Informacje o wersji zestawu SDK języka Python dla usługi Azure Machine Edukacja

  • Artykuł

W tym artykule dowiesz się więcej o wersjach zestawu SDK języka Python Edukacja azure Machine. Aby zapoznać się z pełną zawartością referencyjną zestawu SDK, odwiedź stronę dokumentacji głównego zestawu SDK usługi Azure Machine Edukacja dla języka Python.

Kanał informacyjny RSS: otrzymuj powiadomienie o zaktualizowaniu tej strony przez skopiowanie i wklejenie następującego adresu URL do czytnika kanału informacyjnego: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-04-29

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.56.0

  • azureml-core
    • Włącz ponowne mapowanie aplikacji Szczegółowe informacje dla nowego regionu Chiny Wschodnie 3, ponieważ nie obsługuje trybu zasobów klasycznych. Naprawiono również brakującą aktualizację dla Chin Północnych 3.
  • azureml-defaults
    • Bumped azureml-inference-server-http pin do 1.0.0 w pliku azureml-defaults.
  • azureml-interpret
    • zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.31.*
  • azureml-responsibleai
    • zaktualizowano wspólne środowisko i pakiet azureml-responsibleai na raiwidgets i responsibleai 0.33.0
    • Zwiększ odpowiedzialność i wersje zależności fairlearn

2024-01-29

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.55.0

  • azureml-core
    • Włącz ponowne mapowanie aplikacji Szczegółowe informacje dla nowego regionu Chiny Wschodnie 3, ponieważ nie obsługuje trybu zasobów klasycznych. Naprawiono również brakującą aktualizację dla Chin Północnych 3.
  • azureml-defaults
    • Bumped azureml-inference-server-http pin do 1.0.0 w pliku azureml-defaults.
  • azureml-interpret
    • zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.31.*
  • azureml-responsibleai
    • zaktualizowano wspólne środowisko i pakiet azureml-responsibleai na raiwidgets i responsibleai 0.33.0
    • Zwiększ odpowiedzialność i wersje zależności fairlearn

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 i scipy zostały uaktualnione do wersji 1.13, 1.3.5 i 1.1.1 - fbprophet 0.7.1 został zastąpiony przez proroka 1.1.4 Podczas ładowania modelu w środowisku lokalnym wersje tych pakietów powinny być zgodne z tym, co model został wytrenowany.
  • azureml-core, azureml-pipeline-core, azureml-pipeline-steps
    • AzureML-Pipeline — dodaj ostrzeżenie dla parametru init_scripts w kroku usługi Databricks, ostrzegając o zbliżającym się wycofaniu.
  • azureml-interpret
    • zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.30.*
  • azureml-mlflow
    • feat: Dodaj AZUREML_BLOB_MAX_SINGLE_PUT_SIZE , aby kontrolować rozmiar w bajtach fragmentów przekazywania. Obniżenie wartości domyślnej (64*1024*1024 tj. 64 MB) może rozwiązać problemy, gdy operacje zapisu kończą się niepowodzeniem z powodu przekroczenia limitu czasu.
    • Obsługa przekazywania i pobierania modeli z rejestrów usługi AzureML jest obecnie eksperymentalna
    • Dodawanie obsługi użytkowników, którzy chcą pobrać lub przekazać model z rejestrów AML

2023-08-21

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.53.0

  • azureml-automl-core
    • Obsługa funkcji/regresorów znanych w czasie prognozowania modeli TCN prognozowania automatycznego uczenia maszynowego.
  • azureml-automl-dnn-vision
    • Włączanie flag dla log_training_metrics i log_validation_loss na potrzeby wykrywania obiektów automl i segmentacji wystąpień
  • azureml-contrib-automl-dnn-forecasting
    • Obsługa funkcji/regresorów znanych w czasie prognozowania modeli TCN prognozowania automatycznego uczenia maszynowego.
  • azureml-core
    • Dodaj zamianę lokalizacji appinsights dla qatarcentral, aby wskazać uaenorth
    • 27 czerwca 2023 r. środowisko Python 3.7 osiągnęło koniec życia. W związku z tym wersja 3.7 zostanie wycofana w środowisku azureml-core od października 2023 r., a azureml-core zakończy wsparcie dla wersji 3.7 w lutym 2024 r.
  • azureml-mlflow
    • Poprawka dotycząca ładowania modeli za pomocą interfejsów API load_model MLflow podczas przekazywania identyfikatora URI usługi AzureML
  • azureml-pipeline-core
    • Pomiń podrzędny przebieg i błąd dziennika, gdy uruchomienie podrzędne nie powiodło się (np. 404) przy użyciu polecenia PipelineRun.get_pipeline_runs.
    • PipelineEndpoint.list wprowadza nowy parametr max_resultsint, który wskazuje maksymalny rozmiar zwracanej listy. Wartość domyślna to max_results 100.
  • azureml-training-tabular
    • Obsługa funkcji/regresorów znanych w czasie prognozowania modeli TCN prognozowania automatycznego uczenia maszynowego.

2023-06-26

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.52.0

  • azureml-automl-dnn-vision
    • Sygnatura mlflow dla modeli automl środowiska uruchomieniowego (starsza wersja) została zmieniona w celu akceptowania danych wejściowych binarnych. Umożliwia to wnioskowanie wsadowe. Funkcja predict jest zgodna z poprzednimi wersjami, dzięki czemu użytkownicy nadal mogą wysyłać ciągi base64 jako dane wejściowe. Dane wyjściowe funkcji predict zostały zmienione w celu usunięcia tymczasowej nazwy pliku oraz pustych wizualizacji i klucza atrybucji, gdy wyjaśnienie modelu to n...
  • azureml-contrib-automl-dnn-forecasting
    • Usunięto usterkę, która spowodowała błędy podczas trenowania rozproszonego TCN, gdy dane składają się z jednej serii czasowej.
  • azureml-interpret
    • usuwanie przypinania shap w narzędziu azureml-interpret w celu zaktualizowania do najnowszej wersji w środowisku interpret-community
  • azureml-responsibleai
    • zaktualizowano wspólne środowisko i pakiet azureml-responsibleai do raiwidgets i responsibleai 0.28.0

2023-05-20

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.51.0

  • azureml-automl-core
    • Zadanie prognozowania automatycznego uczenia maszynowego obsługuje teraz prognozowanie stopniowe i częściową obsługę prognoz kwantylu dla hierarchicznych szeregów czasowych (HTS).
    • Nie zezwalaj na używanie zestawów danych innych niż tabelaryczne do klientów w scenariuszach klasyfikacji (wieloklasowych i wieloznakowych)
  • azureml-automl-dnn-nlp
    • Nie zezwalaj na używanie zestawów danych innych niż tabelaryczne do klientów w scenariuszach klasyfikacji (wieloklasowych i wieloznakowych)
  • azureml-contrib-automl-pipeline-steps
    • Zadanie prognozowania automatycznego uczenia maszynowego obsługuje teraz prognozowanie stopniowe i częściową obsługę prognoz kwantylu dla hierarchicznych szeregów czasowych (HTS).
  • azureml-fsspec
    • Zastępuje wszystkie błędy spowodowane przez użytkownika w tabeli MLTable i FSSpec niestandardowym elementem UserErrorException zaimportowanym z narzędzia azureml-dataprep.
  • azureml-interpret
    • zaktualizowano pakiet azureml-interpret do wersji interpret-community 0.29.*
  • azureml-pipeline-core
    • Poprawka pipeline_version nie działa podczas wywoływania metody pipeline_endpoint.submit().
  • azureml-train-automl-client
    • Zadanie prognozowania automatycznego uczenia maszynowego obsługuje teraz prognozowanie stopniowe i częściową obsługę prognoz kwantylu dla hierarchicznych szeregów czasowych (HTS).
  • azureml-train-automl-runtime
    • Zadanie prognozowania automatycznego uczenia maszynowego obsługuje teraz prognozowanie stopniowe i częściową obsługę prognoz kwantylu dla hierarchicznych szeregów czasowych (HTS).
  • mltable
    • Więcej wariantów kodowania, takich jak utf-8 , jest teraz obsługiwanych podczas ładowania plików MLTable.
    • Zastępuje wszystkie błędy spowodowane przez użytkownika w tabeli MLTable i FSSpec niestandardowym elementem UserErrorException zaimportowanym z narzędzia azureml-dataprep.

2023-04-10

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.50.0

  • azureml-contrib-automl-dnn-forecasting
    • Dodano obsługę prognozowania dla danych kwantyli dla modeli TCN.
  • azureml-responsibleai
    • zaktualizowano wspólne środowisko i pakiet azureml-responsibleai na raiwidgets i responsibleai 0.26.0
  • azureml-train-automl-runtime
    • Naprawianie obsługi tabeli MLTable dla scenariusza testowania modelu
  • azureml-training-tabular
    • Dodano kwantyle jako parametr w metodzie forecast_quantile.

2023-03-01

Ogłoszenie zakończenia wsparcia dla języka Python 3.7 w pakietach zestawu SDK Edukacja Azure Machine w wersji 1

  • Wycofanie funkcji
    • Przestarzałe środowisko uruchomieniowe języka Python 3.7 jako obsługiwane środowisko uruchomieniowe dla pakietów zestawu SDK w wersji 1
      • 4 grudnia 2023 r. usługa Azure Machine Edukacja oficjalnie przestanie obsługiwać pakiety python 3.7 dla zestawu SDK w wersji 1 i przestarzała je jako obsługiwane środowisko uruchomieniowe. Aby uzyskać więcej informacji, przeczytaj naszą stronę dotyczącą zasad pomocy technicznej dla zestawu Azure SDK dla języka Python
      • Od daty wycofania z 4 grudnia 2023 r. pakiety zestawu SDK v1 usługi Azure Machine Edukacja nie będą już otrzymywać poprawek zabezpieczeń i innych aktualizacji środowiska uruchomieniowego języka Python 3.7.
      • Bieżące wersje języka Python 3.7 dla zestawu Azure Machine Edukacja SDK w wersji 1 nadal są obsługiwane. Jednak w celu kontynuowania otrzymywania aktualizacji zabezpieczeń i pozostałych zakwalifikowanych do pomocy technicznej usługa Azure Machine Edukacja zdecydowanie zaleca przeniesienie skryptów i zależności do obsługiwanej wersji środowiska uruchomieniowego języka Python.
      • Jako środowisko uruchomieniowe dla plików zestawu AZURE Machine Edukacja SDK w wersji 1 zalecamy użycie języka Python w wersji 3.8 lub nowszej.
      • Ponadto pakiety zestawu AZURE Machine Edukacja SDK w wersji 1 oparte na języku Python 3.7 nie kwalifikują się już do pomocy technicznej.
      • Jeśli masz jakiekolwiek wątpliwości, skontaktuj się z nami za pomocą usługi Azure Machine Edukacja.

2023-13-02

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.49.0

  • Zmiany powodujące niezgodność
    • Począwszy od wersji 1.49.0 lub nowszej, następujące algorytmy automatycznego uczenia maszynowego nie będą obsługiwane.
      • Regresja: FastLinearRegressor, OnlineGradientDescentRegressor
      • Klasyfikacja: AveragedPerceptronClassifier.
    • Użyj wersji 1.48.0 lub nowszej, aby kontynuować korzystanie z tych algorytmów.
  • Poprawki i ulepszenia błędów
    • azureml-automl-dnn-nlp
      • Dzienniki pokazujące końcowe wartości zastosowane do ustawień modelu i hiperparametru na podstawie wartości domyślnych i określonych przez użytkownika.
    • azureml-contrib-automl-dnn-forecasting
      • Metryki inne niż TCNForecaster odzwierciedlają teraz wartości z ostatniej epoki.
      • Wizualizacje horyzontu prognozy dla zestawu trenowania i zestawu testowego są teraz dostępne podczas uruchamiania eksperymentu szkoleniowego TCN.
      • Przebiegi nie będą już działać z powodu błędu "Nie można obliczyć metryk TCN". Komunikat ostrzegawczy z komunikatem "Obliczanie metryki prognozy spowodowało błąd, raportowanie najgorszych wyników" nadal będzie rejestrowane. Zamiast tego zgłaszamy wyjątek, gdy napotykamy utratę walidacji inf/nan przez więcej niż dwa razy z rzędu z komunikatem "Nieprawidłowy model, trenowanie TCN nie było zbieżne". Klienci muszą pamiętać o tym, że załadowane modele mogą zwracać wartości nan/inf jako przewidywania podczas wnioskowania po tej zmianie.
    • azureml-core
      • Tworzenie obszaru roboczego usługi Azure Machine Edukacja korzysta z Szczegółowe informacje aplikacji opartej na usłudze Log Analytics w ramach przygotowań do wycofania klasycznej aplikacji Szczegółowe informacje. Użytkownicy, którzy chcą używać klasycznej aplikacji Szczegółowe informacje zasobów, mogą nadal określać własne zasoby do użycia podczas tworzenia obszaru roboczego usługi Azure Machine Edukacja.
    • azureml-interpret
      • zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.28.*
    • azureml-mlflow
      • Aktualizowanie klienta azureml-mlflow przy użyciu początkowej obsługi biblioteki MLflow 2.0
    • azureml-responsibleai
      • zaktualizowano pakiet i notesy azureml-responsibleai na raiwidgets i responsibleai v0.24.0
    • azureml-sdk
      • azureml-sdk i azureml-train-automl-client obsługują teraz język Python w wersji 3.10
    • azureml-train-automl-client
      • azureml-sdk i azureml-train-automl-client obsługują teraz język Python w wersji 3.10
    • azureml-train-automl-runtime
      • Wyczyść brakujące y przed szkoleniem
      • Czyszczenie wartości nan lub pustych kolumn docelowych dla scenariuszy niestreamingowych
      • Wizualizacje horyzontu prognozy dla zestawu testowego są teraz dostępne podczas uruchamiania eksperymentu szkoleniowego.
    • azureml-train-core
      • Dodano obsługę klienta w celu udostępnienia niestandardowego identyfikatora przebiegu dla przebiegów funkcji hyperdrive
    • azureml-train-restclients-hyperdrive
      • Dodano obsługę klienta w celu udostępnienia niestandardowego identyfikatora przebiegu dla przebiegów funkcji hyperdrive

2022-12-05

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.48.0

  • Zmiany powodujące niezgodność

    • Obsługa języka Python 3.6 została wycofana dla pakietów zestawu SDK usługi Azure Machine Edukacja.

  • Poprawki i ulepszenia błędów

    • azureml-core
      • Konta magazynu utworzone w ramach tworzenia obszaru roboczego ustawiają teraz publiczny dostęp do obiektu blob, który ma być domyślnie wyłączony
    • azureml-responsibleai
      • Zaktualizowano pakiet i notesy azureml-responsibleai do pakietów raiwidgets i responsibleai w wersji 0.23.0
      • Dodano serializator modelu i model pyfunc do pakietu azureml-responsibleai w celu łatwego zapisywania i pobierania modeli
    • azureml-train-automl-runtime
      • Dodano dokument dla parametrów ManyModels i parametrów HierarchicalTimeSeries
      • Usunięto usterkę polegającą na tym, że wygenerowany kod nie wykonuje poprawnie podziału trenowania/testowania.
      • Usunięto usterkę powodującą niepowodzenie zadań trenowania kodu wygenerowanych przez prognozowanie.

2022-10-25

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.47.0

  • azureml-automl-dnn-nlp
    • Zmiany środowiska uruchomieniowego automatycznego uczenia maszynowego w celu uwzględnienia stałych parametrów treningowych w ramach nowo wprowadzonego zamiatania modelu i dostrajania hiperparametrów.
  • azureml-mlflow
    • AZUREML_ARTIFACTS_DEFAULT_TIMEOUT można użyć do kontrolowania limitu czasu przekazywania artefaktów
  • azureml-train-automl-runtime
    • Wiele modeli i hierarchicznych trenowania szeregów czasowych wymusza teraz sprawdzanie parametrów limitu czasu w celu wykrywania konfliktu przed przesłaniem eksperymentu do uruchomienia. Zapobiega to awarii eksperymentu podczas przebiegu przez zgłoszenie wyjątku przed przesłaniem eksperymentu.
    • Klienci mogą teraz kontrolować rozmiar kroku podczas korzystania z prognozy stopniowej w wielu modelach wnioskowania.
    • Funkcja ManyModels wnioskowania z danymi tabelarycznymi bez partycjonowanych obsługuje teraz forecast_quantiles.

2022-09-26

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.46.0

  • azureml-automl-dnn-nlp
    • Klienci nie będą już mogli określać wiersza w usłudze CoNLL, który składa się tylko z tokenu. Wiersz musi być zawsze pustym nowym wierszem lub jednym z dokładnie jednym tokenem, po którym następuje dokładnie jedno miejsce, po którym następuje dokładnie jedna etykieta.
  • azureml-contrib-automl-dnn-forecasting
    • Istnieje przypadek narożny, w którym próbki są zmniejszane do 1 po podziale krzyżowej weryfikacji, ale sample_size nadal wskazuje liczbę przed podziałem, a tym samym batch_size kończy się większa niż liczba próbek w niektórych przypadkach. W tej poprawce inicjujemy sample_size po podziale
  • azureml-core
    • Dodano ostrzeżenie o wycofaniu podczas wnioskowania, gdy klienci korzystają z interfejsów API wdrażania interfejsu wiersza polecenia/zestawu SDK w wersji 1 do wdrażania modeli, a także w przypadku, gdy wersja języka Python to 3.6 i mniej.
    • Następujące wartości AZUREML_LOG_DEPRECATION_WARNING_ENABLED zmiany zachowania w następujący sposób:
      • Ustawienie domyślne — wyświetla ostrzeżenie, gdy klient używa języka Python w wersji 3.6 i mniejszej oraz dla interfejsu wiersza polecenia/zestawu SDK w wersji 1.
      • True — wyświetla ostrzeżenie o wycofaniu zestawu SDK w wersji 1 w pakietach azureml-sdk.
      • False — wyłącza ostrzeżenie o wycofaniu zestawu SDK w wersji 1 w pakietach azureml-sdk.
    • Polecenie do wykonania w celu ustawienia zmiennej środowiskowej w celu wyłączenia komunikatu o wycofaniu:
      • Windows — setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
      • Linux — export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
  • azureml-interpret
    • aktualizacja pakietu azureml-interpret w celu interpretacji społeczności 0.27.*
  • azureml-pipeline-core
    • Napraw domyślną strefę czasową harmonogramu na UTC.
    • Napraw nieprawidłowe ponowne użycie podczas korzystania z funkcji SqlDataReference w kroku Transferu danych.
  • azureml-responsibleai
    • aktualizowanie pakietu azureml-responsibleai i wyselekcjonowanych obrazów do raiwidgets i responsibleai v0.22.0
  • azureml-train-automl-runtime
    • Usunięto usterkę w wygenerowanych skryptach, która spowodowała, że niektóre metryki nie były poprawnie renderowane w interfejsie użytkownika.
    • Wiele modeli obsługuje teraz prognozę kroczącą na potrzeby wnioskowania.
    • Obsługa zwracania najlepszych N modeli w scenariuszu Wiele modeli.

2022-08-29

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.45.0

  • azureml-automl-runtime
    • Usunięto usterkę polegającą na tym, że kolumna sample_weight nie została prawidłowo zweryfikowana.
    • Dodano metodę publiczną rolling_forecast() do otoek potoków prognozowania dla wszystkich obsługiwanych modeli prognozowania. Ta metoda zastępuje przestarzałą metodę rolling_evaluation().
    • Rozwiązano problem polegający na tym, że zadania regresji automatycznego uczenia maszynowego mogły wrócić do prawidłowego podziału na potrzeby oceny modelu, gdy cv byłoby bardziej odpowiednie.
  • azureml-core
    • Dodano nowy sufiks konfiguracji chmury "aml_discovery_endpoint".
    • Zaktualizowano pakiet azure-storage dostawcy z wersji 2 do wersji 12.
  • azureml-mlflow
    • Dodano nowy sufiks konfiguracji chmury "aml_discovery_endpoint".
  • azureml-responsibleai
    • aktualizowanie pakietu azureml-responsibleai i wyselekcjonowanych obrazów do raiwidgets i responsibleai 0.21.0
  • azureml-sdk
    • Pakiet azureml-sdk umożliwia teraz język Python 3.9.

2022-08-01

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.44.0

  • azureml-automl-dnn-nlp
    • Dokładność ważona i współczynnik korelacji Matthews (MCC) nie będzie już metryką wyświetlaną w metrykach obliczeniowych klasyfikacji wielobelowej NLP.
  • azureml-automl-dnn-vision
    • Zgłaszanie błędu użytkownika w przypadku podania nieprawidłowego formatu adnotacji
  • azureml-cli-common
    • Zaktualizowano opis interfejsu wiersza polecenia w wersji 1
  • azureml-contrib-automl-dnn-forecasting
    • Rozwiązano problem "Nie można obliczyć metryk TCN". Przyczyną problemów związanych z TCNForecaster, gdy różne szeregi czasowe w zestawie danych weryfikacji mają różne długości.
    • Dodano automatyczne wykrywanie identyfikatorów czasowników dla modeli prognozowania sieci rozproszonej, takich jak TCNForecaster.
    • Usunięto usterkę z modelem TCN prognozy, w którym dane sprawdzania poprawności mogły być uszkodzone w pewnych okolicznościach, gdy użytkownik dostarczył zestaw weryfikacji.
  • azureml-core
    • Zezwalaj na ustawianie parametru timeout_seconds podczas pobierania artefaktów z przebiegu
    • Dodano komunikat ostrzegawczy — interfejs wiersza polecenia platformy Azure Edukacja w wersji 1 jest wycofywany w wersji 2025-09-. Zaleca się wdrożenie interfejsu wiersza polecenia w wersji 2.
    • Napraw przesyłanie do elementów innych niż AmlComputes zgłaszających wyjątki.
    • Dodano obsługę kontekstu platformy Docker dla środowisk
  • azureml-interpret
    • Zwiększanie wersji pakietu Numpy dla pakietów AutoML
  • azureml-pipeline-core
    • Poprawka regenerate_outputs=Prawda nie działa podczas przesyłania potoku.
  • azureml-train-automl-runtime
    • Zwiększanie wersji pakietu Numpy dla pakietów AutoML
    • Włączanie generowania kodu na potrzeby przetwarzania obrazów i nlp
    • Oryginalne kolumny, na których są tworzone ziarna, są dodawane w ramach predictions.csv

2022-07-21

Ogłoszenie zakończenia wsparcia dla języka Python 3.6 w usłudze Azure Machine Edukacja SDK w wersji 1

  • Wycofanie funkcji
    • Przestarzałe środowisko uruchomieniowe języka Python 3.6 jako obsługiwane środowisko uruchomieniowe dla pakietów zestawu SDK w wersji 1
      • 5 grudnia 2022 r. usługa Azure Machine Edukacja wycofa język Python 3.6 jako obsługiwane środowisko uruchomieniowe, formalnie kończąc naszą obsługę języka Python 3.6 dla pakietów zestawu SDK w wersji 1.
      • Od daty wycofania z dnia 05 grudnia 2022 r. usługa Azure Machine Edukacja nie będzie już stosować poprawek zabezpieczeń i innych aktualizacji środowiska uruchomieniowego języka Python 3.6 używanego przez pakiety zestawu AZURE Machine Edukacja SDK w wersji 1.
      • Istniejące pakiety zestawu AZURE Machine Edukacja SDK w wersji 1 z językiem Python 3.6 nadal działają. Jednak usługa Azure Machine Edukacja zdecydowanie zaleca migrowanie skryptów i zależności do obsługiwanej wersji środowiska uruchomieniowego języka Python, aby nadal otrzymywać poprawki zabezpieczeń i nadal kwalifikować się do pomocy technicznej.
      • Zalecamy używanie języka Python w wersji 3.8 jako środowiska uruchomieniowego dla pakietów zestawu AZURE Machine Edukacja SDK w wersji 1.
      • Ponadto pakiety zestawu AZURE Machine Edukacja SDK w wersji 1 korzystające z języka Python 3.6 nie kwalifikują się już do pomocy technicznej.
      • Jeśli masz jakiekolwiek pytania, skontaktuj się z nami za pośrednictwem pomocy technicznej AML.

2022-06-27

  • azureml-automl-dnn-nlp
    • Usuwanie zduplikowanych etykiet kolumn z przewidywań z wieloma etykietami
  • azureml-contrib-automl-pipeline-steps
    • Wiele modeli umożliwia teraz generowanie danych wyjściowych przewidywania w formacie CSV. — Wiele przewidywań modeli zawiera teraz nazwy kolumn w pliku wyjściowym w przypadku formatu pliku CSV .
  • azureml-core
    • Uwierzytelnianie ADAL jest teraz przestarzałe, a wszystkie klasy uwierzytelniania używają teraz uwierzytelniania MSAL. Zainstaluj interfejs azure-cli>=2.30.0, aby korzystać z uwierzytelniania opartego na protokole MSAL podczas korzystania z klasy AzureCliAuthentication.
    • Dodano poprawkę, aby wymusić rejestrację środowiska w przypadku Environment.build(workspace). Poprawka rozwiązuje problemy z najnowszym środowiskiem skompilowanym zamiast monitowanym, gdy środowisko jest klonowane lub dziedziczone z innego wystąpienia.
    • Komunikat ostrzegawczy zestawu SDK o ponownym uruchomieniu wystąpienia obliczeniowego przed 31 maja 2022 r., jeśli został utworzony przed 19 września 2021 r.
  • azureml-interpret
    • Zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.26.*
    • W pakiecie azureml-interpret dodaj możliwość uzyskiwania nieprzetworzonych i zaprojektowanych nazw funkcji z objaśnienia oceniania. Ponadto dodaj przykład do notesu oceniania, aby pobrać nazwy funkcji z objaśnienia oceniania i dodać dokumentację dotyczącą pierwotnych i zaprojektowanych nazw funkcji.
  • azureml-mlflow
    • azureml-core jako zależność azureml-mlflow została usunięta. — Projekty MLflow i wdrożenia lokalne wymagają platformy azureml-core i muszą być zainstalowane oddzielnie.
    • Dodanie obsługi tworzenia punktów końcowych i wdrażania ich za pośrednictwem wtyczki klienta MLflow.
  • azureml-responsibleai
    • Zaktualizowano pakiet azureml-responsibleai i obrazy środowiska do najnowszej wersji responsibleai i raiwidgets 0.19.0
  • azureml-train-automl-client
    • Teraz parametr OutputDatasetConfig jest obsługiwany jako dane wejściowe konstruktora potoku MM/HTS. Mapowania to: 1) OutputTabularDatasetConfig —> traktowane jako niepartycjonowany tabelaryczny zestaw danych. 2) OutputFileDatasetConfig —> traktowane jako plikowy zestaw danych.
  • azureml-train-automl-runtime
    • Dodano walidację danych, która wymaga, aby liczba próbek klas mniejszościowych w zestawie danych miała co najmniej tyle, ile żądano składań CV.
    • Automatyczna konfiguracja parametru krzyżowego sprawdzania poprawności jest teraz dostępna dla zadań prognozowania automatycznego uczenia maszynowego. Użytkownicy mogą teraz określić wartość "auto" dla n_cross_validations i cv_step_size lub pozostawić je puste, a rozwiązanie AutoML udostępnia te konfiguracje oparte na danych. Jednak obecnie ta funkcja nie jest obsługiwana, gdy funkcja TCN jest włączona.
    • Parametry prognozowania w wielu modelach i hierarchicznych szeregach czasowych można teraz przekazywać za pośrednictwem obiektu, zamiast używać pojedynczych parametrów w słowniku.
    • Włączone punkty końcowe modelu prognozowania z obsługą kwantyli, które mają być używane w usłudze Power BI.
    • Zaktualizowano górną granicę zależności scipy rozwiązania AutoML do wersji 1.5.3 z wersji 1.5.2

2022-04-25

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.41.0

Ostrzeżenie o zmianie powodującej niezgodność

Ta niezgodna zmiana pochodzi z czerwca wydania .azureml-inference-server-http W wersji czerwcowej azureml-inference-server-http (wersja 0.9.0) obsługa języka Python 3.6 została porzucona. Ponieważ azureml-defaults zależy od azureml-inference-server-httpmetody , ta zmiana jest propagowana do azureml-defaults. Jeśli nie używasz azureml-defaults funkcji wnioskowania, możesz użyć azureml-core lub innych pakietów zestawu SDK usługi Azure Machine Edukacja bezpośrednio zamiast instalować azureml-defaultspakiet .

  • azureml-automl-dnn-nlp
    • Domyślnie włącza funkcję tekstu o długim zakresie.
  • azureml-automl-dnn-vision
    • Zmiana typu Klasa ObjectAnnotation z obiektu na "obiekt danych".
  • azureml-core
    • Ta wersja aktualizuje klasę Keyvault używaną przez klientów, aby umożliwić im udostępnianie typu zawartości keyvault podczas tworzenia wpisu tajnego przy użyciu zestawu SDK. Ta wersja aktualizuje również zestaw SDK, aby zawierał nową funkcję, która umożliwia klientom pobieranie wartości typu zawartości z określonego wpisu tajnego.
  • azureml-interpret
    • zaktualizowano pakiet azureml-interpret w celu interpretacji społeczności 0.25.0
  • azureml-pipeline-core
    • Nie wyświetlaj już szczegółów przebiegu, jeśli pipeline_run.wait_for_completion z show_output=False
  • azureml-train-automl-runtime
    • Naprawia usterkę, która spowodowałaby niepowodzenie generowania kodu, gdy pakiet azureml-contrib-automl-dnn-forecasting jest obecny w środowisku trenowania.
    • Naprawianie błędu podczas korzystania z testowego zestawu danych bez kolumny etykiety przy użyciu testowania modelu rozwiązania AutoML.

2022-03-28

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.40.0

  • azureml-automl-dnn-nlp
    • Udostępniamy opcjonalną funkcję Tekst dalekiego zakresu i tylko wtedy, gdy klienci jawnie za niego wyrawiają zgodę, używając kwarg "enable_long_range_text"
    • Dodanie warstwy sprawdzania poprawności danych dla scenariusza klasyfikacji wieloklasowej, który stosuje tę samą klasę bazową co wieloznaczne etykiety dla typowych walidacji oraz klasę pochodną w celu sprawdzenia poprawności danych bardziej specyficznych dla zadań.
  • azureml-automl-dnn-vision
    • Naprawianie błędu KeyError podczas obliczania wag klas.
  • azureml-contrib-reinforcementlearning
    • Komunikat ostrzegawczy zestawu SDK dotyczący nadchodzącego wycofania usługi RL
  • azureml-core
      • Zwraca dzienniki dla przebiegów, które przeszły przez nasze nowe środowisko uruchomieniowe podczas wywoływania dowolnej funkcji get logs w obiekcie przebiegu, w tym run.get_details, run.get_all_logsitp.
    • Dodano metodę eksperymentalną Datastore.register_onpremises_hdfs, aby umożliwić użytkownikom tworzenie magazynów danych wskazujących lokalne zasoby systemu plików HDFS.
    • Aktualizowanie dokumentacji interfejsu wiersza polecenia w poleceniu pomocy
  • azureml-interpret
    • W przypadku pakietu azureml-interpret usuń numer PIN shap z aktualizacją pakietu. Usuń numba i numpy pin po aktualizacji ce env.
  • azureml-mlflow
    • Usterka klienta wdrożenia MLflow run_local kończy się niepowodzeniem, gdy nie podano obiektu konfiguracji.
  • azureml-pipeline-steps
    • Usuwanie przerwanego łącza przestarzałego narzędzia do szacowania potokuKrok
  • azureml-responsibleai
    • aktualizowanie pakietu azureml-responsibleai do wersji raiwidgets i responsibleai 0.17.0
  • azureml-train-automl-runtime
    • Generowanie kodu dla zautomatyzowanego uczenia maszynowego obsługuje teraz modele ForecastTCN (eksperymentalne).
    • Modele utworzone za pośrednictwem generowania kodu mają teraz wszystkie metryki obliczane domyślnie (z wyjątkiem znormalizowanego błędu bezwzględnego średniej, znormalizowanego błędu bezwzględnego mediany, znormalizowanego środowiska RMSE i znormalizowanego uczenia maszynowego RMSLE w przypadku modeli prognozowania). Listę metryk do obliczenia można zmienić, edytując wartość zwracaną elementu get_metrics_names(). Krzyżowe sprawdzanie poprawności jest teraz używane domyślnie na potrzeby prognozowania modeli utworzonych za pośrednictwem generowania kodu.
  • azureml-training-tabular
    • Listę metryk do obliczenia można zmienić, edytując wartość zwracaną elementu get_metrics_names(). Krzyżowe sprawdzanie poprawności jest teraz używane domyślnie na potrzeby prognozowania modeli utworzonych za pośrednictwem generowania kodu.
    • Konwertowanie testu dziesiętnego typu y na zmiennoprzecinkowe, aby umożliwić wykonywanie obliczeń metryk bez błędów.

2022-02-28

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.39.0

  • azureml-automl-core
    • Poprawka nieprawidłowego formularza wyświetlanego w usłudze PBI na potrzeby integracji z modelami regresji rozwiązania AutoML
    • Dodanie min-label-classes sprawdzania pod kątem zadań klasyfikacji (wieloklasowych i wieloeznakowych). Zgłasza błąd uruchomienia klienta, jeśli unikatowa liczba klas w wejściowym zestawie danych trenowania jest mniejsza niż 2. Nie ma znaczenia, aby uruchomić klasyfikację na mniej niż dwie klasy.
  • azureml-automl-runtime
    • Konwertowanie testu dziesiętnego typu y na zmiennoprzecinkowe, aby umożliwić wykonywanie obliczeń metryk bez błędów.
    • Trenowanie automatycznego uczenia maszynowego obsługuje teraz pakiet numpy w wersji 1.8.
  • azureml-contrib-automl-dnn-forecasting
    • Usunięto usterkę w modelu TCNForecaster, w którym nie wszystkie dane treningowe były używane podczas określania ustawień krzyżowego sprawdzania poprawności.
    • Metoda prognozy otoki TCNForecaster, która uszkodziła przewidywania czasu wnioskowania. Rozwiązano również problem polegający na tym, że metoda prognozy nie korzystała z najnowszych danych kontekstowych w prawidłowych scenariuszach trenowania.
  • azureml-interpret
    • W przypadku pakietu azureml-interpret usuń numer PIN shap z aktualizacją pakietu. Usuń numba i numpy pin po aktualizacji ce env.
  • azureml-responsibleai
    • pakiet azureml-responsibleai do wersji raiwidgets i responsibleai 0.17.0
  • azureml-synapse
    • Rozwiązano problem polegający na zniknięciu widżetu magicznego.
  • azureml-train-automl-runtime
    • Aktualizowanie zależności rozwiązania AutoML w celu obsługi języka Python 3.8. Ta zmiana przerywa zgodność z modelami trenowanymi za pomocą zestawu SDK 1.37 lub nowszego z powodu zapisywania nowszych interfejsów biblioteki Pandas w modelu.
    • Trenowanie automatycznego uczenia maszynowego obsługuje teraz pakiet Numpy w wersji 1.19
    • Naprawianie logiki indeksu resetowania automatycznego uczenia maszynowego dla modeli zespołów w interfejsie API automl_setup_model_explanations
    • W rozwiązaniu AutoML użyj modelu zastępczego lightgbm zamiast liniowego modelu zastępczego dla rozrzedzanego przypadku po uaktualnieniu najnowszej wersji lightgbm
    • Wszystkie wewnętrzne artefakty pośrednie generowane przez rozwiązanie AutoML są teraz przechowywane w sposób niewidoczny dla uruchomienia nadrzędnego (zamiast być wysyłane do domyślnego magazynu obiektów blob obszaru roboczego). Użytkownicy powinni mieć możliwość wyświetlenia artefaktów generowanych przez rozwiązanie AutoML w outputs/ katalogu podczas uruchamiania nadrzędnego.

