw te trainen. Wanneer de prognosebestemming verder in de toekomst ligt dan de opgegeven maximale horizon, worden met de functie forecast() nog steeds puntvoorspellingen naar de latere datum gemaakt met behulp van een recursieve bewerkingsmodus. Zie voor de afbeelding van de nieuwe functie de sectie 'Prognose verder dan de maximale horizon' van het notebook 'forecasting-forecast-function' in de map.'

  • azureml-pipeline-steps

    • ParallelRunStep is nu uitgebracht en maakt deel uit van het pakket azureml-pipeline-steps . Bestaand ParallelRunStep-pakket in azureml-contrib-pipeline-steps is afgeschaft. Wijzigingen van de openbare preview-versie:
      • Optionele configureerbare parameter toegevoegd run_max_try om de maximale aanroep te beheren voor het uitvoeren van een methode voor een bepaalde batch, de standaardwaarde is 3.
      • Er worden geen PipelineParameters meer automatisch gegenereerd. De volgende configureerbare waarden kunnen expliciet als PipelineParameter worden ingesteld.
        • mini_batch_size
        • node_count
        • process_count_per_node
        • logging_level
        • run_invocation_timeout
        • run_max_try
      • De standaardwaarde voor process_count_per_node wordt gewijzigd in 1. De gebruiker moet deze waarde afstemmen voor betere prestaties. Best practice is om in te stellen als het aantal GPU- of CPU-knooppunten.
      • ParallelRunStep injecteert geen pakketten, de gebruiker moet azureml-core en azureml-dataprep[pandas, fuse]-pakketten opnemen in de omgevingsdefinitie. Als aangepaste Docker-installatiekopieën worden gebruikt met user_managed_dependencies, moet de gebruiker Conda installeren op de installatiekopieën.

• Belangrijke wijzigingen

  • azureml-pipeline-steps
    • Het gebruik van azureml.dprep.Dataflow is afgeschaft als een geldig type invoer voor AutoMLConfig
  • azureml-train-automl-client
    • Het gebruik van azureml.dprep.Dataflow is afgeschaft als een geldig type invoer voor AutoMLConfig

• Opgeloste fouten en verbeteringen

  • azureml-automl-core
    • Er is een fout opgelost waarbij een waarschuwing kan worden afgedrukt tijdens get_output die gebruiker om de client te downgraden.
    • Mac bijgewerkt om te vertrouwen op cudatoolkit=9.0 omdat het nog niet beschikbaar is op versie 10.
    • Beperkingen voor prophet- en xgboost-modellen verwijderen bij het trainen op externe rekenkracht.
    • Verbeterde logboekregistratie in AutoML
    • De foutafhandeling voor aangepaste featurization in prognosetaken is verbeterd.
    • Er is functionaliteit toegevoegd waarmee gebruikers gemarkeerde functies kunnen opnemen om prognoses te genereren.
    • Updates voor foutberichten om gebruikersfout correct weer te geven.
    • Ondersteuning voor cv_split_column_names voor gebruik met training_data
    • Werk de logboekregistratie van het uitzonderingsbericht en tracering bij.
  • azureml-automl-runtime
    • Schakel kaders in voor het voorspellen van ontbrekende waarde-imputaties.
    • Verbeterde logboekregistratie in AutoML
    • Fijnmazige foutafhandeling toegevoegd voor uitzonderingen voor gegevensvoorbereiding
    • Beperkingen voor prophet- en xgboost-modellen verwijderen bij het trainen op externe rekenkracht.
    • azureml-train-automl-runtime en azureml-automl-runtime hebben afhankelijkheden voor pytorch, scipyen cudatoolkit. we ondersteunen pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1en cudatoolkit==10.1.243.
    • De foutafhandeling voor aangepaste featurization in prognosetaken is verbeterd.
    • Het detectiemechanisme voor de frequentiedetectie van de prognosegegevensset is verbeterd.
    • Er is een probleem opgelost met de training van het Prophet-model voor sommige gegevenssets.
    • De automatische detectie van de maximale horizon tijdens de prognose is verbeterd.
    • Er is functionaliteit toegevoegd waarmee gebruikers gemarkeerde functies kunnen opnemen om prognoses te genereren.
    • Voegt functionaliteit toe aan de prognosefunctie om prognoses buiten de getrainde horizon mogelijk te maken zonder het prognosemodel opnieuw te trainen.
    • Ondersteuning voor cv_split_column_names voor gebruik met training_data
  • azureml-contrib-automl-dnn-forecasting
    • Verbeterde logboekregistratie in AutoML
  • azureml-contrib-mir
    • Ondersteuning toegevoegd voor Windows-services in ManagedInferencing
    • Verwijder oude MIR-werkstromen, zoals het koppelen van MIR compute, singleModelMirWebservice-klasse - Modelprofilering opschonen in contrib-mir-pakket
  • azureml-contrib-pipeline-steps
    • Kleine oplossing voor YAML-ondersteuning
    • ParallelRunStep wordt uitgebracht voor algemene beschikbaarheid: azureml.contrib.pipeline.steps heeft een afschaffingsmelding en wordt verplaatst naar azureml.pipeline.steps
  • azureml-contrib-reinforcementlearning
    • Hulpprogramma voor het testen van RL-belasting
    • RL-estimator heeft slimme standaardinstellingen
  • azureml-core
    • Verwijder oude MIR-werkstromen, zoals het koppelen van MIR compute, singleModelMirWebservice-klasse - Modelprofilering opschonen in contrib-mir-pakket
    • De informatie die aan de gebruiker is verstrekt bij het mislukken van de profilering, is opgelost: de aanvraag-id is opgenomen en het bericht opnieuw gewordt om zinvoller te zijn. Nieuwe profileringswerkstroom toegevoegd aan profileringslopers
    • Verbeterde fouttekst in mislukte uitvoering van gegevenssets.
    • Cli-ondersteuning voor privékoppeling werkruimte toegevoegd.
    • Er is een optionele parameter invalid_lines toegevoegd waarmee Dataset.Tabular.from_json_lines_files u kunt opgeven hoe u regels verwerkt die ongeldige JSON bevatten.
    • In de volgende release wordt het maken van berekeningen op basis van uitvoering afgeschaft. U wordt aangeraden een werkelijk Amlcompute-cluster te maken als een permanent rekendoel en de clusternaam te gebruiken als het rekendoel in uw uitvoeringsconfiguratie. Bekijk hier een voorbeeldnotitieblok: aka.ms/amlcomputenb
    • Verbeterde foutberichten in mislukte uitvoering van gegevenssets.
  • azureml-dataprep
    • Waarschuwing gemaakt om pyarrow-versie meer expliciet te upgraden.
    • Verbeterde foutafhandeling en bericht geretourneerd bij het niet uitvoeren van de gegevensstroom.
  • azureml-interpret
    • Documentatie-updates voor het pakket azureml-interpret.
    • Opgeloste interpreteerbaarheidspakketten en notebooks die compatibel zijn met de nieuwste sklearn-update
  • azureml-opendatasets
    • retourneer Geen wanneer er geen gegevens worden geretourneerd.
    • Verbeter de prestaties van to_pandas_dataframe.
  • azureml-pipeline-core
    • Snelle oplossing voor ParallelRunStep waarbij laden vanuit YAML is verbroken
    • ParallelRunStep wordt uitgebracht voor algemene beschikbaarheid: azureml.contrib.pipeline.steps heeft een afschaffingsmelding en wordt verplaatst naar azureml.pipeline.steps- nieuwe functies zijn: 1. Gegevenssets als PipelineParameter 2. Nieuwe parameter run_max_retry 3. Configureerbare append_row naam van uitvoerbestand
  • azureml-pipeline-steps
    • Afgeschafte azureml.dprep.Dataflow als een geldig type voor invoergegevens.
    • Snelle oplossing voor ParallelRunStep waarbij laden vanuit YAML is verbroken
    • ParallelRunStep wordt uitgebracht voor algemene beschikbaarheid: azureml.contrib.pipeline.steps heeft een afschaffingsmelding en wordt verplaatst naar azureml.pipeline.steps - nieuwe functies zijn:
      • Gegevenssets als PipelineParameter
      • Nieuwe parameter run_max_retry
      • Configureerbare append_row naam van uitvoerbestand
  • azureml-telemetrie
    • Werk de logboekregistratie van het uitzonderingsbericht en tracering bij.
  • azureml-train-automl-client
    • Verbeterde logboekregistratie in AutoML
    • Updates voor foutberichten om gebruikersfout correct weer te geven.
    • Ondersteuning voor cv_split_column_names voor gebruik met training_data
    • Afgeschafte azureml.dprep.Dataflow als een geldig type voor invoergegevens.
    • Mac bijgewerkt om te vertrouwen op cudatoolkit=9.0 omdat het nog niet beschikbaar is op versie 10.
    • Beperkingen voor prophet- en xgboost-modellen verwijderen bij het trainen op externe rekenkracht.
    • azureml-train-automl-runtime en azureml-automl-runtime hebben afhankelijkheden voor pytorch, scipyen cudatoolkit. we ondersteunen pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1en cudatoolkit==10.1.243.
    • Er is functionaliteit toegevoegd waarmee gebruikers gemarkeerde functies kunnen opnemen om prognoses te genereren.
  • azureml-train-automl-runtime
    • Verbeterde logboekregistratie in AutoML
    • Fijnmazige foutafhandeling toegevoegd voor uitzonderingen voor gegevensvoorbereiding
    • Beperkingen voor prophet- en xgboost-modellen verwijderen bij het trainen op externe rekenkracht.
    • azureml-train-automl-runtime en azureml-automl-runtime hebben afhankelijkheden voor pytorch, scipyen cudatoolkit. we ondersteunen pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1en cudatoolkit==10.1.243.
    • Updates voor foutberichten om gebruikersfout correct weer te geven.
    • Ondersteuning voor cv_split_column_names voor gebruik met training_data
  • azureml-train-core
    • Er is een nieuwe set specifieke HyperDrive-uitzonderingen toegevoegd. azureml.train.hyperdrive genereert nu gedetailleerde uitzonderingen.
  • azureml-widgets
    • Azure Machine Learning Widgets wordt niet weergegeven in JupyterLab

11-05-2020

Azure Machine Learning SDK voor Python v1.5.0

• Nieuwe functies

  • Preview-functies
    • azureml-contrib-reinforcementlearning
      • Azure Machine Learning brengt preview-ondersteuning voor versterking uit met behulp van het Ray-framework . Hiermee ReinforcementLearningEstimator kunt u versterkingsleeragents trainen voor GPU- en CPU-rekendoelen in Azure Machine Learning.

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • Lost een waarschuwingslogboek per ongeluk achter in mijn vorige pull-aanvraag. Het logboek is gebruikt voor foutopsporing en is per ongeluk achtergebleven.
    • Opgeloste fout: clients informeren over gedeeltelijke fouten tijdens profilering
  • azureml-automl-core
    • Versnelt het Prophet/AutoArima-model in AutoML-prognose door parallel passend te maken voor de tijdreeks wanneer gegevenssets meerdere tijdreeksen hebben. Als u wilt profiteren van deze nieuwe functie, wordt u aangeraden om 'max_cores_per_iteration = -1' (dat wil gezegd, met behulp van alle beschikbare CPU-kernen) in AutoMLConfig in te stellen.
    • KeyError herstellen bij het afdrukken van kaders in de consoleinterface
    • Foutbericht voor experimentation_timeout_hours opgelost
    • Afgeschafte TensorFlow-modellen voor AutoML.
  • azureml-automl-runtime
    • Foutbericht voor experimentation_timeout_hours opgelost
    • Er is een niet-geclassificeerde uitzondering opgelost bij het deserialiseren vanuit de cacheopslag
    • Versnelt het Prophet/AutoArima-model in AutoML-prognose door parallel passend te maken voor de tijdreeks wanneer gegevenssets meerdere tijdreeksen hebben.
    • De prognose met ingeschakeld rollend venster voor de gegevenssets opgelost waarbij de test-/voorspellingsset geen korrels uit de trainingsset bevat.
    • Verbeterde verwerking van ontbrekende gegevens
    • Er is een probleem opgelost met voorspellingsintervallen tijdens het voorspellen van gegevenssets, met tijdreeksen, die niet in tijd zijn uitgelijnd.
    • Er is een betere validatie van gegevensshape toegevoegd voor de prognosetaken.
    • Verbeterde frequentiedetectie.
    • Er is een beter foutbericht gemaakt als de kruisvalidatievouwen voor prognosetaken niet kunnen worden gegenereerd.
    • Corrigeer de consoleinterface om ontbrekende waardebeveiliging correct af te drukken.
    • Het afdwingen van gegevenstypecontroles op cv_split_indices invoer in AutoMLConfig.
  • azureml-cli-common
    • Opgeloste fout: clients informeren over gedeeltelijke fouten tijdens profilering
  • azureml-contrib-mir
    • Voegt een klasse azureml.contrib.mir.RevisionStatus toe, die informatie doorgeeft over de momenteel geïmplementeerde MIR-revisie en de meest recente versie die door de gebruiker is opgegeven. Deze klasse is opgenomen in het MirWebservice-object onder het kenmerk 'deployment_status'.
    • Hiermee wordt update ingeschakeld voor webservices van het type MirWebservice en de onderliggende klasse SingleModelMirWebservice.
  • azureml-contrib-reinforcementlearning
    • Ondersteuning toegevoegd voor Ray 0.8.3
    • AmlWindowsCompute biedt alleen ondersteuning voor Azure Files als gekoppelde opslag
    • Naam van health_check_timeout gewijzigd in health_check_timeout_seconds
    • Sommige beschrijvingen van klassen/methoden zijn opgelost.
  • azureml-core
    • WASB -> Blob-conversies ingeschakeld in Azure Government- en China-clouds.
    • Er is een fout opgelost om lezerrollen toe te staan om cli-opdrachten van az ml run te gebruiken om informatie over de uitvoering op te halen
    • Overbodige logboekregistratie verwijderd tijdens externe uitvoeringen van Azure Machine Learning met invoergegevenssets.
    • RCranPackage ondersteunt nu de parameter version voor de CRAN-pakketversie.
    • Opgeloste fout: clients informeren over gedeeltelijke fouten tijdens profilering
    • Er is een Europese floatafhandeling toegevoegd voor azureml-core.
    • Functies voor privékoppelingen voor werkruimten in Azure Machine Learning SDK ingeschakeld.
    • Bij het maken van een TabularDataset kunt from_delimited_filesu opgeven of lege waarden moeten worden geladen als Geen of als lege tekenreeks door het booleaanse argument empty_as_stringin te stellen.
    • Er is een Europese float-verwerking toegevoegd voor gegevenssets.
    • Verbeterde foutberichten over koppelingsfouten in gegevenssets.
  • azureml-datadrift
    • Gegevensdriftresultatenquery van de SDK had een fout die geen onderscheid maakte tussen de minimum-, maximum- en gemiddelde functiegegevens, wat resulteert in dubbele waarden. We hebben deze fout opgelost door het voorvoegseldoel of de basislijn toe te voegen aan de metrische namen. Voor: dubbele min, max, gemiddelde. Na: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
  • azureml-dataprep
    • De verwerking van beperkte Python-omgevingen voor schrijven verbeteren bij het garanderen van .NET-afhankelijkheden die vereist zijn voor het leveren van gegevens.
    • Er is een probleem opgelost met het maken van gegevensstromen in een bestand met voorloop lege records.
    • Opties voor foutafhandeling toegevoegd voor to_partition_iterator vergelijkbaar met to_pandas_dataframe.
  • azureml-interpret
    • Beperkte limieten voor uitlegpadlengten om de kans te verkleinen dat de Windows-limiet wordt overschreden
    • Bugfix voor sparse-uitleg die is gemaakt met de mimic explainer met behulp van een lineair surrogaatmodel.
  • azureml-opendatasets
    • Probleem opgelost waarbij de kolommen van MNIST worden geparseerd als tekenreeks, die int moet zijn.
  • azureml-pipeline-core
    • U kunt de optie regenerate_outputs wanneer u een module gebruikt die is ingesloten in een ModuleStep.
  • azureml-train-automl-client
    • Afgeschafte TensorFlow-modellen voor AutoML.
    • Probleem oplossen dat gebruikers niet-ondersteunde algoritmen in de lokale modus vermelden
    • Documentoplossingen voor AutoMLConfig.
    • Het afdwingen van gegevenstypecontroles op cv_split_indices invoer in AutoMLConfig.
    • Probleem opgelost waarbij AutoML-uitvoeringen mislukken in show_output
  • azureml-train-automl-runtime
    • Er is een fout opgelost in Ensemble-iteraties waardoor de time-out voor het downloaden van modellen niet met succes werd gestart.
  • azureml-train-core
    • Typfout opgelost in de klasse azureml.train.dnn.Nccl.
    • Ondersteuning voor PyTorch versie 1.5 in de PyTorch Estimator
    • Los het probleem op dat de frameworkinstallatiekopieën niet kunnen worden opgehaald in de Azure Government-regio bij het gebruik van estimators voor het trainingsframework

2020-05-04

Nieuwe notebookervaring

U kunt nu machine learning-notebooks en -bestanden rechtstreeks in de studio-webervaring van Azure Machine Learning maken, bewerken en delen. U kunt alle klassen en methoden gebruiken die beschikbaar zijn in de Azure Machine Learning Python SDK vanuit deze notebooks. Ga naar het artikel Jupyter Notebooks uitvoeren in uw werkruimte om aan de slag te gaan.

Nieuwe functies geïntroduceerd:

• Verbeterde editor (Monaco-editor) die wordt gebruikt door Visual Studio Code
• UI/UX-verbeteringen
• Celwerkbalk
• Nieuwe notebookwerkbalk en compute-besturingselementen
• Statusbalk notitieblok
• Inline kernel wisselen
• R-ondersteuning
• Verbeteringen in toegankelijkheid en lokalisatie
• Opdrachtpalet
• Meer sneltoetsen
• Automatisch opslaan
• Verbeterde prestaties en betrouwbaarheid

Open de volgende webhulpprogramma's voor ontwerpen vanuit de studio:

Webhulpprogramma	Beschrijving
Azure Machine Learning Studio Notebooks	Eerste in-class creatie voor notebookbestanden en ondersteuning voor alle bewerkingen die beschikbaar zijn in de Azure Machine Learning Python SDK.