2022-01-24

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.38.0

  • azureml-automl-core
    • Obsługa klasyfikatora tabnetu i regresji tabnetu w rozwiązaniu AutoML
    • Zapisywanie przekształcania danych w nadrzędnych danych wyjściowych uruchamiania, które można użyć ponownie w celu utworzenia tego samego zestawu danych o cechach, który był używany podczas przebiegu eksperymentu
    • Obsługa pobierania podstawowych metryk zadania prognozowania w interfejsie API get_primary_metrics.
    • Zmieniono nazwę drugiego opcjonalnego parametru w skryptach oceniania w wersji 2 jako GlobalParameters
  • azureml-automl-dnn-vision
    • Dodano metryki oceniania w interfejsie użytkownika metryk
  • azureml-automl-runtime
    • Poprawka usterek w przypadkach, w których nazwa algorytmu modeli NimbusML może być wyświetlana jako puste ciągi w programie ML Studio lub w danych wyjściowych konsoli.
  • azureml-core
    • Dodano blobfuse_enabled parametrów w azureml.core.webservice.aks.AksWebservice.deploy_configuration. Jeśli ten parametr ma wartość true, modele i pliki oceniania są pobierane za pomocą systemu blobfuse zamiast interfejsu API magazynu obiektów blob.
  • azureml-interpret
    • Zaktualizowano usługę azureml-interpret w celu interpretacji społeczności 0.24.0
    • W objaśnieniu oceniania aktualizacji azureml-interpret w celu obsługi najnowszej wersji lightgbm z rozrzedliwym TreeExplainer
    • Zaktualizuj element azureml-interpret, aby interpretować społeczność 0.23.*
  • azureml-pipeline-core
    • Dodaj notatkę w elemecie pipelinedata. Zalecamy, aby użytkownik używał zamiast tego zestawu danych wyjściowych potoku.
  • azureml-pipeline-steps
    • Dodaj environment_variables do parametru ParallelRunConfig, zmienne środowiskowe środowiska uruchomieniowego mogą być przekazywane przez ten parametr i zostaną ustawione w procesie, w którym jest wykonywany skrypt użytkownika.
  • azureml-train-automl-client
    • Obsługa klasyfikatora tabnetu i regresji tabnetu w rozwiązaniu AutoML
  • azureml-train-automl-runtime
    • Zapisywanie przekształcania danych w nadrzędnych danych wyjściowych uruchamiania, które można użyć ponownie w celu utworzenia tego samego zestawu danych o cechach, który był używany podczas przebiegu eksperymentu
  • azureml-train-core
    • Włączanie obsługi wczesnego zakończenia optymalizacji Bayesian w funkcji Hyperdrive
    • Obiekty Bayesian i GridParameterSampling mogą teraz przekazywać właściwości

2021-12-13

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.37.0

  • Zmiany powodujące niezgodność

    • azureml-core
      • Począwszy od wersji 1.37.0, zestaw AZURE Machine Edukacja SDK używa biblioteki MSAL jako podstawowej biblioteki uwierzytelniania. Biblioteka MSAL używa przepływu uwierzytelniania usługi Azure Active Directory (Azure AD) w wersji 2.0 w celu zapewnienia większej funkcjonalności i zwiększenia zabezpieczeń pamięci podręcznej tokenów. Aby uzyskać więcej informacji, zobacz Omówienie biblioteki Microsoft Authentication Library (MSAL).
      • Zaktualizuj zależności zestawu AML SDK do najnowszej wersji biblioteki klienta usługi Azure Resource Management dla języka Python (azure-mgmt-resource>=15.0.0.20.0.0<) i adoptuj zestaw TRACK2 SDK.
      • Począwszy od wersji 1.37.0, rozszerzenie azure-ml-cli powinno być zgodne z najnowszą wersją interfejsu wiersza polecenia >platformy Azure =2.30.0.
      • W przypadku korzystania z interfejsu wiersza polecenia platformy Azure w potoku, takiego jak Usługa Azure DevOps, upewnij się, że wszystkie zadania/etapy używają wersji interfejsu wiersza polecenia platformy Azure powyżej wersji 2.30.0 dla interfejsu wiersza polecenia platformy Azure opartego na protokole MSAL. Interfejs wiersza polecenia platformy Azure w wersji 2.30.0 nie jest zgodny z poprzednimi wersjami i zgłasza błąd podczas korzystania z niezgodnych wersji. Aby używać poświadczeń interfejsu wiersza polecenia platformy Azure z zestawem SDK usługi Azure Machine Edukacja, interfejs wiersza polecenia platformy Azure powinien zostać zainstalowany jako pakiet pip.

  • Poprawki i ulepszenia błędów

    • azureml-core
      • Usunięto typy wystąpień z przepływu pracy dołączania dla obliczeń platformy Kubernetes. Typy wystąpień można teraz skonfigurować bezpośrednio w klastrze Kubernetes. Aby uzyskać więcej informacji, odwiedź aka.ms/amlarc/doc.
    • azureml-interpret
      • zaktualizowano element azureml-interpret, aby interpretować społeczność 0.22.*
    • azureml-pipeline-steps
      • Usunięto usterkę polegającą na tym, że eksperyment "symbol zastępczy" mógł zostać utworzony podczas przesyłania potoku za pomocą narzędzia AutoMLStep.
    • azureml-responsibleai
      • aktualizowanie środowiska wystąpień obliczeniowych i azureml-responsibleai do wersji responsibleai i raiwidgets 0.15.0
      • zaktualizuj pakiet azureml-responsibleai do najnowszej wersji responsibleai 0.14.0.
    • azureml-tensorboard
      • Teraz można użyć Tensorboard(runs, use_display_name=True) polecenia , aby zainstalować dzienniki TensorBoard w folderach o nazwie run.display_name/run.id zamiast run.id.
    • azureml-train-automl-client
      • Usunięto usterkę polegającą na tym, że eksperyment "symbol zastępczy" mógł zostać utworzony podczas przesyłania potoku za pomocą narzędzia AutoMLStep.
      • Zaktualizuj test_data AutoMLConfig i test_size dokumentacji, aby odzwierciedlały stan wersji zapoznawczej.
    • azureml-train-automl-runtime
      • Dodano nową funkcję, która umożliwia użytkownikom przekazywanie ziarna szeregów czasowych z jedną unikatową wartością.
      • W niektórych scenariuszach model rozwiązania AutoML może przewidywać sieci NaNs. Wiersze odpowiadające tym przewidywaniom naN są usuwane z zestawów danych testowych i przewidywań przed obliczeniami metryk w przebiegach testów.

2021-11-08

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.36.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-dnn-vision
      • Oczyszczono drobne literówki w niektórych komunikatach o błędach.
    • azureml-contrib-reinforcementlearning
      • Przesyłanie przebiegów Edukacja wzmacniania korzystających z symulatorów nie jest już obsługiwane.
    • azureml-core
      • Dodano obsługę partycjonowanego obiektu blob w warstwie Premium.
      • Określanie chmur niepublicowych na potrzeby uwierzytelniania tożsamości zarządzanej nie jest już obsługiwane.
      • Użytkownik może przeprowadzić migrację usługi internetowej AKS do punktu końcowego i wdrożenia online, który jest zarządzany przez interfejs wiersza polecenia (wersja 2).
      • Typ wystąpienia zadań szkoleniowych na docelowych obiektach obliczeniowych platformy Kubernetes można teraz ustawić za pomocą właściwości RunConfiguration: run_config.kubernetescompute.instance_type.
    • azureml-defaults
      • Usunięto nadmiarowe zależności, takie jak gunicorn i werkzeug
    • azureml-interpret
      • pakiet azureml-interpret zaktualizowany do wersji 0.21.* środowiska interpret-community
    • azureml-pipeline-steps
      • Przestarzałe polecenie MpiStep na rzecz używania polecenia CommandStep do uruchamiania trenowania uczenia maszynowego (w tym trenowania rozproszonego) w potokach.
    • azureml-train-automl-rutime
      • Zaktualizuj dokumenty dotyczące formatu danych wyjściowych testu modelu automatycznego uczenia maszynowego.
      • Dodano opisy dokumentów dla modelu prognozowania Naive, SeasonalNaive, Average i SeasonalAverage.
      • Podsumowanie cech jest teraz przechowywane jako artefakt w przebiegu (sprawdź plik o nazwie "featurization_summary.json" w folderze outputs)
      • Włącz obsługę wskaźników kategorii dla ucznia tabnetu.
      • Dodaj parametr downsample do automl_setup_model_explanations, aby umożliwić użytkownikom uzyskiwanie wyjaśnień dotyczących wszystkich danych bez próbkowania, ustawiając ten parametr na wartość false.

2021-10-11

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.35.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Włączanie obliczeń metryk binarnych
    • azureml-contrib-fairness
      • Ulepszanie komunikatu o błędzie podczas pobierania pulpitu nawigacyjnego, który zakończył się niepowodzeniem
    • azureml-core
      • Usunięto usterkę określającą chmury niepubliczne na potrzeby uwierzytelniania tożsamości zarządzanej.
      • flagi eksperymentalne Dataset.File.upload_directory() i Dataset.Tabular.register_pandas_dataframe() są teraz usuwane.
      • Flagi eksperymentalne są teraz usuwane w metodzie partition_by() klasy TabularDataset.
    • azureml-pipeline-steps
      • Flagi eksperymentalne są teraz usuwane dla partition_keys parametru klasy ParallelRunConfig.
    • azureml-interpret
      • pakiet azureml-interpret zaktualizowany do środowiska intepret-community 0.20.*
    • azureml-mlflow
      • Umożliwił rejestrowanie artefaktów i obrazów za pomocą biblioteki MLflow przy użyciu podkatalogów
    • azureml-responsibleai
      • Ulepszanie komunikatu o błędzie podczas pobierania pulpitu nawigacyjnego, który zakończył się niepowodzeniem
    • azureml-train-automl-client
    • azureml-train-automl-runtime
      • Dodaj obsługę TCNForecaster do przebiegów testów modelu.
      • Zaktualizuj test modelu predictions.csv format danych wyjściowych. Kolumny wyjściowe zawierają teraz oryginalne wartości docelowe i funkcje, które zostały przekazane do przebiegu testowego. Można to wyłączyć, ustawiając wartość w elem lub test_include_predictions_only=True przez ustawienie w pliku ModelProxy.test()include_predictions_only=True .AutoMLConfig Jeśli użytkownik zażądał tylko dołączenia przewidywań, format danych wyjściowych wygląda następująco (prognozowanie jest takie samo jak regresja): Klasyfikacja = [przewidywane wartości] [prawdopodobieństwo] Regresja =>> [przewidywane wartości] (wartość domyślna): Klasyfikacja => [oryginalne etykiety danych testowych] [przewidywane wartości] [prawdopodobieństwa] [funkcje] Regresja => [oryginalne etykiety danych testowych] [przewidywane wartości] [funkcje] [predicted values] Nazwa kolumny = [label column name] + "_predicted". Nazwy [probabilities] kolumn = [class name] + "_predicted_proba". Jeśli żadna kolumna docelowa nie została przekazana jako dane wejściowe do przebiegu testu, [original test data labels] nie będzie w danych wyjściowych.

2021-09-07

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.34.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Dodano obsługę ponownego dopasowania wcześniej wytrenowanego potoku prognozowania.
      • Dodano możliwość uzyskiwania przewidywań dotyczących danych szkoleniowych (przewidywania w próbce) na potrzeby prognozowania.
    • azureml-automl-runtime
      • Dodano obsługę zwracania przewidywanych prawdopodobieństwa z wdrożonego punktu końcowego modelu klasyfikatora AutoML.
      • Dodano opcję prognozowania dla użytkowników, aby określić, że wszystkie przewidywania powinny być liczbami całkowitymi.
      • Usunięto nazwę kolumny docelowej z częścią nazw funkcji wyjaśnienia modelu dla lokalnych eksperymentów z training_data_label_column_name
      • jako dane wejściowe zestawu danych.
      • Dodano obsługę ponownego dopasowania wcześniej wytrenowanego potoku prognozowania.
      • Dodano możliwość uzyskiwania przewidywań dotyczących danych szkoleniowych (przewidywania w próbce) na potrzeby prognozowania.
    • azureml-core
      • Dodano obsługę ustawiania typu kolumn strumienia, instalowania i pobierania kolumn strumienia w tabelarycznym zestawie danych.
      • Nowe opcjonalne pola dodane do Kubernetes.attach_configuration(identity_type=None, identity_ids=None), które umożliwiają dołączanie rozwiązania KubernetesCompute z tożsamością SystemAssigned lub UserAssigned. Nowe pola tożsamości są uwzględniane podczas wywoływania funkcji print(compute_target) lub compute_target.serialize(): identity_type, identity_id, principal_id i tenant_id/client_id.
    • azureml-dataprep
      • Dodano obsługę ustawiania typu kolumny strumienia dla tabelarycznego zestawu danych. dodano obsługę instalowania i pobierania kolumn strumienia w tabelarycznym zestawie danych.
    • azureml-defaults
      • Zależność azureml-inference-server-http==0.3.1 została dodana do elementu azureml-defaults.
    • azureml-mlflow
      • Zezwalaj na stronicowanie interfejsu API list_experiments przez dodawanie max_results i page_token opcjonalne parametry. Aby uzyskać dokumentację, zobacz oficjalną dokumentację platformy MLflow.
    • azureml-sdk
      • Zastąpiono zależność od przestarzałego pakietu (azureml-train) wewnątrz zestawu azureml-sdk.
      • Dodawanie usługi azureml-responsibleai do dodatków zestawu azureml-sdk
    • azureml-train-automl-client
      • Uwidocznij test_data parametry i test_size w pliku AutoMLConfig. Te parametry mogą służyć do automatycznego uruchamiania przebiegu testu po zakończeniu fazy trenowania modelu. Przebieg testu oblicza przewidywania przy użyciu najlepszego modelu i generuje metryki na podstawie tych przewidywań.

2021-08-24

Interfejs użytkownika eksperymentowania usługi Azure Machine Edukacja

  • Uruchom polecenie Usuń
    • Uruchom polecenie Usuń to nowa funkcja, która umożliwia użytkownikom usuwanie jednego lub wielu przebiegów z ich obszaru roboczego.
    • Ta funkcja może pomóc użytkownikom zmniejszyć koszty magazynowania i zarządzać pojemnością magazynu, regularnie usuwając przebiegi i eksperymenty bezpośrednio z interfejsu użytkownika.
  • Uruchamianie anulowania wsadu
    • Uruchamianie anulowania w usłudze Batch to nowa funkcja, która umożliwia użytkownikom wybranie jednego lub wielu przebiegów w celu anulowania z listy uruchomień.
    • Ta funkcja może pomóc użytkownikom anulować wiele przebiegów w kolejce i zwolnić miejsce w klastrze.

2021-08-18

Interfejs użytkownika eksperymentowania usługi Azure Machine Edukacja

  • Uruchom nazwę wyświetlaną
    • Nazwa wyświetlana przebiegu to nowa, edytowalna i opcjonalna nazwa wyświetlana, którą można przypisać do przebiegu.
    • Ta nazwa może pomóc w bardziej efektywnym śledzeniu, organizowaniu i odnajdowaniu przebiegów.
    • Nazwa wyświetlana przebiegu jest domyślnie formatem adjective_noun_guid (przykład: awesome_watch_2i3uns).
    • Tę nazwę domyślną można edytować w bardziej konfigurowalnej nazwie. Można to edytować na stronie Szczegóły uruchamiania w interfejsie użytkownika usługi Azure Machine Edukacja Studio.

2021-08-02

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.33.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Ulepszona obsługa błędów wokół pobierania modelu XGBoost.
      • Dodano możliwość konwertowania przewidywań z liczby zmiennoprzecinkowej na liczby całkowite na potrzeby zadań prognozowania i regresji.
      • Zaktualizowano wartość domyślną enable_early_stopping w autoMLConfig na True.
    • azureml-automl-runtime
      • Dodano możliwość konwertowania przewidywań z liczby zmiennoprzecinkowej na liczby całkowite na potrzeby zadań prognozowania i regresji.
      • Zaktualizowano wartość domyślną enable_early_stopping w autoMLConfig na True.
    • azureml-contrib-automl-pipeline-steps
      • Hierarchiczne czasy czasu (HTS) są włączone do prognozowania zadań za pośrednictwem potoków.
      • Dodawanie obsługi tabelarycznego zestawu danych na potrzeby wnioskowania
      • Ścieżkę niestandardową można określić dla danych wnioskowania
    • azureml-contrib-reinforcementlearning
      • Niektóre właściwości w programie azureml.core.environment.DockerSection są przestarzałe, takie jak shm_size właściwość używana przez pracowników Ray w zadaniach uczenia wzmacniania. Tę właściwość można teraz określić w .azureml.contrib.train.rl.WorkerConfiguration
    • azureml-core
      • Naprawiono hiperlink w ScriptRunConfig.distributed_job_config dokumentacji
      • Klastry obliczeniowe usługi Azure Machine Edukacja można teraz tworzyć w lokalizacji innej niż lokalizacja obszaru roboczego. Jest to przydatne w przypadku maksymalizacji alokacji bezczynności pojemności i zarządzania użyciem przydziału w różnych lokalizacjach bez konieczności tworzenia większej liczby obszarów roboczych tylko do korzystania z przydziału i tworzenia klastra obliczeniowego w określonej lokalizacji. Aby uzyskać więcej informacji, zobacz Tworzenie klastra obliczeniowego usługi Azure Machine Edukacja.
      • Dodano display_name jako pole nazwy modyfikowalnej obiektu Run.
      • Zestaw danych from_files obsługuje teraz pomijanie rozszerzeń danych dla dużych danych wejściowych
    • azureml-dataprep
      • Usunięto usterkę polegającą na tym, że to_dask_dataframe kończyły się niepowodzeniem z powodu warunku wyścigu.
      • Zestaw danych from_files obsługuje teraz pomijanie rozszerzeń danych dla dużych danych wejściowych
    • azureml-defaults
      • Usuwamy zależność azureml-model-management-sdk==1.0.1b6.post1 z pliku azureml-defaults.
    • azureml-interpret
      • zaktualizowano usługę azureml-interpret w celu interpretowania społeczności 0.19.*
    • azureml-pipeline-core
      • Hierarchiczne czasy czasu (HTS) są włączone do prognozowania zadań za pośrednictwem potoków.
    • azureml-train-automl-client
      • Przejdź do korzystania z magazynu obiektów blob na potrzeby buforowania w zautomatyzowanym uczeniu maszynowym.
      • Hierarchiczne czasy czasu (HTS) są włączone do prognozowania zadań za pośrednictwem potoków.
      • Ulepszona obsługa błędów wokół pobierania modelu XGBoost.
      • Zaktualizowano wartość domyślną enable_early_stopping w autoMLConfig na True.
    • azureml-train-automl-runtime
      • Przejdź do korzystania z magazynu obiektów blob na potrzeby buforowania w zautomatyzowanym uczeniu maszynowym.
      • Hierarchiczne czasy czasu (HTS) są włączone do prognozowania zadań za pośrednictwem potoków.
      • Zaktualizowano wartość domyślną enable_early_stopping w autoMLConfig na True.

2021-07-06

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.32.0

  • Poprawki i ulepszenia błędów
    • azureml-core
      • Uwidacznianie kondycji obszaru roboczego w zestawie SDK/interfejsie wiersza polecenia
    • azureml-defaults
      • Dodano opencensus-ext-azure==1.0.8 zależność do elementu azureml-defaults
    • azureml-pipeline-core
      • Zaktualizowano element AutoMLStep tak, aby używał wstępnie utworzonych obrazów, gdy środowisko do przesyłania zadań jest zgodne ze środowiskiem domyślnym
    • azureml-responsibleai
      • Dodano nowego klienta analizy błędów do przekazywania, pobierania i wyświetlania raportów analizy błędów
      • Upewnij się, że raiwidgets wersje i responsibleai pakiety są zsynchronizowane
    • azureml-train-automl-runtime
      • Ustawianie czasu przydzielonego do dynamicznego wyszukiwania w różnych strategiach cechowania na maksymalnie jedną czwartą ogólnego limitu czasu eksperymentu

2021-06-21

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.31.0

  • Poprawki i ulepszenia błędów
    • azureml-core
      • Ulepszona dokumentacja właściwości platformy w klasie Environment
      • Zmieniono domyślny czas skalowania węzła obliczeniowego AML z 120 sekund na 1800 sekund
      • Zaktualizowano domyślny link rozwiązywania problemów wyświetlany w portalu na potrzeby rozwiązywania problemów z nieudanymi przebiegami: https://aka.ms/azureml-run-troubleshooting
    • azureml-automl-runtime
      • Czyszczenie danych: próbki z wartościami docelowymi w [None, "", "nan", np.nan] są porzucane przed cechowaniem i/lub trenowaniem modelu
    • azureml-interpret
      • Zapobieganie błędowi opróżniania kolejki zadań na zdalnej maszynie platformy Azure Edukacja uruchomieniach korzystających z elementu ExplanationClient przez zwiększenie limitu czasu
    • azureml-pipeline-core
      • Dodawanie parametru jar do kroku synapse
    • azureml-train-automl-runtime
      • Poprawiono zabezpieczenia o wysokiej kardynalności, aby były bardziej dopasowane do dokumentów

2021-06-07

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.30.0

  • Poprawki i ulepszenia błędów
    • azureml-core
      • Przypnij zależność ruamel-yaml do < wersji 0.17.5, ponieważ wprowadzono zmianę powodującą niezgodność w wersji 0.17.5.
      • aml_k8s_config Właściwość jest zastępowana parametrami namespace, default_instance_typei instance_types dla KubernetesCompute dołączania.
      • Klucze synchronizacji obszaru roboczego zostały zmienione na długotrwałą operację.
    • azureml-automl-runtime
      • Rozwiązano problemy polegające na tym, że przebiegi z danymi big data mogły zakończyć się niepowodzeniem z poleceniem Elements of y_test cannot be NaN.
    • azureml-mlflow
      • Usterka wtyczki wdrożenia MLFlow dla modeli bez podpisu.
    • azureml-pipeline-steps
      • ParallelRunConfig: zaktualizuj dokument dla process_count_per_node.
    • azureml-train-automl-runtime
      • Obsługa niestandardowych zdefiniowanych kwantyli podczas wnioskowania MM
      • Obsługa forecast_quantiles podczas wnioskowania wsadowego.
    • azureml-contrib-automl-pipeline-steps
      • Obsługa niestandardowych zdefiniowanych kwantyli podczas wnioskowania MM
      • Obsługa forecast_quantiles podczas wnioskowania wsadowego.

2021-05-25

Ogłoszenie interfejsu wiersza polecenia (wersja 2) dla usługi Azure Machine Edukacja

ml Rozszerzenie interfejsu wiersza polecenia platformy Azure to interfejs nowej generacji dla usługi Azure Machine Edukacja. Umożliwia ono trenowanie i wdrażanie modeli z wiersza polecenia przy użyciu funkcji przyspieszających skalowanie analiz danych w górę i w poziomie oraz śledzenie cyklu życia modelu. Zainstaluj i skonfiguruj interfejs wiersza polecenia (wersja 2).

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.29.0

  • Poprawki i ulepszenia błędów
    • Zmiany powodujące niezgodność
      • Porzucona obsługa języka Python 3.5.
    • azureml-automl-runtime
      • Usunięto usterkę polegającą na tym, że element STLFeaturizer zakończył się niepowodzeniem, jeśli długość szeregów czasowych była krótsza niż sezonowość. Ten błąd manifestował się jako błąd IndexError. Sprawa jest obsługiwana teraz bez błędu, choć składnik sezonowy biblioteki STL składa się tylko z zer w tym przypadku.
    • azureml-contrib-automl-dnn-vision
      • Dodano metodę wnioskowania wsadowego ze ścieżkami plików.
    • azureml-contrib-gbdt
      • Pakiet azureml-contrib-gbdt został wycofany i może nie otrzymywać przyszłych aktualizacji i zostanie całkowicie usunięty z dystrybucji.
    • azureml-core
      • Poprawiono wyjaśnienie create_if_not_exists parametrów w Datastore.register_azure_blob_container.
      • Dodano przykładowy kod do klasy DatasetConsumptionConfig.
      • Dodano obsługę kroku jako alternatywnej osi dla wartości metryki skalarnych w run.log()
    • azureml-dataprep
      • Ogranicz rozmiar partycji akceptowany _with_partition_size() do 2 GB
    • azureml-interpret
      • aktualizowanie pliku azureml-interpret do najnowszej wersji pakietu interpret-core
      • Usunięto obsługę shaP DenseData, która została uznana za przestarzałą w algorytmie SHAP 0.36.0.
      • Włącz ExplanationClient przekazywanie do określonego magazynu danych użytkownika.
    • azureml-mlflow
      • Przenoszenie rozwiązania azureml-mlflow do metody mlflow-skinny w celu zmniejszenia zużycia zależności przy zachowaniu pełnej obsługi wtyczek
    • azureml-pipeline-core
      • Przykładowy kod PipelineParameter został zaktualizowany w dokumentacji referencyjnej, aby użyć poprawnego parametru.

2021-05-10

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.28.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-runtime
      • Ulepszony skrypt oceniania automatycznego uczenia maszynowego w celu zapewnienia spójności z projektantem
      • Usterka poprawki polegająca na tym, że prognozowanie za pomocą modelu Proroka zgłasza błąd "brakującej kolumny", jeśli został wytrenowany we wcześniejszej wersji zestawu SDK.
      • Dodano model ARIMAX do publicznych list modeli obsługiwanych przez prognozowanie zestawu AUTOML SDK. W tym miejscu ARIMAX jest regresją błędów ARIMA i specjalnym przypadkiem modeli funkcji transferu opracowanych przez urządzenia Box i Jenkins. Aby zapoznać się z omówieniem różnic w tych dwóch podejściach, zobacz ARIMAX model muddle (Zagadka modelu ARIMAX). W przeciwieństwie do pozostałych modeli wielowariancji, które używają automatycznie wygenerowanych, zależnych od czasu funkcji (godziny dnia, dnia roku itd.) w rozwiązaniu AutoML, ten model używa tylko funkcji dostarczanych przez użytkownika i sprawia, że interpretacja współczynników jest łatwa.
    • azureml-contrib-dataset
      • Zaktualizowano opis dokumentacji ze wskazaniem, że biblioteka powinna być zainstalowana podczas korzystania z instalacji.
    • azureml-core
      • Domyślny obraz wyselekcjonowanych procesora CPU jest teraz mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. Domyślny obraz procesora GPU jest teraz mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
      • Funkcja Run.fail() jest teraz przestarzała, użyj elementu Run.tag(), aby oznaczyć polecenie Uruchom jako niepowodzenie lub użyj polecenia Run.cancel(), aby oznaczyć przebieg jako anulowany.
      • Zaktualizowano dokumentację z uwagą, że biblioteka powinna być zainstalowana podczas instalowania zestawu danych plików.
      • Dodawanie obsługi eksperymentalnych register_dask_dataframe() do tabelarycznego zestawu danych.
      • Obsługa usługi DatabricksStep za pomocą usługi Azure Blob/ADL-S jako danych wejściowych/wyjściowych i uwidaczniania parametru permit_cluster_restart, aby umożliwić klientowi podjęcie decyzji, czy klaster może zostać uruchomiony ponownie, gdy konfiguracja dostępu we/wy musi zostać dodana do klastra
    • azureml-dataset-runtime
      • azureml-dataset-runtime obsługuje teraz wersje pyarrow < 4.0.0
    • azureml-mlflow
      • Dodano obsługę wdrażania w usłudze Azure Machine Edukacja za pośrednictwem naszej wtyczki MLFlow.
    • azureml-pipeline-steps
      • Obsługa usługi DatabricksStep za pomocą usługi Azure Blob/ADL-S jako danych wejściowych/wyjściowych i uwidaczniania parametru permit_cluster_restart, aby umożliwić klientowi podjęcie decyzji, czy klaster może zostać uruchomiony ponownie, gdy konfiguracja dostępu we/wy musi zostać dodana do klastra
    • azureml-synapse
      • Włączanie odbiorców w uwierzytelnianiu msi
    • azureml-train-automl-client
      • Dodano zmieniony link do dokumentu docelowego obiektu obliczeniowego

2021-04-19

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.27.0

  • Poprawki i ulepszenia błędów
    • azureml-core
      • Dodano możliwość zastąpienia domyślnej wartości limitu czasu dla przekazywania artefaktu za pośrednictwem zmiennej środowiskowej "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
      • Usunięto usterkę polegającą na tym, że ustawienia platformy Docker w obiekcie Environment w skrycieRunConfig nie są przestrzegane.
      • Zezwalaj na partycjonowanie zestawu danych podczas kopiowania go do miejsca docelowego.
      • Dodano tryb niestandardowy do elementu OutputDatasetConfig, aby umożliwić przekazywanie utworzonych zestawów danych w potokach za pośrednictwem funkcji linku. Te ulepszenia obsługi wprowadzone w celu włączenia partycjonowania tabelarycznego dla żądania ściągnięcia.
      • Dodano nowy typ obliczeniowy KubernetesCompute do elementu azureml-core.
    • azureml-pipeline-core
      • Dodanie trybu niestandardowego do elementu OutputDatasetConfig i umożliwienie użytkownikowi przekazywania utworzonych zestawów danych w potokach za pośrednictwem funkcji linku. Miejsca docelowe ścieżki plików obsługują symbole zastępcze. Obsługują one ulepszenia wprowadzone w celu włączenia partycjonowania tabelarycznego dla żądania ściągnięcia.
      • Dodanie nowego typu obliczeniowego kubernetesCompute do elementu azureml-core.
    • azureml-pipeline-steps
      • Dodanie nowego typu obliczeniowego kubernetesCompute do elementu azureml-core.
    • azureml-synapse
      • Aktualizowanie adresu URL interfejsu użytkownika platformy Spark w widżecie usługi azureml synapse
    • azureml-train-automl-client
      • Cecha STL dla zadania prognozowania używa teraz bardziej niezawodnego wykrywania sezonowości na podstawie częstotliwości szeregów czasowych.
    • azureml-train-core
      • Usunięto usterkę polegającą na tym, że ustawienia platformy Docker w obiekcie środowiska nie są przestrzegane.
      • Dodanie nowego typu obliczeniowego kubernetesCompute do elementu azureml-core.

2021-04-05

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.26.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Rozwiązano problem polegający na tym, że modele naiwne byłyby zalecane w przypadku przebiegów funkcji AutoMLStep i kończyły się niepowodzeniem z funkcją opóźnienia lub okna kroczącego. Te modele nie będą zalecane, gdy ustawiono opóźnienie docelowe ani docelowy rozmiar okna kroczącego.
      • Zmieniono dane wyjściowe konsoli podczas przesyłania przebiegu rozwiązania AutoML w celu wyświetlenia linku portalu do przebiegu.
    • azureml-core
      • Dodano tryb HDFS w dokumentacji.
      • Dodano obsługę w celu zrozumienia partycji zestawu danych plików na podstawie struktury globu.
      • Dodano obsługę aktualizacji rejestru kontenerów skojarzonego z usługą Azure Machine Edukacja Workspace.
      • Przestarzałe atrybuty środowiska w obszarze DockerSection — "włączone", "shared_volume" i "argumenty" są częścią polecenia DockerConfiguration w funkcji RunConfiguration.
      • Zaktualizowana dokumentacja klonowania interfejsu wiersza polecenia potoku
      • Zaktualizowano identyfikatory URI portalu w celu uwzględnienia dzierżawy na potrzeby uwierzytelniania
      • Usunięto nazwę eksperymentu z identyfikatorów URI uruchamiania, aby uniknąć przekierowań
      • Zaktualizowano identyfikator URO eksperymentu w celu użycia identyfikatora eksperymentu.
      • Poprawki błędów dołączania zdalnych obliczeń za pomocą interfejsu wiersza polecenia usługi Azure Machine Edukacja.
      • Zaktualizowano identyfikatory URI portalu w celu uwzględnienia dzierżawy na potrzeby uwierzytelniania.
      • Zaktualizowano identyfikator URI eksperymentu, aby użyć identyfikatora eksperymentu.
    • azureml-interpret
      • azureml-interpret zaktualizowano, aby używać biblioteki interpret-community 0.17.0
    • azureml-opendatasets
      • Walidacja danych wejściowych daty rozpoczęcia i daty zakończenia oraz wskazanie błędu, jeśli nie jest to typ daty/godziny.
    • azureml-parallel-run
      • [Funkcja eksperymentalna] Dodaj partition_keys parametr do parametru ParallelRunConfig, jeśli zostanie określony, wejściowe zestawy danych zostaną podzielone na minisady przez klucze określone przez nie. Wymaga to partycjonowania wszystkich wejściowych zestawów danych.
    • azureml-pipeline-steps
      • Usterka — obsługa path_on_compute podczas przekazywania konfiguracji zestawu danych jako pobierania.
      • Przestarzałe polecenie RScriptStep na rzecz używania polecenia CommandStep do uruchamiania skryptów języka R w potokach.
      • Przestarzałe narzędzie do szacowaniaKrok na rzecz używania polecenia CommandStep do uruchamiania trenowania uczenia maszynowego (w tym trenowania rozproszonego) w potokach.
    • azureml-sdk
      • Aktualizowanie python_requires do < wersji 3.9 dla zestawu azureml-sdk
    • azureml-train-automl-client
      • Zmieniono dane wyjściowe konsoli podczas przesyłania przebiegu rozwiązania AutoML w celu wyświetlenia linku portalu do przebiegu.
    • azureml-train-core
      • Przestarzałe atrybuty dockerSection "włączone", "shared_volume" i "argumenty" na rzecz używania polecenia DockerConfiguration z skryptem ScriptRunConfig.
      • Korzystanie z zestawów danych Usługi Azure Open dla zestawu danych MNIST
      • Zaktualizowano komunikaty o błędach funkcji Hyperdrive.

2021-03-22

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.25.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Zmieniono dane wyjściowe konsoli podczas przesyłania przebiegu rozwiązania AutoML w celu wyświetlenia linku portalu do przebiegu.
    • azureml-core
      • Rozpoczyna obsługę aktualizowania rejestru kontenerów dla obszaru roboczego w zestawie SDK i interfejsie wiersza polecenia
      • Przestarzałe atrybuty dockerSection "włączone", "shared_volume" i "argumenty" na rzecz używania polecenia DockerConfiguration z skryptem ScriptRunConfig.
      • Zaktualizowana dokumentacja klonowania interfejsu wiersza polecenia potoku
      • Zaktualizowano identyfikatory URI portalu w celu uwzględnienia dzierżawy na potrzeby uwierzytelniania
      • Usunięto nazwę eksperymentu z identyfikatorów URI uruchamiania, aby uniknąć przekierowań
      • Zaktualizowano identyfikator URO eksperymentu w celu użycia identyfikatora eksperymentu.
      • Poprawki błędów dotyczące dołączania zdalnych obliczeń przy użyciu polecenia az CLI
      • Zaktualizowano identyfikatory URI portalu w celu uwzględnienia dzierżawy na potrzeby uwierzytelniania.
      • Dodano obsługę w celu zrozumienia partycji zestawu danych plików na podstawie struktury globu.
    • azureml-interpret
      • azureml-interpret zaktualizowano, aby używać biblioteki interpret-community 0.17.0
    • azureml-opendatasets
      • Walidacja danych wejściowych daty rozpoczęcia i daty zakończenia oraz wskazanie błędu, jeśli nie jest to typ daty/godziny.
    • azureml-pipeline-core
      • Usterka — obsługa path_on_compute podczas przekazywania konfiguracji zestawu danych jako pobierania.
    • azureml-pipeline-steps
      • Usterka — obsługa path_on_compute podczas przekazywania konfiguracji zestawu danych jako pobierania.
      • Przestarzałe polecenie RScriptStep na rzecz używania polecenia CommandStep do uruchamiania skryptów języka R w potokach.
      • Przestarzałe narzędzie do szacowaniaKrok na rzecz używania polecenia CommandStep do uruchamiania trenowania uczenia maszynowego (w tym trenowania rozproszonego) w potokach.
    • azureml-train-automl-runtime
      • Zmieniono dane wyjściowe konsoli podczas przesyłania przebiegu rozwiązania AutoML w celu wyświetlenia linku portalu do przebiegu.
    • azureml-train-core
      • Przestarzałe atrybuty dockerSection "włączone", "shared_volume" i "argumenty" na rzecz używania polecenia DockerConfiguration z skryptem ScriptRunConfig.
      • Korzystanie z zestawów danych Usługi Azure Open dla zestawu danych MNIST
      • Zaktualizowano komunikaty o błędach funkcji Hyperdrive.

2021-03-31

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z marca)

  • Nowe funkcje

    • Renderuj plik CSV/TSV. Użytkownicy mogą renderować pliki TSV/CSV w formacie siatki w celu łatwiejszej analizy danych.
    • Uwierzytelnianie jednokrotne dla wystąpienia obliczeniowego. Użytkownicy mogą teraz łatwo uwierzytelniać wszystkie nowe wystąpienia obliczeniowe bezpośrednio w interfejsie użytkownika notesu, co ułatwia uwierzytelnianie i używanie zestawów AZURE SDK bezpośrednio w usłudze Azure Machine Edukacja.
    • Metryki wystąpienia obliczeniowego. Użytkownicy mogą wyświetlać metryki obliczeniowe, takie jak użycie procesora CPU i pamięć za pośrednictwem terminalu.
    • Szczegóły pliku. Użytkownicy mogą teraz wyświetlać szczegóły pliku, w tym czas ostatniej modyfikacji i rozmiar pliku, klikając trzy kropki obok pliku.

  • Poprawki i ulepszenia błędów

    • Ulepszone czasy ładowania stron.
    • Większa wydajność.
    • Zwiększona szybkość i niezawodność jądra.
    • Zyskaj pionową nieruchomość, trwale przenosząc okienko plików notesu.
    • Linki można teraz klikać w terminalu
    • Zwiększona wydajność funkcji IntelliSense

2021-03-08

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.24.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Usunięto importy zgodne z poprzednimi wersjami z programu azureml.automl.core.shared. Nie znaleziono błędów modułu azureml.automl.core.shared w przestrzeni nazw można rozwiązać przez zaimportowanie z azureml.automl.runtime.sharedprogramu .
    • azureml-contrib-automl-dnn-vision
      • Uwidoczniony model wykrywania obiektów yolo.
    • azureml-contrib-dataset
      • Dodano funkcje filtrowania tabelarycznych zestawów danych według wartości kolumn i zestawów danych plików według metadanych.
    • azureml-contrib-fairness
      • Uwzględnij schemat JSON w koło azureml-contrib-fairness
    • azureml-contrib-mir
      • Ustawienie show_output wartości True podczas wdrażania modeli powoduje ponowne odtworzenie konfiguracji wnioskowania i konfiguracji wdrożenia przed wysłaniem żądania do serwera.
    • azureml-core
      • Dodano funkcje filtrowania tabelarycznych zestawów danych według wartości kolumn i zestawów danych plików według metadanych.
      • Wcześniej użytkownicy mogli tworzyć konfiguracje aprowizacji dla obiektów ComputeTarget, które nie spełniają wymagań dotyczących siły hasła dla admin_user_password pola (oznacza to, że muszą zawierać co najmniej 3 z następujących: jedną małą literę, jedną wielką literę, jedną cyfrę i jeden znak specjalny z następującego zestawu: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Jeśli użytkownik utworzył konfigurację ze słabym hasłem i uruchomił zadanie przy użyciu tej konfiguracji, zadanie zakończy się niepowodzeniem w czasie wykonywania. Teraz wywołanie w celu AmlCompute.provisioning_configuration zgłoszenia ComputeTargetException komunikatu o błędzie z towarzyszącym komunikatem o błędzie wyjaśniającym wymagania dotyczące siły hasła.
      • Ponadto w niektórych przypadkach można było również określić konfigurację z ujemną liczbą maksymalnych węzłów. Nie jest już to możliwe. AmlCompute.provisioning_configuration Teraz zwraca wartość ComputeTargetException , jeśli max_nodes argument jest ujemną liczbą całkowitą.
      • Po ustawieniu show_output wartości True podczas wdrażania modeli jest wyświetlana konfiguracja wnioskowania i konfiguracja wdrożenia.
      • Po ustawieniu show_output wartości True, gdy poczekaj na ukończenie wdrażania modelu, zostanie wyświetlony postęp operacji wdrażania.
      • Zezwalaj klientowi na określony przez klienta katalog konfiguracji uwierzytelniania Edukacja za pomocą zmiennej środowiskowej: AZUREML_AUTH_CONFIG_DIR
      • Wcześniej można było utworzyć konfigurację aprowizacji z minimalną liczbą węzłów mniejszą niż maksymalna liczba węzłów. Zadanie zostanie uruchomione, ale zakończy się niepowodzeniem w czasie wykonywania. Ta usterka została usunięta. Jeśli teraz spróbujesz utworzyć konfigurację aprowizacji przy min_nodes < max_nodes użyciu zestawu SDK, wywoła element ComputeTargetException.
    • azureml-interpret
      • naprawiono pulpit nawigacyjny objaśnienia, który nie pokazuje zagregowanych ważności funkcji dla rozrzedzonego objaśnień
      • zoptymalizowane użycie pamięci elementu ExplanationClient w pakiecie azureml-interpret
    • azureml-train-automl-client
      • Naprawiono show_output=False, aby zwrócić kontrolę do użytkownika podczas uruchamiania przy użyciu platformy Spark.

2021-02-28

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z lutego)

  • Nowe funkcje

    • Natywny terminal (GA). Użytkownicy mają teraz dostęp do zintegrowanego terminalu i operacji git za pośrednictwem zintegrowanego terminalu.
    • Fragmenty kodu notesu (wersja zapoznawcza). Typowe fragmenty kodu usługi Azure Machine Edukacja są teraz dostępne na wyciągnięcie ręki. Przejdź do panelu fragmenty kodu, dostępny za pośrednictwem paska narzędzi lub aktywuj menu fragmentów kodu za pomocą klawiszy Ctrl + Spacja.
    • Skróty klawiaturowe. Pełna parzystość ze skrótami klawiaturowymi dostępnymi w programie Jupyter.
    • Wskazuje parametry komórki. Pokazuje użytkowników, którzy komórki w notesie są komórkami parametrów i mogą uruchamiać sparametryzowane notesy za pośrednictwem narzędzia Papermill w wystąpieniu obliczeniowym.
    • Menedżer sesji terminalu i jądra: użytkownicy mogą zarządzać wszystkimi jądrami i sesjami terminali uruchomionymi w swoich obliczeniach.
    • Przycisk udostępniania. Użytkownicy mogą teraz udostępniać dowolny plik w Eksploratorze plików notesu, klikając go prawym przyciskiem myszy i używając przycisku udostępniania.

  • Poprawki i ulepszenia błędów

    • Ulepszone czasy ładowania stron
    • Zwiększona wydajność
    • Zwiększona szybkość i niezawodność jądra
    • Dodano koło wirujące, aby pokazać postęp dla wszystkich bieżących operacji wystąpienia obliczeniowego.
    • Kliknij prawym przyciskiem myszy w Eksplorator plików. Kliknięcie prawym przyciskiem myszy dowolnego pliku powoduje teraz otwarcie operacji na plikach.

2021-02-16

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.23.0

  • Poprawki i ulepszenia błędów
    • azureml-core
      • [Funkcja eksperymentalna] Dodawanie obsługi łączenia obszaru roboczego usługi Synapse z usługą AML jako połączoną usługą
      • [Funkcja eksperymentalna] Dodawanie obsługi dołączania puli spark synapse do usługi AML jako zasobów obliczeniowych
      • [Funkcja eksperymentalna] Dodano obsługę dostępu do danych opartych na tożsamościach. Użytkownicy mogą rejestrować magazyn danych lub zestawy danych bez podawania poświadczeń. W takim przypadku token usługi Azure AD użytkowników lub tożsamość zarządzana docelowego obiektu obliczeniowego jest używana do uwierzytelniania. Aby dowiedzieć się więcej, zobacz Połączenie do magazynu przy użyciu dostępu do danych opartych na tożsamościach.
    • azureml-pipeline-steps
    • azureml-synapse
      • [Funkcja eksperymentalna] Dodaj obsługę magii platformy Spark, aby uruchomić interaktywną sesję w puli platformy Spark synapse.
  • Poprawki i ulepszenia błędów
    • azureml-automl-runtime
      • W tej aktualizacji dodaliśmy holt winters exponential smoothing do przybornika prognozowania zestawu AutoML SDK. Biorąc pod uwagę szereg czasowy, najlepszy model jest wybierany przez AICc (poprawione kryterium informacyjne Akaike) i zwracane.
      • Rozwiązanie AutoML generuje teraz dwa pliki dziennika zamiast jednego. Instrukcje dziennika przechodzą do jednego lub drugiego w zależności od tego, w którym procesie została wygenerowana instrukcja dziennika.
      • Usuń niepotrzebne przewidywanie w przykładzie podczas trenowania modelu przy użyciu krzyżowych walidacji. Może to zmniejszyć czas trenowania modelu w niektórych przypadkach, zwłaszcza w przypadku modeli prognozowania szeregów czasowych.
    • azureml-contrib-fairness
      • Dodaj schemat JSON dla przekazywania pulpitu nawigacyjnegoDictionary.
    • azureml-contrib-interpret
      • plik README azureml-contrib-interpret jest aktualizowany w celu odzwierciedlenia usunięcia tego pakietu w następnej aktualizacji po wycofaniu od października, zamiast tego użyj pakietu azureml-interpret
    • azureml-core
      • Wcześniej można było utworzyć konfigurację aprowizacji z minimalną liczbą węzłów mniejszą niż maksymalna liczba węzłów. Ta funkcja została naprawiona. Jeśli teraz spróbujesz utworzyć konfigurację aprowizacji przy użyciu min_nodes < max_nodes zestawu SDK, wywoła element ComputeTargetException.
      • Naprawia usterkę w wait_for_completion w usłudze AmlCompute, która spowodowała, że funkcja zwróciła przepływ sterowania przed zakończeniem operacji
      • Funkcja Run.fail() jest teraz przestarzała, użyj elementu Run.tag(), aby oznaczyć polecenie Uruchom jako niepowodzenie lub użyj polecenia Run.cancel(), aby oznaczyć przebieg jako anulowany.
      • Pokaż komunikat o błędzie "Oczekiwany ciąg nazwy środowiska, znaleziony", {} gdy podana nazwa środowiska nie jest ciągiem.
    • azureml-train-automl-client
      • Usunięto usterkę uniemożliwiającą anulowanie eksperymentów rozwiązania AutoML w klastrach usługi Azure Databricks.

2021-02-09

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.22.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Usunięto usterkę polegającą na tym, że dodatkowa zależność pip została dodana do pliku conda yml dla modeli przetwarzania obrazów.
    • azureml-automl-runtime
      • Usunięto usterkę polegającą na tym, że klasyczne modele prognozowania (na przykład AutoArima) mogły odbierać dane treningowe, w których wiersze z wartościami docelowymi nie były obecne. Narusza to umowę danych tych modeli. * Usunięto różne błędy z zachowaniem opóźnienia po wystąpieniu w operatorze opóźniania szeregów czasowych. Wcześniej operacja lag-by-occurrence nie oznaczała poprawnie wszystkich imputed wierszy i nie zawsze wygenerowałaby poprawne wartości opóźnienia wystąpienia. Rozwiązano również pewne problemy ze zgodnością między operatorem opóźnienia a operatorem okna kroczącego z zachowaniem opóźnienia po wystąpieniu. Wcześniej operator okna kroczącego usuwał niektóre wiersze z danych treningowych, które w przeciwnym razie powinny być używane.
    • azureml-core
      • Dodanie obsługi uwierzytelniania tokenu przez odbiorców.
      • Dodaj process_count do pliku PyTorchConfiguration , aby obsługiwać zadania PyTorch obejmujące wiele procesów.
    • azureml-pipeline-steps

      • CommandStep teraz ogólnie dostępne i już nie eksperymentalne.

      • ParallelRunConfig: dodaj argument allowed_failed_count i allowed_failed_percent, aby sprawdzić próg błędu na poziomie minisadowym. Próg błędu ma teraz trzy smaki:

        • error_threshold — liczba dozwolonych elementów wsadowych zakończonych niepowodzeniem;
        • allowed_failed_count — liczba dozwolonych minisadów zakończonych niepowodzeniem;
        • allowed_failed_percent — procent dozwolonych minisadów, które zakończyły się niepowodzeniem.

        Zadanie zostanie zatrzymane w przypadku przekroczenia któregokolwiek z nich. error_threshold jest wymagana, aby zachować zgodność z poprzednimi wersjami. Ustaw wartość -1, aby ją zignorować.

      • Naprawiono obsługę odstępów w nazwie AutoMLStep.

      • Funkcja ScriptRunConfig jest teraz obsługiwana przez funkcję HyperDriveStep

    • azureml-train-core
      • Funkcja HyperDrive jest wywoływana z elementu ScriptRun jest teraz traktowana jako przebieg podrzędny.
      • Dodaj process_count do pliku PyTorchConfiguration , aby obsługiwać zadania PyTorch obejmujące wiele procesów.
    • azureml-widgets
      • Dodaj widżet ParallelRunStepDetails, aby zwizualizować stan elementu ParallelRunStep.
      • Umożliwia użytkownikom funkcji hyperdrive wyświetlanie osi na wykresie współrzędnych równoległych, który pokazuje wartość metryki odpowiadającą każdemu zestawowi hiperparametrów dla każdego przebiegu podrzędnego.

2021-01-31

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja ze stycznia)

  • Nowe funkcje

    • Natywny edytor języka Markdown w usłudze Azure Machine Edukacja. Użytkownicy mogą teraz renderować i edytować pliki markdown natywnie w usłudze Azure Machine Edukacja Studio.
    • Przycisk Uruchom dla skryptów (.py, . R i .sh). Użytkownicy mogą teraz łatwo uruchamiać skrypty python, R i Bash w usłudze Azure Machine Edukacja
    • Eksplorator zmiennych. Zapoznaj się z zawartością zmiennych i ramek danych w panelu podręcznym. Użytkownicy mogą łatwo sprawdzać typ danych, rozmiar i zawartość.
    • Tabela zawartości. Przejdź do sekcji notesu wskazanego przez nagłówki języka Markdown.
    • Wyeksportuj notes jako Latex/HTML/Py. Tworzenie łatwych w udostępnianiu plików notesów przez wyeksportowanie do biblioteki LaTex, HTML lub .py
    • Intellicode. Wyniki oparte na uczeniu maszynowym zapewniają ulepszone środowisko inteligentnego automatycznego uzupełniania.

  • Poprawki i ulepszenia błędów

    • Ulepszone czasy ładowania stron
    • Zwiększona wydajność
    • Zwiększona szybkość i niezawodność jądra

2021-01-25

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.21.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Naprawiono tekst pomocy interfejsu wiersza polecenia podczas korzystania z elementu AmlCompute z tożsamością UserAssigned
    • azureml-contrib-automl-dnn-vision
      • Przyciski wdrażania i pobierania stają się widoczne dla przebiegów przetwarzania obrazów automatycznego uczenia maszynowego, a modele można wdrażać lub pobierać podobnie jak w przypadku innych przebiegów rozwiązania AutoML. Istnieją dwa nowe pliki (scoring_file_v_1_0_0.py i conda_env_v_1_0_0.yml), które zawierają skrypt do uruchamiania wnioskowania i plik yml w celu odtworzenia środowiska conda. Nazwa pliku "model.pth" została również zmieniona, aby użyć rozszerzenia ".pt".
    • azureml-core
      • Obsługa tożsamości usługi zarządzanej dla usługi azure-cli-ml
      • Obsługa tożsamości zarządzanej przypisanej przez użytkownika.
      • Dzięki tej zmianie klienci powinni mieć możliwość zapewnienia tożsamości przypisanej przez użytkownika, która może służyć do pobierania klucza z magazynu kluczy klienta na potrzeby szyfrowania danych magazynowanych.
      • poprawka row_count=0 dla profilu dużych plików — usuwanie błędu podczas podwójnej konwersji dla wartości rozdzielanych za pomocą wypełniania białych znaków
      • Usuwanie flagi eksperymentalnej dla ogólnie dostępnego zestawu danych wyjściowych
      • Aktualizowanie dokumentacji dotyczącej pobierania określonej wersji modelu
      • Zezwalaj na aktualizowanie obszaru roboczego na potrzeby dostępu w trybie mieszanym w linku prywatnym
      • Poprawka umożliwiająca usunięcie innej rejestracji w magazynie danych na potrzeby funkcji uruchamiania wznawiania
      • Dodano obsługę interfejsu wiersza polecenia/zestawu SDK na potrzeby aktualizowania tożsamości przypisanej przez użytkownika podstawowego obszaru roboczego
    • azureml-interpret
      • zaktualizowano usługę azureml-interpret w celu interpretacji społeczności 0.16.0
      • optymalizacje pamięci dla klienta objaśnienia w usłudze azureml-interpret
    • azureml-train-automl-runtime
      • Włączone przesyłanie strumieniowe dla przebiegów usługi ADB
    • azureml-train-core
      • Poprawka umożliwiająca usunięcie innej rejestracji w magazynie danych na potrzeby funkcji uruchamiania wznawiania
    • azureml-widgets
      • Klienci nie powinni widzieć zmian w istniejącej wizualizacji danych uruchamiania przy użyciu widżetu, a teraz mają obsługę, jeśli opcjonalnie używają hiperparametrów warunkowych.
      • Widżet uruchamiania użytkownika zawiera teraz szczegółowe wyjaśnienie, dlaczego przebieg znajduje się w stanie w kolejce.

2021-01-11

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.20.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • framework_version dodane w pliku OptimizationConfig. Jest używany, gdy model jest zarejestrowany w strukturze MULTI.
    • azureml-contrib-optimization
      • framework_version dodane w pliku OptimizationConfig. Jest używany, gdy model jest zarejestrowany w strukturze MULTI.
    • azureml-pipeline-steps
      • Wprowadzenie do polecenia CommandStep, które przejmie polecenie do przetworzenia. Polecenie może zawierać pliki wykonywalne, polecenia powłoki, skrypty itp.
    • azureml-core
      • Teraz tworzenie obszaru roboczego obsługuje tożsamość przypisaną przez użytkownika. Dodawanie obsługi interfejsu użytkownika z poziomu zestawu SDK/interfejsu wiersza polecenia
      • Rozwiązano problem z plikiem service.reload(), który umożliwia pobieranie zmian w score.py we wdrożeniu lokalnym.
      • run.get_details() ma dodatkowe pole o nazwie "submittedBy", które wyświetla nazwę autora dla tego przebiegu.
      • Zmodyfikowano dokumentację metody Model.register, aby wspomnieć o tym, jak zarejestrować model bezpośrednio z uruchamiania
      • Rozwiązano problem z obsługą zmian stanu połączenia IOT-Server.

2020-12-31

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z grudnia)

  • Nowe funkcje

    • Wyszukiwanie nazwy pliku użytkownika. Użytkownicy mogą teraz przeszukiwać wszystkie pliki zapisane w obszarze roboczym.
    • Obsługa języka Markdown obok siebie na komórkę notesu. W komórce notesu użytkownicy mogą teraz wyświetlać renderowane znaczniki markdown i składnię języka Markdown obok siebie.
    • Pasek stanu komórki. Pasek stanu wskazuje, w jakim stanie znajduje się komórka kodu, czy uruchomienie komórki zakończyło się pomyślnie i jak długo trwało uruchomienie.

  • Poprawki i ulepszenia błędów

    • Ulepszone czasy ładowania stron
    • Zwiększona wydajność
    • Zwiększona szybkość i niezawodność jądra

2020-12-07

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.19.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Dodano eksperymentalną obsługę danych testowych do narzędzia AutoMLStep.
      • Dodano początkową podstawową implementację funkcji pozyskiwania zestawu testów.
      • Przeniesiono odwołania do biblioteki sklearn.externals.joblib, aby zależeć bezpośrednio od biblioteki joblib.
      • wprowadzenie nowego typu zadania automatycznego uczenia maszynowego "image-instance-segmentation".
    • azureml-automl-runtime
      • Dodano początkową podstawową implementację funkcji pozyskiwania zestawu testów.
      • Gdy wszystkie ciągi w kolumnie tekstowej mają długość dokładnie jednego znaku, featurizer word-gram TfIdf nie działa, ponieważ jego tokenizator ignoruje ciągi z mniej niż dwoma znakami. Bieżąca zmiana kodu umożliwia rozwiązaniu AutoML obsługę tego przypadku użycia.
      • wprowadzenie nowego typu zadania automatycznego uczenia maszynowego "image-instance-segmentation".
    • azureml-contrib-automl-dnn-nlp
      • Wstępne żądanie ściągnięcia dla nowego pakietu dnn-nlp
    • azureml-contrib-automl-dnn-vision
      • wprowadzenie nowego typu zadania automatycznego uczenia maszynowego "image-instance-segmentation".
    • azureml-contrib-automl-pipeline-steps
      • Ten nowy pakiet jest odpowiedzialny za tworzenie kroków wymaganych dla wielu modeli trenowania/wnioskowania scenariusza. — Przenosi również kod trenowania/wnioskowania do pakietu azureml.train.automl.runtime, dzięki czemu wszelkie przyszłe poprawki będą automatycznie dostępne za pośrednictwem wyselekcjonowanych wersji środowiska.
    • azureml-contrib-dataset
      • wprowadzenie nowego typu zadania automatycznego uczenia maszynowego "image-instance-segmentation".
    • azureml-core
      • Dodano początkową podstawową implementację funkcji pozyskiwania zestawu testów.
      • Naprawianie ostrzeżeń xref dla dokumentacji w pakiecie azureml-core
      • Poprawki ciągu dokumentu dla funkcji obsługi poleceń w zestawie SDK
      • Dodawanie właściwości polecenia do polecenia RunConfiguration. Funkcja umożliwia użytkownikom uruchamianie rzeczywistych poleceń lub plików wykonywalnych na obliczeniach za pomocą zestawu Azure Machine Edukacja SDK.
      • Użytkownicy mogą usunąć pusty eksperyment, biorąc pod uwagę identyfikator tego eksperymentu.
    • azureml-dataprep
      • Dodano obsługę zestawu danych dla platformy Spark skompilowanych za pomocą języka Scala 2.12. Spowoduje to dodanie istniejącej obsługi wersji 2.11.
    • azureml-mlflow
      • Usługa AzureML-MLflow dodaje bezpieczne zabezpieczenia w skryptach zdalnych, aby uniknąć wczesnego zakończenia przesłanych przebiegów.
    • azureml-pipeline-core
      • Usunięto usterkę podczas ustawiania domyślnego potoku dla punktu końcowego potoku utworzonego za pośrednictwem interfejsu użytkownika
    • azureml-pipeline-steps
      • Dodano eksperymentalną obsługę danych testowych do narzędzia AutoMLStep.
    • azureml-tensorboard
      • Naprawianie ostrzeżeń xref dla dokumentacji w pakiecie azureml-core
    • azureml-train-automl-client
      • Dodano eksperymentalną obsługę danych testowych do narzędzia AutoMLStep.
      • Dodano początkową podstawową implementację funkcji pozyskiwania zestawu testów.
      • wprowadzenie nowego typu zadania automatycznego uczenia maszynowego "image-instance-segmentation".
    • azureml-train-automl-runtime
      • Dodano początkową podstawową implementację funkcji pozyskiwania zestawu testów.
      • Napraw obliczenie pierwotnych wyjaśnień dla najlepszego modelu automatycznego uczenia maszynowego, jeśli modele automatycznego uczenia maszynowego są trenowane przy użyciu ustawienia validation_size.
      • Przeniesiono odwołania do biblioteki sklearn.externals.joblib, aby zależeć bezpośrednio od biblioteki joblib.
    • azureml-train-core

      • HyperDriveRun.get_children_sorted_by_primary_metric() powinien teraz zostać ukończony szybciej

      • Ulepszona obsługa błędów w zestawie HyperDrive SDK.

      • Przestarzałe wszystkie klasy narzędzia do szacowania na rzecz używania skryptu ScriptRunConfig do konfigurowania przebiegów eksperymentów. Przestarzałe klasy obejmują:

        • MMLBase
        • Estymator
        • PyTorch
        • TensorFlow
        • Chainer
        • SKLearn

      • Przestarzałe użycie elementów Nccl i Gloo jako prawidłowych typów danych wejściowych dla klas narzędzia do szacowania na rzecz używania klasy PyTorchConfiguration z elementem ScriptRunConfig.

      • Przestarzałe użycie interfejsu Mpi jako prawidłowego typu wejściowego dla klas narzędzia do szacowania na rzecz używania klasy MpiConfiguration z elementem ScriptRunConfig.

      • Dodawanie właściwości polecenia w celu uruchomienia konfiguracji. Funkcja umożliwia użytkownikom uruchamianie rzeczywistych poleceń lub plików wykonywalnych na obliczeniach za pomocą zestawu Azure Machine Edukacja SDK.

      • Przestarzałe wszystkie klasy narzędzia do szacowania na rzecz używania skryptu ScriptRunConfig do konfigurowania przebiegów eksperymentów. Przestarzałe klasy to: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn

      • Przestarzałe użycie elementów Nccl i Gloo jako prawidłowego typu danych wejściowych dla klas narzędzia do szacowania na rzecz używania klasy PyTorchConfiguration z elementem ScriptRunConfig.

      • Przestarzałe użycie programu Mpi jako prawidłowego typu danych wejściowych dla klas narzędzia do szacowania na rzecz używania klasy MpiConfiguration z elementem ScriptRunConfig.

2020-11-30

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z listopada)

  • Nowe funkcje

    • Terminal macierzysty. Użytkownicy mają teraz dostęp do zintegrowanego terminalu i operacji git za pośrednictwem zintegrowanego terminalu .
    • Zduplikowany folder
    • Lista rozwijana Costing for Compute
    • Pylance obliczeń w trybie offline

  • Poprawki i ulepszenia błędów

    • Ulepszone czasy ładowania stron
    • Zwiększona wydajność
    • Zwiększona szybkość i niezawodność jądra
    • Przekazywanie dużych plików. Teraz możesz przekazać plik >95 mb

2020-11-09

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.18.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Ulepszona obsługa krótkich szeregów czasowych, umożliwiając dopełnianie ich hałasem Gaussian.
    • azureml-automl-runtime
      • Throw ConfigException, jeśli kolumna DateTime ma wartość OutOfBoundsDatetime
      • Ulepszona obsługa krótkich szeregów czasowych, umożliwiając dopełnianie ich hałasem Gaussian.
      • Upewnij się, że każda kolumna tekstowa może używać przekształcenia char-gram z zakresem n-gram na podstawie długości ciągów w tej kolumnie tekstowej
      • Udostępnianie nieprzetworzonych wyjaśnień funkcji dla najlepszego trybu eksperymentów automatycznego uczenia maszynowego działających na lokalnym obliczeniach użytkownika
    • azureml-core
      • Przypnij pakiet: pyjwt, aby uniknąć ściągnięcia w nadchodzących wersjach.
      • Utworzenie eksperymentu zwraca aktywny lub ostatni zarchiwizowany eksperyment z tą samą nazwą, jeśli taki eksperyment istnieje lub nowy eksperyment.
      • Wywołanie get_experiment według nazwy zwraca aktywny lub ostatni zarchiwizowany eksperyment z daną nazwą.
      • Użytkownicy nie mogą zmienić nazwy eksperymentu podczas ponownej aktywacji.
      • Ulepszony komunikat o błędzie zawierający potencjalne poprawki, gdy zestaw danych jest niepoprawnie przekazywany do eksperymentu (na przykład ScriptRunConfig).
      • Ulepszona dokumentacja dotycząca OutputDatasetConfig.register_on_complete uwzględnienia zachowania tego, co się stanie, gdy nazwa już istnieje.
      • Określanie nazw wejściowych i wyjściowych zestawu danych, które mogą kolidować ze wspólnymi zmiennymi środowiskowymi, powoduje teraz wyświetlenie ostrzeżenia
      • Repurposed grant_workspace_access parametr podczas rejestrowania magazynów danych. Ustaw go na wartość , aby True uzyskać dostęp do danych za siecią wirtualną z usługi Machine Edukacja Studio. Dowiedz się więcej
      • Interfejs API połączonej usługi jest uściśliny. Zamiast podać identyfikator zasobu, mamy trzy oddzielne parametry sub_id, rg i name zdefiniowane w konfiguracji.
      • Aby umożliwić klientom samodzielne rozwiązywanie problemów z uszkodzeniem tokenu, włącz synchronizację tokenów obszaru roboczego jako publiczną metodę.
      • Ta zmiana umożliwia użycie pustego ciągu jako wartości dla script_param
    • azureml-train-automl-client
      • Ulepszona obsługa krótkich szeregów czasowych, umożliwiając dopełnianie ich hałasem Gaussian.
    • azureml-train-automl-runtime
      • Throw ConfigException, jeśli kolumna DateTime ma wartość OutOfBoundsDatetime
      • Dodano obsługę udostępniania nieprzetworzonych wyjaśnień funkcji dla najlepszego modelu dla eksperymentów automatycznego uczenia maszynowego działających na lokalnym obliczeniach użytkownika
      • Ulepszona obsługa krótkich szeregów czasowych, umożliwiając dopełnianie ich hałasem Gaussian.
    • azureml-train-core
      • Ta zmiana umożliwia użycie pustego ciągu jako wartości dla script_param
    • azureml-train-restclients-hyperdrive
      • Plik README został zmieniony w celu zaoferowania większej liczby kontekstów
    • azureml-widgets
      • Dodano obsługę ciągów do biblioteki wykresów/współrzędnych równoległych dla widżetu.

2020-11-05

Etykietowanie danych dla segmentacji wystąpienia obrazu (adnotacja wielokątna) (wersja zapoznawcza)

Typ projektu segmentacji wystąpienia obrazu (adnotacje wielokątne) w etykietowaniu danych jest teraz dostępny, dzięki czemu użytkownicy mogą rysować i dodawać adnotacje z wielokątami wokół konturu obiektów na obrazach. Użytkownicy mogą przypisać klasę i wielokąt do każdego obiektu, który jest interesujący w obrębie obrazu.

Dowiedz się więcej o etykietowaniu segmentacji wystąpienia obrazu.

2020-10-26

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.17.0

  • nowe przykłady
  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Rozwiązano problem polegający na tym, że get_output mógł zgłosić błąd XGBoostError.
    • azureml-automl-runtime
      • Funkcje oparte na czasie/kalendarzu utworzone przez rozwiązanie AutoML mają teraz prefiks.
      • Naprawiono błąd IndexError występujący podczas trenowania elementu StackEnsemble dla zestawów danych klasyfikacji z włączoną dużą liczbą klas i podprzykładów.
      • Rozwiązano problem polegający na tym, że przewidywania votingRegressor mogły być niedokładne po ponownym dopasowaniu modelu.
    • azureml-core
      • Więcej szczegółowych informacji na temat relacji między konfiguracją wdrożenia usługi AKS i pojęciami dotyczącymi usługi Azure Kubernetes Service.
      • Obsługa etykiet klienta środowiska. Użytkownik może oznaczyć etykiety Środowiska i odwoływać się do nich według etykiety.
    • azureml-dataprep
      • Lepszy komunikat o błędzie podczas korzystania z obecnie nieobsługiwanej platformy Spark z językiem Scala 2.12.
    • azureml-explain-model
      • Pakiet azureml-explain-model jest oficjalnie przestarzały
    • azureml-mlflow
      • Usunięto usterkę w pliku mlflow.projects.run względem zaplecza azureml, w którym stan finalizowania nie był poprawnie obsługiwany.
    • azureml-pipeline-core
      • Dodano obsługę tworzenia, wyświetlania listy i pobierania harmonogramu potoku na podstawie jednego punktu końcowego potoku.
      • Ulepszono dokumentację PipelineData.as_dataset z nieprawidłowym przykładem użycia — użycie PipelineData.as_dataset niepoprawnie powoduje zgłoszenie wyjątku ValueException
      • Zmieniono notes potoków HyperDriveStep, aby zarejestrować najlepszy model w elemecie PipelineStep bezpośrednio po uruchomieniu funkcji HyperDriveStep.
    • azureml-pipeline-steps
      • Zmieniono notes potoków HyperDriveStep, aby zarejestrować najlepszy model w elemecie PipelineStep bezpośrednio po uruchomieniu funkcji HyperDriveStep.
    • azureml-train-automl-client
      • Rozwiązano problem polegający na tym, że get_output mógł zgłosić błąd XGBoostError.

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z października)

2020-10-12

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.16.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Usługi AKSWebservice i AKSEndpoints obsługują teraz limity zasobów procesora CPU i pamięci na poziomie zasobnika. Te opcjonalne limity mogą być używane przez ustawienie --cpu-cores-limit i --memory-gb-limit flagi w odpowiednich wywołaniach interfejsu wiersza polecenia
    • azureml-core
      • Przypinanie głównych wersji bezpośrednich zależności azureml-core
      • Usługi AKSWebservice i AKSEndpoints obsługują teraz limity zasobów procesora CPU i pamięci na poziomie zasobnika. Więcej informacji na temat zasobów i limitów platformy Kubernetes
      • Zaktualizowano run.log_table w celu umożliwienia rejestrowania poszczególnych wierszy.
      • Dodano metodę Run.get(workspace, run_id) statyczną w celu pobrania przebiegu tylko przy użyciu obszaru roboczego
      • Dodano metodę Workspace.get_run(run_id) wystąpienia w celu pobrania przebiegu w obszarze roboczym
      • Wprowadzenie właściwości polecenia w konfiguracji uruchamiania, która umożliwia użytkownikom przesyłanie polecenia zamiast skryptów i argumentów.
    • azureml-interpret
      • naprawiono zachowanie flagi is_raw klienta objaśnienia w usłudze azureml-interpret
    • azureml-sdk
      • azureml-sdk oficjalnie obsługują język Python 3.8.
    • azureml-train-core
      • Dodawanie środowiska wyselekcjonowanych biblioteki TensorFlow 2.3
      • Wprowadzenie właściwości polecenia w konfiguracji uruchamiania, która umożliwia użytkownikom przesyłanie polecenia zamiast skryptów i argumentów.
    • azureml-widgets
      • Przeprojektowany interfejs dla widżetu uruchamiania skryptu.