2020-04-27

Azure Machine Learning SDK voor Python v1.4.0

• Nieuwe functies

  • AmlCompute-clusters bieden nu ondersteuning voor het instellen van een beheerde identiteit op het cluster op het moment van inrichten. Geef aan of u een door het systeem toegewezen identiteit of een door de gebruiker toegewezen identiteit wilt gebruiken en geef een identityId door voor de laatste. Vervolgens kunt u machtigingen instellen voor toegang tot verschillende resources, zoals Storage of ACR, zodat de identiteit van de berekening wordt gebruikt om veilig toegang te krijgen tot de gegevens, in plaats van een op tokens gebaseerde benadering die AmlCompute momenteel gebruikt. Bekijk onze SDK-referentie voor meer informatie over de parameters.

• Belangrijke wijzigingen

  • AmlCompute-clusters ondersteunden een preview-functie rond het maken op basis van uitvoering, dat we in twee weken van plan zijn om af te schalen. U kunt permanente rekendoelen blijven maken zoals altijd met behulp van de klasse Amlcompute, maar de specifieke benadering van het opgeven van de id 'amlcompute' omdat het rekendoel in de uitvoeringsconfiguratie binnenkort niet wordt ondersteund.

• Opgeloste fouten en verbeteringen

  • azureml-automl-runtime
    • Schakel ondersteuning in voor onhashbaar type bij het berekenen van het aantal unieke waarden in een kolom.
  • azureml-core
    • Verbeterde stabiliteit bij het lezen vanuit Azure Blob Storage met behulp van een TabularDataset.
    • Verbeterde documentatie voor de grant_workspace_msi parameter voor Datastore.register_azure_blob_store.
    • Er is een fout opgelost met datastore.upload het ondersteunen van het src_dir argument dat eindigt op een / of \.
    • Er is een foutbericht toegevoegd dat kan worden uitgevoerd wanneer u probeert te uploaden naar een Azure Blob Storage-gegevensarchief dat geen toegangssleutel of SAS-token heeft.
  • azureml-interpret
    • Bovengrens toegevoegd aan bestandsgrootte voor de visualisatiegegevens bij geüploade uitleg.
  • azureml-train-automl-client
    • Controleer expliciet op label_column_name & weight_column_name parameters voor AutoMLConfig als typetekenreeks.
  • azureml-contrib-pipeline-steps
    • ParallelRunStep ondersteunt nu de gegevensset als pijplijnparameter. De gebruiker kan een pijplijn maken met een voorbeeldgegevensset en kan de invoergegevensset van hetzelfde type (bestand of tabellair) wijzigen voor nieuwe pijplijnuitvoering.

2020-04-13

Azure Machine Learning SDK voor Python v1.3.0

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Er is meer telemetrie toegevoegd rond posttrainingsbewerkingen.
    • Versnelt automatische ARIMA-training met behulp van voorwaardelijke som van css-training (kwadraten) voor reeksen van lengte langer dan 100. De gebruikte lengte wordt opgeslagen als de constante ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/in de klasse TimeSeriesInternal op /src/azureml-automl-core/azureml/automl/core/shared/constants.py
    • De gebruikerslogboekregistratie van prognoseuitvoeringen is verbeterd, nu wordt er meer informatie weergegeven over welke fase momenteel wordt uitgevoerd in het logboek
    • Niet-toegestane target_rolling_window_size worden ingesteld op waarden kleiner dan 2
  • azureml-automl-runtime
    • Verbeterd het foutbericht dat wordt weergegeven wanneer dubbele tijdstempels worden gevonden.
    • Niet toegestaan target_rolling_window_size worden ingesteld op waarden kleiner dan 2.
    • De fout met vertragingsimplicatie is opgelost. Het probleem is veroorzaakt door het onvoldoende aantal waarnemingen dat nodig is om een reeks seizoensgebonden te ontleden. De 'gedeseizoensgebonden' gegevens worden gebruikt om een gedeeltelijke autocorrelation-functie (PACF) te berekenen om de vertragingslengte te bepalen.
    • Aanpassing van functie voor kolomdoeleinden ingeschakeld voor het voorspellen van taken door de featurization-configuratie. Numeriek en categorisch als kolomdoel voor het voorspellen van taken wordt nu ondersteund.
    • Aanpassing van drop column featurization ingeschakeld voor het voorspellen van taken door de featurization-configuratie.
    • Aanpassing van imputatie ingeschakeld voor het voorspellen van taken door de configuratie van featurization. Constante waarde-imputatie voor doelkolom en gemiddelde, mediaan, most_frequent en constante waarde-imputatie voor trainingsgegevens worden nu ondersteund.
  • azureml-contrib-pipeline-steps
    • Tekenreeksen accepteren die moeten worden doorgegeven aan ParallelRunConfig
  • azureml-core
    • Environment.clone(new_name) API toegevoegd om een kopie van het omgevingsobject te maken
    • Environment.docker.base_dockerfile accepteert bestandspad. Als u een bestand kunt omzetten, wordt de inhoud ingelezen in base_dockerfile omgevingseigenschap
    • Automatisch wederzijds exclusieve waarden opnieuw instellen voor base_image en base_dockerfile wanneer de gebruiker handmatig een waarde instelt in Environment.docker
    • Er is user_managed vlag toegevoegd in RSection die aangeeft of de omgeving wordt beheerd door de gebruiker of door Azure Machine Learning.
    • Gegevensset: Er is een fout opgelost bij het downloaden van gegevenssets als het gegevenspad unicode-tekens bevat.
    • Gegevensset: Verbeterd cachingmechanisme voor het koppelen van gegevenssets om te voldoen aan de minimale vereiste schijfruimte in Azure Machine Learning Compute, waardoor het knooppunt niet bruikbaar wordt en de taak wordt geannuleerd.
    • Gegevensset: We voegen een index toe voor de tijdreekskolom wanneer u een tijdreeksgegevensset opent als een pandas-gegevensframe, dat wordt gebruikt om de toegang tot gegevens op basis van tijdreeksen te versnellen. Voorheen kreeg de index dezelfde naam als de tijdstempelkolom, verwarrende gebruikers waarvan de werkelijke tijdstempelkolom is en die de index is. We geven nu geen specifieke naam aan de index, omdat deze niet als kolom mag worden gebruikt.
    • Gegevensset: Probleem met verificatie van gegevenssets in onafhankelijke cloud opgelost.
    • Gegevensset: Er is een fout opgelost Dataset.to_spark_dataframe voor gegevenssets die zijn gemaakt op basis van Azure PostgreSQL-gegevensarchieven.
  • azureml-interpret
    • Globale scores toegevoegd aan visualisatie als waarden voor lokaal belang sparse zijn
    • Azureml-interpret bijgewerkt voor gebruik van interpret-community 0.9.*
    • Probleem opgelost met het downloaden van uitleg met sparse-evaluatiegegevens
    • Ondersteuning toegevoegd voor de sparse-indeling van het uitlegobject in AutoML
  • azureml-pipeline-core
    • Ondersteuning voor ComputeInstance als rekendoel in pijplijnen
  • azureml-train-automl-client
    • Er is meer telemetrie toegevoegd rond posttrainingsbewerkingen.
    • De regressie in vroeg stoppen opgelost
    • Afgeschafte azureml.dprep.Dataflow als een geldig type voor invoergegevens.
    • Er is een time-out voor het standaard autoML-experiment gewijzigd in zes dagen.
  • azureml-train-automl-runtime
    • Er is meer telemetrie toegevoegd rond posttrainingsbewerkingen.
    • sparse AutoML end-to-end-ondersteuning toegevoegd
  • azureml-opendatasets
    • Er is nog een telemetrie toegevoegd voor servicemonitor.
    • Voordeur voor blob inschakelen om de stabiliteit te vergroten

2020-03-23

Azure Machine Learning SDK voor Python v1.2.0

• Belangrijke wijzigingen

  • Ondersteuning voor Python 2.7 verwijderen

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • Voegt '--subscription-id' toe aan az ml model/computetarget/service opdrachten in de CLI
    • Ondersteuning toevoegen voor het doorgeven van door de klant beheerde sleutel (CMK) vault_url, key_name en key_version voor ACI-implementatie
  • azureml-automl-core
    • Aangepaste imputatie ingeschakeld met constante waarde voor zowel X- als y-gegevensprognosetaken.
    • Er is een probleem opgelost met het weergeven van foutberichten aan de gebruiker.
  • azureml-automl-runtime
    • Het probleem opgelost in het voorspellen van de gegevenssets, met korrels met slechts één rij
    • De hoeveelheid geheugen die nodig is voor de prognosetaken is verminderd.
    • Er zijn betere foutberichten toegevoegd als de tijdkolom een onjuiste indeling heeft.
    • Aangepaste imputatie ingeschakeld met constante waarde voor zowel X- als y-gegevensprognosetaken.
  • azureml-core
    • Er is ondersteuning toegevoegd voor het laden van ServicePrincipal vanuit omgevingsvariabelen: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID en AZUREML_SERVICE_PRINCIPAL_PASSWORD
    • Er is een nieuwe parameter support_multi_line geïntroduceerd voor Dataset.Tabular.from_delimited_files: Standaard (support_multi_line=False), worden alle regeleinden, inclusief regeleinden in veldwaarden tussen aanhalingsvelden, geïnterpreteerd als record-einde. Gegevens op deze manier lezen is sneller en beter geoptimaliseerd voor parallelle uitvoering op meerdere CPU-kernen. Het kan echter leiden tot het op de achtergrond produceren van meer records met verkeerd uitgelijnde veldwaarden. Dit moet worden ingesteld op True het moment dat de bestanden met scheidingstekens bekend zijn met regeleinden tussen aannamen.
    • De mogelijkheid toegevoegd om ADLS Gen2 te registreren in de Azure Machine Learning CLI
    • De naam van de parameter 'fine_grain_timestamp' is gewijzigd in 'timestamp' en de parameter 'coarse_grain_timestamp' in 'partition_timestamp' voor de methode with_timestamp_columns() in TabularDataset om het gebruik van de parameters beter weer te geven.
    • De maximale lengte van de experimentnaam is verhoogd tot 255.
  • azureml-interpret
    • Azureml-interpret bijgewerkt om community 0.7 te interpreteren.*
  • azureml-sdk
    • Overschakelen naar afhankelijkheden met compatibele versie Tilde voor de ondersteuning van patching in pre-release en stabiele releases.

2020-03-11

Azure Machine Learning SDK voor Python v1.1.5

• Afschaffing van functies

  • Python 2.7
    • Laatste versie ter ondersteuning van Python 2.7

• Belangrijke wijzigingen

  • Semantic Versioning 2.0.0
    • Vanaf versie 1.1 azure Machine Learning Python SDK wordt Semantic Versioning 2.0.0 gebruikt. Alle volgende versies volgen het nieuwe nummeringsschema en het semantische versiebeheercontract.

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • Wijzig de naam van de CLI-opdracht van het eindpunt van 'az ml endpoint aks' in 'az ml endpoint real time' voor consistentie.
    • CLI-installatie-instructies voor stabiele en experimentele vertakkings-CLI bijwerken
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
  • azureml-automl-core
    • De deductie in de Batch-modus ingeschakeld (meerdere rijen één keer nemen) voor AutoML ONNX-modellen
    • Verbeterde detectie van frequentie op de gegevenssets, ontbrekende gegevens of onregelmatige gegevenspunten
    • De mogelijkheid toegevoegd om gegevenspunten te verwijderen die niet voldoen aan de dominante frequentie.
    • De invoer van de constructor is gewijzigd om een lijst met opties te maken om de imputatieopties voor bijbehorende kolommen toe te passen.
    • De foutlogboekregistratie is verbeterd.
  • azureml-automl-runtime
    • Het probleem opgelost met de fout die is opgetreden als het graan niet aanwezig was in de trainingsset werd weergegeven in de testset
    • De vereiste y_query tijdens het scoren van de voorspellingsservice is verwijderd
    • Er is een probleem opgelost met prognoses wanneer de gegevensset korte korrels met lange tijdsverschillen bevat.
    • Er is een probleem opgelost waarbij de automatische maximale horizon is ingeschakeld en de datumkolom datums in de vorm van tekenreeksen bevat. De juiste conversie en foutberichten zijn toegevoegd voor wanneer conversie naar datum niet mogelijk is
    • Systeemeigen NumPy en SciPy gebruiken voor het serialiseren en deserialiseren van tussenliggende gegevens voor FileCacheStore (gebruikt voor lokale AutoML-uitvoeringen)
    • Er is een fout opgelost waarbij mislukte onderliggende uitvoeringen vast konden zitten in de status Actief.
    • Verhoogde snelheid van featurization.
    • De frequentiecontrole tijdens het scoren is opgelost, nu vereisen de prognoses geen strikte frequentie-gelijkwaardigheid tussen de trein- en testset.
    • De invoer van de constructor is gewijzigd om een lijst met opties te maken om de imputatieopties voor bijbehorende kolommen toe te passen.
    • Er zijn fouten opgelost met betrekking tot de selectie van vertragingstypen.
    • De niet-geclassificeerde fout die optreedt in de gegevenssets opgelost, waarbij korrels met één rij worden weergegeven
    • Er is een probleem opgelost met de traagheid van de frequentiedetectie.
    • Lost een fout op in de AutoML-uitzonderingsafhandeling waardoor de echte reden voor het mislukken van de training is vervangen door een AttributeError.
  • azureml-cli-common
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
  • azureml-contrib-mir
    • Voegt functionaliteit toe in de klasse MirWebservice om het Toegangstoken op te halen
    • Tokenverificatie gebruiken voor MirWebservice standaard tijdens de aanroep MirWebservice.run(): alleen vernieuwen als de oproep mislukt
    • Mir-webservice-implementatie vereist nu de juiste SKU's [Standard_DS2_v2, Standard_F16, Standard_A2_v2] in plaats van respectievelijk [Ds2v2, A2v2 en F16].
  • azureml-contrib-pipeline-steps
    • Optionele parameter side_inputs toegevoegd aan ParallelRunStep. Deze parameter kan worden gebruikt om de map te koppelen aan de container. Momenteel worden ondersteunde typen DataReference en PipelineData gebruikt.
    • Parameters die in ParallelRunConfig worden doorgegeven, kunnen worden overschreven door pijplijnparameters nu door te geven. Nieuwe pijplijnparameters die worden ondersteund aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count en aml_process_count_per_node maken al deel uit van een eerdere versie).
  • azureml-core
    • Geïmplementeerde Azure Machine Learning-webservices worden nu standaard ingesteld op INFO logboekregistratie. Dit kan worden beheerd door de AZUREML_LOG_LEVEL omgevingsvariabele in te stellen in de geïmplementeerde service.
    • Python SDK maakt gebruik van de detectieservice voor het gebruik van api-eindpunt in plaats van 'pijplijnen'.
    • Schakel over naar de nieuwe routes in alle SDK-aanroepen.
    • De routering van aanroepen naar de ModelManagementService is gewijzigd in een nieuwe uniforme structuur.
      • De updatemethode voor werkruimten openbaar beschikbaar gemaakt.
      • Er is image_build_compute parameter toegevoegd in de updatemethode voor werkruimten, zodat de gebruiker de berekening voor de build van de installatiekopieën kan bijwerken.
    • Afschaffingsberichten toegevoegd aan de oude profileringswerkstroom. Vaste cpu- en geheugenlimieten voor profilering.
    • RSection toegevoegd als onderdeel van de omgeving om R-taken uit te voeren.
    • Validatie toegevoegd om een fout te Dataset.mount genereren wanneer de bron van de gegevensset niet toegankelijk is of geen gegevens bevat.
    • Toegevoegd --grant-workspace-msi-access als een andere parameter voor de Datastore CLI voor het registreren van Azure Blob-container waarmee u blobcontainer kunt registreren die zich achter een VNet bevindt.
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
    • Het probleem in aks.py _deploy opgelost.
    • Valideert de integriteit van modellen die worden geüpload om stille opslagfouten te voorkomen.
    • De gebruiker kan nu een waarde opgeven voor de verificatiesleutel bij het opnieuw genereren van sleutels voor webservices.
    • Er is een fout opgelost waarbij hoofdletters niet kunnen worden gebruikt als invoernaam van de gegevensset.
  • azureml-defaults
    • azureml-dataprep wordt nu geïnstalleerd als onderdeel van azureml-defaults. Het is niet meer vereist om gegevensvoorbereiding[fuse] handmatig te installeren op rekendoelen om gegevenssets te koppelen.
  • azureml-interpret
    • Azureml-interpret bijgewerkt om community 0.6 te interpreteren.*
    • Azureml-interpret bijgewerkt zodat deze afhankelijk is van interpret-community 0.5.0
    • Uitzonderingen in azureml-stijl toegevoegd aan azureml-interpret
    • Serialisatie van DeepScoringExplainer voor keras-modellen opgelost
  • azureml-mlflow
    • Ondersteuning voor onafhankelijke clouds toevoegen aan azureml.mlflow
  • azureml-pipeline-core
    • Notebook voor scoren van pijplijnen maakt nu gebruik van ParallelRunStep
    • Er is een fout opgelost waarbij pythonScriptStep-resultaten onjuist opnieuw konden worden gebruikt ondanks het wijzigen van de argumentenlijst
    • De mogelijkheid toegevoegd om het type kolommen in te stellen bij het aanroepen van de parse_*-methoden op PipelineOutputFileDataset
  • azureml-pipeline-steps
    • Verplaatst AutoMLStep naar het azureml-pipeline-steps pakket. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
    • Voorbeeld van documentatie toegevoegd voor gegevensset als PythonScriptStep-invoer
  • azureml-tensorboard
    • Azureml-tensorboard bijgewerkt ter ondersteuning van TensorFlow 2.0
    • Het juiste poortnummer weergeven bij het gebruik van een aangepaste TensorBoard-poort op een rekenproces
  • azureml-train-automl-client
    • Er is een probleem opgelost waarbij bepaalde pakketten mogelijk worden geïnstalleerd in onjuiste versies op externe uitvoeringen.
    • er is een probleem opgelost waarbij featurizationConfig het probleem overschrijft dat aangepaste featurization-configuratie filtert.
  • azureml-train-automl-runtime
    • Probleem opgelost met frequentiedetectie in de externe uitvoeringen
    • Het pakket azureml-pipeline-steps is verplaatstAutoMLStep. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Ondersteuning voor PyTorch versie 1.4 in de PyTorch Estimator