2020-09-28

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.15.0

  • Poprawki i ulepszenia błędów
    • azureml-contrib-interpret
      • Narzędzie objaśnienia LIME zostało przeniesione z pliku azureml-contrib-interpret do pakietu interpret-community i objaśnienia obrazów usuniętego z pakietu azureml-contrib-interpret
      • pulpit nawigacyjny wizualizacji usunięty z pakietu azureml-contrib-interpret, klient wyjaśnienia przeniesiony do pakietu azureml-interpret i przestarzały w pakiecie azureml-contrib-interpret i notesach zaktualizowano w celu odzwierciedlenia ulepszonego interfejsu API
      • naprawianie opisów pakietów pypi dla elementu azureml-interpret, azureml-explain-model, azureml-contrib-interpret i azureml-tensorboard
    • azureml-contrib-notebook
      • Przypnij zależność nbcovert do < 6, aby papierowy młyn 1.x nadal działał.
    • azureml-core
      • Dodano parametry do konstruktora TensorflowConfiguration i MpiConfiguration, aby umożliwić bardziej usprawnione inicjowanie atrybutów klasy bez konieczności ustawiania poszczególnych atrybutów przez użytkownika. Dodano klasę PyTorchConfiguration do konfigurowania rozproszonych zadań PyTorch w pliku ScriptRunConfig.
      • Przypnij wersję zasobu azure-mgmt-resource, aby naprawić błąd uwierzytelniania.
      • Obsługa rozwiązania Triton No Code Deploy
      • katalogi danych wyjściowych określone w Run.start_logging() są teraz śledzone podczas korzystania z uruchamiania w scenariuszach interaktywnych. Śledzone pliki są widoczne w programie ML Studio po wywołaniu funkcji Run.complete()
      • Kodowanie plików można teraz określić podczas tworzenia zestawu danych za pomocą Dataset.Tabular.from_delimited_files polecenia i Dataset.Tabular.from_json_lines_files przez przekazanie argumentu encoding . Obsługiwane kodowanie to "utf8", "iso88591", "latin1", "ascii", utf16, "utf32", "utf8bom" i "windows1252".
      • Poprawka usterki, gdy obiekt środowiska nie jest przekazywany do konstruktora ScriptRunConfig.
      • Zaktualizowano polecenie Run.cancel(), aby zezwolić na anulowanie przebiegu lokalnego z innego komputera.
    • azureml-dataprep
      • Rozwiązano problemy z limitem czasu instalacji zestawu danych.
    • azureml-explain-model
      • naprawianie opisów pakietów pypi dla elementu azureml-interpret, azureml-explain-model, azureml-contrib-interpret i azureml-tensorboard
    • azureml-interpret
      • pulpit nawigacyjny wizualizacji usunięty z pakietu azureml-contrib-interpret, klient wyjaśnienia przeniesiony do pakietu azureml-interpret i przestarzały w pakiecie azureml-contrib-interpret i notesach zaktualizowano w celu odzwierciedlenia ulepszonego interfejsu API
      • zaktualizowany pakiet azureml-interpret, aby był zależny od wersji 0.15.0
      • naprawianie opisów pakietów pypi dla elementu azureml-interpret, azureml-explain-model, azureml-contrib-interpret i azureml-tensorboard
    • azureml-pipeline-core
      • Rozwiązano problem z potokiem polegający na OutputFileDatasetConfig tym, że system mógł przestać odpowiadać, gdyregister_on_complete jest wywoływany z parametrem name ustawionym na wcześniej istniejącą nazwę zestawu danych.
    • azureml-pipeline-steps
      • Usunięto nieaktualne notesy usługi Databricks.
    • azureml-tensorboard
      • naprawianie opisów pakietów pypi dla elementu azureml-interpret, azureml-explain-model, azureml-contrib-interpret i azureml-tensorboard
    • azureml-train-automl-runtime
      • pulpit nawigacyjny wizualizacji usunięty z pakietu azureml-contrib-interpret, klient wyjaśnienia przeniesiony do pakietu azureml-interpret i przestarzały w pakiecie azureml-contrib-interpret i notesach zaktualizowano w celu odzwierciedlenia ulepszonego interfejsu API
    • azureml-widgets
      • pulpit nawigacyjny wizualizacji usunięty z pakietu azureml-contrib-interpret, klient wyjaśnienia przeniesiony do pakietu azureml-interpret i przestarzały w pakiecie azureml-contrib-interpret i notesach zaktualizowano w celu odzwierciedlenia ulepszonego interfejsu API

2020-09-21

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.14.0

  • Poprawki i ulepszenia błędów

    • azure-cli-ml

      • Profilowanie siatki usunięte z zestawu SDK i nie jest już obsługiwane.

    • azureml-accel-models

      • pakiet azureml-accel-models obsługuje teraz bibliotekę TensorFlow 2.x

    • azureml-automl-core

      • Dodano obsługę błędów w get_output w przypadkach, gdy lokalne wersje biblioteki pandas/sklearn nie są zgodne z tymi używanymi podczas trenowania

    • azureml-automl-runtime

      • Usunięto usterkę polegającą na tym, że iteracje AutoArima kończyły się niepowodzeniem z wyjątekem PredictionException i komunikatem: "Dyskretna awaria wystąpiła podczas przewidywania".

    • azureml-cli-common

      • Profilowanie siatki usunięte z zestawu SDK i nie jest już obsługiwane.

    • azureml-contrib-server

      • Zaktualizuj opis pakietu dla strony przeglądu pypi.

    • azureml-core

      • Profilowanie siatki usunięte z zestawu SDK i nie jest już obsługiwane.
      • Zmniejsz liczbę komunikatów o błędach, gdy pobieranie obszaru roboczego kończy się niepowodzeniem.
      • Nie pokazuj ostrzeżenia w przypadku niepowodzenia pobierania metadanych
      • Nowy krok Kusto i docelowy obiekt obliczeniowy Kusto.
      • Zaktualizuj dokument dla parametru sku. Usuń jednostkę SKU w funkcji aktualizacji obszaru roboczego w interfejsie wiersza polecenia i zestawie SDK.
      • Zaktualizuj opis pakietu dla strony przeglądu pypi.
      • Zaktualizowano dokumentację środowiska usługi Azure Machine Edukacja.
      • Uwidacznij ustawienia zasobów zarządzanych usługi dla obszaru roboczego AML w zestawie SDK.

    • azureml-dataprep

      • Włącz uprawnienie do wykonywania dla plików instalacji zestawu danych.

    • azureml-mlflow

      • Zaktualizowano dokumentację i notesy usługi Azure Machine Edukacja MLflow
      • Nowa obsługa projektów MLflow za pomocą usługi Azure Machine Edukacja zaplecza
      • Obsługa rejestru modeli MLflow
      • Dodano obsługę kontroli dostępu opartej na rolach platformy Azure dla operacji AzureML-MLflow

    • azureml-pipeline-core

      • Ulepszono dokumentację metod PipelineOutputFileDataset.parse_*.
      • Nowy krok Kusto i docelowy obiekt obliczeniowy Kusto.
      • Podana właściwość programu Swaggerurl dla jednostki pipeline-endpoint za pośrednictwem tego użytkownika może wyświetlić definicję schematu dla opublikowanego punktu końcowego potoku.

    • azureml-pipeline-steps

      • Nowy krok Kusto i docelowy obiekt obliczeniowy Kusto.

    • azureml-telemetry

      • Zaktualizuj opis pakietu dla strony przeglądu pypi.

    • azureml-train

      • Zaktualizuj opis pakietu dla strony przeglądu pypi.

    • azureml-train-automl-client

      • Dodano obsługę błędów w get_output w przypadkach, gdy lokalne wersje biblioteki pandas/sklearn nie są zgodne z tymi używanymi podczas trenowania

    • azureml-train-core

      • Zaktualizuj opis pakietu dla strony przeglądu pypi.

2020-08-31

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.13.0

  • Funkcje w wersji zapoznawczej

    • azureml-core Dzięki nowej możliwości zestawów danych wyjściowych można zapisywać z powrotem do magazynu w chmurze, w tym obiektów blob, usług ADLS Gen 1, ADLS Gen 2 i udziałów plików. Możesz skonfigurować lokalizację danych wyjściowych, sposób wyprowadzania danych (za pośrednictwem instalacji lub przekazywania), czy rejestrować dane wyjściowe w celu późniejszego ponownego użycia i udostępniania oraz bezproblemowego przekazywania danych pośrednich między krokami potoku. Umożliwia to powtarzalność, udostępnianie, zapobiega duplikowaniu danych oraz zwiększa efektywność kosztową i produktywność. Dowiedz się, jak z niego korzystać

  • Poprawki i ulepszenia błędów

    • azureml-automl-core
      • Dodano plik validated_{platform}_requirements.txt do przypinania wszystkich zależności pip dla rozwiązania AutoML.
      • Ta wersja obsługuje modele większe niż 4 Gb.
      • Uaktualnione zależności automl: scikit-learn (teraz 0.22.1), pandas (teraz 0.25.1), numpy (teraz 1.18.2).
    • azureml-automl-runtime
      • Ustaw wartość horovod dla nazwy rozproszonej tekstu, aby zawsze używać kompresji fp16.
      • Ta wersja obsługuje modele większe niż 4 Gb.
      • Rozwiązano problem polegający na tym, że autoML kończyło się niepowodzeniem z błędem ImportError: nie można zaimportować nazwy RollingOriginValidator.
      • Uaktualnione zależności automl: scikit-learn (teraz 0.22.1), pandas (teraz 0.25.1), numpy (teraz 1.18.2).
    • azureml-contrib-automl-dnn-forecasting
      • Uaktualnione zależności automl: scikit-learn (teraz 0.22.1), pandas (teraz 0.25.1), numpy (teraz 1.18.2).
    • azureml-contrib-fairness
      • Podaj krótki opis dla polecenia azureml-contrib-fairness.
    • azureml-contrib-pipeline-steps
      • Dodano komunikat wskazujący, że ten pakiet jest przestarzały, a użytkownik powinien zamiast tego używać instrukcji azureml-pipeline-steps.
    • azureml-core
      • Dodano polecenie klucza listy dla obszaru roboczego.
      • Dodaj parametr tagów w zestawie SDK obszaru roboczego i interfejsie wiersza polecenia.
      • Usunięto usterkę polegającą na tym, że przesyłanie podrzędnego przebiegu z zestawem danych nie powiodło się z powodu TypeError: can't pickle _thread.RLock objectsbłędu .
      • Dodawanie page_count domyślnej/dokumentacji dla listy modeli().
      • Zmodyfikuj interfejs wiersza polecenia i zestaw SDK, aby podjąć parametr adbworkspace i dodaj moduł uruchamiający lin/unlink obszaru roboczego.
      • Usunięto usterkę w pliku Dataset.update, która spowodowała, że najnowsza wersja zestawu danych nie została zaktualizowana.
      • Usunięto usterkę w Dataset.get_by_name, która pokazuje tagi dla najnowszej wersji zestawu danych nawet wtedy, gdy pobrano określoną starszą wersję.
    • azureml-interpret
      • Dodano dane wyjściowe prawdopodobieństwa do objaśnień oceniania shap w usłudze azureml-interpret na podstawie parametru shap_values_output z oryginalnego objaśnienia.
    • azureml-pipeline-core
      • Ulepszona PipelineOutputAbstractDataset.registerdokumentacja.
    • azureml-train-automl-client
      • Uaktualnione zależności automl: scikit-learn (teraz 0.22.1), pandas (teraz 0.25.1), numpy (teraz 1.18.2).
    • azureml-train-automl-runtime
      • Uaktualnione zależności automl: scikit-learn (teraz 0.22.1), pandas (teraz 0.25.1), numpy (teraz 1.18.2).
    • azureml-train-core
      • Użytkownicy muszą teraz podać prawidłową hyperparameter_sampling arg podczas tworzenia funkcji HyperDriveConfig. Ponadto edytowano dokumentację funkcji HyperDriveRunConfig, aby poinformować użytkowników o wycofaniu funkcji HyperDriveRunConfig.
      • Przywróć domyślną wersję PyTorch do wersji 1.4.
      • Dodawanie obrazów PyTorch 1.6 i TensorFlow 2.2 i wyselekcjonowanych środowisk.

Środowisko notesów usługi Azure Machine Edukacja Studio (aktualizacja z sierpnia)

  • Nowe funkcje

    • Nowa strona docelowa Wprowadzenie

  • Funkcje w wersji zapoznawczej

    • Funkcja zbierania w notesach. Dzięki funkcji Zbieraj użytkownicy mogą teraz łatwo czyścić notesy za pomocą funkcji Zbieraj korzysta z automatycznej analizy zależności notesu, zapewniając, że podstawowy kod jest zachowywany, ale usuwa wszelkie nieistotne elementy.

  • Poprawki i ulepszenia błędów

    • Poprawa szybkości i niezawodności
    • Naprawiono błędy trybu ciemnego
    • Naprawiono usterki przewijania danych wyjściowych
    • Przykładowe wyszukiwanie wyszukuje teraz całą zawartość wszystkich plików w repozytorium przykładowych notesów usługi Azure Machine Edukacja
    • Wielowierszowe komórki języka R można teraz uruchomić
    • "Ufam zawartości tego pliku" jest teraz automatycznie sprawdzane po raz pierwszy
    • Ulepszone okno dialogowe rozwiązywania konfliktów z nową opcją "Utwórz kopię"

2020-08-17

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.12.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Dodaj parametry image_name i image_label do elementu Model.package(), aby włączyć zmianę nazwy utworzonego obrazu pakietu.
    • azureml-automl-core
      • AutoML zgłasza nowy kod błędu z narzędzia dataprep, gdy zawartość jest modyfikowana podczas odczytywania.
    • azureml-automl-runtime
      • Dodano alerty dla użytkownika, gdy dane zawierają brakujące wartości, ale cechowanie jest wyłączone.
      • Naprawiono błędy podrzędne, gdy dane zawierają wartość nan i cechowanie są wyłączone.
      • AutoML zgłasza nowy kod błędu z narzędzia dataprep, gdy zawartość jest modyfikowana podczas odczytywania.
      • Zaktualizowano normalizację, aby metryki prognozowania miały miejsce według ziarna.
      • Ulepszone obliczanie kwantyli prognozy, gdy funkcje wyszukiwania wstecznego są wyłączone.
      • Naprawiono obsługę macierzy rozrzedzonej wartości logicznej podczas przetwarzania wyjaśnień po automl.
    • azureml-core
      • Nowa metoda run.get_detailed_status() przedstawia teraz szczegółowe wyjaśnienie bieżącego stanu uruchomienia. Obecnie wyświetlane jest tylko wyjaśnienie stanu Queued .
      • Dodaj parametry image_name i image_label do elementu Model.package(), aby włączyć zmianę nazwy utworzonego obrazu pakietu.
      • Nowa metoda set_pip_requirements() ustawiania całej sekcji pip jednocześnie CondaDependencies .
      • Włącz rejestrowanie magazynu danych usługi ADLS Gen2 bez poświadczeń.
      • Ulepszony komunikat o błędzie podczas próby pobrania lub zainstalowania nieprawidłowego typu zestawu danych.
      • Zaktualizuj przykładowy notes filtru zestawu danych szeregów czasowych, aby uzyskać więcej przykładów partition_timestamp, które zapewniają optymalizację filtru.
      • Zmień zestaw SDK i interfejs wiersza polecenia, aby akceptował parametry subscriptionId, resourceGroup, workspaceName, pe Połączenie ionName jako parametry zamiast armResourceId podczas usuwania połączenia prywatnego punktu końcowego.
      • Funkcja Eksperymentalna Decorator wyświetla nazwę klasy w celu łatwiejszej identyfikacji.
      • Opisy zasobów wewnątrz modeli nie są już generowane automatycznie na podstawie przebiegu.
    • azureml-datadrift
      • Oznacz interfejs API create_from_model w elemencie DataDriftDetector jako przestarzały.
    • azureml-dataprep
      • Ulepszony komunikat o błędzie podczas próby pobrania lub zainstalowania nieprawidłowego typu zestawu danych.
    • azureml-pipeline-core
      • Usunięto usterkę podczas deserializacji wykresu potoku zawierającego zarejestrowane zestawy danych.
    • azureml-pipeline-steps
      • Język RScriptStep obsługuje protokół RSection ze środowiska azureml.core.environment.
      • Usunięto parametr passthru_automl_config z publicznego interfejsu AutoMLStep API i przekonwertowano go na parametr tylko wewnętrzny.
    • azureml-train-automl-client
      • Usunięto lokalne środowisko asynchroniczne, zarządzane uruchamiane z rozwiązania AutoML. Wszystkie uruchomienia lokalne są uruchamiane w środowisku, z którego uruchomiono przebieg.
      • Rozwiązano problemy z migawkami podczas przesyłania przebiegów rozwiązania AutoML bez skryptów dostarczonych przez użytkownika.
      • Naprawiono błędy uruchamiania podrzędnego, gdy dane zawierają wartość nan i cechowanie są wyłączone.
    • azureml-train-automl-runtime
      • AutoML zgłasza nowy kod błędu z narzędzia dataprep, gdy zawartość jest modyfikowana podczas odczytywania.
      • Rozwiązano problemy z migawkami podczas przesyłania przebiegów rozwiązania AutoML bez skryptów dostarczonych przez użytkownika.
      • Naprawiono błędy uruchamiania podrzędnego, gdy dane zawierają wartość nan i cechowanie są wyłączone.
    • azureml-train-core
      • Dodano obsługę określania opcji pip (na przykład-extra-index-url) w pliku wymagań pip przekazanym do parametru Estimator za pośrednictwem pip_requirements_file .

2020-08-03

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.11.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Naprawianie struktury modelu i struktury modelu, która nie została przekazana w obiekcie uruchamiania w ścieżce rejestracji modelu interfejsu wiersza polecenia
      • Naprawiono polecenie amlcompute identity show, aby wyświetlić identyfikator dzierżawy i identyfikator podmiotu zabezpieczeń
    • azureml-train-automl-client
      • Dodano get_best_child () do funkcji AutoMLRun na potrzeby pobierania najlepszego uruchomienia podrzędnego dla przebiegu automatycznego uczenia maszynowego bez pobierania skojarzonego modelu.
      • Dodano obiekt ModelProxy, który umożliwia uruchamianie przewidywania lub prognozowania w zdalnym środowisku trenowania bez lokalnego pobierania modelu.
      • Nieobsługiwane wyjątki w rozwiązaniu AutoML wskazują teraz na stronę HTTP o znanych problemach, gdzie można znaleźć więcej informacji o błędach.
    • azureml-core
      • Nazwy modeli mogą mieć długość 255 znaków.
      • Environment.get_image_details() zwracany typ obiektu został zmieniony. DockerImageDetails klasa zastąpiona dict, szczegóły obrazu są dostępne z nowych właściwości klasy. Zmiany są zgodne z poprzednimi wersjami.
      • Usunięto usterkę dotyczącą Environment.from_pip_requirements() w celu zachowania struktury zależności
      • Usunięto usterkę polegającą na tym, że log_list nie powiodła się, jeśli liczba int i podwójne zostały uwzględnione na tej samej liście.
      • Podczas włączania łącza prywatnego w istniejącym obszarze roboczym należy pamiętać, że jeśli istnieją obiekty docelowe obliczeniowe skojarzone z obszarem roboczym, te obiekty docelowe nie będą działać, jeśli nie znajdują się one za tą samą siecią wirtualną co prywatny punkt końcowy obszaru roboczego.
      • W as_named_input przypadku używania zestawów danych w eksperymentach i dodawania as_mount ich do FileDatasetelementu .as_download Nazwa wejściowa jest generowana automatycznie, jeśli as_mount jest wywoływana lub as_download .
    • azureml-automl-core
      • Nieobsługiwane wyjątki w rozwiązaniu AutoML wskazują teraz na stronę HTTP o znanych problemach, gdzie można znaleźć więcej informacji o błędach.
      • Dodano get_best_child () do funkcji AutoMLRun na potrzeby pobierania najlepszego uruchomienia podrzędnego dla przebiegu automatycznego uczenia maszynowego bez pobierania skojarzonego modelu.
      • Dodano obiekt ModelProxy, który umożliwia uruchamianie przewidywania lub prognozowania w zdalnym środowisku trenowania bez lokalnego pobierania modelu.
    • azureml-pipeline-steps
      • Dodano enable_default_model_output flagi i enable_default_metrics_output do AutoMLStepelementu . Te flagi mogą służyć do włączania/wyłączania domyślnych danych wyjściowych.

2020-07-20

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.10.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • W przypadku korzystania z rozwiązania AutoML, jeśli ścieżka zostanie przekazana do obiektu AutoMLConfig i jeszcze nie istnieje, zostanie ona automatycznie utworzona.
      • Użytkownicy mogą teraz określić częstotliwość szeregów czasowych dla zadań prognozowania przy użyciu parametru freq .
    • azureml-automl-runtime
      • W przypadku korzystania z rozwiązania AutoML, jeśli ścieżka zostanie przekazana do obiektu AutoMLConfig i jeszcze nie istnieje, zostanie ona automatycznie utworzona.
      • Użytkownicy mogą teraz określić częstotliwość szeregów czasowych dla zadań prognozowania przy użyciu parametru freq .
      • Prognozowanie automatycznego uczenia maszynowego obsługuje teraz ocenę stopniową, która ma zastosowanie do przypadku użycia, że długość zestawu testów lub walidacji jest dłuższa niż horyzont wejściowy, a znana wartość y_pred jest używana jako kontekst prognozowania.
    • azureml-core
      • Komunikaty ostrzegawcze są drukowane, jeśli w przebiegu nie pobrano żadnych plików z magazynu danych.
      • Dodano dokumentację dla elementu skip_validation do pliku Datastore.register_azure_sql_database method.
      • Aby utworzyć automatycznie zatwierdzony prywatny punkt końcowy, użytkownicy muszą przeprowadzić uaktualnienie do zestawu SDK w wersji 1.10.0 lub nowszej. Obejmuje to zasób notesu, który jest używany za siecią wirtualną.
      • Uwidaczniaj informacje o notesie w odpowiedzi na pobieranie obszaru roboczego.
      • Zmiany w wywołaniach w celu wyświetlenia listy docelowych obiektów obliczeniowych i pomyślnego uzyskania docelowego obiektu obliczeniowego w zdalnym uruchomieniu. Funkcje zestawu SDK do pobierania docelowych obiektów obliczeniowych i wyświetlania listy obiektów obliczeniowych obszaru roboczego działają teraz w przebiegach zdalnych.
      • Dodaj komunikaty o wycofaniu do opisów klas dla klas azureml.core.image.
      • Zgłaszanie wyjątków i czyszczenie obszaru roboczego i zasobów zależnych, jeśli tworzenie prywatnego punktu końcowego obszaru roboczego zakończy się niepowodzeniem.
      • Obsługa uaktualnienia jednostki SKU obszaru roboczego w metodzie aktualizacji obszaru roboczego.
    • azureml-datadrift
      • Zaktualizuj wersję biblioteki matplotlib z wersji 3.0.2 do 3.2.1, aby obsługiwać język Python 3.8.
    • azureml-dataprep
      • Dodano obsługę internetowych źródeł danych adresu URL z żądaniem Range lub .Head
      • Zwiększona stabilność instalacji i pobierania zestawu danych plików.
    • azureml-train-automl-client
      • Rozwiązano problemy związane z usuwaniem z RequirementParseError narzędzi instalacyjnych.
      • Użyj platformy Docker zamiast conda dla przebiegów lokalnych przesłanych przy użyciu polecenia "compute_target='local'"
      • Czas trwania iteracji wydrukowany w konsoli został poprawiony. Wcześniej czas trwania iteracji był czasami drukowany jako czas zakończenia przebiegu pomniejszone o czas tworzenia przebiegu. Poprawiono go tak, aby był równy czas zakończenia przebiegu pomniejszony o czas rozpoczęcia uruchomienia.
      • W przypadku korzystania z rozwiązania AutoML, jeśli ścieżka zostanie przekazana do obiektu AutoMLConfig i jeszcze nie istnieje, zostanie ona automatycznie utworzona.
      • Użytkownicy mogą teraz określić częstotliwość szeregów czasowych dla zadań prognozowania przy użyciu parametru freq .
    • azureml-train-automl-runtime
      • Ulepszone dane wyjściowe konsoli, gdy najlepsze wyjaśnienia modelu kończą się niepowodzeniem.
      • Zmieniono nazwę parametru wejściowego na "blocked_models", aby usunąć termin poufny.
        • Zmieniono nazwę parametru wejściowego na "allowed_models", aby usunąć termin poufny.
      • Użytkownicy mogą teraz określić częstotliwość szeregów czasowych dla zadań prognozowania przy użyciu parametru freq .

2020-07-06

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.9.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Zamieniono get_model_path() na zmienną środowiskową AZUREML_MODEL_DIR w automatycznie wygenerowanym skryptie oceniania autoML. Dodano również dane telemetryczne do śledzenia błędów podczas inicjowania().
      • Usunięto możliwość określania enable_cache w ramach autoMLConfig
      • Usunięto usterkę polegającą na tym, że przebiegi mogły zakończyć się niepowodzeniem z błędami usługi podczas określonych przebiegów prognozowania
      • Ulepszona obsługa błędów wokół określonych modeli podczas get_output
      • Naprawiono wywołanie funkcji fitted_model.fit(X, y) dla klasyfikacji z transformatorem y
      • Włączono dostosowany imputer wypełniania do przodu na potrzeby zadań prognozowania
      • Nowa klasa ForecastingParameters jest używana zamiast prognozowania parametrów w formacie dyktowania
      • Ulepszone autodetection opóźnienia docelowego
      • Dodano ograniczoną dostępność cech rozproszonych w wielu węzłach z wieloma procesorami GPU za pomocą BERT
    • azureml-automl-runtime
      • Prorok teraz dodawa modelowanie sezonowości zamiast mnożenia.
      • Rozwiązano problem polegający na tym, że krótkie ziarna o częstotliwościach różniące się od tych z długich ziarna powoduje niepowodzenie przebiegów.
    • azureml-contrib-automl-dnn-vision
      • Zbieranie statystyk systemowych/gpu i średnich dzienników na potrzeby trenowania i oceniania
    • azureml-contrib-mir
      • Dodano obsługę flagi enable-app-insights w funkcji ManagedInferencing
    • azureml-core
      • Parametr weryfikujący te interfejsy API, umożliwiając pomijanie walidacji, gdy źródło danych nie jest dostępne z bieżącego środowiska obliczeniowego.
        • 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)
      • Dodano obsługę filtrowania struktury dla listy modeli i dodano przykład ncD AutoML z powrotem w notesie
      • W przypadku Datastore.register_azure_blob_container i Datastore.register_azure_file_share (tylko opcji obsługujących token SAS) zaktualizowaliśmy ciągi dokumentu dla sas_token pola w celu uwzględnienia minimalnych wymagań dotyczących uprawnień dla typowych scenariuszy odczytu i zapisu.
      • Przestarzałe parametry _with_auth w ws.get_mlflow_tracking_uri()
    • azureml-mlflow
      • Dodawanie obsługi wdrażania modeli file:// lokalnych za pomocą usługi AzureML-MLflow
      • Przestarzałe parametry _with_auth w ws.get_mlflow_tracking_uri()
    • azureml-opendatasets
      • Ostatnio opublikowane zestawy danych śledzenia covid-19 są teraz dostępne w zestawie SDK
    • azureml-pipeline-core
      • Wyloguj się ostrzeżenie, gdy "azureml-defaults" nie jest uwzględniane jako część zależności pip-dependency
      • Ulepszanie renderowania notatek.
      • Dodano obsługę cytowanych podziałów wierszy podczas analizowania rozdzielonych plików do elementu PipelineOutputFileDataset.
      • Klasa PipelineDataset jest przestarzała. Aby uzyskać więcej informacji, zobacz https://aka.ms/dataset-deprecation. Dowiedz się, jak używać zestawu danych z potokiem, zobacz https://aka.ms/pipeline-with-dataset.
    • azureml-pipeline-steps
      • Dokumentacja zostanie zaktualizowana do kroków azureml-pipeline-steps.
      • Dodano obsługę funkcji ParallelRunConfig load_yaml() dla użytkowników w celu zdefiniowania środowisk wbudowanych w pozostałej części konfiguracji lub w osobnym pliku
    • azureml-train-automl-client.
      • Usunięto możliwość określania enable_cache w ramach autoMLConfig
    • azureml-train-automl-runtime
      • Dodano ograniczoną dostępność cech rozproszonych w wielu węzłach z wieloma procesorami GPU za pomocą BERT.
      • Dodano obsługę błędów dla niezgodnych pakietów w przebiegach zautomatyzowanego uczenia maszynowego opartego na usłudze ADB.
    • azureml-widgets
      • Dokumentacja zostanie zaktualizowana do elementów azureml-widget.

2020-06-22

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.8.0

  • Funkcje w wersji zapoznawczej

    • azureml-contrib-fairnessazureml-contrib-fairness Pakiet zapewnia integrację między oceną sprawiedliwości open source i pakietem ograniczania niesprawiedliwości Fairlearn i Azure Machine Edukacja Studio. W szczególności pakiet umożliwia przekazywanie pulpitów nawigacyjnych oceny sprawiedliwości modelu w ramach uruchamiania usługi Azure Machine Edukacja i wyświetlania ich w usłudze Azure Machine Edukacja Studio

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Obsługa pobierania dzienników kontenera init.
      • Dodano nowe polecenia interfejsu wiersza polecenia do zarządzania wystąpieniem obliczeniowym
    • azureml-automl-core
      • Użytkownicy mogą teraz włączyć iterację zespołu stosu dla zadań szeregów czasowych z ostrzeżeniem, że może potencjalnie przesiąknąć.
      • Dodano nowy typ wyjątku użytkownika, który jest zgłaszany, jeśli zawartość magazynu pamięci podręcznej została naruszona
    • azureml-automl-runtime
      • Funkcja zamiatania klas nie jest już włączona, jeśli użytkownik wyłączy cechowanie.
    • azureml-contrib-notebook
      • Ulepszenia dokumentu dotyczące pakietu azureml-contrib-notebook.
    • azureml-contrib-pipeline-steps
      • Ulepszenia dokumentu dotyczące pakietu azureml-contrib--pipeline-steps.
    • azureml-core
      • Dodawanie funkcji set_connection, get_connection, list_connections i delete_connection dla klienta w celu obsługi zasobu połączenia obszaru roboczego
      • Aktualizacje dokumentacji pakietu azureml-coore/azureml.exceptions.
      • Aktualizacje dokumentacji pakietu azureml-core.
      • Dokumentacja aktualizuje klasę ComputeInstance.
      • Ulepszenia dokumentu dotyczące pakietu azureml-core/azureml.core.compute.
      • Ulepszenia dokumentu dotyczące klas związanych z usługą internetową w usłudze azureml-core.
      • Obsługa wybranego przez użytkownika magazynu danych do przechowywania danych profilowania
      • Dodano właściwość expand i page_count dla interfejsu API listy modeli
      • Usunięto usterkę polegającą na tym, że usunięcie właściwości zastępowania powodowało niepowodzenie przesłanego przebiegu z powodu błędu deserializacji.
      • Naprawiono niespójną strukturę folderów podczas pobierania lub instalowania elementu FileDataset odwołującego się do pojedynczego pliku.
      • Ładowanie zestawu danych plików parquet to_spark_dataframe jest teraz szybsze i obsługuje wszystkie typy danych parquet i Spark SQL.
      • Obsługa pobierania dzienników kontenera init.
      • Przebiegi automatycznego uczenia maszynowego są teraz oznaczone jako podrzędne uruchomienie równoległego kroku uruchamiania.
    • azureml-datadrift
      • Ulepszenia dokumentu dotyczące pakietu azureml-contrib-notebook.
    • azureml-dataprep
      • Ładowanie zestawu danych plików parquet to_spark_dataframe jest teraz szybsze i obsługuje wszystkie typy danych parquet i Spark SQL.
      • Lepsza obsługa pamięci dla problemu outOfMemory dla to_pandas_dataframe.
    • azureml-interpret
      • Uaktualniono usługę azureml-interpret, aby używać wersji 0.12.*
    • azureml-mlflow
      • Ulepszenia dokumentu dotyczące biblioteki azureml-mlflow.
      • Dodaje obsługę rejestru modeli AML za pomocą platformy MLFlow.
    • azureml-opendatasets
      • Dodano obsługę języka Python 3.8
    • azureml-pipeline-core
      • Zaktualizowano PipelineDatasetdokumentację programu ,aby wyjaśnić, że jest to klasa wewnętrzna.
      • Aktualizacje ParallelRunStep w celu akceptowania wielu wartości dla jednego argumentu, na przykład: "--group_column_names", "Col1", "Col2", "Col3"
      • Usunięto wymaganie passthru_automl_config użycia danych pośrednich za pomocą funkcji AutoMLStep w usłudze Pipelines.
    • azureml-pipeline-steps
      • Ulepszenia dokumentu dotyczące pakietu azureml-pipeline-steps.
      • Usunięto wymaganie passthru_automl_config użycia danych pośrednich za pomocą funkcji AutoMLStep w usłudze Pipelines.
    • azureml-telemetry
      • Ulepszenia dokumentu dotyczące telemetrii azureml-.
    • azureml-train-automl-client
      • Usunięto usterkę polegającą AutoMLConfig na tym, że experiment.submit() wywołano dwukrotnie obiekt, co spowodowało różne zachowanie.
      • Użytkownicy mogą teraz włączyć iterację zespołu stosu dla zadań szeregów czasowych z ostrzeżeniem, że może potencjalnie przesiąknąć.
      • Zmieniono zachowanie uruchamiania automatycznego uczenia maszynowego w celu podniesienia błędu UserErrorException, jeśli usługa zgłasza błąd użytkownika
      • Naprawia usterkę, która spowodowała, że azureml_automl.log nie były generowane lub brakuje dzienników podczas przeprowadzania eksperymentu automatycznego uczenia maszynowego na zdalnym obiekcie docelowym obliczeniowym.
      • W przypadku zestawów danych klasyfikacji z niezrównoważonymi klasami stosujemy równoważenie wagi, jeśli funkcja zamiatania określa, że dla danych podprzykładowych równoważenie wagi zwiększa wydajność zadania klasyfikacji o określony próg.
      • Przebiegi automatycznego uczenia maszynowego są teraz oznaczone jako podrzędne uruchomienie równoległego kroku uruchamiania.
    • azureml-train-automl-runtime
      • Zmieniono zachowanie uruchamiania automatycznego uczenia maszynowego w celu podniesienia błędu UserErrorException, jeśli usługa zgłasza błąd użytkownika
      • Przebiegi automatycznego uczenia maszynowego są teraz oznaczone jako podrzędne uruchomienie równoległego kroku uruchamiania.