2020-03-02

Azure Machine Learning SDK voor Python v1.1.2rc0 (voorlopige versie)

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • De deductie in de Batch-modus ingeschakeld (meerdere rijen één keer nemen) voor AutoML ONNX-modellen
    • Verbeterde detectie van frequentie op de gegevenssets, ontbrekende gegevens of onregelmatige gegevenspunten
    • De mogelijkheid toegevoegd om gegevenspunten te verwijderen die niet voldoen aan de dominante frequentie.
  • azureml-automl-runtime
    • Het probleem opgelost met de fout die is opgetreden als het graan niet aanwezig was in de trainingsset werd weergegeven in de testset
    • De vereiste y_query tijdens het scoren van de voorspellingsservice is verwijderd
  • azureml-contrib-mir
    • Voegt functionaliteit toe in de klasse MirWebservice om het Toegangstoken op te halen
  • azureml-core
    • Geïmplementeerde Azure Machine Learning-webservices worden nu standaard ingesteld op INFO logboekregistratie. Dit kan worden beheerd door de AZUREML_LOG_LEVEL omgevingsvariabele in te stellen in de geïmplementeerde service.
    • Herstel het herhalen Dataset.get_all om alle gegevenssets te retourneren die zijn geregistreerd bij de werkruimte.
    • Foutbericht verbeteren wanneer ongeldig type wordt doorgegeven aan path argument van api's voor het maken van gegevenssets.
    • Python SDK maakt gebruik van de detectieservice voor het gebruik van api-eindpunt in plaats van 'pijplijnen'.
    • Wisselen naar de nieuwe routes in alle SDK-aanroepen
    • Hiermee wordt de routering van aanroepen naar de ModelManagementService gewijzigd in een nieuwe uniforme structuur
      • De updatemethode voor werkruimten openbaar beschikbaar gemaakt.
      • Er is image_build_compute parameter toegevoegd in de updatemethode van de werkruimte, zodat de gebruiker de berekening voor de build van de installatiekopieën kan bijwerken
    • Afschaffingsberichten toegevoegd aan de oude profileringswerkstroom. Vaste cpu- en geheugenlimieten voor profilering
  • azureml-interpret
    • azureml-interpret bijwerken om community 0.6 te interpreteren.*
  • azureml-mlflow
    • Ondersteuning voor onafhankelijke clouds toevoegen aan azureml.mlflow
  • azureml-pipeline-steps
    • Verplaatst AutoMLStep naar de azureml-pipeline-steps package. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
  • azureml-train-automl-client
    • Er is een probleem opgelost waarbij bepaalde pakketten mogelijk worden geïnstalleerd in onjuiste versies op externe uitvoeringen.
  • azureml-train-automl-runtime
    • Probleem opgelost met frequentiedetectie in de externe uitvoeringen
    • Verplaatst AutoMLStep naar de azureml-pipeline-steps package. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Verplaatst AutoMLStep naar de azureml-pipeline-steps package. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.

2020-02-18

Azure Machine Learning SDK voor Python v1.1.1rc0 (voorlopige versie)

• Opgeloste fouten en verbeteringen
  • azure-cli-ml
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
  • azureml-automl-core
    • De foutlogboekregistratie is verbeterd.
  • azureml-automl-runtime
    • Er is een probleem opgelost met prognoses wanneer de gegevensset korte korrels met lange tijdsverschillen bevat.
    • Er is een probleem opgelost waarbij de automatische maximale horizon is ingeschakeld en de datumkolom datums in de vorm van tekenreeksen bevat. We hebben de juiste conversie en verstandige fout toegevoegd als conversie naar datum niet mogelijk is
    • Systeemeigen NumPy en SciPy gebruiken voor het serialiseren en deserialiseren van tussenliggende gegevens voor FileCacheStore (gebruikt voor lokale AutoML-uitvoeringen)
    • Er is een fout opgelost waarbij mislukte onderliggende uitvoeringen vast konden zitten in de status Actief.
  • azureml-cli-common
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
  • azureml-core
    • Toegevoegd --grant-workspace-msi-access als een andere parameter voor de Datastore CLI voor het registreren van Azure Blob-container waarmee u blobcontainer kunt registreren die zich achter een VNet bevindt
    • Profilering van één exemplaar is opgelost om een aanbeveling te produceren en is beschikbaar gesteld in de core-SDK.
    • Het probleem in aks.py _deploy opgelost
    • Valideert de integriteit van modellen die worden geüpload om stille opslagfouten te voorkomen.
  • azureml-interpret
    • uitzonderingen in azureml-stijl toegevoegd aan azureml-interpret
    • deepScoringExplainer-serialisatie voor keras-modellen opgelost
  • azureml-pipeline-core
    • Notebook voor scoren van pijplijnen maakt nu gebruik van ParallelRunStep
  • azureml-pipeline-steps
    • Het pakket azureml-pipeline-steps is verplaatstAutoMLStep. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
  • azureml-contrib-pipeline-steps
    • Optionele parameter side_inputs toegevoegd aan ParallelRunStep. Deze parameter kan worden gebruikt om de map te koppelen aan de container. Momenteel worden ondersteunde typen DataReference en PipelineData gebruikt.
  • azureml-tensorboard
    • Azureml-tensorboard bijgewerkt ter ondersteuning van TensorFlow 2.0
  • azureml-train-automl-client
    • Er is een probleem opgelost waarbij de configuratie van aangepaste featurization wordt gefilterd.
  • azureml-train-automl-runtime
    • Het pakket azureml-pipeline-steps is verplaatstAutoMLStep. Afgeschaft binnen AutoMLStepazureml-train-automl-runtime.
  • azureml-train-core
    • Ondersteuning voor PyTorch versie 1.4 in de PyTorch Estimator

2020-02-04

Azure Machine Learning SDK voor Python v1.1.0rc0 (voorlopige versie)

• Belangrijke wijzigingen

  • Semantic Versioning 2.0.0
    • Vanaf versie 1.1 azure Machine Learning Python SDK wordt Semantic Versioning 2.0.0 gebruikt. Alle volgende versies volgen het nieuwe nummeringsschema en het semantische versiebeheercontract.

• Opgeloste fouten en verbeteringen

  • azureml-automl-runtime
    • Verhoogde snelheid van featurization.
    • De frequentiecontrole tijdens het scoren is opgelost, nu in de voorspellingstaken vereisen we geen strikte frequentie-gelijkwaardigheid tussen de trein- en testset.
  • azureml-core
    • De gebruiker kan nu een waarde opgeven voor de verificatiesleutel bij het opnieuw genereren van sleutels voor webservices.
  • azureml-interpret
    • Azureml-interpret bijgewerkt zodat deze afhankelijk is van interpret-community 0.5.0
  • azureml-pipeline-core
    • Er is een fout opgelost waarbij pythonScriptStep-resultaten onjuist opnieuw konden worden gebruikt ondanks het wijzigen van de argumentenlijst
  • azureml-pipeline-steps
    • Voorbeeld van documentatie toegevoegd voor gegevensset als PythonScriptStep-invoer
  • azureml-contrib-pipeline-steps
    • Parameters die in ParallelRunConfig worden doorgegeven, kunnen worden overschreven door pijplijnparameters nu door te geven. Nieuwe pijplijnparameters die worden ondersteund aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count en aml_process_count_per_node maken al deel uit van een eerdere versie).

2020-01-21

Azure Machine Learning SDK voor Python v1.0.85

• Nieuwe functies

  • azureml-core

    • De huidige limiet voor kerngebruik en quotum voor AmlCompute-resources in een bepaalde werkruimte en een bepaald abonnement ophalen

  • azureml-contrib-pipeline-steps

    • Gebruiker in staat stellen om een gegevensset in tabelvorm door te geven als tussenliggend resultaat uit de vorige stap naar parallelrunstep

• Opgeloste fouten en verbeteringen

  • azureml-automl-runtime
    • De vereiste van y_query kolom in de aanvraag voor de geïmplementeerde prognoseservice is verwijderd.
    • De 'y_query' is verwijderd uit de sectie Orange Juice notebook serviceaanvraag van De Dominick.
    • Er is een fout opgelost die het voorspellen van de geïmplementeerde modellen verhinderde, waarbij gegevenssets met datum/tijdkolommen worden uitgevoerd.
    • Matthews Correlation-coëfficiënt toegevoegd als een classificatiemetriek voor zowel binaire als multiklasseclassificatie.
  • azureml-contrib-interpret
    • Verwijderde tekstuitlegprogramma's uit azureml-contrib-interpret als tekstuitleg is verplaatst naar de opslagplaats interpret-text die binnenkort wordt uitgebracht.
  • azureml-core
    • Gegevensset: het gebruik voor bestandsgegevensset is niet langer afhankelijk van numpy en pandas die moeten worden geïnstalleerd in de Python-env.
    • Gewijzigd LocalWebservice.wait_for_deployment() om de status van de lokale Docker-container te controleren voordat u het statuseindpunt probeert te pingen, waardoor de hoeveelheid tijd die nodig is om een mislukte implementatie te rapporteren aanzienlijk wordt verminderd.
    • De initialisatie van een interne eigenschap die wordt gebruikt in LocalWebservice.reload() is opgelost wanneer het serviceobject wordt gemaakt op basis van een bestaande implementatie met behulp van de Constructor LocalWebservice().
    • Bewerkt foutbericht voor verduidelijking.
    • Er is een nieuwe methode met de naam get_access_token() toegevoegd aan AksWebservice die het AksServiceAccessToken-object retourneert, dat toegangstoken bevat, vernieuwt na tijdstempel, verlooptijd op tijdstempel en tokentype.
    • Bestaande get_token()-methode in AksWebservice afgeschaft omdat de nieuwe methode alle informatie retourneert die door deze methode wordt geretourneerd.
    • Uitvoer gewijzigd van de opdracht az ml service get-access-token. Hernoemd token naar accessToken en refreshBy naar refreshAfter. De eigenschappen vervaldatumOn en tokenType zijn toegevoegd.
    • Opgeloste get_active_runs
  • azureml-explain-model
    • shap bijgewerkt naar 0.33.0 en interpret-community naar 0.4.*
  • azureml-interpret
    • shap bijgewerkt naar 0.33.0 en interpret-community naar 0.4.*
  • azureml-train-automl-runtime
    • Matthews Correlation-coëfficiënt toegevoegd als een classificatiemetriek voor zowel binaire als multiklasseclassificatie.
    • Preprocesvlag verwijderen uit code en vervangen door featurization -featurization is standaard ingeschakeld

2020-01-06

Azure Machine Learning SDK voor Python v1.0.83

• Nieuwe functies

  • Gegevensset: Voeg twee opties on_error toe en out_of_range_datetime om to_pandas_dataframe te mislukken wanneer gegevens foutwaarden bevatten in plaats van ze te vullen met None.
  • Werkruimte: De hbi_workspace vlag toegevoegd voor werkruimten met gevoelige gegevens die verdere versleuteling mogelijk maken en geavanceerde diagnostische gegevens voor werkruimten uitschakelen. We hebben ook ondersteuning toegevoegd voor het meenemen van uw eigen sleutels voor het bijbehorende Azure Cosmos DB-exemplaar door de en resource_cmk_uri parameters op te geven bij het cmk_keyvault maken van een werkruimte, waarmee een Azure Cosmos DB-exemplaar in uw abonnement wordt gemaakt tijdens het inrichten van uw werkruimte. Zie de sectie Azure Cosmos DB van het artikel over gegevensversleuteling voor meer informatie.

• Opgeloste fouten en verbeteringen

  • azureml-automl-runtime
    • Er is een regressie opgelost waardoor een TypeError werd verhoogd bij het uitvoeren van AutoML op Python-versies lager dan 3.5.4.
  • azureml-core
    • Er is een fout opgelost in datastore.upload_files het relatieve pad waarmee niet werd begonnen ./ , kon niet worden gebruikt.
    • Afschaffingsberichten toegevoegd voor alle codepaden van de afbeeldingsklasse
    • Url-constructie van vaste modelbeheer voor Microsoft Azure beheerd door 21Vianet.
    • Er is een probleem opgelost waarbij modellen die gebruikmaken van source_dir niet konden worden verpakt voor Azure Functions.
    • Er is een optie toegevoegd voor Environment.build_local() om een installatiekopieën te pushen naar het containerregister van de Azure Machine Learning-werkruimte
    • De SDK bijgewerkt voor het gebruik van een nieuwe tokenbibliotheek in Azure synapse op een compatibele back-manier.
  • azureml-interpret
    • Er is een fout opgelost waarbij Geen werd geretourneerd wanneer er geen uitleg beschikbaar was om te downloaden. Er wordt nu een uitzondering gegenereerd, het overeenkomende gedrag ergens anders.
  • azureml-pipeline-steps
    • Niet toegestaan dat s wordt doorgegeven DatasetConsumptionConfigaan Estimator's inputs parameter wanneer de Estimator zal worden gebruikt in een EstimatorStep.
  • azureml-sdk
    • AutoML-client toegevoegd aan azureml-sdk-pakket, waardoor externe AutoML-uitvoeringen kunnen worden verzonden zonder het volledige AutoML-pakket te installeren.
  • azureml-train-automl-client
    • Uitlijning gecorrigeerd op console-uitvoer voor AutoML-uitvoeringen
    • Er is een fout opgelost waarbij een onjuiste versie van pandas kan worden geïnstalleerd op externe amlcompute.

2019-12-23

Azure Machine Learning SDK voor Python v1.0.81

• Opgeloste fouten en verbeteringen
  • azureml-contrib-interpret
    • shap-afhankelijkheid uitstellen om community te interpreteren vanuit azureml-interpret
  • azureml-core
    • Het rekendoel kan nu worden opgegeven als parameter voor de bijbehorende implementatieconfiguratieobjecten. Dit is met name de naam van het rekendoel waarnaar moet worden geïmplementeerd, niet het SDK-object.
    • CreatedBy-gegevens toegevoegd aan model- en serviceobjecten. Kan worden geopend through.created_by
    • Er is een probleem opgelost met ContainerImage.run(), waardoor de HTTP-poort van de Docker-container niet correct werd ingesteld.
    • Optioneel maken azureml-dataprep voor az ml dataset register CLI-opdracht
    • Er is een fout opgelost waarbij TabularDataset.to_pandas_dataframe een fout verkeerd terug zou vallen naar een alternatieve lezer en een waarschuwing zou afdrukken.
  • azureml-explain-model
    • shap-afhankelijkheid uitstellen om community te interpreteren vanuit azureml-interpret
  • azureml-pipeline-core
    • Nieuwe pijplijnstap NotebookRunnerSteptoegevoegd om een lokaal notebook uit te voeren als een stap in de pijplijn.
    • Afgeschafte get_all-functies verwijderd voor PublishedPipelines, Schedules en PipelineEndpoints
  • azureml-train-automl-client
    • De afschaffing van data_script gestart als invoer voor AutoML.

2019-12-09

Azure Machine Learning SDK voor Python v1.0.79

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • FeaturizationConfig verwijderd om te worden geregistreerd
      • Logboekregistratie bijgewerkt om alleen 'auto'/'off'/'customized' te registreren.
  • azureml-automl-runtime
    • Er is ondersteuning toegevoegd voor pandas. Reeks en pandas. Categorisch voor het detecteren van kolomgegevenstype. Voorheen alleen ondersteund numpy.ndarray
      • Gerelateerde codewijzigingen toegevoegd om categorisch dtype correct te verwerken.
    • De interface voor de prognosefunctie is verbeterd: de parameter y_pred is optioneel gemaakt. -De docstrings zijn verbeterd.
  • azureml-contrib-dataset
    • Er is een fout opgelost waarbij gelabelde gegevenssets niet konden worden gekoppeld.
  • azureml-core
    • Opgeloste fout voor Environment.from_existing_conda_environment(name, conda_environment_name). Gebruiker kan een exemplaar van de omgeving maken dat exact de replica is van de lokale omgeving
    • Tijdreeksgerelateerde gegevenssetsmethoden include_boundary=True zijn standaard gewijzigd in.
  • azureml-train-automl-client
    • Er is een probleem opgelost waarbij validatieresultaten niet worden afgedrukt wanneer de uitvoer wordt weergegeven op false.