2020-06-08

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.7.0

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Ukończono usuwanie profilowania modelu z mir contrib przez czyszczenie poleceń interfejsu wiersza polecenia i zależności pakietów, profilowanie modelu jest dostępne w rdzeniu.
      • Uaktualnia minimalną wersję interfejsu wiersza polecenia platformy Azure do wersji 2.3.0
    • azureml-automl-core
      • Lepszy komunikat o wyjątku dla kroku cechowania fit_transform() z powodu niestandardowych parametrów transformatora.
      • Dodano obsługę wielu języków dla modeli przekształcania uczenia głębokiego, takich jak BERT w zautomatyzowanym uczeniu maszynowym.
      • Usuń przestarzały parametr lag_length z dokumentacji.
      • Ulepszono dokumentację parametrów prognozowania. Parametr lag_length został przestarzały.
    • azureml-automl-runtime
      • Naprawiono błąd zgłaszany, gdy jedna z kolumn kategorii jest pusta w czasie prognozy/testu.
      • Napraw błędy uruchamiania, które występują, gdy funkcje odnośnika są włączone, a dane zawierają krótkie ziarna.
      • Rozwiązano problem z zduplikowanym komunikatem o błędzie indeksu czasu, gdy opóźnienia lub okna stopniowe zostały ustawione na wartość "auto".
      • Rozwiązano problem z modelami Proroka i Arima w zestawach danych zawierającymi funkcje odnośnika.
      • Dodano obsługę dat przed 1677-09-21 lub po 2262-04-11 w kolumnach innych niż data i godzina w zadaniach prognozowania. Ulepszone komunikaty o błędach.
      • Ulepszono dokumentację parametrów prognozowania. Parametr lag_length został przestarzały.
      • Lepszy komunikat o wyjątku dla kroku cechowania fit_transform() z powodu niestandardowych parametrów transformatora.
      • Dodano obsługę wielu języków dla modeli przekształcania uczenia głębokiego, takich jak BERT w zautomatyzowanym uczeniu maszynowym.
      • Operacje pamięci podręcznej, które powodują błąd użytkownika w niektórych błędach OSErrors.
      • Dodano kontrole w celu zapewnienia, że dane trenowania i walidacji mają taką samą liczbę i zestaw kolumn
      • Rozwiązano problem z wygenerowanym automatycznie skryptem oceniania automatycznego uczenia maszynowego, gdy dane zawierają znaki cudzysłowu
      • Włączanie wyjaśnień dla proroka AutoML i modeli zespołów, które zawierają model proroka.
      • Niedawny problem klienta ujawnił usterkę witryny na żywo, w której rejestrujemy komunikaty wzdłuż funkcji zamiatania równoważenia klas nawet wtedy, gdy logika równoważenia klas nie jest prawidłowo włączona. Usunięcie tych dzienników/komunikatów z tym żądaniem ściągnięcia.
    • azureml-cli-common
      • Ukończono usuwanie profilowania modelu z mir contrib przez czyszczenie poleceń interfejsu wiersza polecenia i zależności pakietów, profilowanie modelu jest dostępne w rdzeniu.
    • azureml-contrib-reinforcementlearning
      • Narzędzie do testowania obciążenia
    • azureml-core
      • Zmiany w dokumentacji Script_run_config.py
      • Naprawia usterkę podczas drukowania danych wyjściowych interfejsu wiersza polecenia przesyłania potoku przebiegu
      • Ulepszenia dokumentacji dotyczące pliku azureml-core/azureml.data
      • Rozwiązano problem z pobieraniem konta magazynu przy użyciu polecenia hdfs getconf
      • Ulepszona dokumentacja register_azure_blob_container i register_azure_file_share
    • azureml-datadrift
      • Ulepszona implementacja wyłączania i włączania monitorów dryfu zestawu danych
    • azureml-interpret
      • W wyjaśnieniu klienta usuń sieci NaNs lub Infs przed serializacji json podczas przekazywania z artefaktów
      • Aktualizacja do najnowszej wersji społeczności interpret-community, aby poprawić błędy braku pamięci w celu uzyskania globalnych wyjaśnień o wielu funkcjach i klasach
      • Dodawanie opcjonalnego parametru true_ys do przekazywania wyjaśnień w celu włączenia większej liczby funkcji w interfejsie użytkownika programu Studio
      • Zwiększanie wydajności download_model_explanations() i list_model_explanations()
      • Małe poprawki do notesów, aby ułatwić debugowanie
    • azureml-opendatasets
      • zestawy azureml-opendatasets wymagają narzędzia azureml-dataprep w wersji 1.4.0 lub nowszej. Dodano ostrzeżenie, jeśli wykryto niższą wersję
    • azureml-pipeline-core
      • Ta zmiana umożliwia użytkownikowi podanie opcjonalnej konfiguracji runconfig w moduleVersion podczas wywoływania modułu. Publish_python_script.
      • Włączanie konta węzła może być parametrem potoku w parallelRunStep w pliku azureml.pipeline.steps
    • azureml-pipeline-steps
      • Ta zmiana umożliwia użytkownikowi podanie opcjonalnej konfiguracji runconfig w moduleVersion podczas wywoływania modułu. Publish_python_script.
    • azureml-train-automl-client
      • Dodano obsługę wielu języków dla modeli przekształcania uczenia głębokiego, takich jak BERT w zautomatyzowanym uczeniu maszynowym.
      • Usuń przestarzały parametr lag_length z dokumentacji.
      • Ulepszono dokumentację parametrów prognozowania. Parametr lag_length został przestarzały.
    • azureml-train-automl-runtime
      • Włączanie wyjaśnień dla proroka AutoML i modeli zespołów, które zawierają model proroka.
      • Aktualizacje dokumentacji pakietów azureml-train-automl-*.
    • azureml-train-core
      • Obsługa biblioteki TensorFlow w wersji 2.1 w narzędziu do szacowania PyTorch
      • Ulepszenia pakietu azureml-train-core.

2020-05-26

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.6.0

  • Nowe funkcje

    • azureml-automl-runtime

      • Prognozowanie automatycznego uczenia maszynowego obsługuje teraz prognozy klientów poza wstępnie określony maksymalny horyzont bez ponownego trenowania modelu. Gdy lokalizacja docelowa prognozy jest dalej w przyszłości niż określony maksymalny horyzont, funkcja forecast() nadal tworzy przewidywania punktów do późniejszej daty przy użyciu trybu operacji cyklicznego. Aby zapoznać się z ilustracją nowej funkcji, zobacz sekcję "Prognozowanie dalej niż maksymalny horyzont" notesu "forecasting-forecast-function" w folderze.

    • azureml-pipeline-steps

      • Element ParallelRunStep jest teraz wydany i jest częścią pakietu azureml-pipeline-steps . Istniejący element ParallelRunStep w pakiecie azureml-contrib-pipeline-steps jest przestarzały. Zmiany z publicznej wersji zapoznawczej:
        • Dodano run_max_try opcjonalny konfigurowalny parametr w celu kontrolowania maksymalnego wywołania metody uruchamiania dla danej partii, wartość domyślna to 3.
        • Nie są już generowane automatycznie żadne parametry potoku. Następujące konfigurowalne wartości można ustawić jawnie jako PipelineParameter.
          • mini_batch_size
          • node_count
          • process_count_per_node
          • logging_level
          • run_invocation_timeout
          • run_max_try
        • Wartość domyślna process_count_per_node jest zmieniana na 1. Użytkownik powinien dostosować tę wartość w celu uzyskania lepszej wydajności. Najlepszym rozwiązaniem jest ustawienie liczby procesorów GPU lub węzła procesora CPU.
        • ParallelRunStep nie wprowadza żadnych pakietów, użytkownik musi uwzględnić pakiety azureml-core i azureml-dataprep[pandas, fuse] w definicji środowiska. Jeśli niestandardowy obraz platformy Docker jest używany z user_managed_dependencies, użytkownik musi zainstalować conda na obrazie.

  • Zmiany powodujące niezgodność

    • azureml-pipeline-steps
      • Przestarzałe użycie przepływu danych azureml.dprep.Dataflow jako prawidłowego typu danych wejściowych dla autoMLConfig
    • azureml-train-automl-client
      • Przestarzałe użycie przepływu danych azureml.dprep.Dataflow jako prawidłowego typu danych wejściowych dla autoMLConfig

  • Poprawki i ulepszenia błędów

    • azureml-automl-core
      • Usunięto usterkę polegającą na tym, że podczas tego monitu użytkownika o obniżenie poziomu klienta było wyświetlane get_output ostrzeżenie.
      • Zaktualizowano komputer Mac, aby polegał na cudatoolkit=9.0, ponieważ nie jest jeszcze dostępny w wersji 10.
      • Usuwanie ograniczeń dotyczących modeli proroków i xgboost podczas trenowania na zdalnych obliczeniach.
      • Ulepszone rejestrowanie w rozwiązaniu AutoML
      • Ulepszono obsługę błędów dla cech niestandardowych w zadaniach prognozowania.
      • Dodano funkcje umożliwiające użytkownikom uwzględnianie funkcji opóźnionych w celu generowania prognoz.
      • Aktualizacje komunikat o błędzie w celu poprawnego wyświetlenia błędu użytkownika.
      • Obsługa cv_split_column_names do użycia z training_data
      • Aktualizowanie rejestrowania komunikatu wyjątku i śledzenia zwrotnego.
    • azureml-automl-runtime
      • Włącz zabezpieczenia na potrzeby prognozowania brakujących imputacji wartości.
      • Ulepszone rejestrowanie w rozwiązaniu AutoML
      • Dodano szczegółową obsługę błędów dla wyjątków przygotowywania danych
      • Usuwanie ograniczeń dotyczących modeli proroków i xgboost podczas trenowania na zdalnych obliczeniach.
      • azureml-train-automl-runtime i azureml-automl-runtime zaktualizowały zależności dla pytorch, scipyi cudatoolkit. Obsługujemy teraz elementy pytorch==1.4.0, scipy>=1.0.0,<=1.3.1i cudatoolkit==10.1.243.
      • Ulepszono obsługę błędów dla cech niestandardowych w zadaniach prognozowania.
      • Ulepszono mechanizm wykrywania częstotliwości zestawu danych prognozowania.
      • Rozwiązano problem z trenowaniem modelu proroka w niektórych zestawach danych.
      • Ulepszono automatyczne wykrywanie maksymalnego horyzontu podczas prognozowania.
      • Dodano funkcje umożliwiające użytkownikom uwzględnianie funkcji opóźnionych w celu generowania prognoz.
      • Dodaje funkcje w funkcji prognozy, aby umożliwić dostarczanie prognoz poza wytrenowanym horyzontem bez ponownego trenowania modelu prognozowania.
      • Obsługa cv_split_column_names do użycia z training_data
    • azureml-contrib-automl-dnn-forecasting
      • Ulepszone rejestrowanie w rozwiązaniu AutoML
    • azureml-contrib-mir
      • Dodano obsługę usług systemu Windows w funkcji ManagedInferencing
      • Usuwanie starych przepływów pracy MIR, takich jak dołączanie obliczeń MIR, klasa SingleModelMirWebservice — czyszczenie profilowania modelu umieszczonego w pakiecie contrib-mir
    • azureml-contrib-pipeline-steps
      • Poprawka pomocnicza dotycząca obsługi kodu YAML
      • Element ParallelRunStep jest zwalniany do ogólnej dostępności — azureml.contrib.pipeline.steps zawiera powiadomienie o wycofaniu i jest przenoszone do pliku azureml.pipeline.steps
    • azureml-contrib-reinforcementlearning
      • Narzędzie do testowania obciążenia biblioteki RL
      • Narzędzie do szacowania listy RL ma inteligentne wartości domyślne
    • azureml-core
      • Usuwanie starych przepływów pracy MIR, takich jak dołączanie obliczeń MIR, klasa SingleModelMirWebservice — czyszczenie profilowania modelu umieszczonego w pakiecie contrib-mir
      • Naprawiono informacje podane użytkownikowi w błędzie profilowania: dołączono identyfikator żądania i ponownie rozsyłano komunikat, aby był bardziej zrozumiały. Dodano nowy przepływ pracy profilowania do modułów uruchamiających profilowanie
      • Ulepszony tekst błędu w błędach wykonywania zestawu danych.
      • Dodano obsługę interfejsu wiersza polecenia łącza prywatnego obszaru roboczego.
      • Dodano opcjonalny parametr invalid_linesDataset.Tabular.from_json_lines_files umożliwiający określenie sposobu obsługi wierszy zawierających nieprawidłowy kod JSON.
      • W następnej wersji wycofamy tworzenie zasobów obliczeniowych opartych na uruchomieniu. Zalecamy utworzenie rzeczywistego klastra Amlcompute jako trwałego celu obliczeniowego i użycie nazwy klastra jako celu obliczeniowego w konfiguracji przebiegu. Zobacz przykładowy notes tutaj: aka.ms/amlcomputenb
      • Ulepszone komunikaty o błędach w błędach wykonywania zestawu danych.
    • azureml-dataprep
      • Ostrzeżenie o uaktualnieniu wersji pyarrow jest bardziej jawne.
      • Ulepszona obsługa błędów i komunikat zwrócony w przypadku niepowodzenia wykonywania przepływu danych.
    • azureml-interpret
      • Aktualizacje dokumentacji pakietu azureml-interpret.
      • Naprawiono pakiety interpretacji i notesy, które mają być zgodne z najnowszą aktualizacją sklearn
    • azureml-opendatasets
      • zwróć wartość Brak, jeśli nie są zwracane żadne dane.
      • Zwiększ wydajność to_pandas_dataframe.
    • azureml-pipeline-core
      • Szybka poprawka dla elementu ParallelRunStep, gdzie ładowanie z yaML zostało przerwane
      • Element ParallelRunStep został wydany do ogólnej dostępności — azureml.contrib.pipeline.steps zawiera powiadomienie o wycofaniu i jest przenoszone do pliku azureml.pipeline.steps — nowe funkcje obejmują: 1. Zestawy danych jako PipelineParameter 2. Nowy parametr run_max_retry 3. Konfigurowalna nazwa pliku wyjściowego append_row
    • azureml-pipeline-steps
      • Przestarzały przepływ danych wejściowych azureml.dprep.Dataflow jako prawidłowy typ.
      • Szybka poprawka dla elementu ParallelRunStep, gdzie ładowanie z yaML zostało przerwane
      • Element ParallelRunStep został wydany do ogólnej dostępności — azureml.contrib.pipeline.steps zawiera powiadomienie o wycofaniu i jest przenoszone do pliku azureml.pipeline.steps — nowe funkcje obejmują:
        • Zestawy danych jako PipelineParameter
        • Nowy run_max_retry parametru
        • Konfigurowalna nazwa pliku wyjściowego append_row
    • azureml-telemetry
      • Aktualizowanie rejestrowania komunikatu wyjątku i śledzenia zwrotnego.
    • azureml-train-automl-client
      • Ulepszone rejestrowanie w rozwiązaniu AutoML
      • Aktualizacje komunikat o błędzie w celu poprawnego wyświetlenia błędu użytkownika.
      • Obsługa cv_split_column_names do użycia z training_data
      • Przestarzały przepływ danych wejściowych azureml.dprep.Dataflow jako prawidłowy typ.
      • Zaktualizowano komputer Mac, aby polegał na cudatoolkit=9.0, ponieważ nie jest jeszcze dostępny w wersji 10.
      • Usuwanie ograniczeń dotyczących modeli proroków i xgboost podczas trenowania na zdalnych obliczeniach.
      • azureml-train-automl-runtime i azureml-automl-runtime zaktualizowały zależności dla pytorch, scipyi cudatoolkit. Obsługujemy teraz elementy pytorch==1.4.0, scipy>=1.0.0,<=1.3.1i cudatoolkit==10.1.243.
      • Dodano funkcje umożliwiające użytkownikom uwzględnianie funkcji opóźnionych w celu generowania prognoz.
    • azureml-train-automl-runtime
      • Ulepszone rejestrowanie w rozwiązaniu AutoML
      • Dodano szczegółową obsługę błędów dla wyjątków przygotowywania danych
      • Usuwanie ograniczeń dotyczących modeli proroków i xgboost podczas trenowania na zdalnych obliczeniach.
      • azureml-train-automl-runtime i azureml-automl-runtime zaktualizowały zależności dla pytorch, scipyi cudatoolkit. Obsługujemy teraz elementy pytorch==1.4.0, scipy>=1.0.0,<=1.3.1i cudatoolkit==10.1.243.
      • Aktualizacje komunikat o błędzie w celu poprawnego wyświetlenia błędu użytkownika.
      • Obsługa cv_split_column_names do użycia z training_data
    • azureml-train-core
      • Dodano nowy zestaw wyjątków specyficznych dla funkcji HyperDrive. azureml.train.hyperdrive zgłasza teraz szczegółowe wyjątki.
    • azureml-widgets
      • Widżety usługi Azure Machine Edukacja nie są wyświetlane w narzędziu JupyterLab

2020-05-11

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.5.0

  • Nowe funkcje

    • Funkcje w wersji zapoznawczej
      • azureml-contrib-reinforcementlearning
        • Usługa Azure Machine Edukacja udostępnia obsługę wersji zapoznawczej na potrzeby uczenia wzmacniania przy użyciu platformy Ray. Umożliwia ReinforcementLearningEstimator szkolenie agentów uczenia wzmacniania w obiektach obliczeniowych procesora GPU i procesora CPU w usłudze Azure Machine Edukacja.

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Naprawia przypadkowo pozostawiony dziennik ostrzegawczy w poprzednim żądaniu ściągnięcia. Dziennik został użyty do debugowania i przypadkowo został pozostawiony w tyle.
      • Poprawka usterek: informuje klientów o częściowym błędzie podczas profilowania
    • azureml-automl-core
      • Przyspiesz model Proroka/Autoarimy w prognozowaniu automatycznego uczenia maszynowego, włączając równoległe dopasowywanie szeregów czasowych, gdy zestawy danych mają wiele szeregów czasowych. Aby skorzystać z tej nowej funkcji, zaleca się ustawienie wartości "max_cores_per_iteration = -1" (czyli przy użyciu wszystkich dostępnych rdzeni procesora) w autoMLConfig.
      • Naprawianie błędu KeyError podczas drukowania poręczy w interfejsie konsoli
      • Naprawiono komunikat o błędzie dla experimentation_timeout_hours
      • Przestarzałe modele TensorFlow dla rozwiązania AutoML.
    • azureml-automl-runtime
      • Naprawiono komunikat o błędzie dla experimentation_timeout_hours
      • Naprawiono niesklasyfikowany wyjątek podczas próby deserializacji z magazynu pamięci podręcznej
      • Przyspiesz model Proroka/Autoarimy w prognozowaniu automatycznego uczenia maszynowego, włączając równoległe dopasowywanie szeregów czasowych, gdy zestawy danych mają wiele szeregów czasowych.
      • Naprawiono prognozowanie z włączonym oknem kroczącym w zestawach danych, w którym zestaw testów/przewidywania nie zawiera jednego ziarna z zestawu treningowego.
      • Ulepszona obsługa brakujących danych
      • Rozwiązano problem z interwałami przewidywania podczas prognozowania w zestawach danych zawierającym szeregi czasowe, które nie są wyrównane w czasie.
      • Dodano lepszą walidację kształtu danych dla zadań prognozowania.
      • Ulepszono wykrywanie częstotliwości.
      • Utworzono lepszy komunikat o błędzie, jeśli nie można wygenerować krzyżowego sprawdzania poprawności pod kątem zadań prognozowania.
      • Popraw interfejs konsoli, aby poprawnie wydrukować brakujące zabezpieczenia wartości.
      • Wymuszanie kontroli typu danych przy cv_split_indices danych wejściowych w narzędziu AutoMLConfig.
    • azureml-cli-common
      • Poprawka usterek: informuje klientów o częściowym błędzie podczas profilowania
    • azureml-contrib-mir
      • Dodaje klasę azureml.contrib.mir.RevisionStatus, która przekazuje informacje o aktualnie wdrożonej wersji mir i najnowszej wersji określonej przez użytkownika. Ta klasa jest zawarta w obiekcie MirWebservice w atrybucie "deployment_status".
      • Włącza aktualizację dla usług internetowych typu MirWebservice i jej klasy podrzędnej SingleModelMirWebservice.
    • azureml-contrib-reinforcementlearning
      • Dodano obsługę ray 0.8.3
      • AmlWindowsCompute obsługuje tylko usługę Azure Files jako zainstalowany magazyn
      • Zmieniono nazwę health_check_timeout na health_check_timeout_seconds
      • Naprawiono niektóre opisy klas/metod.
    • azureml-core
      • Włączono wasb —> konwersje obiektów blob w chmurach platformy Azure Government i Chin.
      • Usunięto usterkę umożliwiającą roli czytelnika używanie poleceń interfejsu wiersza polecenia az ml run w celu uzyskania informacji o uruchomieniu
      • Usunięto niepotrzebne rejestrowanie podczas korzystania z usługi Azure Machine Edukacja zdalnego uruchamiania z wejściowymi zestawami danych.
      • Pakiet RCranPackage obsługuje teraz parametr "version" dla wersji pakietu CRAN.
      • Poprawka usterek: informuje klientów o częściowym błędzie podczas profilowania
      • Dodano obsługę zmiennoprzecinkowa w stylu europejskim dla języka azureml-core.
      • Włączone funkcje łącza prywatnego obszaru roboczego w zestawie SDK usługi Azure Machine Edukacja.
      • Podczas tworzenia elementu TabularDataset przy użyciu funkcji from_delimited_filesmożna określić, czy puste wartości mają być ładowane jako Brak, czy jako pusty ciąg, ustawiając argument empty_as_stringlogiczny .
      • Dodano obsługę zmiennoprzecinkowa w stylu europejskim dla zestawów danych.
      • Ulepszone komunikaty o błędach dotyczące błędów instalacji zestawu danych.
    • azureml-datadrift
      • Zapytanie wyników dryfu danych z zestawu SDK zawiera usterkę, która nie odróżniała metryk minimalnych, maksymalnych i średniej funkcji, co spowodowało zduplikowanie wartości. Usunęliśmy tę usterkę, prefiksując element docelowy lub punkt odniesienia do nazw metryk. Przed: zduplikowana minimalna, maksymalna, średnia. Po: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
    • azureml-dataprep
      • Zwiększ obsługę środowisk języka Python z ograniczeniami zapisu, zapewniając zależności platformy .NET wymagane do dostarczania danych.
      • Naprawiono tworzenie przepływu danych w pliku z wiodącymi pustymi rekordami.
      • Dodano opcje obsługi błędów podobne to_partition_iterator do to_pandas_dataframe.
    • azureml-interpret
      • Ograniczone limity długości ścieżki wyjaśnienia w celu zmniejszenia prawdopodobieństwa przekroczenia limitu systemu Windows
      • Poprawki usterek dla wyjaśnień rozrzedzanych utworzonych za pomocą objaśnienia naśladowanego przy użyciu liniowego modelu zastępczego.
    • azureml-opendatasets
      • Rozwiązano problem z kolumnami MNIST są analizowane jako ciąg, który powinien być int.
    • azureml-pipeline-core
      • Zezwalanie na regenerate_outputs w przypadku korzystania z modułu osadzonego w moduleKrok.
    • azureml-train-automl-client
      • Przestarzałe modele TensorFlow dla rozwiązania AutoML.
      • Naprawiono, że użytkownicy zezwalają na wyświetlanie nieobsługiwanych algorytmów w trybie lokalnym
      • Poprawki dokumentu dotyczące automlConfig.
      • Wymuszanie kontroli typu danych przy cv_split_indices danych wejściowych w narzędziu AutoMLConfig.
      • Rozwiązano problem polegający na tym, że przebiegi automatycznego uczenia maszynowego kończyły się niepowodzeniem w show_output
    • azureml-train-automl-runtime
      • Naprawiono usterkę w iteracji zespołu, która uniemożliwiała pomyślne rozpoczęcie pobierania modelu.
    • azureml-train-core
      • Napraw literówkę w klasie azureml.train.dnn.Nccl.
      • Obsługa narzędzia do szacowania PyTorch w wersji 1.5 w narzędziu do szacowania PyTorch
      • Rozwiązano problem polegający na tym, że nie można pobrać obrazu platformy w regionie platformy Azure Government podczas korzystania z narzędzi do szacowania struktury szkoleniowej

2020-05-04

Nowe środowisko notesu

Teraz możesz tworzyć, edytować i udostępniać notesy i pliki uczenia maszynowego bezpośrednio w środowisku internetowym usługi Azure Machine Edukacja. Możesz użyć wszystkich klas i metod dostępnych w usłudze Azure Machine Edukacja python SDK z poziomu tych notesów. Aby rozpocząć, odwiedź artykuł Uruchamianie notesów Jupyter Notebook w obszarze roboczym .

Wprowadzono nowe funkcje:

  • Ulepszony edytor (edytor Monaco) używany przez program Visual Studio Code
  • Ulepszenia interfejsu użytkownika/środowiska użytkownika
  • Pasek narzędzi komórek
  • Nowy pasek narzędzi notesu i kontrolki obliczeniowe
  • Pasek stanu notesu
  • Przełączanie jądra wbudowanego
  • Obsługa języka R
  • Ulepszenia ułatwień dostępu i lokalizacji
  • Paleta poleceń
  • Więcej skrótów klawiaturowych
  • Automatyczne zapisywanie
  • Zwiększona wydajność i niezawodność

Uzyskaj dostęp do następujących internetowych narzędzi do tworzenia z poziomu programu Studio:

Narzędzie internetowe opis
Notesy usługi Azure Machine Edukacja Studio Pierwsze w klasie tworzenie plików notesów i obsługa wszystkich operacji dostępnych w zestawie SDK języka Python Edukacja Azure Machine.

2020-04-27

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.4.0

  • Nowe funkcje

    • Klastry AmlCompute obsługują teraz konfigurowanie tożsamości zarządzanej w klastrze w momencie aprowizacji. Określ, czy chcesz użyć tożsamości przypisanej przez system, czy tożsamości przypisanej przez użytkownika, i przekaż identyfikator identityId dla tej drugiej. Następnie możesz skonfigurować uprawnienia dostępu do różnych zasobów, takich jak Storage lub ACR, w taki sposób, że tożsamość zasobów obliczeniowych jest używana do bezpiecznego uzyskiwania dostępu do danych, zamiast podejścia opartego na tokenach stosowanego obecnie przez usługę AmlCompute. Zapoznaj się z naszą dokumentacją zestawu SDK, aby uzyskać więcej informacji na temat parametrów.

  • Zmiany powodujące niezgodność

    • Klastry AmlCompute obsługiwały funkcję w wersji zapoznawczej wokół tworzenia opartego na uruchomieniu, którą planujemy wycofać w ciągu dwóch tygodni. Można nadal tworzyć trwałe cele obliczeniowe tak jak zawsze przy użyciu klasy Amlcompute, ale konkretne podejście do określania identyfikatora "amlcompute", ponieważ docelowy obiekt obliczeniowy w konfiguracji uruchamiania nie będzie wkrótce obsługiwany.

  • Poprawki i ulepszenia błędów

    • azureml-automl-runtime
      • Włącz obsługę nieznośnego typu podczas obliczania liczby unikatowych wartości w kolumnie.
    • azureml-core
      • Zwiększona stabilność podczas odczytywania z usługi Azure Blob Storage przy użyciu tabelarycznego zestawu danych.
      • Ulepszona dokumentacja parametru dla parametru grant_workspace_msiDatastore.register_azure_blob_store.
      • Usunięto usterkę z funkcją w datastore.upload celu obsługi argumentu kończącego src_dir się elementem / lub \.
      • Dodano komunikat o błędzie z możliwością działania podczas próby przekazania do magazynu danych usługi Azure Blob Storage, który nie ma klucza dostępu ani tokenu SAS.
    • azureml-interpret
      • Dodano górną granicę do rozmiaru pliku dla danych wizualizacji w przekazanych wyjaśnieniach.
    • azureml-train-automl-client
      • Jawne sprawdzanie parametrów label_column_name i weight_column_name w celu ustawienia AutoMLConfig jako ciągu typu.
    • azureml-contrib-pipeline-steps
      • Element ParallelRunStep obsługuje teraz zestaw danych jako parametr potoku. Użytkownik może utworzyć potok z przykładowym zestawem danych i zmienić wejściowy zestaw danych tego samego typu (plik lub tabelaryczny) dla nowego uruchomienia potoku.

2020-04-13

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.3.0

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Dodano więcej danych telemetrycznych dotyczących operacji wykonywanych po szkoleniu.
      • Przyspiesza automatyczne trenowanie ARIMA przy użyciu warunkowej sumy kwadratów (CSS) trenowania dla serii długości dłuższej niż 100. Użyta długość jest przechowywana jako stała ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/w klasie TimeSeriesInternal pod adresem /src/azureml-automl-core/azureml/automl/core/shared/constants.py
      • Ulepszono rejestrowanie użytkowników przebiegów prognozowania. Teraz więcej informacji na temat bieżącej fazy jest wyświetlane w dzienniku
      • Niedozwolone target_rolling_window_size do ustawienia wartości mniejszej niż 2
    • azureml-automl-runtime
      • Ulepszono komunikat o błędzie wyświetlany po znalezieniu zduplikowanych sygnatur czasowych.
      • Niedozwolone target_rolling_window_size być ustawione na wartości mniejsze niż 2.
      • Naprawiono błąd imputacji opóźnienia. Problem został spowodowany niewystarczającą liczbą obserwacji potrzebnych do sezonowego rozkładu serii. Dane "zde sezonizowane" służą do obliczania częściowej funkcji autokorrelacji (PACF) w celu określenia długości opóźnienia.
      • Dostosowywanie cech przeznaczenia włączonej kolumny na potrzeby zadań prognozowania według konfiguracji cechowania. Wartości liczbowe i podzielone na kategorie jako przeznaczenie kolumn na potrzeby zadań prognozowania są teraz obsługiwane.
      • Włączone dostosowywanie cech kolumny upuszczania na potrzeby zadań prognozowania według konfiguracji cechowania.
      • Włączone dostosowywanie imputacji dla zadań prognozowania przez konfigurację cechowania. Stała imputacja wartości dla kolumny docelowej i średniej, mediany, most_frequent i stałej imputacji wartości dla danych treningowych są teraz obsługiwane.
    • azureml-contrib-pipeline-steps
      • Akceptowanie nazw obliczeniowych ciągów, które mają być przekazywane do klasy ParallelRunConfig
    • azureml-core
      • Dodano interfejs API Environment.clone(new_name) w celu utworzenia kopii obiektu Environment
      • Environment.docker.base_dockerfile akceptuje ścieżkę pliku. Jeśli można rozpoznać plik, zawartość jest odczytywana do właściwości środowiska base_dockerfile
      • Automatyczne resetowanie wzajemnie wykluczających się wartości dla base_image i base_dockerfile, gdy użytkownik ręcznie ustawia wartość w pliku Environment.docker
      • Dodano flagę user_managed w usłudze RSection, która wskazuje, czy środowisko jest zarządzane przez użytkownika, czy przez usługę Azure Machine Edukacja.
      • Zestaw danych: Naprawiono błąd pobierania zestawu danych, jeśli ścieżka danych zawierająca znaki Unicode.
      • Zestaw danych: Ulepszony mechanizm buforowania instalacji zestawu danych w celu spełnienia wymagań dotyczących minimalnej ilości miejsca na dysku w usłudze Azure Machine Edukacja Compute, co pozwala uniknąć niepotrzebnego użycia węzła i spowodowania anulowania zadania.
      • Zestaw danych: dodajemy indeks kolumny szeregów czasowych podczas uzyskiwania dostępu do zestawu danych szeregów czasowych jako ramki danych biblioteki pandas, która służy do przyspieszania dostępu do danych opartych na szeregach czasowych. Wcześniej indeks miał taką samą nazwę jak kolumna sygnatury czasowej, myląc użytkowników, co jest rzeczywistą kolumną sygnatury czasowej i która jest indeksem. Teraz nie podajemy żadnej konkretnej nazwy indeksowi, ponieważ nie należy jej używać jako kolumny.
      • Zestaw danych: Rozwiązano problem z uwierzytelnianiem zestawu danych w suwerennej chmurze.
      • Zestaw danych: naprawiono Dataset.to_spark_dataframe błąd zestawów danych utworzonych na podstawie magazynów danych usługi Azure PostgreSQL.
    • azureml-interpret
      • Dodano wyniki globalne do wizualizacji, jeśli wartości znaczenia lokalnego są rozrzedłe
      • Zaktualizowano usługę azureml-interpret, aby używać biblioteki interpret-community 0.9.*
      • Rozwiązano problem z pobieraniem wyjaśnień, które miały rozrzedłe dane oceny
      • Dodano obsługę rozrzedlanego formatu obiektu wyjaśnienia w rozwiązaniu AutoML
    • azureml-pipeline-core
      • Obsługa wystąpienia obliczeniowego jako docelowego obiektu obliczeniowego w potokach
    • azureml-train-automl-client
      • Dodano więcej danych telemetrycznych dotyczących operacji wykonywanych po szkoleniu.
      • Naprawiono regresję we wczesnym zatrzymywaniu
      • Przestarzały przepływ danych wejściowych azureml.dprep.Dataflow jako prawidłowy typ.
      • Zmiana domyślnego limitu czasu eksperymentu automatycznego uczenia maszynowego na sześć dni.
    • azureml-train-automl-runtime
      • Dodano więcej danych telemetrycznych dotyczących operacji wykonywanych po szkoleniu.
      • dodano obsługę kompleksowego rozwiązania AutoML rozrzedzeniowego
    • azureml-opendatasets
      • Dodano kolejną telemetrię dla monitora usługi.
      • Włączanie drzwi wejściowych dla obiektu blob w celu zwiększenia stabilności

2020-03-23

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.2.0

  • Zmiany powodujące niezgodność

    • Usuwanie obsługi języka Python 2.7

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Dodaje polecenie "--subscription-id" do az ml model/computetarget/service poleceń w interfejsie wiersza polecenia
      • Dodawanie obsługi przekazywania kluczy zarządzanych przez klienta (CMK) vault_url, key_name i key_version dla wdrożenia usługi ACI
    • azureml-automl-core
      • Włączono dostosowaną imputację z stałą wartością dla zadań prognozowania danych X i y.
      • Rozwiązano problem z wyświetlaniem komunikatów o błędach dla użytkownika.
    • azureml-automl-runtime
      • Rozwiązano problem z prognozowaniem w zestawach danych zawierającym ziarna z tylko jednym wierszem
      • Zmniejszenie ilości pamięci wymaganej przez zadania prognozowania.
      • Dodano lepsze komunikaty o błędach, jeśli kolumna czasu ma niepoprawny format.
      • Włączono dostosowaną imputację z stałą wartością dla zadań prognozowania danych X i y.
    • azureml-core
      • Dodano obsługę ładowania parametru ServicePrincipal ze zmiennych środowiskowych: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID i AZUREML_SERVICE_PRINCIPAL_PASSWORD
      • Wprowadzono nowy parametr support_multi_line : domyślnie Dataset.Tabular.from_delimited_files(support_multi_line=False), wszystkie podziały wierszy, w tym te w wartościach pól cytowanych, będą interpretowane jako podział rekordu. Odczytywanie danych w ten sposób jest szybsze i bardziej zoptymalizowane pod kątem równoległego wykonywania na wielu rdzeniach procesora. Jednak może to spowodować dyskretne generowanie większej liczby rekordów z nieprawidłowo wyrównanymi wartościami pól. Należy to ustawić na True wartość , gdy rozdzielane pliki są znane jako zawierające cudzysłów wierszy.
      • Dodano możliwość rejestrowania usługi ADLS Gen2 w interfejsie wiersza polecenia usługi Azure Machine Edukacja
      • Zmieniono nazwę parametru "fine_grain_timestamp" na "sygnatura czasowa" i parametr "coarse_grain_timestamp" na "partition_timestamp" dla metody with_timestamp_columns() w tabeli TabularDataset, aby lepiej odzwierciedlać użycie parametrów.
      • Zwiększona maksymalna długość nazwy eksperymentu do 255.
    • azureml-interpret
      • Zaktualizowano usługę azureml-interpret, aby interpretować społeczność 0.7.*
    • azureml-sdk
      • Zmiana na zależności z zgodną wersją Tilde w celu obsługi poprawek w wersjach wstępnych i stabilnych wersjach.