2019-11-25

Azure Machine Learning SDK voor Python v1.0.76

• Belangrijke wijzigingen

  • Problemen met upgraden van Azureml-Train-AutoML
    • Upgraden naar azureml-train-automl>=1.0.76 van azureml-train-automl<1.0.76 kan gedeeltelijke installaties veroorzaken, waardoor sommige AutoML-importbewerkingen mislukken. U kunt dit oplossen door het installatiescript uit te voeren dat is gevonden op https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Of als u pip rechtstreeks gebruikt, kunt u het volgende doen:
      • "pip install --upgrade azureml-train-automl"
      • "pip install --ignore-installed azureml-train-automl-client"
    • of u kunt de oude versie verwijderen voordat u een upgrade uitvoert
      • "pip uninstall azureml-train-automl"
      • "pip install azureml-train-automl"

• Opgeloste fouten en verbeteringen

  • azureml-automl-runtime
    • AutoML houdt nu rekening met zowel true- als false-klassen bij het berekenen van gemiddelde scalaire metrische gegevens voor binaire classificatietaken.
    • Machine learning en trainingscode in AzureML-AutoML-Core verplaatst naar een nieuw pakket AzureML-AutoML-Runtime.
  • azureml-contrib-dataset
    • Wanneer u een gelabelde gegevensset aanroept to_pandas_dataframe met de downloadoptie, kunt u nu opgeven of bestaande bestanden moeten worden overschreven of niet.
    • Wanneer u aanroept keep_columns of drop_columns resulteert in een tijdreeks, label of afbeeldingskolom die wordt verwijderd, worden de bijbehorende mogelijkheden ook verwijderd voor de gegevensset.
    • Er is een probleem opgelost met het pytorch-laadprogramma voor de objectdetectietaak.
  • azureml-contrib-interpret
    • Dashboardwidget uitleg verwijderd uit azureml-contrib-interpret, gewijzigd pakket om te verwijzen naar de nieuwe in interpret_community
    • Bijgewerkte versie van interpret-community naar 0.2.0
  • azureml-core
    • Prestaties van workspace.datasets.
    • De mogelijkheid toegevoegd om Azure SQL Database Datastore te registreren met behulp van gebruikersnaam- en wachtwoordverificatie
    • Oplossing voor het laden van RunConfigurations vanuit relatieve paden.
    • Wanneer u aanroept keep_columns of drop_columns resulteert in een tijdreekskolom die wordt verwijderd, worden de bijbehorende mogelijkheden ook verwijderd voor de gegevensset.
  • azureml-interpret
    • bijgewerkte versie van interpret-community naar 0.2.0
  • azureml-pipeline-steps
    • Ondersteunde waarden voor runconfig_pipeline_params azure machine learning-pijplijnstappen gedocumenteerd.
  • azureml-pipeline-core
    • Cli-optie toegevoegd voor het downloaden van uitvoer in json-indeling voor pijplijnopdrachten.
  • azureml-train-automl
    • Split AzureML-Train-AutoML in twee pakketten, een clientpakket AzureML-Train-AutoML-Client en een ML-trainingspakket AzureML-Train-AutoML-Runtime
  • azureml-train-automl-client
    • Er is een thin client toegevoegd voor het verzenden van AutoML-experimenten zonder dat u machine learning-afhankelijkheden lokaal hoeft te installeren.
    • Er is een vaste logboekregistratie van automatisch gedetecteerde vertragingen, grootten van rollende vensters en maximale horizons in de externe uitvoeringen opgelost.
  • azureml-train-automl-runtime
    • Er is een nieuw AutoML-pakket toegevoegd om machine learning- en runtime-onderdelen van de client te isoleren.
  • azureml-contrib-train-rl
    • Er is ondersteuning toegevoegd voor versterkingsleer in SDK.
    • AmlWindowsCompute-ondersteuning toegevoegd in RL SDK.

2019-11-11

Azure Machine Learning SDK voor Python v1.0.74

• Preview-functies

  • azureml-contrib-dataset
    • Nadat u azureml-contrib-dataset hebt geïmporteerd, kunt u in plaats van ._Labeled een gelabelde gegevensset aanroepenDataset.Labeled.from_json_lines.
    • Wanneer u een gelabelde gegevensset aanroept to_pandas_dataframe met de downloadoptie, kunt u nu opgeven of bestaande bestanden moeten worden overschreven of niet.
    • Wanneer u aanroept keep_columns of drop_columns resulteert in een tijdreeks, label of afbeeldingskolom die wordt verwijderd, worden de bijbehorende mogelijkheden ook verwijderd voor de gegevensset.
    • Problemen opgelost met pyTorch-laadprogramma bij het aanroepen dataset.to_torchvision().

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • Modelprofilering toegevoegd aan de preview-CLI.
    • Lost wijzigingen die fouten veroorzaken in Azure Storage op, waardoor Azure Machine Learning CLI mislukt.
    • Load Balancer-type toegevoegd aan MLC voor AKS-typen
  • azureml-automl-core
    • Er is een probleem opgelost met het detecteren van een maximale horizon op tijdreeksen, waarbij ontbrekende waarden en meerdere korrels aanwezig waren.
    • Er is een probleem opgelost met fouten tijdens het genereren van kruisvalidatiesplitsingen.
    • Vervang deze sectie door een bericht in markdown-indeling dat wordt weergegeven in de opmerkingen bij de release: - Verbeterde verwerking van korte korrels in de prognosegegevenssets.
    • Er is een probleem opgelost met het maskeren van bepaalde gebruikersgegevens tijdens logboekregistratie. -Verbeterde logboekregistratie van de fouten tijdens het voorspellen van uitvoeringen.
    • Psutil toevoegen als conda-afhankelijkheid aan het automatisch gegenereerde yml-implementatiebestand.
  • azureml-contrib-mir
    • Lost wijzigingen die fouten veroorzaken in Azure Storage op, waardoor Azure Machine Learning CLI mislukt.
  • azureml-core
    • Lost een fout op waardoor modellen die zijn geïmplementeerd in Azure Functions, 500 s produceren.
    • Er is een probleem opgelost waarbij het amlignore-bestand niet werd toegepast op momentopnamen.
    • Er is een nieuwe API-amlcompute.get_active_runs toegevoegd die een generator retourneert voor actieve en in de wachtrij geplaatste uitvoeringen op een bepaalde amlcompute.
    • Load Balancer-type toegevoegd aan MLC voor AKS-typen.
    • Er is append_prefix boolparameter toegevoegd aan download_files in run.py en download_artifacts_from_prefix in artifacts_client. Deze vlag wordt gebruikt om het oorspronkelijke bestandspad selectief af te vlakken, zodat alleen de naam van het bestand of de map wordt toegevoegd aan de output_directory
    • Los het deserialisatieprobleem op voor run_config.yml het gebruik van gegevenssets.
    • Wanneer u aanroept keep_columns of drop_columns resulteert in een tijdreekskolom die wordt verwijderd, worden de bijbehorende mogelijkheden ook verwijderd voor de gegevensset.
  • azureml-interpret
    • Versie van interpret-community bijgewerkt naar 0.1.0.3
  • azureml-train-automl
    • Er is een probleem opgelost waarbij automl_step mogelijk geen validatieproblemen afdrukt.
    • Er is register_model opgelost, zelfs als de omgeving van het model lokaal afhankelijkheden mist.
    • Er is een probleem opgelost waarbij sommige externe uitvoeringen niet zijn ingeschakeld voor Docker.
    • Voeg logboekregistratie toe van de uitzondering waardoor een lokale uitvoering voortijdig mislukt.
  • azureml-train-core
    • Overweeg resume_from uitvoeringen in de berekening van geautomatiseerde hyperparameterafstemming beste onderliggende uitvoeringen.
  • azureml-pipeline-core
    • Probleem opgelost bij het verwerken van parameters in de constructie van pijplijnargumenten.
    • Beschrijving van pijplijn en staptype yaml-parameter toegevoegd.
    • Nieuwe yaml-indeling voor pijplijnstap en waarschuwing voor afschaffing toegevoegd voor oude indeling.

2019-11-04

Webervaring

De landingspagina https://ml.azure.com van de werkruimte voor samenwerking is uitgebreid en hernoemd als de Azure Machine Learning-studio.

Vanuit de studio kunt u Azure Machine Learning-assets, zoals gegevenssets, pijplijnen, modellen, eindpunten en meer, trainen, testen, implementeren en beheren.

Open de volgende webhulpprogramma's voor ontwerpen vanuit de studio:

Webhulpprogramma	Beschrijving
Notebook-VM(preview)	Volledig beheerd werkstation in de cloud
Geautomatiseerde machine learning (preview)	Geen code-ervaring voor het automatiseren van machine learning-modelontwikkeling
Ontwerper	Machine Learning-modelleringsprogramma voor slepen en neerzetten, voorheen bekend als de visuele interface

Verbeteringen in azure Machine Learning Designer

• Voorheen bekend als de visuele interface
• 11 nieuwe modules , waaronder aanbevelingsfuncties, classificaties en trainingshulpprogramma's, waaronder functie-engineering, kruisvalidatie en gegevenstransformatie.

R SDK

Gegevenswetenschappers en AI-ontwikkelaars gebruiken de Azure Machine Learning SDK voor R om machine learning-werkstromen te bouwen en uit te voeren met Azure Machine Learning.

De Azure Machine Learning SDK voor R maakt gebruik van het reticulate pakket om verbinding te maken met de Python SDK. Door rechtstreeks verbinding te maken met Python, kunt u met de SDK voor R toegang krijgen tot kernobjecten en methoden die zijn geïmplementeerd in de Python SDK vanuit elke R-omgeving die u kiest.

De belangrijkste mogelijkheden van de SDK zijn:

• Cloudresources voor het bewaken, loggen en organiseren van uw machine-leerexperimenten beheren.
• Modellen trainen met behulp van cloudresources, waaronder gpu-versnelde modeltraining.
• Implementeer uw modellen als webservices in Azure Container Instances (ACI) en Azure Kubernetes Service (AKS).

Zie de pakketwebsite voor volledige documentatie.

Azure Machine Learning-integratie met Event Grid

Azure Machine Learning is nu een resourceprovider voor Event Grid. U kunt machine learning-gebeurtenissen configureren via Azure Portal of Azure CLI. Gebruikers kunnen gebeurtenissen maken voor uitvoering voltooid, modelregistratie, modelimplementatie en gegevensdrift gedetecteerd. Deze gebeurtenissen kunnen worden doorgestuurd naar gebeurtenis-handlers die worden ondersteund door Event Grid voor verbruik. Zie het machine learning-gebeurtenisschema en de zelfstudieartikelen voor meer informatie.

2019-10-31

Azure Machine Learning SDK voor Python v1.0.72

• Nieuwe functies

  • Er zijn gegevenssetmonitors toegevoegd via het azureml-datadrift-pakket , waardoor tijdreeksgegevenssets kunnen worden bewaakt voor gegevensdrift of andere statistische wijzigingen in de loop van de tijd. Waarschuwingen en gebeurtenissen kunnen worden geactiveerd als drift wordt gedetecteerd of als aan andere voorwaarden voor de gegevens wordt voldaan. Raadpleeg onze documentatie voor meer informatie.

  • Aankondiging van twee nieuwe edities (ook wel een SKU genoemd) in Azure Machine Learning. Met deze release kunt u nu een Basic- of Enterprise Azure Machine Learning-werkruimte maken. Alle bestaande werkruimten zijn standaard ingesteld op de Basic-editie en u kunt naar Azure Portal of naar de studio gaan om de werkruimte op elk gewenst moment te upgraden. U kunt een Basic- of Enterprise-werkruimte maken vanuit Azure Portal. Lees onze documentatie voor meer informatie. Vanuit de SDK kan de editie van uw werkruimte worden bepaald met behulp van de eigenschap 'sKU' van uw werkruimteobject.

  • We hebben ook verbeteringen aangebracht in Azure Machine Learning Compute. U kunt nu metrische gegevens voor uw clusters bekijken (zoals totaal aantal knooppunten, actieve knooppunten, totaal kernquotum) in Azure Monitor, naast het weergeven van diagnostische logboeken voor foutopsporing. Daarnaast kunt u momenteel uitgevoerde of in de wachtrij geplaatste uitvoeringen ook bekijken op uw cluster en details, zoals de IP-adressen van de verschillende knooppunten in uw cluster. U kunt deze weergeven in de portal of met behulp van bijbehorende functies in de SDK of CLI.

  • Preview-functies

    • We brengen preview-ondersteuning vrij voor schijfversleuteling van uw lokale SSD in Azure Machine Learning Compute. Dien een ticket voor technische ondersteuning in om ervoor te zorgen dat uw abonnement wordt vermeld om deze functie te gebruiken.
    • Openbare preview van Azure Machine Learning Batch-deductie. Azure Machine Learning Batch-deductie is gericht op grote deductietaken die niet tijdgevoelig zijn. Batch-deductie biedt rendabele rekenkrachtaanpassing van deductie, met ongeëvenaarde doorvoer voor asynchrone toepassingen. Het is geoptimaliseerd voor hoge doorvoer, fire-and-forget deductie over grote verzamelingen gegevens.
    • azureml-contrib-dataset
      • Functionaliteit ingeschakeld voor gelabelde gegevensset

      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()
      

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • CLI ondersteunt nu modelverpakkingen.
    • Gegevensset CLI toegevoegd. Voor meer informatie: az ml dataset --help
    • Er is ondersteuning toegevoegd voor het implementeren en verpakken van ondersteunde modellen (ONNX, scikit-learn en TensorFlow) zonder een InferenceConfig-exemplaar.
    • Vlag overschrijven toegevoegd voor service-implementatie (ACI en AKS) in SDK en CLI. Indien opgegeven, wordt de bestaande service overschreven als de service met de naam al bestaat. Als de service niet bestaat, wordt er een nieuwe service gemaakt.
    • Modellen kunnen worden geregistreerd met twee nieuwe frameworks, Onnx en TensorFlow. - Modelregistratie accepteert voorbeeldinvoergegevens, voorbeelduitvoergegevens en resourceconfiguratie voor het model.
  • azureml-automl-core
    • Het trainen van een iteratie wordt alleen uitgevoerd in een onderliggend proces wanneer runtimebeperkingen worden ingesteld.
    • Er is een kader toegevoegd voor het voorspellen van taken om te controleren of een opgegeven max_horizon een geheugenprobleem veroorzaakt op de opgegeven computer of niet. Als dat zo is, wordt er een kaderbericht weergegeven.
    • Er is ondersteuning toegevoegd voor complexe frequenties, zoals twee jaar en één maand. -Begrijpelijk foutbericht toegevoegd als de frequentie niet kan worden bepaald.
    • Azureml-standaardinstellingen toevoegen aan automatisch gegenereerde Conda env om de fout in de modelimplementatie op te lossen
    • Toestaan dat tussenliggende gegevens in Azure Machine Learning Pipeline worden geconverteerd naar tabelgegevensset en worden gebruikt in AutoMLStep.
    • Update voor kolomdoeleinden geïmplementeerd voor streaming.
    • Parameterupdate voor transformer geïmplementeerd voor Imputer en HashOneHotEncoder voor streaming.
    • De huidige gegevensgrootte en de minimale vereiste gegevensgrootte toegevoegd aan de validatiefoutberichten.
    • De minimaal vereiste gegevensgrootte voor kruisvalidatie is bijgewerkt om minimaal twee steekproeven in elke validatievouw te garanderen.
  • azureml-cli-common
    • CLI ondersteunt nu modelverpakkingen.
    • Modellen kunnen worden geregistreerd met twee nieuwe frameworks, Onnx en TensorFlow.
    • Modelregistratie accepteert voorbeeldinvoergegevens, voorbeelduitvoergegevens en resourceconfiguratie voor het model.
  • azureml-contrib-gbdt
    • het releasekanaal voor het notebook opgelost
    • Er is een waarschuwing toegevoegd voor niet-AmlCompute-rekendoel dat niet wordt ondersteund
    • LightGMB Estimator toegevoegd aan azureml-contrib-gbdt-pakket
  • azureml-core
    • CLI ondersteunt nu modelverpakkingen.
    • Waarschuwing voor afschaffing toevoegen voor afgeschafte gegevensset-API's. Zie de wijzigingsmelding van de gegevensset-API op https://aka.ms/tabular-dataset.
    • Wijzig Dataset.get_by_id de naam en versie van de registratie als de gegevensset is geregistreerd.
    • Los een fout op die ScriptRunConfig met een gegevensset als argument niet herhaaldelijk kan worden gebruikt om de uitvoering van het experiment te verzenden.
    • Gegevenssets die tijdens een uitvoering worden opgehaald, worden bijgehouden en kunnen worden weergegeven op de pagina met uitvoeringsdetails of door aan te roepen run.get_details() nadat de uitvoering is voltooid.
    • Toestaan dat tussenliggende gegevens in Azure Machine Learning Pipeline worden geconverteerd naar tabelgegevensset en worden gebruikt in AutoMLStep.
    • Er is ondersteuning toegevoegd voor het implementeren en verpakken van ondersteunde modellen (ONNX, scikit-learn en TensorFlow) zonder een InferenceConfig-exemplaar.
    • Vlag overschrijven toegevoegd voor service-implementatie (ACI en AKS) in SDK en CLI. Indien opgegeven, wordt de bestaande service overschreven als de service met de naam al bestaat. Als de service niet bestaat, wordt er een nieuwe service gemaakt.
    • Modellen kunnen worden geregistreerd met twee nieuwe frameworks, Onnx en TensorFlow. Modelregistratie accepteert voorbeeldinvoergegevens, voorbeelduitvoergegevens en resourceconfiguratie voor het model.
    • Er is een nieuw gegevensarchief toegevoegd voor Azure Database for MySQL. Voorbeeld toegevoegd voor het gebruik van Azure Database for MySQL in DataTransferStep in Azure Machine Learning-pijplijnen.
    • Functionaliteit toegevoegd om tags toe te voegen aan en te verwijderen uit experimenten Toegevoegd functionaliteit toegevoegd om tags uit uitvoeringen te verwijderen
    • Vlag overschrijven toegevoegd voor service-implementatie (ACI en AKS) in SDK en CLI. Indien opgegeven, wordt de bestaande service overschreven als de service met de naam al bestaat. Als de service niet bestaat, wordt er een nieuwe service gemaakt.
  • azureml-datadrift
    • Verplaatst van azureml-contrib-datadrift naar azureml-datadrift
    • Ondersteuning toegevoegd voor het bewaken van tijdreeksgegevenssets voor drift en andere statistische metingen
    • Nieuwe methoden create_from_model() en create_from_dataset() aan de DataDriftDetector klasse. De create() methode is afgeschaft.
    • Aanpassingen aan de visualisaties in Python en de gebruikersinterface in de Azure Machine Learning-studio.
    • Ondersteuning voor wekelijkse en maandelijkse bewakingsplanning, naast dagelijks voor gegevenssetmonitors.
    • Ondersteuning voor backfill van metrische gegevensmonitorgegevens voor het analyseren van historische gegevens voor gegevenssetmonitors.
    • Verschillende oplossingen voor fouten
  • azureml-pipeline-core
    • azureml-dataprep is niet meer nodig om een Azure Machine Learning-pijplijn uit het pijplijnbestand yaml te verzenden.
  • azureml-train-automl
    • Azureml-standaardinstellingen toevoegen aan automatisch gegenereerde Conda env om de fout in de modelimplementatie op te lossen
    • AutomatischeML-externe training bevat nu azureml-standaardinstellingen om hergebruik van trainings-env toe te staan voor deductie.
  • azureml-train-core
    • PyTorch 1.3-ondersteuning toegevoegd in PyTorch estimator

2019-10-21

Visuele interface (preview)

• De visuele interface van Azure Machine Learning (preview) is gereviseerd om te worden uitgevoerd op Azure Machine Learning-pijplijnen. Pijplijnen (voorheen experimenten genoemd) die zijn geschreven in de visuele interface, zijn nu volledig geïntegreerd met de kernervaring van Azure Machine Learning.

  • Uniforme beheerervaring met SDK-assets
  • Versiebeheer en tracering voor visuele interfacemodellen, pijplijnen en eindpunten
  • Opnieuw ontworpen gebruikersinterface
  • Implementatie van batchdeductie toegevoegd
  • AKS-ondersteuning (Azure Kubernetes Service) toegevoegd voor deductie-rekendoelen
  • Nieuwe werkstroom voor het ontwerpen van pijplijnen in Python
  • Nieuwe landingspagina voor visuele ontwerphulpprogramma's

• Nieuwe modules

  • Wiskundige bewerking toepassen
  • SQL-transformatie toepassen
  • Clipwaarden
  • Gegevens samenvatten
  • Importeren uit SQL Database

2019-10-14

Azure Machine Learning SDK voor Python v1.0.69

• Opgeloste fouten en verbeteringen
  • azureml-automl-core
    • Het beperken van modeluitleg om het beste uit te voeren in plaats van rekenverklaringen voor elke uitvoering. Dit gedrag wijzigen voor lokale, externe en ADB.
    • Ondersteuning toegevoegd voor uitleg over on-demand modellen voor de gebruikersinterface
    • Psutil toegevoegd als een afhankelijkheid van automl en opgenomen psutil als een conda-afhankelijkheid in amlcompute.
    • Er is een probleem opgelost met heuristische vertraging en de grootte van rollende vensters in de voorspellende gegevenssets waarvan sommige reeksen lineaire algebra-fouten kunnen veroorzaken
      • Afdruk toegevoegd voor de heuristisch bepaalde parameters in de prognoseuitvoeringen.
  • azureml-contrib-datadrift
    • Beveiliging toegevoegd tijdens het maken van metrische uitvoergegevens als drift op gegevenssetniveau zich niet in de eerste sectie bevindt.
  • azureml-contrib-interpret
    • azureml-contrib-explain-model package is hernoemd naar azureml-contrib-interpret
  • azureml-core
    • API toegevoegd om de registratie van gegevenssets ongedaan te maken. dataset.unregister_all_versions()
    • het modelpakket azureml-contrib-explain-model is hernoemd naar azureml-contrib-interpret.
  • azureml-core
    • API toegevoegd om de registratie van gegevenssets ongedaan te maken. Dataset.unregister_all_versions().
    • Gegevensset-API toegevoegd om de gewijzigde tijd van de gegevens te controleren. dataset.data_changed_time.
    • Kunnen gebruiken FileDataset en TabularDataset als invoer voor PythonScriptStep, EstimatorStepen HyperDriveStep in Azure Machine Learning Pipeline
    • De prestaties van FileDataset.mount zijn verbeterd voor mappen met een groot aantal bestanden
    • FileDataset en TabularDataset kunnen worden gebruikt als invoer voor PythonScriptStep, EstimatorStep en HyperDriveStep in de Azure Machine Learning-pijplijn.
    • Prestaties van FileDataset.mount() is verbeterd voor mappen met een groot aantal bestanden
    • URL toegevoegd aan bekende aanbevelingen voor fouten in uitvoeringsdetails.
    • Er is een fout opgelost in run.get_metrics waarbij aanvragen zouden mislukken als een uitvoering te veel onderliggende items had
    • Er is een fout opgelost in run.get_metrics waarbij aanvragen zouden mislukken als een uitvoering te veel onderliggende items had
    • Er is ondersteuning toegevoegd voor verificatie in het Cluster Van Azure.
    • Als u een Experiment-object maakt, wordt het experiment opgehaald of gemaakt in de Azure Machine Learning-werkruimte voor het bijhouden van uitvoeringsgeschiedenis. De experiment-id en de gearchiveerde tijd worden ingevuld in het experimentobject bij het maken. Voorbeeld: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() en reactivate() zijn functies die kunnen worden aangeroepen voor een experiment om het experiment te verbergen en te herstellen zodat het wordt weergegeven in de UX of standaard wordt geretourneerd in een aanroep om experimenten weer te geven. Als er een nieuw experiment wordt gemaakt met dezelfde naam als een gearchiveerd experiment, kunt u de naam van het gearchiveerde experiment wijzigen wanneer u het opnieuw activeert door een nieuwe naam door te geven. Er kan slechts één actief experiment met een bepaalde naam zijn. Voorbeeld: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Maak een nieuw actief experiment met dezelfde naam als het gearchiveerde experiment. experiment2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") De statische methode list() in Experiment kan een naamfilter en ViewType-filter aannemen. ViewType-waarden zijn 'ACTIVE_ONLY', 'ARCHIVED_ONLY' en 'ALL'. Voorbeeld: archived_experiments = Experiment.list( werkruimte, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(werkruimte, name="First Experiment", view_type="ALL")
    • Ondersteuning voor het gebruik van omgeving voor modelimplementatie en service-update
  • azureml-datadrift
    • Het showkenmerk van de klasse DataDriftDector biedt geen ondersteuning meer voor optioneel argument 'with_details'. Het kenmerk show geeft alleen gegevensdriftcoëfficiënt en gegevensdriftbijdrage van functiekolommen weer.
    • Wijzigingen in het gedrag van het DataDriftDetector-kenmerk 'get_output':
      • Invoerparameter start_time, end_time zijn optioneel in plaats van verplicht;
      • Invoerspecifieke start_time en/of end_time met een specifieke run_id in dezelfde aanroep resulteert in foutonderzondering omdat deze elkaar wederzijds uitsluiten
      • Door invoerspecifieke start_time en/of end_time worden alleen resultaten van geplande uitvoeringen geretourneerd;
      • Parameter 'daily_latest_only' is afgeschaft.
    • Ondersteuning voor het ophalen van gegevenssetgebaseerde gegevensdriftuitvoer.
  • azureml-explain-model
    • Wijzigt de naam van het AzureML-explain-model-pakket in AzureML-interpret, waardoor het oude pakket voorlopig achterwaartse compatibiliteit behouden blijft
    • opgeloste automl fout met onbewerkte uitleg ingesteld op classificatietaak in plaats van regressie standaard bij het downloaden van ExplanationClient
    • Ondersteuning toevoegen voor ScoringExplainer het rechtstreeks maken met behulp van MimicWrapper
  • azureml-pipeline-core
    • Verbeterde prestaties voor het maken van grote pijplijnen
  • azureml-train-core
    • TensorFlow 2.0-ondersteuning toegevoegd in TensorFlow Estimator
  • azureml-train-automl

    • Als u een Experiment-object maakt, wordt het experiment opgehaald of gemaakt in de Azure Machine Learning-werkruimte voor het bijhouden van uitvoeringsgeschiedenis. De experiment-id en de gearchiveerde tijd worden ingevuld in het experimentobject bij het maken. Voorbeeld:

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

      archive() en reactivate() zijn functies die kunnen worden aangeroepen voor een experiment om het experiment te verbergen en te herstellen van de weergave in de UX of die standaard worden geretourneerd in een aanroep om experimenten weer te geven. Als er een nieuw experiment wordt gemaakt met dezelfde naam als een gearchiveerd experiment, kunt u de naam van het gearchiveerde experiment wijzigen wanneer u het opnieuw activeert door een nieuwe naam door te geven. Er kan slechts één actief experiment met een bepaalde naam zijn. Voorbeeld:

      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")
      

      De statische methode list() in Experiment kan een naamfilter en ViewType-filter gebruiken. ViewType-waarden zijn 'ACTIVE_ONLY', 'ARCHIVED_ONLY' en 'ALL'. Voorbeeld:

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

    • Ondersteuning voor het gebruik van de omgeving voor modelimplementatie en service-update.

  • azureml-datadrift
    • Het showkenmerk van de DataDriftDetector-klasse biedt geen ondersteuning meer voor optioneel argument 'with_details'. Het kenmerk show geeft alleen gegevensdriftcoëfficiënt en gegevensdriftbijdrage van functiekolommen weer.
    • De functie DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none-end-time-none-run-id-none-) gedrag verandert:
      • Invoerparameter start_time, end_time zijn optioneel in plaats van verplicht;
      • Invoer van specifieke start_time en/of end_time met een specifieke run_id in dezelfde aanroep resulteert in foutonderzondering omdat deze elkaar wederzijds uitsluiten;
      • Door invoerspecifieke start_time en/of end_time worden alleen resultaten van geplande uitvoeringen geretourneerd;
      • Parameter 'daily_latest_only' is afgeschaft.
    • Ondersteuning voor het ophalen van gegevenssetgebaseerde gegevensdriftuitvoer.
  • azureml-explain-model
    • Ondersteuning voor ScoringExplainer toevoegen om rechtstreeks te worden gemaakt met Behulp van MimicWrapper
  • azureml-pipeline-core
    • Verbeterde prestaties voor het maken van grote pijplijnen.
  • azureml-train-core
    • TensorFlow 2.0-ondersteuning toegevoegd in TensorFlow Estimator.
  • azureml-train-automl
    • De bovenliggende uitvoering wordt niet meer uitgevoerd wanneer de installatie-iteratie is mislukt, omdat de indeling er al voor zorgt.
    • Local-docker- en local-conda-ondersteuning toegevoegd voor AutoML-experimenten
    • Local-docker en local-conda-ondersteuning toegevoegd voor AutoML-experimenten.

2019-10-08

Nieuwe webervaring (preview) voor Azure Machine Learning-werkruimten

Het tabblad Experiment in de nieuwe werkruimteportal is bijgewerkt, zodat gegevenswetenschappers experimenten op een efficiëntere manier kunnen bewaken. U kunt de volgende functies verkennen:

• Experimentmetagegevens om uw lijst met experimenten eenvoudig te filteren en te sorteren
• Vereenvoudigde en goed presterende pagina's met experimentdetails waarmee u de uitvoeringen kunt visualiseren en vergelijken
• Nieuw ontwerp voor het uitvoeren van detailpagina's om uw trainingsuitvoeringen te begrijpen en te bewaken

2019-09-30

Azure Machine Learning SDK voor Python v1.0.65

• Nieuwe functies

  • Gecureerde omgevingen toegevoegd. Deze omgevingen zijn vooraf geconfigureerd met bibliotheken voor algemene machine learning-taken en zijn vooraf gemaakt en in de cache opgeslagen als Docker-installatiekopieën voor een snellere uitvoering. Ze worden standaard weergegeven in de lijst met omgevingen van de werkruimte, met het voorvoegsel 'AzureML'.
  • Gecureerde omgevingen toegevoegd. Deze omgevingen zijn vooraf geconfigureerd met bibliotheken voor algemene machine learning-taken en zijn vooraf gemaakt en in de cache opgeslagen als Docker-installatiekopieën voor een snellere uitvoering. Ze worden standaard weergegeven in de lijst met omgevingen van de werkruimte, met het voorvoegsel 'AzureML'.

• azureml-train-automl

• azureml-train-automl

  • Ondersteuning voor ONNX-conversie toegevoegd voor de ADB en HDI

• Preview-functies

  • azureml-train-automl

  • azureml-train-automl

    • Ondersteunde BERT en BiLSTM als tekst-featurizer (alleen preview)
    • Ondersteunde functieaanpassing voor kolomdoeleinden en transformatorparameters (alleen preview)
    • Ondersteunde onbewerkte uitleg wanneer de gebruiker modeluitleg inschakelt tijdens de training (alleen preview)
    • Prophet toegevoegd voor timeseries prognoses als trainbare pijplijn (alleen preview)

  • azureml-contrib-datadrift

    • Pakketten die zijn verplaatst van azureml-contrib-datadrift naar azureml-datadrift; het contrib pakket wordt verwijderd in een toekomstige release

• Opgeloste fouten en verbeteringen

  • azureml-automl-core
    • FeaturizationConfig geïntroduceerd voor AutoMLConfig en AutoMLBase Instellingen
    • FeaturizationConfig geïntroduceerd voor AutoMLConfig en AutoMLBase Instellingen
      • Kolomdoel voor featurisatie overschrijven met het opgegeven kolom- en functietype
      • Transformatorparameters overschrijven
    • Afschaffingsbericht toegevoegd voor explain_model() en retrieve_model_explanations()
    • Prophet toegevoegd als trainbare pijplijn (alleen preview)
    • Afschaffingsbericht toegevoegd voor explain_model() en retrieve_model_explanations().
    • Prophet toegevoegd als trainbare pijplijn (alleen preview).
    • Ondersteuning toegevoegd voor automatische detectie van doelvertragingen, grootte van rollend venster en maximale horizon. Als een van target_lags, target_rolling_window_size of max_horizon is ingesteld op 'auto', wordt de heuristiek toegepast om de waarde van de bijbehorende parameter te schatten op basis van trainingsgegevens.
    • Er is een vaste prognose in het geval dat de gegevensset één korrelkolom bevat, is dit korrel van een numeriek type en er is een tussenruimte tussen de trein- en testset
    • Het foutbericht over de gedupliceerde index in de externe uitvoering in prognosetaken opgelost
    • Er is een vaste prognose in het geval dat de gegevensset één korrelkolom bevat, deze korrel is van een numeriek type en er is een tussenruimte tussen de trein- en testset.
    • Het foutbericht over de gedupliceerde index in de externe uitvoering in prognosetaken is opgelost.
    • Er is een kader toegevoegd om te controleren of een gegevensset onbalans heeft of niet. Als dat zo is, wordt er een kaderbericht naar de console geschreven.
  • azureml-core
    • Mogelijkheid toegevoegd om SAS-URL op te halen voor model in opslag via het modelobject. Bijvoorbeeld: model.get_sas_url()
    • Maak kennis run.get_details()['datasets'] met het ophalen van gegevenssets die zijn gekoppeld aan de verzonden uitvoering
    • Voeg een API Dataset.Tabular.from_json_lines_files toe om een TabularDataset te maken op basis van JSON Lines-bestanden. Raadpleeg dit artikel voor documentatie voor meer informatie over deze tabellaire gegevens in JSON Lines-bestanden in TabularDataset.
    • Andere velden voor VM-grootte (besturingssysteemschijf, aantal GPU's) toegevoegd aan de functie supported_vmsizes ()
    • Er zijn meer velden toegevoegd aan de functie list_nodes () om de uitvoering, het privé- en het openbare IP-adres, de poort, enzovoort weer te geven.
    • De mogelijkheid om een nieuw veld op te geven tijdens het inrichten van het cluster - --remotelogin_port_public_access, die kan worden ingesteld op in- of uitgeschakeld, afhankelijk van of u de SSH-poort open of gesloten wilt laten op het moment van het maken van het cluster. Als u deze niet opgeeft, wordt de poort door de service slim geopend of gesloten, afhankelijk van of u het cluster in een VNet implementeert.
  • azureml-explain-model
  • azureml-core
    • Mogelijkheid toegevoegd om SAS-URL op te halen voor model in opslag via het modelobject. Bijvoorbeeld: model.get_sas_url()
    • Voer de run uit.get_details['gegevenssets'] om gegevenssets op te halen die zijn gekoppeld aan de verzonden uitvoering
    • API Dataset.Tabulartoevoegen.from_json_lines_files() om een TabularDataset te maken op basis van JSON Lines-bestanden. Ga naarhttps://aka.ms/azureml-data de documentatie voor meer informatie over deze tabelgegevens in JSON Lines-bestanden in TabularDataset.
    • Andere velden voor DE VM-grootte (besturingssysteemschijf, aantal GPU's) toegevoegd aan de functie supported_vmsizes()
    • Er zijn andere velden toegevoegd aan de functie list_nodes() om de uitvoering, het privé- en het openbare IP-adres, de poort enzovoort weer te geven.
    • Mogelijkheid om een nieuw veld op te geven tijdens het inrichten van het cluster dat kan worden ingesteld op in- of uitgeschakeld, afhankelijk van of u de SSH-poort open of gesloten wilt laten op het moment dat het cluster wordt gemaakt. Als u deze niet opgeeft, wordt de poort door de service slim geopend of gesloten, afhankelijk van of u het cluster in een VNet implementeert.
  • azureml-explain-model
    • Verbeterde documentatie voor Uitleg-uitvoer in het classificatiescenario.
    • De mogelijkheid toegevoegd om de voorspelde y-waarden te uploaden in de uitleg voor de evaluatievoorbeelden. Hiermee ontgrendelt u nuttigere visualisaties.
    • De eigenschap Uitleg toegevoegd aan MimicWrapper om de onderliggende MimicExplainer in te schakelen.
  • azureml-pipeline-core
    • Notebook toegevoegd om Module, ModuleVersion en ModuleStep te beschrijven
  • azureml-pipeline-steps
    • RScriptStep toegevoegd ter ondersteuning van R-scriptuitvoering via AML-pijplijn.
    • Er is een probleem opgelost met het parseren van metagegevensparameters in AzureBatchStep die het foutbericht 'toewijzing voor parameter SubscriptionId is niet opgegeven'.
  • azureml-train-automl
    • Ondersteunde training_data, validation_data, label_column_name weight_column_name als indeling voor gegevensinvoer
    • Afschaffingsbericht toegevoegd voor explain_model() en retrieve_model_explanations()
  • azureml-pipeline-core
    • Er is een notebook toegevoegd om Module, [ModuleVersion en ModuleStep te beschrijven.
  • azureml-pipeline-steps
    • RScriptStep toegevoegd ter ondersteuning van R-scriptuitvoering via AML-pijplijn.
    • Er is een probleem opgelost met het parseren van metagegevensparameters in [AzureBatchStep die het foutbericht 'toewijzing voor parameter SubscriptionId is niet opgegeven' veroorzaakt.
  • azureml-train-automl
    • Ondersteunde training_data, validation_data, label_column_name weight_column_name als gegevensinvoerindeling.
    • Afschaffingsbericht toegevoegd voor explain_model() en retrieve_model_explanations().