2020-03-11

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.1.5

  • Wycofanie funkcji

    • Python 2.7
      • Ostatnia wersja do obsługi języka Python 2.7

  • Zmiany powodujące niezgodność

    • Semantyczne przechowywanie wersji 2.0.0
      • Począwszy od wersji 1.1 azure Machine Edukacja Python SDK przyjmuje semantyczną wersję 2.0.0. Wszystkie kolejne wersje są zgodne z nowym schematem numerowania i semantycznym kontraktem przechowywania wersji.

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Zmień nazwę polecenia interfejsu wiersza polecenia punktu końcowego z "az ml endpoint aks" na "az ml endpoint real time" w celu zachowania spójności.
      • aktualizowanie instrukcji instalacji interfejsu wiersza polecenia dla stabilnego i eksperymentalnego interfejsu wiersza polecenia gałęzi
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
    • azureml-automl-core
      • Włączono wnioskowanie trybu wsadowego (pobieranie wielu wierszy raz) dla modeli ONNX automatycznego uczenia maszynowego
      • Ulepszono wykrywanie częstotliwości w zestawach danych, brak danych lub zawieranie nieregularnych punktów danych
      • Dodano możliwość usuwania punktów danych, które nie są zgodne z dominującą częstotliwością.
      • Zmieniono dane wejściowe konstruktora, aby pobrać listę opcji, aby zastosować opcje imputacji dla odpowiednich kolumn.
      • Ulepszono rejestrowanie błędów.
    • azureml-automl-runtime
      • Rozwiązano problem z zgłoszonym błędem, jeśli ziarno nie było obecne w zestawie treningowym, pojawił się w zestawie testowym
      • Usunięto wymaganie y_query podczas oceniania usługi prognozowania
      • Rozwiązano problem z prognozowaniem, gdy zestaw danych zawiera krótkie ziarna z długimi przerwami czasu.
      • Rozwiązano problem polegający na włączeniu automatycznego horyzontu maksymalnego, a kolumna daty zawiera daty w postaci ciągów. Poprawna konwersja i komunikaty o błędach zostały dodane do momentu, gdy konwersja na datę nie jest możliwa
      • Używanie natywnych bibliotek NumPy i SciPy do serializacji i deserializacji danych pośrednich dla usługi FileCacheStore (używanych do lokalnych przebiegów rozwiązania AutoML)
      • Usunięto usterkę polegającą na tym, że nieudane uruchomienia podrzędne mogły zostać zablokowane w stanie Uruchomiono.
      • Zwiększona szybkość cechowania.
      • Naprawiono sprawdzanie częstotliwości podczas oceniania, teraz zadania prognozowania nie wymagają ścisłej równoważności częstotliwości między zestawem trenowania i testu.
      • Zmieniono dane wejściowe konstruktora, aby pobrać listę opcji, aby zastosować opcje imputacji dla odpowiednich kolumn.
      • Naprawiono błędy związane z wyborem typu opóźnienia.
      • Naprawiono niesklasyfikowany błąd zgłoszony w zestawach danych z ziarnami z pojedynczym wierszem
      • Rozwiązano problem z spowolnieniem wykrywania częstotliwości.
      • Naprawia usterkę w obsłudze wyjątków automl, która spowodowała rzeczywistą przyczynę niepowodzenia trenowania, która została zastąpiona przez atrybut AttributeError.
    • azureml-cli-common
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
    • azureml-contrib-mir
      • Dodaje funkcje w klasie MirWebservice w celu pobrania tokenu dostępu
      • Użyj uwierzytelniania tokenu dla usługi MirWebservice domyślnie podczas wywołania MirWebservice.run() — odśwież tylko w przypadku niepowodzenia wywołania
      • Wdrożenie usługi internetowej Mir wymaga teraz odpowiednich jednostek SKU [Standard_DS2_v2, Standard_F16, Standard_A2_v2] zamiast [Ds2v2, A2v2 i F16].
    • azureml-contrib-pipeline-steps
      • Opcjonalny parametr side_inputs dodany do elementu ParallelRunStep. Tego parametru można użyć do zainstalowania folderu w kontenerze. Obecnie obsługiwane typy to DataReference i PipelineData.
      • Parametry przekazane w parametrach ParallelRunConfig można zastąpić, przekazując teraz parametry potoku. Nowe parametry potoku obsługiwane aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count i aml_process_count_per_node są już częścią wcześniejszej wersji).
    • azureml-core
      • Wdrożono usługę Azure Machine Edukacja Webservices teraz domyślnie do INFO rejestrowania. Można to kontrolować, ustawiając zmienną AZUREML_LOG_LEVEL środowiskową w wdrożonej usłudze.
      • Zestaw Sdk języka Python używa usługi odnajdywania do używania punktu końcowego "api" zamiast "potoków".
      • Zamień na nowe trasy we wszystkich wywołaniach zestawu SDK.
      • Zmieniono routing wywołań do modeluManagementService na nową ujednoliconą strukturę.
        • Udostępniono publicznie metodę aktualizacji obszaru roboczego.
        • Dodano parametr image_build_compute w metodzie aktualizacji obszaru roboczego, aby umożliwić użytkownikowi aktualizowanie obliczeń na potrzeby kompilacji obrazu.
      • Dodano komunikaty o wycofaniu do starego przepływu pracy profilowania. Naprawiono limity procesora CPU i pamięci profilowania.
      • Dodano funkcję RSection jako część środowiska do uruchamiania zadań języka R.
      • Dodano walidację w celu Dataset.mount podniesienia błędu, gdy źródło zestawu danych jest niedostępne lub nie zawiera żadnych danych.
      • Dodano --grant-workspace-msi-access jako inny parametr interfejsu wiersza polecenia magazynu danych do rejestrowania kontenera obiektów blob platformy Azure, który umożliwia zarejestrowanie kontenera obiektów blob, który znajduje się za siecią wirtualną.
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
      • Rozwiązano problem w aks.py _deploy.
      • Weryfikuje integralność przekazanych modeli, aby uniknąć niepowodzeń magazynowania w trybie dyskretnym.
      • Użytkownik może teraz określić wartość klucza uwierzytelniania podczas ponownego generowania kluczy dla usług internetowych.
      • Usunięto usterkę polegającą na tym, że nie można używać wielkich liter jako nazwy wejściowej zestawu danych.
    • azureml-defaults
      • azureml-dataprep program zostanie zainstalowany w ramach programu azureml-defaults. Nie jest już wymagane ręczne zainstalowanie przygotowania danych[fuse] na docelowych obiektach obliczeniowych w celu zainstalowania zestawów danych.
    • azureml-interpret
      • Zaktualizowano usługę azureml-interpret, aby interpretować społeczność 0.6.*
      • Zaktualizowano usługę azureml-interpret, aby zależeć od wersji interpret-community 0.5.0
      • Dodano wyjątki w stylu azureml do elementu azureml-interpret
      • Naprawiono serializacji DeepScoringExplainer dla modeli keras
    • azureml-mlflow
      • Dodawanie obsługi suwerennych chmur do biblioteki azureml.mlflow
    • azureml-pipeline-core
      • Notes oceniania wsadowego potoku używa teraz elementu ParallelRunStep
      • Usunięto usterkę polegającą na tym, że wyniki języka PythonScriptStep mogły być niepoprawnie ponownie używane pomimo zmiany listy argumentów
      • Dodano możliwość ustawiania typu kolumn podczas wywoływania metod parse_* PipelineOutputFileDataset
    • azureml-pipeline-steps
      • Przeniesiono element AutoMLStep do azureml-pipeline-steps pakietu. Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
      • Dodano przykład dokumentacji dla zestawu danych jako danych wejściowych PythonScriptStep
    • azureml-tensorboard
      • Zaktualizowano narzędzie azureml-tensorboard w celu obsługi biblioteki TensorFlow 2.0
      • Pokaż prawidłowy numer portu podczas korzystania z niestandardowego portu TensorBoard w wystąpieniu obliczeniowym
    • azureml-train-automl-client
      • Rozwiązano problem polegający na tym, że niektóre pakiety mogły być instalowane w nieprawidłowych wersjach zdalnego uruchamiania.
      • Rozwiązano problem z cechowaniemConfig, który filtruje niestandardową konfigurację cech.
    • azureml-train-automl-runtime
      • Rozwiązano problem z wykrywaniem częstotliwości w przebiegach zdalnych
      • Przeniesiono element AutoMLStep w pakiecie azureml-pipeline-steps . Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
    • azureml-train-core
      • Obsługa narzędzia do szacowania PyTorch w wersji 1.4 w narzędziu do szacowania PyTorch

2020-03-02

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.1.2rc0 (wersja wstępna)

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Włączono wnioskowanie trybu wsadowego (pobieranie wielu wierszy raz) dla modeli ONNX automatycznego uczenia maszynowego
      • Ulepszono wykrywanie częstotliwości w zestawach danych, brak danych lub zawieranie nieregularnych punktów danych
      • Dodano możliwość usuwania punktów danych, które nie są zgodne z dominującą częstotliwością.
    • azureml-automl-runtime
      • Rozwiązano problem z zgłoszonym błędem, jeśli ziarno nie było obecne w zestawie treningowym, pojawił się w zestawie testowym
      • Usunięto wymaganie y_query podczas oceniania usługi prognozowania
    • azureml-contrib-mir
      • Dodaje funkcje w klasie MirWebservice w celu pobrania tokenu dostępu
    • azureml-core
      • Wdrożono usługę Azure Machine Edukacja Webservices teraz domyślnie do INFO rejestrowania. Można to kontrolować, ustawiając zmienną AZUREML_LOG_LEVEL środowiskową w wdrożonej usłudze.
      • Napraw iterację przy użyciu polecenia , Dataset.get_all aby zwrócić wszystkie zestawy danych zarejestrowane w obszarze roboczym.
      • Popraw komunikat o błędzie, gdy nieprawidłowy typ jest przekazywany do path argumentu interfejsów API tworzenia zestawu danych.
      • Zestaw Sdk języka Python używa usługi odnajdywania do używania punktu końcowego "api" zamiast "potoków".
      • Zamiana na nowe trasy we wszystkich wywołaniach zestawu SDK
      • Zmienia routing wywołań do modeluManagementService do nowej ujednoliconej struktury
        • Udostępniono publicznie metodę aktualizacji obszaru roboczego.
        • Dodano parametr image_build_compute w metodzie aktualizacji obszaru roboczego, aby umożliwić użytkownikowi aktualizowanie obliczeń na potrzeby kompilacji obrazu
      • Dodano komunikaty o wycofaniu do starego przepływu pracy profilowania. Naprawiono limity procesora CPU i pamięci profilowania
    • azureml-interpret
      • aktualizowanie usługi azureml-interpret w celu interpretowania społeczności 0.6.*
    • azureml-mlflow
      • Dodawanie obsługi suwerennych chmur do biblioteki azureml.mlflow
    • azureml-pipeline-steps
      • Przeniesiono element AutoMLStep do .azureml-pipeline-steps package Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
    • azureml-train-automl-client
      • Rozwiązano problem polegający na tym, że niektóre pakiety mogły być instalowane w nieprawidłowych wersjach zdalnego uruchamiania.
    • azureml-train-automl-runtime
      • Rozwiązano problem z wykrywaniem częstotliwości w przebiegach zdalnych
      • Przeniesiono element AutoMLStep do .azureml-pipeline-steps package Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
    • azureml-train-core
      • Przeniesiono element AutoMLStep do .azureml-pipeline-steps package Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.

2020-02-18

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.1.1rc0 (wersja wstępna)

  • Poprawki i ulepszenia błędów
    • azure-cli-ml
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
    • azureml-automl-core
      • Ulepszono rejestrowanie błędów.
    • azureml-automl-runtime
      • Rozwiązano problem z prognozowaniem, gdy zestaw danych zawiera krótkie ziarna z długimi przerwami czasu.
      • Rozwiązano problem polegający na włączeniu automatycznego horyzontu maksymalnego, a kolumna daty zawiera daty w postaci ciągów. Dodaliśmy prawidłową konwersję i rozsądny błąd, jeśli konwersja na datę nie jest możliwa
      • Używanie natywnych bibliotek NumPy i SciPy do serializacji i deserializacji danych pośrednich dla usługi FileCacheStore (używanych do lokalnych przebiegów rozwiązania AutoML)
      • Usunięto usterkę polegającą na tym, że nieudane uruchomienia podrzędne mogły zostać zablokowane w stanie Uruchomiono.
    • azureml-cli-common
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
    • azureml-core
      • Dodano --grant-workspace-msi-access jako inny parametr interfejsu wiersza polecenia magazynu danych do rejestrowania kontenera obiektów blob platformy Azure, który umożliwia zarejestrowanie kontenera obiektów blob, który znajduje się za siecią wirtualną
      • Profilowanie pojedynczego wystąpienia zostało naprawione w celu utworzenia rekomendacji i zostało udostępnione w podstawowym zestawie SDK.
      • Rozwiązano problem w aks.py _deploy
      • Weryfikuje integralność przekazanych modeli, aby uniknąć niepowodzeń magazynowania w trybie dyskretnym.
    • azureml-interpret
      • dodano wyjątki w stylu azureml do elementu azureml-interpret
      • naprawiono serializacji DeepScoringExplainer dla modeli keras
    • azureml-pipeline-core
      • Notes oceniania wsadowego potoku używa teraz elementu ParallelRunStep
    • azureml-pipeline-steps
      • Przeniesiono element AutoMLStep w pakiecie azureml-pipeline-steps . Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
    • azureml-contrib-pipeline-steps
      • Opcjonalny parametr side_inputs dodany do elementu ParallelRunStep. Tego parametru można użyć do zainstalowania folderu w kontenerze. Obecnie obsługiwane typy to DataReference i PipelineData.
    • azureml-tensorboard
      • Zaktualizowano narzędzie azureml-tensorboard w celu obsługi biblioteki TensorFlow 2.0
    • azureml-train-automl-client
      • Rozwiązano problem z atrybutem FeaturizationConfig, który filtruje niestandardową konfigurację cech.
    • azureml-train-automl-runtime
      • Przeniesiono element AutoMLStep w pakiecie azureml-pipeline-steps . Przestarzałe element AutoMLStep w pliku azureml-train-automl-runtime.
    • azureml-train-core
      • Obsługa narzędzia do szacowania PyTorch w wersji 1.4 w narzędziu do szacowania PyTorch

2020-02-04

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.1.0rc0 (wersja wstępna)

  • Zmiany powodujące niezgodność

    • Semantyczne przechowywanie wersji 2.0.0
      • Począwszy od wersji 1.1 azure Machine Edukacja Python SDK przyjmuje semantyczną wersję 2.0.0. Wszystkie kolejne wersje są zgodne z nowym schematem numerowania i semantycznym kontraktem przechowywania wersji.

  • Poprawki i ulepszenia błędów

    • azureml-automl-runtime
      • Zwiększona szybkość cechowania.
      • Naprawiono sprawdzanie częstotliwości podczas oceniania, teraz w zadaniach prognozowania nie wymagamy ścisłej równoważności częstotliwości między zestawem trenowania i testu.
    • azureml-core
      • Użytkownik może teraz określić wartość klucza uwierzytelniania podczas ponownego generowania kluczy dla usług internetowych.
    • azureml-interpret
      • Zaktualizowano usługę azureml-interpret, aby zależeć od wersji interpret-community 0.5.0
    • azureml-pipeline-core
      • Usunięto usterkę polegającą na tym, że wyniki języka PythonScriptStep mogły być niepoprawnie ponownie używane pomimo zmiany listy argumentów
    • azureml-pipeline-steps
      • Dodano przykład dokumentacji dla zestawu danych jako danych wejściowych PythonScriptStep
    • azureml-contrib-pipeline-steps
      • Parametry przekazane w parametrach ParallelRunConfig można zastąpić, przekazując teraz parametry potoku. Nowe parametry potoku obsługiwane aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count i aml_process_count_per_node są już częścią wcześniejszej wersji).

2020-01-21

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.85

  • Nowe funkcje

    • azureml-core

      • Pobieranie bieżącego użycia rdzeni i ograniczenia limitu przydziału dla zasobów AmlCompute w danym obszarze roboczym i subskrypcji

    • azureml-contrib-pipeline-steps

      • Umożliwia użytkownikowi przekazywanie tabelarycznego zestawu danych w wyniku pośredniego z poprzedniego kroku do kroku równoległego

  • Poprawki i ulepszenia błędów

    • azureml-automl-runtime
      • Usunięto wymaganie y_query kolumny w żądaniu do wdrożonej usługi prognozowania.
      • Element "y_query" został usunięty z sekcji żądania obsługi notesu Orange Juice Firmy Dominick.
      • Usunięto usterkę uniemożliwiającą prognozowanie wdrożonych modeli, działającą na zestawach danych z kolumnami daty i godziny.
      • Dodano współczynnik korelacji Matthews jako metrykę klasyfikacji zarówno dla klasyfikacji binarnej, jak i wieloklasowej.
    • azureml-contrib-interpret
      • Usunięto wyjaśnienia tekstu z polecenia azureml-contrib-interpret jako wyjaśnienie tekstu, które zostało wkrótce opublikowane w repozytorium interpret-text.
    • azureml-core
      • Zestaw danych: użycie zestawu danych plików nie zależy już od narzędzia numpy i biblioteki pandas do zainstalowania w env języka Python.
      • Zmieniono LocalWebservice.wait_for_deployment(), aby sprawdzić stan lokalnego kontenera platformy Docker przed próbą wykonania polecenia ping do punktu końcowego kondycji, co znacznie skraca czas raportowania nieudanego wdrożenia.
      • Naprawiono inicjowanie właściwości wewnętrznej używanej w pliku LocalWebservice.reload(), gdy obiekt usługi jest tworzony na podstawie istniejącego wdrożenia przy użyciu konstruktora LocalWebservice().
      • Edytowany komunikat o błędzie w celu wyjaśnienia.
      • Dodano nową metodę o nazwie get_access_token() do usługi AksWebservice, która zwróci obiekt AksServiceAccessToken, który zawiera token dostępu, odśwież po znaczniku czasu, wygaśnięciu sygnatury czasowej i typu tokenu.
      • Przestarzała istniejąca metoda get_token() w usłudze AksWebservice, ponieważ nowa metoda zwraca wszystkie informacje zwracane przez tę metodę.
      • Zmodyfikowane dane wyjściowe polecenia az ml service get-access-token. Zmieniono nazwę tokenu na accessToken i refreshBy, aby odświeżyćAfter. Dodano właściwości expiryOn i tokenType.
      • Naprawiono get_active_runs
    • azureml-explain-model
      • zaktualizowano shap do wersji 0.33.0 i interpret-community do wersji 0.4.*
    • azureml-interpret
      • zaktualizowano shap do wersji 0.33.0 i interpret-community do wersji 0.4.*
    • azureml-train-automl-runtime
      • Dodano współczynnik korelacji Matthews jako metrykę klasyfikacji zarówno dla klasyfikacji binarnej, jak i wieloklasowej.
      • Przestarzałe flagi przetwarzania wstępnego z kodu i zastąpione cechowaniem - cechowanie jest domyślnie włączone

2020-01-06

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.83

  • Nowe funkcje

    • Zestaw danych: Dodaj dwie opcje on_error i polecenie , to_pandas_dataframe aby zakończyć się niepowodzeniem, gdy dane mają wartości błędów zamiast wypełniać je przy użyciu polecenia Noneout_of_range_datetime .
    • Obszar roboczy: dodano flagę hbi_workspace obszarów roboczych z poufnymi danymi, które umożliwiają dalsze szyfrowanie i wyłączają zaawansowaną diagnostykę obszarów roboczych. Dodaliśmy również obsługę dodawania własnych kluczy dla skojarzonego wystąpienia usługi Azure Cosmos DB, określając cmk_keyvault parametry i resource_cmk_uri podczas tworzenia obszaru roboczego, co powoduje utworzenie wystąpienia usługi Azure Cosmos DB w ramach subskrypcji podczas aprowizowania obszaru roboczego. Aby dowiedzieć się więcej, zobacz sekcję dotyczącą szyfrowania danych w usłudze Azure Cosmos DB.

  • Poprawki i ulepszenia błędów

    • azureml-automl-runtime
      • Naprawiono regresję, która spowodowała wywołanie błędu TypeError podczas uruchamiania automatycznego uczenia maszynowego w języku Python w wersjach poniżej 3.5.4.
    • azureml-core
      • Usunięto usterkę w datastore.upload_files ścieżce względnej, która nie zaczynała się od ./ , nie była w stanie jej użyć.
      • Dodano komunikaty o wycofaniu dla wszystkich ścieżek kodu klasy obrazów
      • Naprawiono konstrukcję adresu URL zarządzania modelami dla platformy Microsoft Azure obsługiwanej przez firmę 21Vianet.
      • Rozwiązano problem polegający na tym, że nie można spakować modeli korzystających z source_dir dla usługi Azure Functions.
      • Dodano opcję Environment.build_local(), aby wypchnąć obraz do rejestru kontenerów obszaru roboczego usługi Azure Machine Edukacja
      • Zaktualizowano zestaw SDK tak, aby używał nowej biblioteki tokenów w usłudze Azure synapse w sposób zgodny z powrotem.
    • azureml-interpret
      • Usunięto usterkę polegającą na tym, że brak został zwrócony, gdy nie było dostępnych wyjaśnień do pobrania. Teraz zgłasza wyjątek, pasujące zachowanie w innym miejscu.
    • azureml-pipeline-steps
      • Niedozwolone przekazywanie DatasetConsumptionConfigparametru s do Estimatorparametru inputs , gdy Estimator parametr będzie używany w elemecie EstimatorStep.
    • azureml-sdk
      • Dodano klienta rozwiązania AutoML do pakietu azureml-sdk, co umożliwia przesłania zdalnych przebiegów automatycznego uczenia maszynowego bez instalowania pełnego pakietu AutoML.
    • azureml-train-automl-client
      • Poprawiono wyrównanie w danych wyjściowych konsoli dla przebiegów rozwiązania AutoML
      • Usunięto usterkę polegającą na tym, że niepoprawna wersja biblioteki pandas mogła być zainstalowana na zdalnym amlcompute.

2019-12-23

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.81

  • Poprawki i ulepszenia błędów
    • azureml-contrib-interpret
      • odroczenie zależności shap w celu interpretacji społeczności z usługi azureml-interpret
    • azureml-core
      • Docelowy obiekt obliczeniowy można teraz określić jako parametr do odpowiednich obiektów konfiguracji wdrożenia. Jest to w szczególności nazwa docelowego obiektu obliczeniowego do wdrożenia, a nie obiektu zestawu SDK.
      • Dodano informacje CreatedBy do obiektów modelu i usługi. Dostęp do through.created_by może być dostępny
      • Naprawiono polecenie ContainerImage.run(), które nie było poprawnie skonfigurowanego portu HTTP kontenera platformy Docker.
      • Wprowadź azureml-dataprep opcjonalne polecenie interfejsu az ml dataset register wiersza polecenia
      • Usunięto usterkę polegającą na tym, że TabularDataset.to_pandas_dataframe niepoprawnie wracała do czytnika alternatywnego i wyświetlała ostrzeżenie.
    • azureml-explain-model
      • odroczenie zależności shap w celu interpretacji społeczności z usługi azureml-interpret
    • azureml-pipeline-core
      • Dodano nowy krok NotebookRunnerSteppotoku , aby uruchomić notes lokalny jako krok w potoku.
      • Usunięto przestarzałe funkcje get_all dla elementów PublishedPipelines, Schedules i PipelineEndpoints
    • azureml-train-automl-client
      • Rozpoczęto wycofywanie data_script jako danych wejściowych do rozwiązania AutoML.

2019-12-09

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.79

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Usunięto parametr featurizationConfig do zarejestrowania
        • Zaktualizowano rejestrowanie w celu rejestrowania tylko "auto"/"off"/"dostosowane".
    • azureml-automl-runtime
      • Dodano obsługę biblioteki pandas. Serie i biblioteki pandas. Kategoria na potrzeby wykrywania typu danych kolumny. Wcześniej obsługiwane było tylko narzędzie numpy.ndarray
        • Dodano powiązane zmiany kodu w celu poprawnego obsługi typu kategorii.
      • Ulepszono interfejs funkcji prognozy: parametr y_pred został udostępniony jako opcjonalny. -Dokument został ulepszony.
    • azureml-contrib-dataset
      • Usunięto usterkę polegającą na tym, że nie można było instalować oznaczonych zestawów danych.
    • azureml-core
      • Poprawka błędu dla elementu Environment.from_existing_conda_environment(name, conda_environment_name). Użytkownik może utworzyć wystąpienie środowiska, które jest dokładną repliką środowiska lokalnego
      • Domyślnie zmieniono metody include_boundary=True zestawów danych powiązanych z szeregami czasowymi.
    • azureml-train-automl-client
      • Rozwiązano problem polegający na tym, że wyniki walidacji nie zostały wydrukowane, gdy wyświetlanie danych wyjściowych jest ustawione na wartość false.

2019-11-25

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.76

  • Zmiany powodujące niezgodność

    • Problemy z uaktualnianiem rozwiązania Azureml-Train-AutoML
      • Uaktualnienie do pliku azureml-train-automl=1.0.76 z pliku azureml-train-automl>< 1.0.76 może spowodować częściowe instalacje, co powoduje niepowodzenie importowania niektórych automl. Aby rozwiązać ten problem, możesz uruchomić skrypt instalacyjny znajdujący się pod adresem https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Lub jeśli używasz narzędzia pip bezpośrednio, możesz:
        • "pip install --upgrade azureml-train-automl"
        • "pip install --ignore-installed azureml-train-automl-client"
      • lub można odinstalować starą wersję przed uaktualnieniem
        • "pip uninstall azureml-train-automl"
        • "pip install azureml-train-automl"

  • Poprawki i ulepszenia błędów

    • azureml-automl-runtime
      • Rozwiązanie AutoML uwzględnia teraz zarówno klasy true, jak i false podczas obliczania średnich metryk skalarnych dla zadań klasyfikacji binarnej.
      • Przeniesiono uczenie maszynowe i kod szkoleniowy w usłudze AzureML-AutoML-Core do nowego pakietu AzureML-AutoML-Runtime.
    • azureml-contrib-dataset
      • Podczas wywoływania to_pandas_dataframe oznaczonego zestawu danych opcją pobierania można teraz określić, czy zastąpić istniejące pliki, czy nie.
      • W przypadku wywoływania keep_columns lub drop_columns w wyniku porzucenia szeregów czasowych, etykiet lub kolumny obrazu odpowiednie możliwości są również porzucane dla zestawu danych.
      • Rozwiązano problem z modułem ładujący pytorch dla zadania wykrywania obiektów.
    • azureml-contrib-interpret
      • Usunięto widżet pulpitu nawigacyjnego wyjaśnienia z polecenia azureml-contrib-interpret, zmieniono pakiet, aby odwoływać się do nowego w interpret_community
      • Zaktualizowano wersję środowiska interpret-community do wersji 0.2.0
    • azureml-core
      • Zwiększ wydajność programu workspace.datasets.
      • Dodano możliwość rejestrowania magazynu danych usługi Azure SQL Database przy użyciu uwierzytelniania nazwy użytkownika i hasła
      • Poprawka dotycząca ładowania elementów RunConfiguration z ścieżek względnych.
      • W przypadku wywoływania keep_columns lub drop_columns porzucania kolumny szeregów czasowych odpowiednie możliwości również są porzucane dla zestawu danych.
    • azureml-interpret
      • zaktualizowano wersję środowiska interpret-community do wersji 0.2.0
    • azureml-pipeline-steps
      • Udokumentowane obsługiwane wartości dla runconfig_pipeline_params kroków potoku usługi Azure Machine Learning.
    • azureml-pipeline-core
      • Dodano opcję interfejsu wiersza polecenia do pobierania danych wyjściowych w formacie json dla poleceń potoku.
    • azureml-train-automl
      • Dzielenie usługi AzureML-Train-AutoML na dwa pakiety: pakiet klienta AzureML-Train-AutoML-Client i pakiet szkoleniowy ML AzureML-Train-AutoML-Runtime
    • azureml-train-automl-client
      • Dodano elastycznego klienta do przesyłania eksperymentów rozwiązania AutoML bez konieczności instalowania jakichkolwiek zależności uczenia maszynowego lokalnie.
      • Naprawiono rejestrowanie automatycznie wykrytych opóźnień, rozmiarów okien kroczących i maksymalnych horyzontów w przebiegach zdalnych.
    • azureml-train-automl-runtime
      • Dodano nowy pakiet AutoML w celu odizolowania składników uczenia maszynowego i środowiska uruchomieniowego od klienta.
    • azureml-contrib-train-rl
      • Dodano obsługę uczenia wzmacniania w zestawie SDK.
      • Dodano obsługę AmlWindowsCompute w zestawie RL SDK.

2019-11-11

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.74

  • Funkcje w wersji zapoznawczej

    • azureml-contrib-dataset
      • Po zaimportowaniu elementu azureml-contrib-dataset można wywołać Dataset.Labeled.from_json_lines metodę zamiast ._Labeled utworzyć oznaczony zestaw danych.
      • Podczas wywoływania to_pandas_dataframe oznaczonego zestawu danych opcją pobierania można teraz określić, czy zastąpić istniejące pliki, czy nie.
      • W przypadku wywoływania keep_columns lub drop_columns w wyniku porzucenia szeregów czasowych, etykiet lub kolumny obrazu odpowiednie możliwości są również porzucane dla zestawu danych.
      • Rozwiązano problemy z modułem ładujący PyTorch podczas wywoływania elementu dataset.to_torchvision().

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Dodano profilowanie modelu do interfejsu wiersza polecenia w wersji zapoznawczej.
      • Poprawki powodujące niezgodność w usłudze Azure Storage powodujące niepowodzenie interfejsu wiersza polecenia usługi Azure Machine Edukacja.
      • Dodano typ modułu równoważenia obciążenia do usługi MLC dla typów usługi AKS
    • azureml-automl-core
      • Rozwiązano problem polegający na wykrywaniu maksymalnego horyzontu w szeregach czasowych z brakującymi wartościami i wieloma ziarnami.
      • Rozwiązano problem z błędami podczas generowania podziałów krzyżowych walidacji.
      • Zastąp tę sekcję komunikatem w formacie markdown, który ma być wyświetlany w informacjach o wersji: - Ulepszona obsługa krótkich ziarna w zestawach danych prognozowania.
      • Rozwiązano problem z maskowaniem niektórych informacji o użytkowniku podczas rejestrowania. -Ulepszone rejestrowanie błędów podczas przebiegów prognozowania.
      • Dodanie narzędzia psutil jako zależności conda do automatycznie wygenerowanego pliku wdrożenia yml.
    • azureml-contrib-mir
      • Poprawki powodujące niezgodność w usłudze Azure Storage powodujące niepowodzenie interfejsu wiersza polecenia usługi Azure Machine Edukacja.
    • azureml-core
      • Naprawia usterkę, która spowodowała wdrożenie modeli w usłudze Azure Functions w celu wygenerowania 500 s.
      • Rozwiązano problem polegający na tym, że plik amlignore nie był stosowany w migawkach.
      • Dodano nowy amlcompute.get_active_runs interfejsu API, który zwraca generator do uruchamiania i kolejkowanych przebiegów w danym amlcompute.
      • Dodano typ modułu równoważenia obciążenia do usługi MLC dla typów usługi AKS.
      • Dodano parametr logiczny append_prefix do download_files w run.py i download_artifacts_from_prefix w artifacts_client. Ta flaga służy do selektywnego spłaszczania ścieżki plików pochodzenia, więc do output_directory jest dodawana tylko nazwa pliku lub folderu
      • Rozwiązano problem z deserializacji w przypadku run_config.yml użycia zestawu danych.
      • W przypadku wywoływania keep_columns lub drop_columns porzucania kolumny szeregów czasowych odpowiednie możliwości również są porzucane dla zestawu danych.
    • azureml-interpret
      • Zaktualizowano wersję interpret-community do wersji 0.1.0.3
    • azureml-train-automl
      • Rozwiązano problem polegający na tym, że automl_step mogły nie drukować problemów z walidacją.
      • Naprawiono register_model powodzenia, nawet jeśli w środowisku modelu brakuje zależności lokalnie.
      • Rozwiązano problem polegający na tym, że niektóre uruchomienia zdalne nie były włączone na platformie Docker.
      • Dodaj rejestrowanie wyjątku, który powoduje przedwczesne niepowodzenie lokalnego uruchomienia.
    • azureml-train-core
      • Rozważ resume_from przebiegi w obliczeniu automatycznego dostrajania hiperparametrów najlepszych przebiegów podrzędnych.
    • azureml-pipeline-core
      • Naprawiono obsługę parametrów w konstrukcji argumentu potoku.
      • Dodano opis potoku i parametr yaml typu kroku.
      • Nowy format yaml dla kroku potoku i dodano ostrzeżenie o wycofaniu dla starego formatu.

2019-11-04

Środowisko internetowe

Strona https://ml.azure.com docelowa obszaru roboczego współpracy w witrynie została ulepszona i zmieniona jako usługa Azure Machine Edukacja Studio.

Z poziomu programu Studio możesz trenować, testować, wdrażać i zarządzać zasobami usługi Azure Machine Edukacja, takimi jak zestawy danych, potoki, modele, punkty końcowe i nie tylko.