2019-09-16

Azure Machine Learning SDK voor Python v1.0.62

• Nieuwe functies

  • Geïntroduceerd de timeseries eigenschap in TabularDataset. Deze eigenschap maakt het eenvoudig filteren van tijdstempels mogelijk op gegevens een TabularDataset, zoals het nemen van alle gegevens tussen een tijdsbereik of de meest recente gegevens. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb voor een voorbeeldnotitieblok.

  • Training ingeschakeld met TabularDataset en FileDataset.

  • azureml-train-core

    • Toegevoegd Nccl en Gloo ondersteuning in PyTorch estimator

• Opgeloste fouten en verbeteringen

  • azureml-automl-core
    • De AutoML-instelling 'lag_length' en de LaggingTransformer is afgeschaft.
    • De juiste validatie van invoergegevens opgelost als deze zijn opgegeven in een gegevensstroomindeling
    • De fit_pipeline.py gewijzigd om de grafiek-json te genereren en te uploaden naar artefacten.
    • De grafiek is weergegeven met userrun behulp van Cytoscape.
  • azureml-core
    • De afhandeling van uitzonderingen in ADB-code opnieuw bekijken en wijzigingen aanbrengen op basis van nieuwe foutafhandeling
    • Automatische MSI-verificatie toegevoegd voor notebook-VM's.
    • Lost een fout op waarbij beschadigde of lege modellen kunnen worden geüpload vanwege mislukte nieuwe pogingen.
    • Er is een fout opgelost waarbij DataReference de naam verandert wanneer de DataReference modus verandert (bijvoorbeeld bij het aanroepen as_upload, as_downloadof as_mount).
    • Maken mount_point en target_path optioneel voor FileDataset.mount en FileDataset.download.
    • Uitzondering dat de tijdstempelkolom niet kan worden gevonden, wordt weggegooid als de tijdsreeksgerelateerde API wordt aangeroepen zonder dat er een goede tijdstempelkolom is toegewezen of als de toegewezen tijdstempelkolommen worden verwijderd.
    • Tijdserialisatiekolommen moeten worden toegewezen aan kolom waarvan het type Datum is, anders wordt er een uitzondering verwacht
    • Tijdserialisatiekolommen die API 'with_timestamp_columns' toewijzen, kunnen geen waarde bevatten voor de kolomnaam van de tijdstempel, waardoor eerder toegewezen tijdstempelkolommen worden gewist.
    • Er wordt een uitzondering gegenereerd wanneer een grove of fijnkorrelige tijdstempelkolom wordt verwijderd met indicatie voor de gebruiker dat neerhalen kan worden uitgevoerd nadat de kolom tijdstempel in het verwijderen van de lijst is uitgesloten of with_time_stamp met de waarde Geen wordt aangeroepen om tijdstempelkolommen vrij te geven
    • Er wordt een uitzondering gegenereerd wanneer de kolom grof of fijnkorrelig tijdstempel niet is opgenomen in de lijst met kolommen behouden met aanwijzingen voor de gebruiker dat kan worden uitgevoerd nadat de kolom tijdstempelkolom is opgenomen in de kolomlijst behouden of with_time_stamp met geen waarde wordt aangeroepen om tijdstempelkolommen vrij te geven.
    • Logboekregistratie toegevoegd voor de grootte van een geregistreerd model.
  • azureml-explain-model
    • Er is een probleem opgelost waarbij het Python-pakket 'verpakken' niet is geïnstalleerd: 'Gebruik ouder dan ondersteunde versie van lightgbm, voer een upgrade uit naar versie hoger dan 2.2.1'
    • Opgeloste uitleg van het downloadmodel met sharding voor globale uitleg met veel functies
    • Opgeloste uitleg over ontbrekende initialisatievoorbeelden voor mimic explainer bij uitvoeruitleg
    • Onveranderbare fout opgelost bij het uploaden met uitlegclient met behulp van twee verschillende typen modellen
    • Er is een get_raw param toegevoegd aan scoring explainer.explain() zodat één score-uitleg zowel ontworpen als onbewerkte waarden kan retourneren.
  • azureml-train-automl
    • Openbare API's van AutoML geïntroduceerd voor ondersteunende uitleg van automl de SDK - Nieuwere manier om AutoML-uitleg te ondersteunen door autoML-featurization te ontkoppelen en SDK uit te leggen - Geïntegreerde ondersteuning voor onbewerkte uitleg van azureml voor AutoML-modellen.
    • Azureml-standaardwaarden verwijderen uit externe trainingsomgevingen.
    • De standaardlocatie voor het cachearchief is gewijzigd van FileCacheStore op basis van een locatie in AzureFileCacheStore één voor AutoML in het codepad van Azure Databricks.
    • De juiste validatie van invoergegevens opgelost als deze zijn opgegeven in een gegevensstroomindeling
  • azureml-train-core

    • Source_directory_data_store afschaffing teruggedraaid.

    • Mogelijkheid toegevoegd om geïnstalleerde pakketversies van Azureml te overschrijven.

    • Dockerfile-ondersteuning toegevoegd in environment_definition parameter in schattingen.

    • Vereenvoudigde gedistribueerde trainingsparameters in schattingen.

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

2019-09-09

Nieuwe webervaring (preview) voor Azure Machine Learning-werkruimten

Met de nieuwe webervaring kunnen gegevenswetenschappers en data engineers hun end-to-end levenscyclus voor machine learning voltooien, van het voorbereiden en visualiseren van gegevens tot het trainen en implementeren van modellen op één locatie.

Belangrijke functies:

Met deze nieuwe Azure Machine Learning-interface kunt u het volgende doen:

• Uw notebooks beheren of een koppeling maken naar Jupyter
• Geautomatiseerde ML-experimenten uitvoeren
• Gegevenssets maken van lokale bestanden, gegevensarchieven en webbestanden
• Gegevenssets verkennen en voorbereiden voor het maken van modellen
• Gegevensdrift voor uw modellen bewaken
• Recente resources weergeven vanuit een dashboard

Op het moment van deze release worden de volgende browsers ondersteund: Chrome, Firefox, Safari en Microsoft Edge Preview.

Bekende problemen:

1. Vernieuw uw browser als u 'Er is iets misgegaan! Fout bij het laden van segmentbestanden wanneer de implementatie wordt uitgevoerd.

2. Kan het bestand niet verwijderen of de naam ervan wijzigen in Notebooks en Bestanden. Tijdens de openbare preview kunt u jupyter UI of Terminal in notebook-VM gebruiken om updatebestandsbewerkingen uit te voeren. Omdat het een gekoppeld netwerkbestandssysteem is, worden alle wijzigingen die u aanbrengt op de notebook-VM onmiddellijk doorgevoerd in de notebookwerkruimte.

3. Ga als volgt te werk om SSH naar de notebook-VM te gaan:

   1. Zoek de SSH-sleutels die zijn gemaakt tijdens het instellen van de VIRTUELE machine. Of zoek de sleutels in de Azure Machine Learning-werkruimte > , open het tabblad > Compute, zoek de notebook-VM in de lijst om de eigenschappen ervan te openen > : kopieer de sleutels uit het dialoogvenster.
   2. Importeer deze openbare en persoonlijke SSH-sleutels op uw lokale computer.
   3. Gebruik deze naar SSH in de notebook-VM.

2019-09-03

Azure Machine Learning SDK voor Python v1.0.60

• Nieuwe functies

  • FileDataset is geïntroduceerd, die verwijst naar één of meerdere bestanden in uw gegevensarchieven of openbare URL's. De bestanden kunnen van elke indeling zijn. FileDataset biedt u de mogelijkheid om de bestanden te downloaden of te koppelen aan uw berekening.
  • Ondersteuning voor Pijplijn yaml toegevoegd voor PythonScript Step, Adla Step, Databricks Step, DataTransferStep en AzureBatch Step

• Opgeloste fouten en verbeteringen

  • azureml-automl-core

    • AutoArima is nu alleen een suggestiebare pijplijn voor preview.
    • Verbeterde foutrapportage voor prognoses.
    • Verbeterde logboekregistratie met behulp van aangepaste uitzonderingen in plaats van algemeen in de prognosetaken.
    • De controle op max_concurrent_iterations is verwijderd zodat deze kleiner is dan het totale aantal iteraties.
    • AutoML-modellen retourneren nu AutoMLExceptions
    • Deze release verbetert de uitvoeringsprestaties van lokale uitvoeringen van geautomatiseerde machine learning.

  • azureml-core

    • Introduceer Dataset.get_all(werkruimte), waarmee een woordenlijst van TabularDataset en FileDataset objecten wordt geretourneerd die zijn sleutel voor hun registratienaam.

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

    • Introduceren parition_format als argument voor Dataset.Tabular.from_delimited_files en Dataset.Tabular.from_parquet.files. De partitiegegevens van elk gegevenspad worden geëxtraheerd in kolommen op basis van de opgegeven indeling. {column_name} maakt een tekenreekskolom en {column_name:jjjj/MM/dd/HH/mm/ss} maakt datum/tijdkolom, waarbij 'jjjj', 'MM', 'dd', 'uu', 'mm' en 'ss' worden gebruikt om jaar, maand, dag, uur, minuut en seconde voor het datum/tijd-type te extraheren. De partition_format moet beginnen vanaf de positie van de eerste partitiesleutel tot het einde van het bestandspad. Bijvoorbeeld, op basis van het pad '.. /USA/2019/01/01/data.csv' waar de partitie is op land/regio en tijd, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' maakt tekenreekskolom 'Land' met de waarde 'USA' en datum/tijd kolom 'PartitionDate' met de waarde '2019-01-01'.

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

    • Introduceren partition_format als argument voor Dataset.Tabular.from_delimited_files en Dataset.Tabular.from_parquet.files. De partitiegegevens van elk gegevenspad worden geëxtraheerd in kolommen op basis van de opgegeven indeling. {column_name} maakt een tekenreekskolom en {column_name:jjjj/MM/dd/HH/mm/ss} maakt datum/tijdkolom, waarbij 'jjjj', 'MM', 'dd', 'uu', 'mm' en 'ss' worden gebruikt om jaar, maand, dag, uur, minuut en seconde voor het datum/tijd-type te extraheren. De partition_format moet beginnen vanaf de positie van de eerste partitiesleutel tot het einde van het bestandspad. Bijvoorbeeld, op basis van het pad '.. /USA/2019/01/01/data.csv' waar de partitie is op land/regio en tijd, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' maakt tekenreekskolom 'Land' met de waarde 'USA' en datum/tijd kolom 'PartitionDate' met de waarde '2019-01-01'.

    • to_csv_files en to_parquet_files methoden zijn toegevoegd aan TabularDataset. Deze methoden maken conversie mogelijk tussen een TabularDataset en een FileDataset door de gegevens te converteren naar bestanden van de opgegeven indeling.

    • Meld u automatisch aan bij het register van de basisinstallatiekopieën bij het opslaan van een Dockerfile die is gegenereerd door Model.package().

    • "gpu_support" is niet meer nodig; AML detecteert en gebruikt nu automatisch de nvidia docker-extensie wanneer deze beschikbaar is. Deze wordt verwijderd in een toekomstige release.

    • Er is ondersteuning toegevoegd voor het maken, bijwerken en gebruiken van PipelineDrafts.

    • Deze release verbetert de uitvoeringsprestaties van lokale uitvoeringen van geautomatiseerde machine learning.

    • Gebruikers kunnen query's uitvoeren op basis van de uitvoeringsgeschiedenis op naam.

    • Verbeterde logboekregistratie met behulp van aangepaste uitzonderingen in plaats van algemeen in de prognosetaken.

  • azureml-explain-model

    • Er is feature_maps parameter toegevoegd aan de nieuwe MimicWrapper, zodat gebruikers onbewerkte functie-uitleg kunnen krijgen.
    • Uploads van gegevenssets zijn nu standaard uitgeschakeld voor uitleg uploaden en kunnen opnieuw worden ingeschakeld met upload_datasets=True
    • Filterparameters is_law toegevoegd aan de uitleglijst en downloadfuncties.
    • Hiermee voegt u een methode get_raw_explanation(feature_maps) toe aan globale en lokale uitlegobjecten.
    • Versiecontrole toegevoegd aan lightgbm met afgedrukte waarschuwing indien onder ondersteunde versie
    • Geoptimaliseerd geheugengebruik bij batchverwerkingsuitleg
    • AutoML-modellen retourneren nu AutoMLExceptions

  • azureml-pipeline-core

    • Ondersteuning toegevoegd voor het maken, bijwerken en gebruiken van PipelineDrafts: kan worden gebruikt om veranderlijke pijplijndefinities te onderhouden en deze interactief te gebruiken om uit te voeren

  • azureml-train-automl

    • Er is een functie gemaakt voor het installeren van specifieke versies van pytorch v1.1.0, cuda toolkit 9.0, pytorch-transformers, die vereist zijn om BERT/XLNet in te schakelen in de externe Python-runtimeomgeving.

  • azureml-train-core

    • Vroege fout bij sommige fouten in de hyperparameterruimtedefinitie rechtstreeks in de SDK in plaats van aan de serverzijde.

Azure Machine Learning Data Prep SDK v1.1.14

• Opgeloste fouten en verbeteringen
  • Schrijven naar ADLS/ADLSGen2 is ingeschakeld met behulp van onbewerkt pad en referenties.
  • Er is een fout opgelost waardoor het include_path=True niet werkt voor read_parquet.
  • Er to_pandas_dataframe() is een fout opgelost die is veroorzaakt door uitzondering 'Ongeldige eigenschapswaarde: hostSecret'.
  • Er is een fout opgelost waarbij bestanden niet konden worden gelezen in DBFS in de Spark-modus.

2019-08-19

Azure Machine Learning SDK voor Python v1.0.57

• Nieuwe functies

  • Ingeschakeld TabularDataset voor gebruik door AutomatedML. Ga voor meer informatie naar TabularDatasethttps://aka.ms/azureml/howto/createdatasets.

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • U kunt nu het TLS/SSL-certificaat bijwerken voor het score-eindpunt dat is geïmplementeerd in het AKS-cluster, zowel voor door Microsoft gegenereerd als klantcertificaat.
  • azureml-automl-core
    • Er is een probleem opgelost in AutoML waarbij rijen met ontbrekende labels niet correct werden verwijderd.
    • Verbeterde logboekregistratie van fouten in AutoML; volledige foutberichten worden nu altijd naar het logboekbestand geschreven.
    • AutoML heeft de pakketpinning bijgewerkt om op te nemen azureml-defaults, azureml-explain-modelen azureml-dataprep. AutoML waarschuwt niet langer voor niet-overeenkomende pakketten (met uitzondering van azureml-train-automl pakket).
    • Er is een probleem opgelost waarbij timeseries cv-splitsingen van ongelijke grootte zijn, waardoor bin-berekening mislukt.
    • Bij het uitvoeren van ensemble-iteratie voor het trainingstype Kruisvalidatie, als we uiteindelijk problemen hebben met het downloaden van de modellen die zijn getraind op de hele gegevensset, hadden we een inconsistentie tussen de modelgewichten en de modellen die werden ingevoerd in het stemensemble.
    • Er is een fout opgelost die is opgetreden bij het trainen en/of valideren van labels (y en y_valid) in de vorm van pandas-dataframe, maar niet als numpymatrix.
    • Er is een probleem opgelost met de prognosetaken toen er geen werd aangetroffen in de Booleaanse kolommen van invoertabellen.
    • AutoML-gebruikers toestaan om trainingsreeksen te verwijderen die niet lang genoeg zijn bij het voorspellen. - Toestaan dat AutoML-gebruikers korrels verwijderen uit de testset die niet bestaat in de trainingsset bij het voorspellen.
  • azureml-core
    • Probleem opgelost met blob_cache_timeout parametervolgorde.
    • Uitzonderingstypen voor externe pasvorm en transformatie toegevoegd aan systeemfouten.
    • Er is ondersteuning toegevoegd voor Key Vault-geheimen voor externe uitvoeringen. Voeg een azureml.core.keyvault.Keyvault klasse toe om geheimen toe te voegen, op te halen en weer te geven uit de sleutelkluis die aan uw werkruimte is gekoppeld. Ondersteunde bewerkingen zijn:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.keyvault.Keyvault.set_secret(naam, waarde)
      • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
      • azureml.core.keyvault.Keyvault.get_secret(naam)
      • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
      • azureml.core.keyvault.Keyvault.list_secrets()
      • Meer methoden voor het verkrijgen van standaardsleutelkluis en het ophalen van geheimen tijdens externe uitvoering:
      • azureml.core.workspace.Workspace.get_default_keyvault()
      • azureml.core.run.Run.get_secret(naam)
      • azureml.core.run.Run.get_secrets(secrets_list)
    • Er zijn andere onderdrukkingsparameters toegevoegd om de CLI-opdracht voor verzenden hyperdrive te verzenden.
    • Verbeter de betrouwbaarheid van API-aanroepen door nieuwe pogingen uit te breiden naar algemene uitzonderingen in de aanvraagbibliotheek.
    • Voeg ondersteuning toe voor het verzenden van uitvoeringen vanaf een ingediende uitvoering.
    • Er is een probleem opgelost met verlopende SAS-token in FileWatcher, waardoor bestanden niet meer werden geüpload nadat het oorspronkelijke token was verlopen.
    • Ondersteund voor het importeren van HTTP CSV-/tsv-bestanden in de Python SDK van de gegevensset.
    • De methode Workspace.setup() is afgeschaft. Waarschuwingsbericht dat aan gebruikers wordt weergegeven, stelt voor om in plaats daarvan create() of get()/from_config() te gebruiken.
    • Er is Environment.add_private_pip_wheel() toegevoegd, waarmee u persoonlijke aangepaste Python-pakketten naar de werkruimte kunt uploaden whlen veilig kunt gebruiken om de omgeving te bouwen/materialiseren.
    • U kunt nu het TLS/SSL-certificaat bijwerken voor het score-eindpunt dat is geïmplementeerd in het AKS-cluster, zowel voor door Microsoft gegenereerd als klantcertificaat.
  • azureml-explain-model
    • Parameter toegevoegd om een model-id toe te voegen aan uitleg over uploaden.
    • Taggen toegevoegd is_raw aan uitleg in het geheugen en uploaden.
    • Pytorch-ondersteuning en -tests toegevoegd voor het pakket azureml-explain-model.
  • azureml-opendatasets
    • Ondersteuning voor het detecteren en registreren van een automatische testomgeving.
    • Er zijn klassen toegevoegd om de Amerikaanse bevolking per provincie en zip te krijgen.
  • azureml-pipeline-core
    • Labeleigenschap toegevoegd aan invoer- en uitvoerpoortdefinities.
  • azureml-telemetrie
    • Er is een onjuiste telemetrieconfiguratie opgelost.
  • azureml-train-automl
    • Er is een fout opgelost waarbij tijdens de installatiefout de fout niet werd geregistreerd in het veld 'fouten' voor de installatieuitvoering en daarom niet werd opgeslagen in bovenliggende uitvoering 'fouten'.
    • Er is een probleem opgelost in AutoML waarbij rijen met ontbrekende labels niet correct werden verwijderd.
    • AutoML-gebruikers toestaan om trainingsreeksen te verwijderen die niet lang genoeg zijn bij het voorspellen.
    • AutoML-gebruikers toestaan om korrels te verwijderen uit de testset die niet bestaat in de trainingsset bij het voorspellen.
    • AutoMLStep geeft nu configuratie door automl aan de back-end om problemen met wijzigingen of toevoegingen van nieuwe configuratieparameters te voorkomen.
    • AutoML Data Guardrail is nu beschikbaar als openbare preview. De gebruiker ziet na de training een Data Guardrail-rapport (voor classificatie-/regressietaken) en heeft er ook toegang toe via de SDK-API.
  • azureml-train-core
    • Er is ondersteuning toegevoegd voor torch 1.2 in PyTorch Estimator.
  • azureml-widgets
    • Verbeterde verwarringsmatrixgrafieken voor classificatietraining.

Azure Machine Learning Data Prep SDK v1.1.12

• Nieuwe functies

  • Lijsten met tekenreeksen kunnen nu worden doorgegeven als invoer voor read_* methoden.

• Opgeloste fouten en verbeteringen

  • De prestaties van read_parquet zijn verbeterd bij het uitvoeren in Spark.
  • Er is een probleem opgelost waarbij column_type_builder een fout optreedt in één kolom met dubbelzinnige datumnotaties.

Azure Portal

• Preview-functie
  • Streaming van logboek- en uitvoerbestanden is nu beschikbaar voor pagina's met uitvoeringsdetails. De bestanden worden in realtime bijgewerkt wanneer de preview-wisselknop is ingeschakeld.
  • De mogelijkheid om quota in te stellen op werkruimteniveau, wordt uitgebracht in de preview-versie. AmlCompute-quota worden toegewezen op abonnementsniveau, maar nu kunt u dat quotum tussen werkruimten distribueren en toewijzen voor eerlijk delen en governance. Klik op de blade Usages+Quota in de linkernavigatiebalk van uw werkruimte en selecteer het tabblad Quota configureren. U moet een abonnementsbeheerder zijn om quota in te stellen op werkruimteniveau, omdat dit een bewerking tussen werkruimten is.

2019-08-05

Azure Machine Learning SDK voor Python v1.0.55

• Nieuwe functies

  • Verificatie op basis van tokens wordt nu ondersteund voor de aanroepen naar het score-eindpunt dat is geïmplementeerd op AKS. We blijven de huidige verificatie op basis van sleutels ondersteunen en gebruikers kunnen een van deze verificatiemechanismen tegelijk gebruiken.
  • De mogelijkheid om een blobopslag te registreren die zich achter het virtuele netwerk (VNet) bevindt als een gegevensarchief.

• Opgeloste fouten en verbeteringen

  • azureml-automl-core
    • Lost een fout op waarbij de validatiegrootte voor CV-splitsingen klein is en resulteert in slecht voorspelde versus echte grafieken voor regressie en prognoses.
    • De logboekregistratie van prognosetaken op de externe uitvoeringen is verbeterd. De gebruiker krijgt nu een uitgebreid foutbericht als de uitvoering is mislukt.
    • Er zijn fouten opgelost van Timeseries als de vlag voorverwerking waar is.
    • Sommige prognosefouten voor gegevensvalidatie zijn beter uitvoerbaar gemaakt.
    • Minder geheugenverbruik van AutoML-uitvoeringen door het verwijderen en/of lui laden van gegevenssets, met name tussen processpawnen
  • azureml-contrib-explain-model
    • Er is model_task vlag toegevoegd aan uitlegders, zodat de gebruiker de standaardlogica voor automatische deductielogica voor het modeltype kan overschrijven
    • Widgetwijzigingen: Automatisch installeren met contrib, niet meer nbextension installeren/inschakelen - ondersteuningsuitleg met algemeen functiebelang (bijvoorbeeld Permutatief)
    • Dashboardwijzigingen: - Boxplots en vioolplots naast beeswarm plot op overzichtspagina - Snellere rerendering van beeswarm plot op 'Top -k' schuifregelaar wijzigen - handig bericht waarin wordt uitgelegd hoe top-k wordt berekend - Nuttige aanpasbare berichten in plaats van grafieken wanneer er geen gegevens worden opgegeven
  • azureml-core
    • Model.package() is toegevoegd om Docker-installatiekopieën en Dockerfiles te maken die modellen en hun afhankelijkheden inkapselen.
    • Lokale webservices bijgewerkt om Deductieconfiguraties met omgevingsobjecten te accepteren.
    • Opgelost model.register() dat ongeldige modellen produceert wanneer '.' (voor de huidige map) wordt doorgegeven als de parameter model_path.
    • Voeg Run.submit_child toe. De functionaliteit spiegelt Experiment.submit tijdens het opgeven van de uitvoering als het bovenliggende item van de ingediende onderliggende uitvoering.
    • Ondersteuning voor configuratieopties van Model.register in Run.register_model.
    • Mogelijkheid om JAR-taken uit te voeren op een bestaand cluster.
    • Ondersteuning voor instance_pool_id en cluster_log_dbfs_path parameters.
    • Er is ondersteuning toegevoegd voor het gebruik van een omgevingsobject bij het implementeren van een model in een webservice. Het omgevingsobject kan nu worden opgegeven als onderdeel van het Object InferenceConfig.
    • Appinsifht-toewijzing toevoegen voor nieuwe regio's - centralus - westus - northcentralus
    • Er is documentatie toegevoegd voor alle kenmerken in alle gegevensopslagklassen.
    • Parameter blob_cache_timeout toegevoegd aan Datastore.register_azure_blob_container.
    • Er zijn save_to_directory en load_from_directory methoden toegevoegd aan azureml.core.environment.Environment.
    • De opdrachten 'az ml environment download' en 'az ml environment register' zijn toegevoegd aan de CLI.
    • Er is Environment.add_private_pip_wheel methode toegevoegd.
  • azureml-explain-model
    • Tracering van gegevenssets toegevoegd aan Uitleg met behulp van de gegevenssetservice (preview).
    • Verminderde standaard batchgrootte bij het streamen van globale uitleg van 10k tot 100.
    • Er is model_task vlag toegevoegd aan uitlegders, zodat de gebruiker de standaardlogica voor automatische deductielogica voor het modeltype kan overschrijven.
  • azureml-mlflow
    • Er is een fout opgelost in mlflow.azureml.build_image waar geneste mappen worden genegeerd.
  • azureml-pipeline-steps
    • Mogelijkheid toegevoegd om JAR-taken uit te voeren op een bestaand Azure Databricks-cluster.
    • Er is ondersteuning toegevoegd instance_pool_id en cluster_log_dbfs_path parameters voor de DatabricksStep-stap.
    • Ondersteuning toegevoegd voor pijplijnparameters in de stap DatabricksStep.
  • azureml-train-automl
    • Toegevoegd docstrings voor de ensemble-gerelateerde bestanden.
    • Documenten bijgewerkt naar geschiktere taal voor max_cores_per_iteration en max_concurrent_iterations
    • De logboekregistratie van prognosetaken op de externe uitvoeringen is verbeterd. De gebruiker krijgt nu een uitgebreid foutbericht als de uitvoering is mislukt.
    • Get_data verwijderd uit het pijplijnnotebook automlstep .
    • dataprep Ondersteuning gestart in automlstep.

Azure Machine Learning Data Prep SDK v1.1.10

• Nieuwe functies
  • U kunt nu aanvragen om specifieke controles uit te voeren (bijvoorbeeld histogram, spreidingsplot, enzovoort) voor specifieke kolommen.
  • Er is een argument voor parallelliseren toegevoegd aan append_columns. Indien waar, worden gegevens in het geheugen geladen, maar de uitvoering wordt parallel uitgevoerd; als onwaar is, wordt de uitvoering gestreamd, maar met één thread.

2019-07-23

Azure Machine Learning SDK voor Python v1.0.53

• Nieuwe functies

  • Geautomatiseerde Machine Learning ondersteunt nu het trainen van ONNX-modellen op het externe rekendoel
  • Azure Machine Learning biedt nu de mogelijkheid om de training van een vorige uitvoering, controlepunt of modelbestanden te hervatten.
    • Meer informatie over het gebruik van estimators om de training van een vorige uitvoering te hervatten

• Opgeloste fouten en verbeteringen

  • azure-cli-ml
    • CLI-opdrachten 'model deploy' en 'service-update' accepteren nu parameters, configuratiebestanden of een combinatie van de twee. Parameters hebben voorrang op kenmerken in bestanden.
    • Modelbeschrijving kan nu worden bijgewerkt na registratie
  • azureml-automl-core
    • Werk nimbusML-afhankelijkheid bij naar versie 1.2.0 (huidige nieuwste versie).
    • Er wordt ondersteuning toegevoegd voor NimbusML-schattingen en -pijplijnen die moeten worden gebruikt in AutoML-schattingen.
    • Het oplossen van een bug in de ensembleselectieprocedure die het resulterende ensemble onnodig groter maakte, zelfs als de scores constant bleven.
    • Schakel het hergebruik van sommige featurizations in cv-splitsingen in voor het voorspellen van taken. Hierdoor wordt de runtime van de installatie versneld door ongeveer een factor van n_cross_validations voor dure featurizations, zoals vertragingen en lopende vensters.
    • Het oplossen van een probleem als de tijd buiten het ondersteunde tijdsbereik van Pandas valt. We verhogen nu een DataException als de tijd kleiner is dan pd. Timestamp.min of groter dan pd. Timestamp.max
    • Prognoses maken nu verschillende frequenties in trein- en testsets mogelijk als ze kunnen worden uitgelijnd. Bijvoorbeeld: 'kwartaal beginnend in januari' en 'elk kwartaal beginnend in oktober' kan worden uitgelijnd.
    • De eigenschap 'parameters' is toegevoegd aan de TimeSeriesTransformer.
    • Verwijder oude uitzonderingsklassen.
    • Bij het voorspellen van taken accepteert de target_lags parameter nu één geheel getal of een lijst met gehele getallen. Als het gehele getal is opgegeven, wordt er slechts één vertraging gemaakt. Als er een lijst wordt opgegeven, worden de unieke waarden van vertragingen gebruikt. target_lags=[1, 2, 2, 4] veroorzaakt vertragingen van één, twee en vier perioden.
    • Los de fout op over het verliezen van kolomtypen na de transformatie (gekoppelde bug);
    • Laat model.forecast(X, y_query)y_query aan het begin (#459519) een objecttype met None(s) zijn.
    • Verwachte waarden toevoegen aan automl uitvoer
  • azureml-contrib-datadrift
    • Verbeteringen in een voorbeeldnotebook, waaronder overschakelen naar azureml-opendatasets in plaats van azureml-contrib-opendatasets en prestatieverbeteringen bij het verrijken van gegevens
  • azureml-contrib-explain-model
    • Argument voor transformaties voor LIME-uitleg voor het belang van onbewerkte functies in het pakket azureml-contrib-explain-model
    • Segmentaties toegevoegd aan afbeeldingsuitleg in afbeeldingsuitleg voor het Pakket AzureML-contrib-explain-model
    • Scipy-ondersteuning voor LimeExplainer toevoegen
    • Toegevoegd batch_size aan de uitlegfunctie wanneer include_local=False, voor het streamen van globale uitleg in batches om de uitvoeringstijd van DecisionTreeExplainableModel te verbeteren
  • azureml-contrib-featureengineering
    • Oplossing voor het aanroepen van set_featurizer_timeseries_params(): wijziging van het waardetype dicteren en null-controle - Notebook toevoegen voor timeseries featurizer
    • Werk nimbusML-afhankelijkheid bij naar versie 1.2.0 (huidige nieuwste versie).
  • azureml-core
    • De mogelijkheid toegevoegd om DBFS-gegevensarchieven toe te voegen in de Azure Machine Learning CLI
    • De fout opgelost met het uploaden van gegevensarchieven waarbij een lege map wordt gemaakt als target_path deze is gestart met /
    • Probleem deepcopy opgelost in ServicePrincipalAuthentication.
    • De opdrachten 'az ml environment show' en 'az ml environment list' zijn toegevoegd aan de CLI.
    • Omgevingen bieden nu ondersteuning voor het opgeven van een base_dockerfile als alternatief voor een al gebouwde base_image.
    • De ongebruikte RunConfiguration-instelling auto_prepare_environment is gemarkeerd als afgeschaft.
    • Modelbeschrijving kan nu worden bijgewerkt na registratie
    • Bugfix: Het verwijderen van modellen en afbeeldingen biedt nu meer informatie over het ophalen van upstream-objecten die hiervan afhankelijk zijn als het verwijderen mislukt vanwege een upstream-afhankelijkheid.
    • Er is een fout opgelost waarbij lege duur werd afgedrukt voor implementaties die optreden bij het maken van een werkruimte voor sommige omgevingen.
    • Verbeterde foutuitzonderingen voor het maken van werkruimten. Gebruikers kunnen geen werkruimte maken. Kan het niet vinden... als het bericht en in plaats daarvan de werkelijke fout bij het maken te zien.
    • Voeg ondersteuning toe voor tokenverificatie in AKS-webservices.
    • Methode toevoegen get_token() aan Webservice objecten.
    • CLI-ondersteuning toegevoegd voor het beheren van machine learning-gegevenssets.
    • Datastore.register_azure_blob_container neemt nu optioneel een blob_cache_timeout waarde (in seconden) die de koppelparameters van blobfuse configureert om het verloop van de cache voor dit gegevensarchief in te schakelen. De standaardwaarde is geen time-out, zoals wanneer een blob wordt gelezen, maar blijft in de lokale cache totdat de taak is voltooid. De meeste taken geven de voorkeur aan deze instelling, maar sommige taken moeten meer gegevens uit een grote gegevensset lezen dan op hun knooppunten past. Voor deze taken helpt het afstemmen van deze parameter hen te slagen. Zorg ervoor dat bij het afstemmen van deze parameter: het instellen van de waarde te laag kan leiden tot slechte prestaties, omdat de gegevens die in een periode worden gebruikt, kunnen verlopen voordat ze opnieuw worden gebruikt. Alle leesbewerkingen worden uitgevoerd vanuit blobopslag/netwerk in plaats van de lokale cache, wat negatieve gevolgen heeft voor trainingstijden.
    • Modelbeschrijving kan nu correct worden bijgewerkt na registratie
    • Het verwijderen van modellen en afbeeldingen biedt nu meer informatie over upstream-objecten die hiervan afhankelijk zijn, waardoor het verwijderen mislukt
    • Verbeter het resourcegebruik van externe uitvoeringen met behulp van azureml.mlflow.
  • azureml-explain-model
    • Argument voor transformaties voor LIME-uitleg voor het belang van onbewerkte functies in het pakket azureml-contrib-explain-model
    • scipy sparse-ondersteuning toevoegen voor LimeExplainer
    • shape linear explainer wrapper en een ander niveau toegevoegd aan tabellaire uitleg voor het uitleggen van lineaire modellen
    • voor uitleg in de uitlegmodelbibliotheek, fout opgelost bij include_local=Onwaar voor sparse-gegevensinvoer
    • verwachte waarden toevoegen aan automl uitvoer
    • vaste permutatiefunctiebelang wanneer het argument transformaties wordt opgegeven om het belang van onbewerkte functies te verkrijgen
    • toegevoegd batch_size aan de uitlegfunctie wanneer include_local=False, voor het streamen van globale uitleg in batches om de uitvoeringstijd van DecisionTreeExplainableModel te verbeteren
    • voor model-uitlegbibliotheek, vaste blackbox-uitleg waar pandas-gegevensframeinvoer vereist is voor voorspelling
    • Er is een fout opgelost waarbij explanation.expected_values soms een float in plaats van een lijst met een float erin zou worden geretourneerd.
  • azureml-mlflow
    • Prestaties van mlflow.set_experiment(experiment_name) verbeteren
    • Fout opgelost bij het gebruik van InteractiveLoginAuthentication voor mlflow tracking_uri
    • Verbeter het resourcegebruik van externe uitvoeringen met behulp van azureml.mlflow.
    • De documentatie van het azureml-mlflow-pakket verbeteren
    • Patchfout waarbij mlflow.log_artifacts("my_dir") artefacten opslaat my_dir/<artifact-paths> in plaats van <artifact-paths>
  • azureml-opendatasets
    • Vastmaken pyarrow aan opendatasets oude versies (<0.14.0) vanwege het geheugenprobleem dat daar nieuw is geïntroduceerd.
    • Verplaats azureml-contrib-opendatasets naar azureml-opendatasets.
    • Sta toe dat open gegevenssetklassen worden geregistreerd bij de Azure Machine Learning-werkruimte en dat de mogelijkheden van AML-gegevenssets naadloos worden gebruikt.
    • Verbeter NoaaIsdWeather verrijk de prestaties in niet-SPARK-versie aanzienlijk.
  • azureml-pipeline-steps
    • DBFS Datastore wordt nu ondersteund voor invoer en uitvoer in DatabricksStep.
    • Documentatie voor Azure Batch Step bijgewerkt met betrekking tot invoer/uitvoer.
    • In AzureBatchStep is delete_batch_job_after_finish standaardwaarde gewijzigd in waar.
  • azureml-telemetrie
    • Verplaats azureml-contrib-opendatasets naar azureml-opendatasets.
    • Sta toe dat open gegevenssetklassen worden geregistreerd bij de Azure Machine Learning-werkruimte en dat de mogelijkheden van AML-gegevenssets naadloos worden gebruikt.
    • Verbeter NoaaIsdWeather verrijk de prestaties in niet-SPARK-versie aanzienlijk.
  • azureml-train-automl
    • Bijgewerkte documentatie over get_output om het werkelijke retourtype weer te geven en andere opmerkingen te geven over het ophalen van sleuteleigenschappen.
    • Werk nimbusML-afhankelijkheid bij naar versie 1.2.0 (huidige nieuwste versie).
    • verwachte waarden toevoegen aan automl uitvoer
  • azureml-train-core
    • Tekenreeksen worden nu geaccepteerd als rekendoel voor geautomatiseerde hyperparameterafstemming
    • De ongebruikte RunConfiguration-instelling auto_prepare_environment is gemarkeerd als afgeschaft.