Uzyskaj dostęp do następujących internetowych narzędzi do tworzenia z poziomu programu Studio:

Narzędzie internetowe opis
Maszyna wirtualna notesu (wersja zapoznawcza) W pełni zarządzana stacja robocza oparta na chmurze
Zautomatyzowane uczenie maszynowe (wersja zapoznawcza) Brak doświadczenia w kodzie do automatyzowania opracowywania modeli uczenia maszynowego
Projektant Przeciąganie i upuszczanie narzędzia do modelowania uczenia maszynowego znane wcześniej jako interfejs wizualny

Ulepszenia projektanta usługi Azure Machine Edukacja

  • Wcześniej znany jako interfejs wizualny
  • 11 nowych modułów , w tym rekomendacji, klasyfikatorów i narzędzi szkoleniowych, w tym inżynierii cech, krzyżowej weryfikacji i przekształcania danych.

Zestaw SDK języka R

Analitycy danych i deweloperzy sztucznej inteligencji używają zestawu SDK usługi Azure Machine Edukacja dla języka R do tworzenia i uruchamiania przepływów pracy uczenia maszynowego za pomocą usługi Azure Machine Edukacja.

Zestaw SDK usługi Azure Machine Edukacja dla języka R używa reticulate pakietu do powiązania z zestawem PYTHON SDK. Po powiązaniu bezpośrednio z językiem Python zestaw SDK dla języka R umożliwia dostęp do podstawowych obiektów i metod zaimplementowanych w zestawie SDK języka Python z dowolnego wybranego środowiska języka R.

Główne możliwości zestawu SDK obejmują:

  • Zarządzanie zasobami w chmurze na potrzeby monitorowania, rejestrowania i organizowania eksperymentów uczenia maszynowego.
  • Trenowanie modeli przy użyciu zasobów w chmurze, w tym trenowanie modelu przyspieszonego przez procesor GPU.
  • Wdrażanie modeli jako usług internetowych w usługach Azure Container Instances (ACI) i Azure Kubernetes Service (AKS).

Aby uzyskać pełną dokumentację, zobacz witrynę internetową pakietu.

Integracja usługi Azure Machine Edukacja z usługą Event Grid

Usługa Azure Machine Edukacja jest teraz dostawcą zasobów dla usługi Event Grid. Zdarzenia uczenia maszynowego można skonfigurować za pośrednictwem witryny Azure Portal lub interfejsu wiersza polecenia platformy Azure. Użytkownicy mogą tworzyć zdarzenia na potrzeby ukończenia przebiegu, rejestracji modelu, wdrożenia modelu i wykrytego dryfu danych. Te zdarzenia mogą być kierowane do programów obsługi zdarzeń obsługiwanych przez usługę Event Grid do użycia. Aby uzyskać więcej informacji, zobacz schemat zdarzeń uczenia maszynowego i artykuły samouczka.

2019-10-31

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.72

  • Nowe funkcje

    • Dodano monitory zestawu danych za pośrednictwem pakietu azureml-datadrift , co umożliwia monitorowanie zestawów danych szeregów czasowych na potrzeby dryfu danych lub innych zmian statystycznych w czasie. Alerty i zdarzenia mogą być wyzwalane w przypadku wykrycia dryfu lub spełnienia innych warunków dotyczących danych. Szczegółowe informacje znajdują się w dokumentacji.

    • Ogłoszenie dwóch nowych wersji (nazywanych również jednostkami SKU zamiennie) w usłudze Azure Machine Edukacja. W tej wersji możesz teraz utworzyć obszar roboczy usługi Azure Machine Edukacja w warstwie Podstawowa lub Enterprise. Wszystkie istniejące obszary robocze są domyślnie włączone do wersji Podstawowa i możesz przejść do witryny Azure Portal lub do studia, aby uaktualnić obszar roboczy w dowolnym momencie. Obszar roboczy w warstwie Podstawowa lub Enterprise można utworzyć w witrynie Azure Portal. Przeczytaj naszą dokumentację , aby dowiedzieć się więcej. W zestawie SDK można określić wersję obszaru roboczego przy użyciu właściwości "sku" obiektu obszaru roboczego.

    • Wprowadziliśmy również ulepszenia usługi Azure Machine Edukacja Compute — teraz można wyświetlać metryki dla klastrów (takich jak łączna liczba węzłów, uruchomione węzły, łączny limit przydziału rdzeni) w usłudze Azure Monitor, oprócz wyświetlania dzienników diagnostycznych na potrzeby debugowania. Ponadto można również wyświetlić aktualnie uruchomione lub w kolejce uruchomienia w klastrze oraz szczegółowe informacje, takie jak adresy IP różnych węzłów w klastrze. Można je wyświetlić w portalu lub przy użyciu odpowiednich funkcji w zestawie SDK lub interfejsie wiersza polecenia.

    • Funkcje w wersji zapoznawczej

      • Udostępniamy obsługę w wersji zapoznawczej szyfrowania dysków lokalnego dysku SSD w usłudze Azure Machine Edukacja Compute. Zgłoś bilet pomocy technicznej, aby uzyskać dostęp do subskrypcji z listy dozwolonych do korzystania z tej funkcji.
      • Publiczna wersja zapoznawcza usługi Azure Machine Edukacja Wnioskowanie usługi Batch. Usługa Azure Machine Edukacja Batch Inference jest przeznaczona dla dużych zadań wnioskowania, które nie są wrażliwe na czas. Wnioskowanie wsadowe zapewnia ekonomiczne skalowanie obliczeń wnioskowania z niezrównaną przepływnością dla aplikacji asynchronicznych. Jest ona zoptymalizowana pod kątem wysokiej przepływności, wnioskowania o wysokiej przepływności i zapomnienia w przypadku dużych kolekcji danych.
      • azureml-contrib-dataset
        • Włączone funkcje dla oznaczonego zestawu danych
        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()

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Interfejs wiersza polecenia obsługuje teraz pakowanie modeli.
      • Dodano interfejs wiersza polecenia zestawu danych. Więcej informacji: az ml dataset --help
      • Dodano obsługę wdrażania i tworzenia pakietów obsługiwanych modeli (ONNX, scikit-learn i TensorFlow) bez wystąpienia inferenceConfig.
      • Dodano flagę zastępowania dla wdrożenia usług (ACI i AKS) w zestawie SDK i interfejsie wiersza polecenia. Jeśli zostanie podana, zastąpi istniejącą usługę, jeśli usługa o nazwie już istnieje. Jeśli usługa nie istnieje, utworzy nową usługę.
      • Modele można zarejestrować w dwóch nowych platformach: Onnx i TensorFlow. — Rejestracja modelu akceptuje przykładowe dane wejściowe, przykładowe dane wyjściowe i konfigurację zasobów dla modelu.
    • azureml-automl-core
      • Trenowanie iteracji będzie uruchamiane w procesie podrzędnym tylko wtedy, gdy są ustawiane ograniczenia środowiska uruchomieniowego.
      • Dodano poręcz do prognozowania zadań, aby sprawdzić, czy określona max_horizon powoduje problem z pamięcią na danej maszynie, czy nie. Jeśli tak, zostanie wyświetlony komunikat o zabezpieczeniach.
      • Dodano obsługę złożonych częstotliwości, takich jak dwa lata i jeden miesiąc. -Dodano zrozumiały komunikat o błędzie, jeśli nie można określić częstotliwości.
      • Dodawanie wartości azureml-defaults do automatycznego generowania env conda w celu rozwiązania błędu wdrażania modelu
      • Zezwalaj na konwertowanie danych pośrednich w usłudze Azure Machine Edukacja Pipeline na tabelaryczny zestaw danych i używane w programie AutoMLStep.
      • Zaimplementowano aktualizację przeznaczenia kolumny na potrzeby przesyłania strumieniowego.
      • Zaimplementowano aktualizację parametrów przekształcania dla imputera i hashOneHotEncoder na potrzeby przesyłania strumieniowego.
      • Dodano bieżący rozmiar danych i minimalny wymagany rozmiar danych do komunikatów o błędach walidacji.
      • Zaktualizowano minimalny wymagany rozmiar danych na potrzeby krzyżowej weryfikacji, aby zagwarantować co najmniej dwa próbki w każdym fałszowaniu weryfikacji.
    • azureml-cli-common
      • Interfejs wiersza polecenia obsługuje teraz pakowanie modeli.
      • Modele można zarejestrować w dwóch nowych platformach: Onnx i TensorFlow.
      • Rejestracja modelu akceptuje przykładowe dane wejściowe, przykładowe dane wyjściowe i konfigurację zasobów dla modelu.
    • azureml-contrib-gbdt
      • naprawiono kanał wydania notesu
      • Dodano ostrzeżenie dotyczące obiektu docelowego obliczeniowego innego niż AmlCompute, którego nie obsługujemy
      • Dodano narzędzie do szacowania lightGMB do pakietu azureml-contrib-gbdt
    • azureml-core
      • Interfejs wiersza polecenia obsługuje teraz pakowanie modeli.
      • Dodaj ostrzeżenie o wycofaniu dla przestarzałych interfejsów API zestawu danych. Zobacz Powiadomienie o zmianie interfejsu API zestawu danych pod adresem https://aka.ms/tabular-dataset.
      • Zmień wartość Dataset.get_by_id , aby zwrócić nazwę rejestracji i wersję, jeśli zestaw danych jest zarejestrowany.
      • Usunięto usterkę, której nie można wielokrotnie używać w skrygmencie ScriptRunConfig z zestawem danych jako argumentu do przesyłania przebiegu eksperymentu.
      • Zestawy danych pobrane podczas przebiegu będą śledzone i mogą być widoczne na stronie szczegółów przebiegu lub przez wywołanie wywołania run.get_details() po zakończeniu przebiegu.
      • Zezwalaj na konwertowanie danych pośrednich w usłudze Azure Machine Edukacja Pipeline na tabelaryczny zestaw danych i używane w programie AutoMLStep.
      • Dodano obsługę wdrażania i tworzenia pakietów obsługiwanych modeli (ONNX, scikit-learn i TensorFlow) bez wystąpienia inferenceConfig.
      • Dodano flagę zastępowania dla wdrożenia usług (ACI i AKS) w zestawie SDK i interfejsie wiersza polecenia. Jeśli zostanie podana, zastąpi istniejącą usługę, jeśli usługa o nazwie już istnieje. Jeśli usługa nie istnieje, utworzy nową usługę.
      • Modele można zarejestrować w dwóch nowych platformach: Onnx i TensorFlow. Rejestracja modelu akceptuje przykładowe dane wejściowe, przykładowe dane wyjściowe i konfigurację zasobów dla modelu.
      • Dodano nowy magazyn danych dla usługi Azure Database for MySQL. Dodano przykład użycia usługi Azure Database for MySQL w elemecie DataTransferStep w usłudze Azure Machine Edukacja Pipelines.
      • Dodano funkcje dodawania i usuwania tagów z eksperymentów Dodano funkcje usuwania tagów z przebiegów
      • Dodano flagę zastępowania dla wdrożenia usług (ACI i AKS) w zestawie SDK i interfejsie wiersza polecenia. Jeśli zostanie podana, zastąpi istniejącą usługę, jeśli usługa o nazwie już istnieje. Jeśli usługa nie istnieje, utworzy nową usługę.
    • azureml-datadrift
      • Przeniesiono z azureml-contrib-datadrift do azureml-datadrift
      • Dodano obsługę monitorowania zestawów danych szeregów czasowych dla dryfu i innych miar statystycznych
      • Nowe metody create_from_model() i create_from_dataset() do DataDriftDetector klasy. Metoda create() jest przestarzała.
      • Dostosowania wizualizacji w języku Python i interfejsie użytkownika w programie Azure Machine Edukacja Studio.
      • Obsługa planowania monitorów cotygodniowych i miesięcznych, oprócz codziennego monitorowania zestawów danych.
      • Obsługa wypełniania metryk monitora danych w celu analizowania danych historycznych dla monitorów zestawu danych.
      • Różne poprawki błędów
    • azureml-pipeline-core
      • narzędzie azureml-dataprep nie jest już potrzebne do przesłania uruchomienia potoku usługi Azure Machine Edukacja z pliku potokuyaml.
    • azureml-train-automl
      • Dodawanie wartości azureml-defaults do automatycznego generowania env conda w celu rozwiązania błędu wdrażania modelu
      • Zdalne trenowanie zautomatyzowanego uczenia maszynowego obejmuje teraz wartości azureml-default, aby umożliwić ponowne użycie env trenowania na potrzeby wnioskowania.
    • azureml-train-core
      • Dodano obsługę protokołu PyTorch 1.3 w PyTorch narzędziu do szacowania

2019-10-21

Interfejs wizualny (wersja zapoznawcza)

  • Interfejs wizualny usługi Azure Machine Edukacja (wersja zapoznawcza) został przebudowany w celu uruchamiania w potokach usługi Azure Machine Edukacja. Potoki (wcześniej znane jako eksperymenty) utworzone w interfejsie wizualnym są teraz w pełni zintegrowane z podstawowym środowiskiem usługi Azure Machine Edukacja.

    • Ujednolicone środowisko zarządzania za pomocą zasobów zestawu SDK
    • Przechowywanie wersji i śledzenie modeli interfejsów wizualnych, potoków i punktów końcowych
    • Przeprojektowany interfejs użytkownika
    • Dodano wdrożenie wnioskowania wsadowego
    • Dodano obsługę usługi Azure Kubernetes Service (AKS) dla celów obliczeniowych wnioskowania
    • Nowy przepływ pracy tworzenia potoku kroków języka Python
    • Nowa strona docelowa narzędzi do tworzenia wizualizacji

  • Nowe moduły

    • Stosowanie operacji matematycznych
    • Stosowanie przekształcenia SQL
    • Wartości wycinków
    • Podsumowywanie danych
    • Importowanie z usługi SQL Database

2019-10-14

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.69

  • Poprawki i ulepszenia błędów
    • azureml-automl-core
      • Ograniczanie wyjaśnień modelu do najlepszego uruchamiania zamiast przetwarzania wyjaśnień dla każdego przebiegu. Wprowadzenie tej zmiany zachowania dla lokalnych, zdalnych i ADB.
      • Dodano obsługę wyjaśnień modelu na żądanie dla interfejsu użytkownika
      • Dodano narzędzie psutil jako zależność i dołączone narzędzie psutil jako zależność automl conda w pliku amlcompute.
      • Rozwiązano problem z opóźnieniami heurystycznymi i rozmiarami okien kroczących w zestawach danych prognozowania, z których niektóre serie mogą powodować błędy algebry liniowej
        • Dodano drukowanie dla parametrów określanych heurystycznie w przebiegach prognozowania.
    • azureml-contrib-datadrift
      • Dodano ochronę podczas tworzenia metryk wyjściowych, jeśli dryf na poziomie zestawu danych nie znajduje się w pierwszej sekcji.
    • azureml-contrib-interpret
      • nazwa pakietu azureml-contrib-explain-model została zmieniona na azureml-contrib-interpret
    • azureml-core
      • Dodano interfejs API do wyrejestrowania zestawów danych. dataset.unregister_all_versions()
      • Nazwa pakietu azureml-contrib-explain-model została zmieniona na azureml-contrib-interpret.
    • azureml-core
      • Dodano interfejs API do wyrejestrowania zestawów danych. Dataset.unregister_all_versions().
      • Dodano interfejs API zestawu danych w celu sprawdzenia czasu zmiany danych. dataset.data_changed_time.
      • Możliwość korzystania FileDataset z parametrów i TabularDataset jako danych wejściowych w PythonScriptStepusłudze , EstimatorStepi HyperDriveStep w usłudze Azure Machine Edukacja Pipeline
      • FileDataset.mount Ulepszono wydajność folderów z dużą liczbą plików
      • Możliwość korzystania z elementu FileDataset i TabularDataset jako danych wejściowych dla języka PythonScriptStep, estimatorStep i hyperDriveStep w potoku usługi Azure Machine Edukacja.
      • Wydajność zestawu danych filedataset.instalacja() została ulepszona dla folderów z dużą liczbą plików
      • Dodano adres URL do znanych zaleceń dotyczących błędów w szczegółach przebiegu.
      • Usunięto usterkę w run.get_metrics polegającą na tym, że żądania kończyły się niepowodzeniem, gdyby przebieg miał zbyt wiele elementów podrzędnych
      • Usunięto usterkę w run.get_metrics polegającą na tym, że żądania kończyły się niepowodzeniem, gdyby przebieg miał zbyt wiele elementów podrzędnych
      • Dodano obsługę uwierzytelniania w klastrze Arcadia.
      • Utworzenie obiektu Experiment powoduje pobranie lub utworzenie eksperymentu w obszarze roboczym usługi Azure Machine Edukacja na potrzeby śledzenia historii uruchamiania. Identyfikator eksperymentu i zarchiwizowany czas są wypełniane w obiekcie Experiment podczas tworzenia. Przykład: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() i reactivate() to funkcje, które można wywołać w eksperymencie, aby ukryć i przywrócić eksperyment z wyświetlania w środowisku użytkownika lub domyślnie zwracane w wywołaniu do listy eksperymentów. Jeśli zostanie utworzony nowy eksperyment o takiej samej nazwie jak zarchiwizowany eksperyment, możesz zmienić nazwę zarchiwizowanego eksperymentu podczas ponownego aktywowania, przekazując nową nazwę. Może istnieć tylko jeden aktywny eksperyment o podanej nazwie. Przykład: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Utwórz nowy aktywny eksperyment o takiej samej nazwie jak zarchiwizowane. experiment2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") Statyczna lista metod () w eksperymencie może przyjąć filtr nazwy i filtr ViewType. Wartości ViewType to "ACTIVE_ONLY", "ARCHIVED_ONLY" i "ALL" Przykład: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
      • Obsługa korzystania ze środowiska na potrzeby wdrażania modelu i aktualizacji usługi
    • azureml-datadrift
      • Atrybut show klasy DataDriftDector nie obsługuje już opcjonalnego argumentu "with_details". Atrybut show przedstawia tylko współczynnik dryfu danych i dryf danych w kolumnach funkcji.
      • Zmiany zachowania atrybutu "get_output" atrybutu DataDriftDetector:
        • Start_time parametru wejściowego end_time są opcjonalne zamiast obowiązkowe;
        • Wprowadzanie określonych start_time i/lub end_time z określonym run_id w tym samym wywołaniu powoduje wyjątek błędu wartości, ponieważ wzajemnie się wykluczają
        • Według danych wejściowych określonych start_time i/lub end_time zwracane są tylko wyniki zaplanowanych przebiegów;
        • Parametr "daily_latest_only" jest przestarzały.
      • Obsługa pobierania danych wyjściowych dryfu danych opartych na zestawie danych.
    • azureml-explain-model
      • Zmienia nazwę pakietu AzureML-explain-model na AzureML-interpret, zachowując na razie stary pakiet pod kątem zgodności z poprzednimi wersjami
      • Usunięto automl usterkę z nieprzetworzonymi wyjaśnieniami ustawionymi na zadanie klasyfikacji zamiast regresji domyślnie podczas pobierania z elementu ExplanationClient
      • Dodawanie obsługi ScoringExplainer tworzenia bezpośrednio przy użyciu polecenia MimicWrapper
    • azureml-pipeline-core
      • Zwiększona wydajność tworzenia dużych potoków
    • azureml-train-core
      • Dodano obsługę biblioteki TensorFlow 2.0 w narzędziu do szacowania TensorFlow
    • azureml-train-automl

      • Tworzenie obiektu Eksperyment pobiera lub tworzy eksperyment w obszarze roboczym usługi Azure Machine Edukacja na potrzeby śledzenia historii uruchamiania. Identyfikator eksperymentu i zarchiwizowany czas są wypełniane w obiekcie Experiment podczas tworzenia. Przykład:

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

        Archive() i reactivate() to funkcje, które mogą być wywoływane w eksperymencie w celu ukrycia i przywrócenia eksperymentu wyświetlanego w środowisku użytkownika lub domyślnie zwracane w wywołaniu do wyświetlania eksperymentów na liście. Jeśli zostanie utworzony nowy eksperyment o takiej samej nazwie jak zarchiwizowany eksperyment, możesz zmienić nazwę zarchiwizowanego eksperymentu podczas ponownego aktywowania, przekazując nową nazwę. Może istnieć tylko jeden aktywny eksperyment o podanej nazwie. Przykład:

        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")

        Lista metod statycznych () w eksperymencie może przyjmować filtr nazwy i filtr ViewType. Wartości ViewType to "ACTIVE_ONLY", "ARCHIVED_ONLY" i "ALL". Przykład:

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

      • Obsługa korzystania ze środowiska na potrzeby wdrażania modelu i aktualizacji usługi.

    • azureml-datadrift
      • Atrybut show klasy DataDriftDetector nie obsługuje już opcjonalnego argumentu "with_details". Atrybut show przedstawia tylko współczynnik dryfu danych i dryf danych w kolumnach funkcji.
      • DataDriftDetector, funkcja [get_output]python/api/azureml-datadrift/azureml.datadriftdetector.datadriftdetector.get-output-start-time-none-end-time-none-run-id-none-:
        • Start_time parametru wejściowego end_time są opcjonalne zamiast obowiązkowe;
        • Dane wejściowe określone start_time i/lub end_time z określonym run_id w tym samym wywołaniu powoduje wyjątek błędu wartości, ponieważ wzajemnie się wykluczają;
        • Według danych wejściowych określonych start_time i/lub end_time zwracane są tylko wyniki zaplanowanych przebiegów;
        • Parametr "daily_latest_only" jest przestarzały.
      • Obsługa pobierania danych wyjściowych dryfu danych opartych na zestawie danych.
    • azureml-explain-model
    • azureml-pipeline-core
      • Zwiększona wydajność tworzenia dużych potoków.
    • azureml-train-core
    • azureml-train-automl
      • Uruchomienie nadrzędne nie zakończy się już niepowodzeniem, gdy iteracja konfiguracji nie powiedzie się, ponieważ orkiestracja już się nim zajmuje.
      • Dodano obsługę środowiska local-docker i local-conda na potrzeby eksperymentów rozwiązania AutoML
      • Dodano obsługę środowiska local-docker i local-conda dla eksperymentów rozwiązania AutoML.

2019-10-08

Nowe środowisko internetowe (wersja zapoznawcza) dla obszarów roboczych usługi Azure Machine Edukacja

Karta Eksperyment w nowym portalu obszaru roboczego została zaktualizowana, aby analitycy danych mogli monitorować eksperymenty w bardziej wydajny sposób. Możesz zapoznać się z następującymi funkcjami:

  • Eksperymentowanie metadanych w celu łatwego filtrowania i sortowania listy eksperymentów
  • Uproszczone i wydajne strony szczegółów eksperymentu, które umożliwiają wizualizowanie i porównywanie przebiegów
  • Nowy projekt umożliwiający uruchamianie stron szczegółów w celu zrozumienia i monitorowania przebiegów trenowania

2019-09-30

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.65

  • Nowe funkcje

    • Dodano wyselekcjonowane środowiska. Te środowiska zostały wstępnie skonfigurowane z bibliotekami dla typowych zadań uczenia maszynowego i zostały wstępnie utworzone i buforowane jako obrazy platformy Docker w celu szybszego wykonywania. Są one domyślnie wyświetlane na liście środowiska obszaru roboczego z prefiksem "AzureML".
    • Dodano wyselekcjonowane środowiska. Te środowiska zostały wstępnie skonfigurowane z bibliotekami dla typowych zadań uczenia maszynowego i zostały wstępnie utworzone i buforowane jako obrazy platformy Docker w celu szybszego wykonywania. Są one domyślnie wyświetlane na liście środowiska obszaru roboczego z prefiksem "AzureML".

  • azureml-train-automl

  • azureml-train-automl

    • Dodano obsługę konwersji ONNX dla usług ADB i HDI

  • Funkcje w wersji zapoznawczej

    • azureml-train-automl

    • azureml-train-automl

      • Obsługiwane BERT i BiLSTM jako cecha tekstu (tylko wersja zapoznawcza)
      • Obsługiwane dostosowywanie cech na potrzeby kolumn i parametrów przekształcania (tylko wersja zapoznawcza)
      • Obsługiwane nieprzetworzone wyjaśnienia, gdy użytkownik włącza wyjaśnienie modelu podczas trenowania (tylko wersja zapoznawcza)
      • Dodano proroka do timeseries prognozowania jako potoku do trenowania (tylko wersja zapoznawcza)

    • azureml-contrib-datadrift

      • Pakiety przeniesione z azureml-contrib-datadrift do azureml-datadrift; contrib pakiet zostanie usunięty w przyszłej wersji

  • Poprawki i ulepszenia błędów

    • azureml-automl-core
      • Wprowadzono funkcję FeaturizationConfig do autoMLConfig i AutoMLBase Ustawienia
      • Wprowadzono funkcję FeaturizationConfig do autoMLConfig i AutoMLBase Ustawienia
        • Zastąpij przeznaczenie kolumny na potrzeby cechowania z daną kolumną i typem funkcji
        • Zastępowanie parametrów transformatora
      • Dodano komunikat o wycofaniu dla explain_model() i retrieve_model_explanations()
      • Dodano proroka jako potok do trenowania (tylko wersja zapoznawcza)
      • Dodano komunikat o wycofaniu dla explain_model() i retrieve_model_explanations().
      • Dodano proroka jako potok do trenowania (tylko wersja zapoznawcza).
      • Dodano obsługę automatycznego wykrywania opóźnień docelowych, rozmiaru okna kroczącego i maksymalnego horyzontu. Jeśli jeden z target_lags, target_rolling_window_size lub max_horizon jest ustawiony na wartość "auto", heurystyka jest stosowana w celu oszacowania wartości odpowiedniego parametru na podstawie danych treningowych.
      • Naprawiono prognozowanie w przypadku, gdy zestaw danych zawiera jedną kolumnę ziarna, to ziarno jest typu liczbowego i istnieje luka między zestawem trenowania i testu
      • Naprawiono komunikat o błędzie dotyczący zduplikowanego indeksu w zdalnym uruchomieniu w zadaniach prognozowania
      • Naprawiono prognozowanie w przypadku, gdy zestaw danych zawiera jedną kolumnę ziarna, to ziarno jest typu liczbowego i istnieje luka między zestawem trenowania i testu.
      • Naprawiono komunikat o błędzie dotyczący zduplikowanego indeksu w zdalnym uruchomieniu w zadaniach prognozowania.
      • Dodano barierę chroniącą w celu sprawdzenia, czy zestaw danych jest niezrównoważony, czy nie. Jeśli tak jest, komunikat o zabezpieczeniach zostanie zapisany w konsoli programu .
    • azureml-core
      • Dodano możliwość pobierania adresu URL sygnatury dostępu współdzielonego do modelu w magazynie za pośrednictwem obiektu modelu. Na przykład: model.get_sas_url()
      • Wprowadzenie run.get_details()['datasets'] do pobierania zestawów danych skojarzonych z przesłanym przebiegiem
      • Dodaj interfejs API Dataset.Tabular.from_json_lines_files , aby utworzyć tabelaryczny zestaw danych na podstawie plików wierszy JSON. Aby dowiedzieć się więcej o tych danych tabelarycznych w plikach wierszy JSON w zestawie danych tabelarycznych, odwiedź ten artykuł , aby uzyskać dokumentację.
      • Dodano inne pola rozmiaru maszyny wirtualnej (dysk systemu operacyjnego, liczba procesorów GPU) do funkcji supported_vmsizes ()
      • Dodano więcej pól do funkcji list_nodes (), aby wyświetlić przebieg, prywatny i publiczny adres IP, port itp.
      • Możliwość określenia nowego pola podczas aprowizacji klastra — remotelogin_port_public_access, które można ustawić tak, aby było włączone lub wyłączone, w zależności od tego, czy chcesz pozostawić port SSH otwarty lub zamknięty w momencie tworzenia klastra. Jeśli nie określisz go, usługa będzie inteligentnie otwierać lub zamykać port w zależności od tego, czy wdrażasz klaster w sieci wirtualnej.
    • azureml-explain-model
    • azureml-core
      • Dodano możliwość pobierania adresu URL sygnatury dostępu współdzielonego do modelu w magazynie za pośrednictwem obiektu modelu. Np. model.get_sas_url()
      • Wprowadzenie do uruchomienia.get_details['datasets'] w celu pobrania zestawów danych skojarzonych z przesłanym uruchomieniem
      • Dodaj interfejs API Dataset.Tabular.from_json_lines_files(), aby utworzyć tabelaryczny zestaw danych na podstawie plików wierszy JSON. Aby dowiedzieć się więcej na temat tych danych tabelarycznych w plikach wierszy JSON w tabeli TabularDataset, odwiedź stronęhttps://aka.ms/azureml-data dokumentacji.
      • Dodano inne pola rozmiaru maszyny wirtualnej (dysk systemu operacyjnego, liczba procesorów GPU) do funkcji supported_vmsizes()
      • Dodano inne pola do funkcji list_nodes(), aby wyświetlić przebieg, prywatny i publiczny adres IP, port itp.
      • Możliwość określenia nowego pola podczas aprowizacji klastra, które można ustawić tak, aby było włączone lub wyłączone, w zależności od tego, czy chcesz pozostawić port SSH otwarty lub zamknięty w momencie tworzenia klastra. Jeśli nie określisz go, usługa zostanie otwarta lub zamknie port w zależności od tego, czy wdrażasz klaster w sieci wirtualnej.
    • azureml-explain-model
      • Ulepszona dokumentacja danych wyjściowych wyjaśnienia w scenariuszu klasyfikacji.
      • Dodano możliwość przekazywania przewidywanych wartości y w objaśnieniu przykładów oceny. Umożliwia odblokowanie bardziej przydatnych wizualizacji.
      • Dodano właściwość objaśnienia do elementu MimicWrapper w celu włączenia pobierania bazowego elementu MimicExplainer.
    • azureml-pipeline-core
      • Dodano notes opisujący moduł, ModuleVersion i ModuleStep
    • azureml-pipeline-steps
      • Dodano skrypt RScriptStep do obsługi uruchamiania skryptu języka R za pośrednictwem potoku AML.
      • Naprawiono analizowanie parametrów metadanych w narzędziu AzureBatchStep, które powodowało, że komunikat o błędzie "przypisanie parametru SubscriptionId nie zostało określone".
    • azureml-train-automl
      • Obsługiwane training_data, validation_data, label_column_name weight_column_name jako format danych wejściowych
      • Dodano komunikat o wycofaniu dla explain_model() i retrieve_model_explanations()
    • azureml-pipeline-core
    • azureml-pipeline-steps
      • Dodano skrypt RScriptStep do obsługi uruchamiania skryptu języka R za pośrednictwem potoku AML.
      • Naprawiono analizowanie parametrów metadanych w elempcie [AzureBatchStep, które powodowało, że komunikat o błędzie "przypisanie parametru SubscriptionId nie jest określony".
    • azureml-train-automl
      • Obsługiwane training_data, validation_data, label_column_name, weight_column_name jako format danych wejściowych.
      • Dodano komunikat o wycofaniu dla explain_model() i retrieve_model_explanations().

2019-09-16

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.62

  • Nowe funkcje

  • Poprawki i ulepszenia błędów

    • azureml-automl-core
      • Przestarzałe ustawienie AutoML "lag_length" i LaggingTransformer.
      • Naprawiono poprawną walidację danych wejściowych, jeśli są one określone w formacie przepływu danych
      • Zmodyfikowano fit_pipeline.py w celu wygenerowania kodu json grafu i przekazania do artefaktów.
      • Renderowanie grafu w obszarze userrun przy użyciu polecenia Cytoscape.
    • azureml-core
      • Ponownie przejrzeno obsługę wyjątków w kodzie usługi ADB i wprowadzono zmiany zgodnie z nową obsługą błędów
      • Dodano automatyczne uwierzytelnianie msi dla maszyn wirtualnych notesu.
      • Naprawiono usterkę polegającą na tym, że można było przekazać uszkodzone lub puste modele z powodu nieudanych prób.
      • Usunięto usterkę polegającą na tym, że DataReference nazwa zmienia się po DataReference zmianie trybu (na przykład podczas wywoływania as_uploadmetody , as_downloadlub as_mount).
      • Ustaw mount_point i target_path opcjonalnie dla FileDataset.mount i FileDataset.download.
      • Wyjątek, że nie można odnaleźć kolumny sygnatury czasowej, jest zwracany, jeśli interfejs API związany z szeregami czasu jest wywoływany bez przypisanej kolumny sygnatury czasowej lub przypisane kolumny sygnatury czasowej są porzucane.
      • Kolumny szeregowe czasu powinny być przypisywane z kolumną, której typem jest Data. W przeciwnym razie oczekiwano wyjątku
      • Kolumny szeregowe czasu przypisujące interfejs API "with_timestamp_columns" mogą przyjmować wartość Brak grzywny/grubszej nazwy kolumny znacznika czasu, która czyści wcześniej przypisane kolumny sygnatury czasowej.
      • Wyjątek zostanie wyrzucony, gdy zostanie porzucona grubsza lub szczegółowa kolumna sygnatury czasowej ze wskazaniem dla użytkownika, że upuszczanie można wykonać po wykluczeniu kolumny sygnatury czasowej w upuszczaniu listy lub wywołać with_time_stamp z wartością None w celu zwolnienia kolumn sygnatury czasowej
      • Wyjątek zostanie wyrzucony, gdy grubsze ziarno lub szczegółowe kolumny sygnatury czasowej nie zostaną uwzględnione na liście kolumn z oznaczeniem dla użytkownika, który można zachować po dołączeniu kolumny sygnatury czasowej na liście kolumn lub wywołaj with_time_stamp z wartością Brak w celu wydania kolumn sygnatury czasowej.
      • Dodano rejestrowanie rozmiaru zarejestrowanego modelu.
    • azureml-explain-model
      • Naprawiono ostrzeżenie wydrukowane w konsoli, gdy "pakowanie" pakietu języka Python nie zostało zainstalowane: "Używanie starszej niż obsługiwanej wersji lightgbm, przeprowadź uaktualnienie do wersji nowszej niż 2.2.1"
      • Naprawiono wyjaśnienie modelu pobierania z fragmentowaniem w celu uzyskania wyjaśnień globalnych z wieloma funkcjami
      • Rozwiązano problem polegający na braku przykładów inicjowania imitacji w objaśnieniu danych wyjściowych
      • Naprawiono niezmienny błąd w przypadku ustawiania właściwości podczas przekazywania z wyjaśnieniem klienta przy użyciu dwóch różnych typów modeli
      • Dodano parametr get_raw do objaśnienia oceniania.explain(), dzięki czemu jeden objaśnienie oceniania może zwracać zarówno wartości inżynierowane, jak i pierwotne.
    • azureml-train-automl
      • Wprowadzono publiczne interfejsy API z rozwiązania AutoML do obsługi wyjaśnień automl z objaśnienia zestawu SDK — nowszy sposób obsługi wyjaśnień rozwiązania AutoML przez oddzielenie cech automl i wyjaśnienie zestawu SDK — zintegrowana obsługa nieprzetworzonych wyjaśnień z zestawu SDK wyjaśnień języka Azureml dla modeli rozwiązania AutoML.
      • Usuwanie wartości domyślnych azureml ze zdalnych środowisk szkoleniowych.
      • Zmieniono domyślną lokalizację magazynu pamięci podręcznej z fileCacheStore na podstawie jednej na Wartość AzureFileCacheStore dla rozwiązania AutoML w ścieżce kodu usługi Azure Databricks.
      • Naprawiono poprawną walidację danych wejściowych, jeśli są one określone w formacie przepływu danych
    • azureml-train-core

      • Wycofano source_directory_data_store wycofywania.