Azure Machine Learning Data Prep SDK v1.1.9

• Nieuwe functies

  • Er is ondersteuning toegevoegd voor het rechtstreeks lezen van een bestand vanuit een HTTP- of HTTPS-URL.

• Opgeloste fouten en verbeteringen

  • Verbeterd foutbericht bij het lezen van een Parquet-gegevensset van een externe bron (die momenteel niet wordt ondersteund).
  • Er is een fout opgelost bij het schrijven naar de Parquet-bestandsindeling in ADLS Gen 2 en het bijwerken van de ADLS Gen 2-containernaam in het pad.

2019-07-09

Visuele interface

• Preview-functies
  • Module Execute R-script is toegevoegd in de visuele interface.

Azure Machine Learning SDK voor Python v1.0.48

• Nieuwe functies

  • azureml-opendatasets
    • azureml-contrib-opendatasets is nu beschikbaar als azureml-opendatasets. Het oude pakket kan nog steeds werken, maar we raden u aan azureml-opendatasets te gebruiken voor uitgebreidere mogelijkheden en verbeteringen.
    • Met dit nieuwe pakket kunt u open gegevenssets registreren als gegevensset in de Azure Machine Learning-werkruimte en de functies gebruiken die Dataset biedt.
    • Het bevat ook bestaande mogelijkheden, zoals het gebruik van open gegevenssets als Pandas-/SPARK-dataframes en locatiedeelnames voor sommige gegevenssets, zoals het weer.

• Preview-functies

  • HyperDriveConfig kan nu pijplijnobject accepteren als parameter ter ondersteuning van hyperparameterafstemming met behulp van een pijplijn.

• Opgeloste fouten en verbeteringen

  • azureml-train-automl
    • Er is een fout opgelost over het verliezen van kolomtypen na de transformatie.
    • Er is een fout opgelost waardoor y_query een objecttype met geen(en) aan het begin was.
    • Het probleem opgelost in de ensembleselectieprocedure die het resulterende ensemble onnodig groter maakte, zelfs als de scores constant bleven.
    • Het probleem opgelost met het toestaan van list_models en het blokkeren van list_models-instellingen in AutoMLStep.
    • Er is een probleem opgelost waarbij het gebruik van voorverwerking werd voorkomen wanneer AutoML werd gebruikt in de context van Azure Machine Learning-pijplijnen.
  • azureml-opendatasets
    • Azureml-contrib-opendatasets verplaatst naar azureml-opendatasets.
    • Toegestane open gegevenssetklassen die zijn geregistreerd bij de Azure Machine Learning-werkruimte en naadloos gebruikmaken van de mogelijkheden van AML-gegevenssets.
    • Verbeterde NoaaIsdWeather verrijken de prestaties in niet-SPARK-versie aanzienlijk.
  • azureml-explain-model
    • Onlinedocumentatie bijgewerkt voor interpreteerbaarheidsobjecten.
    • Toegevoegd batch_size om uitleg na te bootsen wanneer include_local=False, voor het streamen van globale uitleg in batches om de uitvoeringstijd van DecisionTreeExplainableModel te verbeteren voor de bibliotheek voor modeluitlegbaarheid.
    • Er is een probleem opgelost waarbij explanation.expected_values soms een float in plaats van een lijst met een float erin zou worden geretourneerd.
    • Verwachte waarden toegevoegd aan automl uitvoer voor mimic explainer in de modelbibliotheek uitleg.
    • Het belang van de permutatiefunctie is opgelost wanneer het argument transformaties is opgegeven om het belang van onbewerkte functies te verkrijgen.
  • azureml-core
    • De mogelijkheid toegevoegd om DBFS-gegevensarchieven toe te voegen in de Azure Machine Learning CLI.
    • Er is een probleem opgelost met het uploaden van gegevensarchieven waarbij een lege map wordt gemaakt als target_path deze is gestart./
    • Vergelijking van twee gegevenssets ingeschakeld.
    • Model- en installatiekopieën verwijderen biedt nu meer informatie over het ophalen van upstream-objecten die hiervan afhankelijk zijn als het verwijderen mislukt vanwege een upstream-afhankelijkheid.
    • De ongebruikte RunConfiguration-instelling is afgeschaft in auto_prepare_environment.
  • azureml-mlflow
    • Verbeterd resourcegebruik van externe uitvoeringen die gebruikmaken van azureml.mlflow.
    • Verbeterde documentatie van het azureml-mlflow-pakket.
    • Er is een probleem opgelost waarbij mlflow.log_artifacts("my_dir") artefacten opslaat onder 'my_dir/artifact-paths' in plaats van 'artifact-paths'.
  • azureml-pipeline-core
    • Parameter hash_paths voor alle pijplijnstappen is afgeschaft en wordt in de toekomst verwijderd. De standaardinhoud van de source_directory is gehasht (behalve bestanden die worden vermeld in .amlignore of .gitignore)
    • Continue verbetering van Module en ModuleStep ter ondersteuning van typespecifieke modules voor rekentypen, om de integratie van RunConfiguration voor te bereiden en andere wijzigingen om het gebruik van rekentypespecifieke modules in pijplijnen te ontgrendelen.
  • azureml-pipeline-steps
    • AzureBatchStep: Verbeterde documentatie over invoer/uitvoer.
    • AzureBatchStep: delete_batch_job_after_finish standaardwaarde gewijzigd in waar.
  • azureml-train-core
    • Tekenreeksen worden nu geaccepteerd als rekendoel voor geautomatiseerde hyperparameterafstemming.
    • De ongebruikte RunConfiguration-instelling is afgeschaft in auto_prepare_environment.
    • Afgeschafte parameters conda_dependencies_file_path en pip_requirements_file_path respectievelijk ten gunste van conda_dependencies_file en pip_requirements_file respectievelijk.
  • azureml-opendatasets
    • Verbeter NoaaIsdWeather verrijk de prestaties in niet-SPARK-versie aanzienlijk.

2019-04-26

Azure Machine Learning SDK voor Python v1.0.33 uitgebracht.

• Versnelde azure Machine Learning-hardwaremodellen op FPGA's zijn algemeen beschikbaar.
  • U kunt nu het pakket azureml-accel-models gebruiken om het volgende te doen:
    • Train de gewichten van een ondersteund deep neural netwerk (ResNet 50, ResNet 152, DenseNet-121, VGG-16 en SSD-VGG)
    • Overdrachtsleer gebruiken met de ondersteunde DNN
    • Het model registreren bij Model Management Service en het model in een container opslaan
    • Het model implementeren op een Azure-VM met een FPGA in een AKS-cluster (Azure Kubernetes Service)
  • De container implementeren op een Azure Stack Edge-serverapparaat
  • Uw gegevens beoordelen met het gRPC-eindpunt met dit voorbeeld

Geautomatiseerde machine learning

• Functie opruimen om dynamisch toe te voegen featurizers voor prestatieoptimalisatie. Nieuw featurizers: werk insluitingen, gewicht van bewijs, doelcoderingen, tekstdoelcodering, clusterafstand

• Slimme CV voor het verwerken van trein-/geldige splitsingen in geautomatiseerde ML

• Weinig wijzigingen in geheugenoptimalisatie en prestatieverbetering van runtime

• Prestatieverbetering in modeluitleg

• ONNX-modelconversie voor lokale uitvoering

• Ondersteuning voor subsampling toegevoegd

• Intelligent stoppen wanneer er geen afsluitcriteria zijn gedefinieerd

• Gestapelde ensembles

• Tijdreeksvoorspelling

  • Nieuwe voorspellingsfunctie
  • U kunt nu crossvalidatie van rolling-origin gebruiken voor tijdreeksgegevens
  • Nieuwe functionaliteit toegevoegd voor het configureren van vertraging van tijdreeksen
  • Nieuwe functionaliteit toegevoegd ter ondersteuning van statistische functies voor rolling vensters
  • Nieuwe vakantiedetectie en -featurizer wanneer land-/regiocode is gedefinieerd in experimentinstellingen

• Azure Databricks

  • Prognose van tijdreeksen en modeluitzichtbaarheid/interpreteerbaarheid ingeschakeld
  • U kunt nu geautomatiseerde ML-experimenten annuleren en hervatten (doorgaan)
  • Ondersteuning toegevoegd voor multicore-verwerking

MLOps

• Lokale implementatie en foutopsporing voor scorecontainers
  U kunt nu een ML-model lokaal implementeren en snel herhalen op uw scorebestand en afhankelijkheden om ervoor te zorgen dat ze zich gedragen zoals verwacht.

• Geïntroduceerde InferenceConfig & Model.deploy()
  Modelimplementatie ondersteunt nu het opgeven van een bronmap met een invoerscript, hetzelfde als een RunConfig. Daarnaast is modelimplementatie vereenvoudigd tot één opdracht.

• Git-naslaginformatie bijhouden
  Klanten vragen al enige tijd basismogelijkheden voor Git-integratie aan, omdat ze een volledig audittrail kunnen onderhouden. We hebben tracering geïmplementeerd voor belangrijke entiteiten in Azure Machine Learning voor git-gerelateerde metagegevens (opslagplaats, doorvoer, schone status). Deze informatie wordt automatisch verzameld door de SDK en CLI.

• Modelprofilering en validatieservice
  Klanten klagen vaak over de moeilijkheid om de rekenkracht die is gekoppeld aan hun deductieservice correct te bepalen. Met onze modelprofileringsservice kan de klant voorbeeldinvoer leveren en we profileren zich in 16 verschillende CPU-/geheugenconfiguraties om de optimale grootte voor implementatie te bepalen.

• Bring Your Own Base Image voor deductie
  Een andere veelvoorkomende klacht was de moeilijkheid bij het overstappen van experimenten naar deductie RE-afhankelijkheden. Met onze nieuwe mogelijkheid voor het delen van basisinstallatiekopieën kunt u nu uw experimentele basisinstallatiekopieën, afhankelijkheden en alles opnieuw gebruiken voor deductie. Dit moet de implementaties versnellen en de kloof van de binnenste naar de buitenste lus verminderen.

• Verbeterde ervaring voor het genereren van Swagger-schema's
  Onze vorige swagger-generatiemethode was foutgevoelig en onmogelijk om te automatiseren. We hebben een nieuwe inline manier om swagger-schema's te genereren vanuit elke Python-functie via decorators. Deze code is open source en het protocol voor het genereren van schema's is niet gekoppeld aan het Azure Machine Learning-platform.

• Azure Machine Learning CLI is algemeen beschikbaar (GA)
  Modellen kunnen nu worden geïmplementeerd met één CLI-opdracht. We hebben algemene feedback van klanten ontvangen dat niemand een ML-model implementeert vanuit een Jupyter-notebook. De CLI-referentiedocumentatie is bijgewerkt.

2019-04-22

Azure Machine Learning SDK voor Python v1.0.30 uitgebracht.

Er PipelineEndpoint is geïntroduceerd om een nieuwe versie van een gepubliceerde pijplijn toe te voegen terwijl hetzelfde eindpunt wordt onderhouden.

2019-04-15

Azure Portal

• U kunt nu een bestaand script opnieuw indienen dat wordt uitgevoerd op een bestaand extern rekencluster.
• U kunt nu een gepubliceerde pijplijn uitvoeren met nieuwe parameters op het tabblad Pijplijnen.
• Uitvoeringsdetails ondersteunen nu een nieuwe viewer voor momentopnamebestanden. U kunt een momentopname van de map bekijken wanneer u een specifieke uitvoering hebt verzonden. U kunt ook het notitieblok downloaden dat is verzonden om de uitvoering te starten.
• U kunt nu bovenliggende uitvoeringen annuleren vanuit Azure Portal.

2019-04-08

Azure Machine Learning SDK voor Python v1.0.23

• Nieuwe functies
  • De Azure Machine Learning SDK ondersteunt nu Python 3.7.
  • Azure Machine Learning DNN-schattingen bieden nu ingebouwde ondersteuning voor meerdere versies. Estimator accepteert nu bijvoorbeeld TensorFlow een framework_version parameter en gebruikers kunnen versie 1.10 of 1.12 opgeven. Voor een lijst met de versies die worden ondersteund door uw huidige SDK-release, roept get_supported_versions() u de gewenste frameworkklasse aan (bijvoorbeeld TensorFlow.get_supported_versions()). Zie de documentatie van de DNN Estimator voor een lijst met de versies die worden ondersteund door de nieuwste SDK-release.

2019-03-25

Azure Machine Learning SDK voor Python v1.0.21

• Nieuwe functies
  • De methode azureml.core.Run.create_children maakt het maken van meerdere onderliggende uitvoeringen mogelijk met één aanroep.

2019-03-11

Azure Machine Learning SDK voor Python v1.0.18

• Wijzigingen
  • Het pakket azureml-tensorboard vervangt azureml-contrib-tensorboard.
  • Met deze release kunt u een gebruikersaccount instellen op uw beheerde rekencluster (amlcompute), terwijl u het maakt. U kunt dit doen door deze eigenschappen door te geven in de inrichtingsconfiguratie. Meer informatie vindt u in de SDK-referentiedocumentatie.

Azure Machine Learning Data Prep SDK v1.0.17

• Nieuwe functies

  • Ondersteunt nu het toevoegen van twee numerieke kolommen om een resulterende kolom te genereren met behulp van de expressietaal.

• Opgeloste fouten en verbeteringen

  • Verbeterde documentatie en parametercontrole voor random_split.

2019-02-27

Azure Machine Learning Data Prep SDK v1.0.16

• Opgeloste fout
  • Er is een verificatieprobleem met service-principals opgelost dat werd veroorzaakt door een API-wijziging.

2019-02-25

Azure Machine Learning SDK voor Python v1.0.17

• Nieuwe functies

  • Azure Machine Learning biedt nu eersteklas ondersteuning voor populaire DNN-framework Chainer. Het gebruik van Chainer klasgebruikers kan eenvoudig Chainer-modellen trainen en implementeren.
    • Meer informatie over het uitvoeren van hyperparameterafstemming met Chainer met behulp van HyperDrive
  • Azure Machine Learning Pipelines heeft de mogelijkheid toegevoegd om een pijplijnuitvoering te activeren op basis van wijzigingen in het gegevensarchief. Het notebook voor pijplijnplanning wordt bijgewerkt om deze functie te presenteren.

• Opgeloste fouten en verbeteringen

  • We hebben ondersteuning toegevoegd in Azure Machine Learning-pijplijnen voor het instellen van de eigenschap source_directory_data_store op een gewenst gegevensarchief (zoals een blobopslag) op RunConfigurations die worden geleverd aan de PythonScriptStep. Standaard wordt Azure File Store gebruikt als back-upgegevensarchief. Dit kan leiden tot beperkingsproblemen wanneer een groot aantal stappen gelijktijdig wordt uitgevoerd.

Azure Portal

• Nieuwe functies
  • Nieuwe editor voor slepen en neerzetten voor rapporten. Gebruikers kunnen een kolom van de bron naar het tabelgebied slepen waar een voorbeeld van de tabel wordt weergegeven. De kolommen kunnen opnieuw worden gerangschikt.
  • Nieuwe logboekbestandsviewer
  • Koppelingen naar uitvoeringen van experimenten, berekeningen, modellen, installatiekopieën en implementaties op het tabblad Activiteiten

Volgende stappen

Lees het overzicht voor Azure Machine Learning.