      • Dodano możliwość zastąpienia zainstalowanych wersji pakietu azureml.

      • Dodano obsługę pliku dockerfile w environment_definition parametrze w narzędziach do szacowania.

      • Uproszczone parametry trenowania rozproszonego w narzędziach do szacowania.

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

2019-09-09

Nowe środowisko internetowe (wersja zapoznawcza) dla obszarów roboczych usługi Azure Machine Edukacja

Nowe środowisko internetowe umożliwia analitykom danych i inżynierom danych ukończenie kompleksowego cyklu życia uczenia maszynowego od preppingu i wizualizacji danych do trenowania i wdrażania modeli w jednej lokalizacji.

Interfejs użytkownika obszaru roboczego usługi Azure Machine Edukacja (wersja zapoznawcza)

Najważniejsze funkcje:

Korzystając z tego nowego interfejsu usługi Azure Machine Edukacja, możesz teraz:

W tej wersji obsługiwane są następujące przeglądarki: Chrome, Firefox, Safari i Microsoft Edge Preview.

Znane problemy:

  1. Odśwież przeglądarkę, jeśli zobaczysz komunikat "Wystąpił problem! Błąd podczas ładowania plików fragmentów", gdy wdrażanie jest w toku.

  2. Nie można usunąć ani zmienić nazwy pliku w notesach i plikach. W publicznej wersji zapoznawczej możesz użyć interfejsu użytkownika programu Jupyter lub terminalu na maszynie wirtualnej notesu do wykonywania operacji aktualizacji plików. Ponieważ jest to zainstalowany system plików sieciowych, wszystkie zmiany wprowadzone na maszynie wirtualnej notesu są natychmiast odzwierciedlane w obszarze roboczym notesu.

  3. Aby połączyć się za pomocą protokołu SSH z maszyną wirtualną notesu:

    1. Znajdź klucze SSH utworzone podczas konfigurowania maszyny wirtualnej. Możesz też znaleźć klucze w obszarze roboczym > usługi Azure Machine Edukacja otwórz kartę Obliczenia, aby zlokalizować maszynę > wirtualną notesu na liście>, otwórz jej właściwości: skopiuj klucze z okna dialogowego.
    2. Zaimportuj te publiczne i prywatne klucze SSH na komputer lokalny.
    3. Użyj ich do SSH na maszynie wirtualnej notesu.

2019-09-03

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.60

  • Nowe funkcje

    • Wprowadzono zestaw FileDataset, który odwołuje się do pojedynczych lub wielu plików w magazynach danych lub publicznych adresach URL. Pliki mogą mieć dowolny format. PlikDataset zapewnia możliwość pobierania lub instalowania plików w obliczeniach.
    • Dodano obsługę języka Yaml potoku dla kroków języka PythonScript, krok adla, krok usługi Databricks, krok DataTransferStep i krok usługi AzureBatch

  • Poprawki i ulepszenia błędów

    • azureml-automl-core

      • Funkcja AutoArima jest teraz sugerowanym potokiem tylko w wersji zapoznawczej.
      • Ulepszone raportowanie błędów na potrzeby prognozowania.
      • Ulepszono rejestrowanie przy użyciu niestandardowych wyjątków zamiast ogólnych w zadaniach prognozowania.
      • Usunięto sprawdzanie max_concurrent_iterations, aby była mniejsza niż całkowita liczba iteracji.
      • Modele automatycznego uczenia maszynowego zwracają teraz autoMLExceptions
      • Ta wersja zwiększa wydajność wykonywania automatycznych przebiegów uczenia maszynowego.

    • azureml-core

      • Wprowadzenie do Dataset.get_all(obszaru roboczego), który zwraca słownik TabularDataset obiektów i FileDataset z kluczem nazwy rejestracji.
      workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']

      • Wprowadź parition_format jako argument do Dataset.Tabular.from_delimited_files i Dataset.Tabular.from_parquet.files. Informacje o partycji każdej ścieżki danych są wyodrębniane do kolumn na podstawie określonego formatu. Element "{column_name}" tworzy kolumnę ciągu i "{column_name:rrrr/MM/dd/HH/mm/ss}" tworzy kolumnę datetime, gdzie "rrrr", "MM", "dd", "HH", "mm" i "ss" są używane do wyodrębniania roku, miesiąca, dnia, godziny, minuty i sekundy dla typu daty/godziny. Partition_format powinien rozpoczynać się od pozycji pierwszego klucza partycji do końca ścieżki pliku. Na przykład, biorąc pod uwagę ścieżkę '.. /USA/2019/01/01/data.csv", gdzie partycja jest według kraju/regionu i godziny, partition_format='/{Country}/{PartitionDate:rrrr/MM/dd}/data.csv' tworzy kolumnę ciągu "Country" z wartością "USA" i kolumną datetime "PartitionDate" o wartości "2019-01-01-01".

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

      • Wprowadź partition_format jako argument do Dataset.Tabular.from_delimited_files i Dataset.Tabular.from_parquet.files. Informacje o partycji każdej ścieżki danych są wyodrębniane do kolumn na podstawie określonego formatu. Element "{column_name}" tworzy kolumnę ciągu i "{column_name:rrrr/MM/dd/HH/mm/ss}" tworzy kolumnę datetime, gdzie "rrrr", "MM", "dd", "HH", "mm" i "ss" są używane do wyodrębniania roku, miesiąca, dnia, godziny, minuty i sekundy dla typu daty/godziny. Partition_format powinien rozpoczynać się od pozycji pierwszego klucza partycji do końca ścieżki pliku. Na przykład, biorąc pod uwagę ścieżkę '.. /USA/2019/01/01/data.csv", gdzie partycja jest według kraju/regionu i godziny, partition_format='/{Country}/{PartitionDate:rrrr/MM/dd}/data.csv' tworzy kolumnę ciągu "Country" z wartością "USA" i kolumną datetime "PartitionDate" o wartości "2019-01-01-01".

      • to_csv_files metody i to_parquet_files zostały dodane do elementu TabularDataset. Te metody umożliwiają konwersję między elementami a i TabularDatasetFileDataset przez przekonwertowanie danych na pliki określonego formatu.

      • Automatycznie zaloguj się do rejestru obrazów podstawowych podczas zapisywania pliku Dockerfile wygenerowanego przez model.package().

      • "gpu_support" nie jest już konieczne; Usługa AML automatycznie wykrywa i używa rozszerzenia nvidia docker, gdy jest dostępna. Zostanie on usunięty w przyszłej wersji.

      • Dodano obsługę tworzenia, aktualizowania i używania elementu PipelineDrafts.

      • Ta wersja zwiększa wydajność wykonywania automatycznych przebiegów uczenia maszynowego.

      • Użytkownicy mogą wysyłać zapytania o metryki z historii uruchamiania według nazwy.

      • Ulepszono rejestrowanie przy użyciu niestandardowych wyjątków zamiast ogólnych w zadaniach prognozowania.

    • azureml-explain-model

      • Dodano parametr feature_maps do nowego programu MimicWrapper, co umożliwia użytkownikom uzyskanie nieprzetworzonych wyjaśnień funkcji.
      • Przekazywanie zestawów danych jest domyślnie wyłączone w celu przekazania wyjaśnień i można je ponownie włączyć za pomocą polecenia upload_datasets=True
      • Dodano parametry filtrowania "is_law" do listy wyjaśnień i pobierania funkcji.
      • Dodaje metodę get_raw_explanation(feature_maps) do obiektów objaśnień globalnych i lokalnych.
      • Dodano sprawdzanie wersji w celu lightgbm z wydrukowanym ostrzeżeniem, jeśli jest poniżej obsługiwanej wersji
      • Zoptymalizowane użycie pamięci podczas dzielenia na partie wyjaśnień
      • Modele automatycznego uczenia maszynowego zwracają teraz autoMLExceptions

    • azureml-pipeline-core

      • Dodano obsługę tworzenia, aktualizowania i używania potoków PipelineDrafts — można ich używać do obsługi modyfikowalnych definicji potoków i używać ich interaktywnie do uruchamiania

    • azureml-train-automl

      • Utworzono funkcję umożliwiającą zainstalowanie określonych wersji narzędzia pytorch z obsługą procesora GPU w wersji 1.1.0, cuda zestawu narzędzi 9.0, funkcji przekształcania pytorch, które są wymagane do włączenia BERT/ XLNet w zdalnym środowisku uruchomieniowym języka Python.

    • azureml-train-core

      • Wczesna awaria niektórych błędów definicji przestrzeni hiperparametrów bezpośrednio w zestawie SDK zamiast po stronie serwera.

Zestaw AZURE Machine Edukacja Data Prep SDK w wersji 1.1.14

  • Poprawki i ulepszenia błędów
    • Włączono zapisywanie w usługach ADLS/ADLSGen2 przy użyciu nieprzetworzonej ścieżki i poświadczeń.
    • Usunięto usterkę, która spowodowała include_path=True , że nie działa program read_parquet.
    • Naprawiono to_pandas_dataframe() błąd spowodowany przez wyjątek "Nieprawidłowa wartość właściwości: hostSecret".
    • Usunięto usterkę polegającą na tym, że nie można było odczytać plików w systemie plików DBFS w trybie platformy Spark.

2019-08-19

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.57

  • Nowe funkcje

    • TabularDataset Włączone do korzystania z zautomatyzowanego uczenia maszynowego. Aby dowiedzieć się więcej o usłudze TabularDataset, odwiedź stronęhttps://aka.ms/azureml/howto/createdatasets.

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Teraz można zaktualizować certyfikat TLS/SSL dla punktu końcowego oceniania wdrożonego w klastrze usługi AKS zarówno dla wygenerowanego przez firmę Microsoft, jak i certyfikatu klienta.
    • azureml-automl-core
      • Rozwiązano problem w rozwiązaniu AutoML, który polegał na tym, że wiersze z brakującymi etykietami nie były prawidłowo usuwane.
      • Ulepszone rejestrowanie błędów w rozwiązaniu AutoML; pełne komunikaty o błędach będą teraz zawsze zapisywane w pliku dziennika.
      • Rozwiązanie AutoML zaktualizowało przypinanie pakietu w celu uwzględnienia azureml-defaultselementów , azureml-explain-modeli azureml-dataprep. AutoML nie ostrzega już o niezgodnościach pakietów (z wyjątkiem azureml-train-automl pakietu).
      • Rozwiązano problem timeseries polegający na tym, że podziały cv mają nierówny rozmiar powodujący niepowodzenie obliczania pojemnika.
      • Podczas uruchamiania iteracji zespołu dla typu trenowania krzyżowego walidacji, jeśli wystąpił problem z pobraniem modeli wyszkolonych w całym zestawie danych, mieliśmy niespójność między wagami modelu a modelami, które były wprowadzane do zespołu głosujących.
      • Naprawiono błąd, który został zgłoszony podczas trenowania i/lub etykiet weryfikacji (y i y_valid) są udostępniane w postaci ramek danych biblioteki pandas, ale nie jako tablicy numpy.
      • Rozwiązano problem z zadaniami prognozowania, gdy w kolumnach logicznych tabel wejściowych wystąpił brak.
      • Zezwalaj użytkownikom rozwiązania AutoML na usuwanie serii treningowych, które nie są wystarczająco długie podczas prognozowania. — Zezwalaj użytkownikom automatycznego uczenia maszynowego na upuszczanie ziarna z zestawu testowego, który nie istnieje w zestawie treningowym podczas prognozowania.
    • azureml-core
      • Rozwiązano problem z porządkowaniem parametrów blob_cache_timeout.
      • Dodano typy wyjątków dopasowania zewnętrznego i przekształcania ich do błędów systemowych.
      • Dodano obsługę wpisów tajnych usługi Key Vault dla przebiegów zdalnych. Dodaj klasę do dodawania, pobierania azureml.core.keyvault.Keyvault i wyświetlania listy wpisów tajnych z magazynu kluczy skojarzonego z obszarem roboczym. Obsługiwane operacje to:
        • azureml.core.workspace.Workspace.get_default_keyvault()
        • azureml.core.keyvault.Keyvault.set_secret(nazwa, wartość)
        • azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
        • azureml.core.keyvault.Keyvault.get_secret(nazwa)
        • azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
        • azureml.core.keyvault.Keyvault.list_secrets()
        • Więcej metod uzyskiwania domyślnego magazynu kluczy i uzyskiwania wpisów tajnych podczas zdalnego uruchamiania:
        • azureml.core.workspace.Workspace.get_default_keyvault()
        • azureml.core.run.Run.get_secret(nazwa)
        • azureml.core.run.Run.get_secrets(secrets_list)
      • Dodano inne parametry zastąpienia do polecenia submit-hyperdrive CLI.
      • Zwiększ niezawodność wywołań interfejsu API, rozszerzając ponawianie prób do typowych wyjątków biblioteki żądań.
      • Dodaj obsługę przesyłania przebiegów z przesłanego przebiegu.
      • Rozwiązano problem z wygasającym tokenem SAS w aplikacji FileWatcher, który spowodował, że pliki przestały być przekazywane po wygaśnięciu początkowego tokenu.
      • Obsługiwane importowanie plików CSV/tsv HTTP w zestawie danych Python SDK.
      • Przestarzała metoda Workspace.setup(). Komunikat ostrzegawczy wyświetlany użytkownikom sugeruje użycie zamiast tego polecenia create() lub get()/from_config().
      • Dodano Environment.add_private_pip_wheel(), która umożliwia przekazywanie prywatnych niestandardowych pakietów whljęzyka Python do obszaru roboczego i bezpieczne używanie ich do kompilowania/materializowania środowiska.
      • Teraz można zaktualizować certyfikat TLS/SSL dla punktu końcowego oceniania wdrożonego w klastrze usługi AKS zarówno dla wygenerowanego przez firmę Microsoft, jak i certyfikatu klienta.
    • azureml-explain-model
      • Dodano parametr umożliwiający dodanie identyfikatora modelu do wyjaśnień dotyczących przekazywania.
      • Dodano is_raw tagowanie do wyjaśnień w pamięci i przekazaniu.
      • Dodano obsługę narzędzia pytorch i testy dla pakietu azureml-explain-model.
    • azureml-opendatasets
      • Obsługa wykrywania i rejestrowania środowiska automatycznego testowania.
      • Dodano klasy do pobierania populacji USA według hrabstwa i pliku zip.
    • azureml-pipeline-core
      • Dodano właściwość label do definicji portów wejściowych i wyjściowych.
    • azureml-telemetry
      • Naprawiono nieprawidłową konfigurację telemetrii.
    • azureml-train-automl
      • Usunięto usterkę polegającą na tym, że podczas niepowodzenia instalacji błąd nie był rejestrowany w polu "errors" dla uruchomienia instalatora, dlatego nie był przechowywany w nadrzędnym uruchomieniu "errors".
      • Rozwiązano problem w rozwiązaniu AutoML, który polegał na tym, że wiersze z brakującymi etykietami nie były prawidłowo usuwane.
      • Zezwalaj użytkownikom rozwiązania AutoML na usuwanie serii treningowych, które nie są wystarczająco długie podczas prognozowania.
      • Zezwalaj użytkownikom automatycznego uczenia maszynowego na usuwanie ziarna z zestawu testów, który nie istnieje w zestawie treningowym podczas prognozowania.
      • Teraz funkcja AutoMLStep przechodzi przez automl konfigurację do zaplecza, aby uniknąć problemów ze zmianami lub dodatkami nowych parametrów konfiguracji.
      • Funkcja AutoML Data Guardrail jest teraz dostępna w publicznej wersji zapoznawczej. Użytkownik zobaczy raport dotyczący usługi Data Guardrail (w przypadku zadań klasyfikacji/regresji) po trenowaniu, a także będzie mógł uzyskać do niego dostęp za pośrednictwem interfejsu API zestawu SDK.
    • azureml-train-core
      • Dodano obsługę torch 1.2 w narzędziu do szacowania PyTorch.
    • azureml-widgets
      • Ulepszone wykresy macierzy pomyłek na potrzeby trenowania klasyfikacji.

Zestaw AZURE Machine Edukacja Data Prep SDK w wersji 1.1.12

  • Nowe funkcje

    • Listy ciągów można teraz przekazywać jako dane wejściowe do read_* metod.

  • Poprawki i ulepszenia błędów

    • Wydajność funkcji została ulepszona podczas uruchamiania read_parquet na platformie Spark.
    • Rozwiązano problem polegający na tym, że column_type_builder niepowodzenie w pojedynczej kolumnie z niejednoznacznymi formatami dat.

Azure Portal

  • Funkcja w wersji zapoznawczej
    • Przesyłanie strumieniowe plików dziennika i danych wyjściowych jest teraz dostępne dla stron szczegółów przebiegu. Przesyłanie strumieniowe plików jest aktualizowane w czasie rzeczywistym, gdy przełącznik podglądu jest włączony.
    • Możliwość ustawiania limitu przydziału na poziomie obszaru roboczego jest zwalniana w wersji zapoznawczej. Przydziały usługi AmlCompute są przydzielane na poziomie subskrypcji, ale teraz umożliwiamy dystrybucję tego limitu przydziału między obszarami roboczymi i przydzielanie go do sprawiedliwego udostępniania i ładu. Wystarczy kliknąć blok Użycie i przydziały na lewym pasku nawigacyjnym obszaru roboczego i wybrać kartę Konfiguruj przydziały . Musisz być administratorem subskrypcji, aby móc ustawić limity przydziału na poziomie obszaru roboczego, ponieważ jest to operacja między obszarami roboczymi.

2019-08-05

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.55

  • Nowe funkcje

    • Uwierzytelnianie oparte na tokenach jest teraz obsługiwane w przypadku wywołań wykonanych w punkcie końcowym oceniania wdrożonym w usłudze AKS. Nadal obsługujemy bieżące uwierzytelnianie oparte na kluczach, a użytkownicy mogą jednocześnie używać jednego z tych mechanizmów uwierzytelniania.
    • Możliwość zarejestrowania magazynu obiektów blob, który znajduje się za siecią wirtualną jako magazyn danych.

  • Poprawki i ulepszenia błędów

    • azureml-automl-core
      • Naprawia usterkę polegającą na tym, że rozmiar walidacji podziałów CV jest mały i powoduje nieprawidłowe przewidywanie względem rzeczywistych wykresów regresji i prognozowania.
      • Rejestrowanie zadań prognozowania na przebiegach zdalnych zostało ulepszone. Teraz użytkownik jest dostarczany z kompleksowym komunikatem o błędzie, jeśli przebieg zakończył się niepowodzeniem.
      • Naprawiono błędy flagi Timeseries , jeśli flaga przetwarzania wstępnego ma wartość True.
      • Wprowadzono więcej komunikatów o błędach sprawdzania poprawności danych prognozowania.
      • Zmniejszenie zużycia pamięci przebiegów rozwiązania AutoML przez upuszczanie i/lub opóźnione ładowanie zestawów danych, szczególnie w przypadku zduplikowanych procesów
    • azureml-contrib-explain-model
      • Dodano flagę model_task w celu wyjaśnienia, aby umożliwić użytkownikowi zastąpienie domyślnej logiki automatycznego wnioskowania dla typu modelu
      • Zmiany widżetu: automatycznie instaluje się z elementem contrib, nie ma więcej nbextension instalacji/włączania — objaśnienie obsługi z globalnymi ważnościami funkcji (na przykład permutacyjnymi)
      • Zmiany na pulpicie nawigacyjnym: — Wykresy skrzynkowe i wykresy skrzypcowe oprócz wykreślania beeswarm na stronie podsumowania — szybsze ustawianie wykresu beeswarm na suwaku "Top -k" — przydatny komunikat wyjaśniający, w jaki sposób jest obliczany top-k — przydatne dostosowywalne komunikaty zamiast wykresów, gdy nie podano danych
    • azureml-core
      • Dodano metodę Model.package() w celu utworzenia obrazów platformy Docker i plików Dockerfile, które hermetyzują modele i ich zależności.
      • Zaktualizowano lokalne usługi internetowe, aby akceptowały polecenia InferenceConfig zawierające obiekty środowiska.
      • Naprawiono model.register() generując nieprawidłowe modele, gdy "". (dla bieżącego katalogu) jest przekazywany jako parametr model_path.
      • Dodaj Run.submit_child, funkcja dubluje plik Experiment.submit podczas określania przebiegu jako elementu nadrzędnego przesłanego przebiegu podrzędnego.
      • Obsługa opcji konfiguracji z pliku Model.register w Run.register_model.
      • Możliwość uruchamiania zadań JAR w istniejącym klastrze.
      • Teraz obsługa parametrów instance_pool_id i cluster_log_dbfs_path.
      • Dodano obsługę używania obiektu Środowiska podczas wdrażania modelu w usłudze sieci Web. Obiekt Environment można teraz udostępnić jako część obiektu InferenceConfig.
      • Dodawanie mapowania appinsifht dla nowych regionów — centralus — westus — northcentralus
      • Dodano dokumentację dla wszystkich atrybutów we wszystkich klasach magazynu danych.
      • Dodano parametr blob_cache_timeout do polecenia Datastore.register_azure_blob_container.
      • Dodano metody save_to_directory i load_from_directory do środowiska azureml.core.environment.Environment.
      • Dodano polecenia "az ml environment download" i "az ml environment register" do interfejsu wiersza polecenia.
      • Dodano metodę Environment.add_private_pip_wheel.
    • azureml-explain-model
      • Dodano śledzenie zestawu danych do wyjaśnień przy użyciu usługi Dataset (wersja zapoznawcza).
      • Zmniejszenie domyślnego rozmiaru partii podczas przesyłania strumieniowego globalnych wyjaśnień z zakresu od 10k do 100.
      • Dodano flagę model_task w celu wyjaśnienia, aby umożliwić użytkownikowi zastąpienie domyślnej logiki automatycznego wnioskowania dla typu modelu.
    • azureml-mlflow
      • Usunięto usterkę w mlflow.azureml.build_image, w której zagnieżdżone katalogi są ignorowane.
    • azureml-pipeline-steps
      • Dodano możliwość uruchamiania zadań JAR w istniejącym klastrze usługi Azure Databricks.
      • Dodano obsługę parametrów instance_pool_id i cluster_log_dbfs_path dla kroku DatabricksStep.
      • Dodano obsługę parametrów potoku w kroku DatabricksStep.
    • azureml-train-automl
      • Dodano docstrings dla plików powiązanych z zespołem.
      • Zaktualizowano dokumenty do bardziej odpowiedniego języka dla max_cores_per_iteration i max_concurrent_iterations
      • Rejestrowanie zadań prognozowania na przebiegach zdalnych zostało ulepszone. Teraz użytkownik jest dostarczany z kompleksowym komunikatem o błędzie, jeśli przebieg zakończył się niepowodzeniem.
      • Usunięto get_data z notesu potoku automlstep .
      • Uruchomiono obsługę dataprep w programie automlstep.

Zestaw AZURE Machine Edukacja Data Prep SDK w wersji 1.1.10

  • Nowe funkcje
    • Teraz możesz poprosić o wykonanie określonych inspektorów (na przykład histogramu, wykresu punktowego itp.) w określonych kolumnach.
    • Dodano argument równoległości do append_columnselementu . Jeśli prawda, dane są ładowane do pamięci, ale wykonywanie jest wykonywane równolegle; jeśli wartość False, wykonywanie jest przesyłane strumieniowo, ale jednowątkowe.

2019-07-23

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.53

  • Nowe funkcje

  • Poprawki i ulepszenia błędów

    • azure-cli-ml
      • Polecenia interfejsu wiersza polecenia "wdrażanie modelu" i "aktualizacja usługi" akceptują teraz parametry, pliki konfiguracji lub kombinację tych dwóch. Parametry mają pierwszeństwo przed atrybutami w plikach.
      • Opis modelu można teraz zaktualizować po rejestracji
    • azureml-automl-core
      • Zaktualizuj zależność NimbusML do wersji 1.2.0 (najnowsza wersja).
      • Dodanie obsługi narzędzi do szacowania NimbusML i potoków, które mają być używane w narzędziach do szacowania automatycznego uczenia maszynowego.
      • Naprawienie usterki w procedurze wyboru Zespół, która niepotrzebnie zwiększała wynikowy zespół, nawet jeśli wyniki pozostały stałe.
      • Włącz ponowne użycie niektórych cech w podziałach CV na potrzeby zadań prognozowania. Przyspiesza to czas wykonywania instalacji przez mniej więcej czynnik n_cross_validations w przypadku kosztownych cech, takich jak opóźnienia i okna stopniowe.
      • Rozwiązanie problemu, jeśli limit czasu jest poza zakresem czasu obsługiwanym przez bibliotekę pandas. Teraz zgłaszamy wyjątek DataException, jeśli czas jest krótszy niż pd. Sygnatura czasowa.min lub większa niż pd. Timestamp.max
      • Prognozowanie umożliwia teraz różne częstotliwości w zestawach treningowych i testowych, jeśli można je dopasować. Na przykład "kwartalny od stycznia" i "kwartalnie począwszy od października" można wyrównać.
      • Właściwość "parameters" została dodana do elementu TimeSeriesTransformer.
      • Usuń stare klasy wyjątków.
      • W zadaniach target_lags prognozowania parametr akceptuje teraz pojedynczą wartość całkowitą lub listę liczb całkowitych. Jeśli podano liczbę całkowitą, zostanie utworzone tylko jedno opóźnienie. Jeśli zostanie podana lista, są pobierane unikatowe wartości opóźnień. target_lags=[1, 2, 2, 4] tworzy opóźnienia jednego, dwóch i czterech okresów.
      • Usunięto usterkę dotyczącą utraty typów kolumn po przekształceniu (połączona usterka);
      • W model.forecast(X, y_query)systemie zezwalaj y_query na typ obiektu zawierający wartości None(s) na początku (#459519).
      • Dodawanie oczekiwanych wartości do automl danych wyjściowych
    • azureml-contrib-datadrift
      • Ulepszenia przykładowego notesu, w tym przełączanie się na zestawy azureml-opendatasets zamiast azureml-contrib-opendatasets i ulepszenia wydajności podczas wzbogacania danych
    • azureml-contrib-explain-model
      • Naprawiono argument przekształcania dla narzędzia objaśniającego LIME dla ważności nieprzetworzonej funkcji w pakiecie azureml-contrib-explain-model
      • Dodano segmentacje do wyjaśnień obrazów w objaśnieniu obrazu dla pakietu AzureML-contrib-explain-model
      • Dodawanie obsługi rozrzedzonego scipy dla limeExplainer
      • Dodano batch_size element wyjaśniający, gdy include_local=Falsefunkcja , w przypadku przesyłania strumieniowego globalnych wyjaśnień w partiach w celu poprawy czasu wykonywania elementu DecisionTreeExplainableModel
    • azureml-contrib-featureengineering
      • Poprawka dotycząca wywoływania metody set_featurizer_timeseries_params(): zmiana typu wartości dyktowania i sprawdzanie wartości null — dodawanie notesu do timeseries cechowania
      • Zaktualizuj zależność NimbusML do wersji 1.2.0 (najnowsza wersja).
    • azureml-core
      • Dodano możliwość dołączania magazynów danych SYSTEMU PLIKÓW DBFS w interfejsie wiersza polecenia usługi Azure Machine Edukacja
      • Usunięto usterkę polegającą na przekazaniu magazynu danych, w której został utworzony pusty folder, jeśli target_path został uruchomiony /
      • Rozwiązano deepcopy problem w usłudze ServicePrincipalAuthentication.
      • Dodano polecenia "az ml environment show" i "az ml environment list" do interfejsu wiersza polecenia.
      • Środowiska obsługują teraz określanie base_dockerfile jako alternatywy dla już utworzonego base_image.
      • Nieużywane ustawienie RunConfiguration auto_prepare_environment zostało oznaczone jako przestarzałe.
      • Opis modelu można teraz zaktualizować po rejestracji
      • Usterka: Usuwanie modelu i obrazu zawiera teraz więcej informacji na temat pobierania obiektów nadrzędnych, które zależą od nich, jeśli usuwanie nie powiedzie się z powodu zależności nadrzędnej.
      • Usunięto usterkę, która wydrukowała pusty czas trwania wdrożeń występujących podczas tworzenia obszaru roboczego dla niektórych środowisk.
      • Ulepszono wyjątki błędów tworzenia obszaru roboczego. W takim przypadku użytkownicy nie widzą komunikatu "Nie można utworzyć obszaru roboczego. Nie można odnaleźć..." jako komunikat i zamiast tego zobaczyć rzeczywisty błąd tworzenia.
      • Dodano obsługę uwierzytelniania tokenów w usługach internetowych usługi AKS.
      • Dodaj get_token() metodę do Webservice obiektów.
      • Dodano obsługę interfejsu wiersza polecenia do zarządzania zestawami danych uczenia maszynowego.
      • Datastore.register_azure_blob_container Teraz opcjonalnie przyjmuje blob_cache_timeout wartość (w sekundach), która konfiguruje parametry instalacji blobfuse w celu włączenia wygaśnięcia pamięci podręcznej dla tego magazynu danych. Wartość domyślna to brak limitu czasu, na przykład gdy obiekt blob jest odczytywany, pozostaje w lokalnej pamięci podręcznej do momentu zakończenia zadania. Większość zadań preferuje to ustawienie, ale niektóre zadania muszą odczytywać więcej danych z dużego zestawu danych niż zmieści się w ich węzłach. W przypadku tych zadań dostrajanie tego parametru pomaga im zakończyć się powodzeniem. Należy zachować ostrożność podczas dostrajania tego parametru: ustawienie zbyt małej wartości może spowodować niską wydajność, ponieważ dane używane w epoki mogą wygasnąć przed ponownym użyciem. Wszystkie operacje odczytu są wykonywane z magazynu/sieci obiektów blob, a nie lokalnej pamięci podręcznej, co negatywnie wpływa na czas trenowania.
      • Opis modelu można teraz poprawnie zaktualizować po rejestracji
      • Usuwanie modelu i obrazu zawiera teraz więcej informacji o obiektach nadrzędnych, które są od nich zależne, co powoduje niepowodzenie usuwania
      • Zwiększ wykorzystanie zasobów przebiegów zdalnych przy użyciu pliku azureml.mlflow.
    • azureml-explain-model
      • Naprawiono argument przekształcania dla narzędzia objaśniającego LIME dla ważności nieprzetworzonej funkcji w pakiecie azureml-contrib-explain-model
      • dodawanie obsługi rozrzedzonego scipy dla LimeExplainer
      • dodano otokę wyjaśnień liniowych kształtu i inny poziom objaśnienia tabelarycznego w celu wyjaśnienia modeli liniowych
      • w przypadku wyjaśnień naśladujących w bibliotece modeli wyjaśnień naprawiono błąd, gdy include_local=Fałsz dla rozrzedliwych danych wejściowych
      • dodawanie oczekiwanych wartości do automl danych wyjściowych
      • naprawiono ważność funkcji permutacji, gdy argument przekształcenia dostarczony w celu uzyskania ważności nieprzetworzonych funkcji
      • dodano batch_size element wyjaśniający, gdy include_local=Falsefunkcja , w przypadku przesyłania strumieniowego globalnych wyjaśnień w partiach w celu poprawy czasu wykonywania elementu DecisionTreeExplainableModel
      • w przypadku biblioteki objaśnień modelu stałe wyjaśnienia blackbox, w których dane wejściowe ramki danych biblioteki pandas są wymagane do przewidywania
      • Usunięto usterkę polegającą na tym, że explanation.expected_values czasami zwracała zmiennoprzecinkowy, a nie listę z zmiennoprzecinkowym.
    • azureml-mlflow
      • Zwiększanie wydajności mlflow.set_experiment (experiment_name)
      • Usunięto usterkę dotyczącą używania elementu InteractiveLoginAuthentication dla tracking_uri mlflow
      • Zwiększ wykorzystanie zasobów przebiegów zdalnych przy użyciu pliku azureml.mlflow.
      • Ulepszanie dokumentacji pakietu azureml-mlflow
      • Usterka poprawki polegająca na tym, że mlflow.log_artifacts("my_dir") zapisuje artefakty my_dir/<artifact-paths> zamiast <artifact-paths>
    • azureml-opendatasets
      • Przypnij pyarrow do opendatasets starych wersji (<0.14.0) z powodu problemu z pamięcią, który został tam nowo wprowadzony.
      • Przenieś zestawy azureml-contrib-opendatasets do zestawu azureml-opendatasets.
      • Zezwalaj na rejestrację otwartych klas zestawów danych w obszarze roboczym usługi Azure Machine Edukacja i bezproblemowe używanie funkcji zestawu danych AML.
      • Znacznie zwiększ wydajność noaaIsdWeather w wersji innej niż SPARK.
    • azureml-pipeline-steps
      • Magazyn danych DBFS jest teraz obsługiwany dla danych wejściowych i wyjściowych w usłudze DatabricksStep.
      • Zaktualizowano dokumentację kroku usługi Azure Batch dotyczącą danych wejściowych/wyjściowych.
      • W obszarze AzureBatchStep zmieniono delete_batch_job_after_finish wartość domyślną na true.
    • azureml-telemetry
      • Przenieś zestawy azureml-contrib-opendatasets do zestawu azureml-opendatasets.
      • Zezwalaj na rejestrację otwartych klas zestawów danych w obszarze roboczym usługi Azure Machine Edukacja i bezproblemowe używanie funkcji zestawu danych AML.
      • Znacznie zwiększ wydajność noaaIsdWeather w wersji innej niż SPARK.
    • azureml-train-automl
      • Zaktualizowano dokumentację dotyczącą get_output, aby odzwierciedlić rzeczywisty typ zwracany i udostępnić inne uwagi dotyczące pobierania właściwości klucza.
      • Zaktualizuj zależność NimbusML do wersji 1.2.0 (najnowsza wersja).
      • dodawanie oczekiwanych wartości do automl danych wyjściowych
    • azureml-train-core
      • Ciągi są teraz akceptowane jako docelowy obiekt obliczeniowy dla automatycznego dostrajania hiperparametrów
      • Nieużywane ustawienie RunConfiguration auto_prepare_environment zostało oznaczone jako przestarzałe.

Azure Machine Edukacja Zestaw SDK przygotowywania danych w wersji 1.1.9

  • Nowe funkcje

    • Dodano obsługę odczytywania pliku bezpośrednio z adresu URL http lub https.

  • Poprawki i ulepszenia błędów

    • Ulepszony komunikat o błędzie podczas próby odczytania zestawu danych Parquet ze źródła zdalnego (który nie jest obecnie obsługiwany).
    • Usunięto usterkę podczas zapisywania w formacie pliku Parquet w usłudze ADLS Gen 2 i aktualizowaniu nazwy kontenera usługi ADLS Gen 2 w ścieżce.

2019-07-09

Interfejs wizualny

  • Funkcje w wersji zapoznawczej
    • Dodano moduł "Execute R script" (Wykonywanie skryptu języka R) w interfejsie wizualnym.

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.48

  • Nowe funkcje

    • azureml-opendatasets
      • zestawy azureml-contrib-opendatasets są teraz dostępne jako azureml-opendatasets. Stary pakiet może nadal działać, ale zalecamy korzystanie z zestawów azureml-opendataset w celu uzyskania bardziej zaawansowanych możliwości i ulepszeń.
      • Ten nowy pakiet umożliwia rejestrowanie otwartych zestawów danych jako zestawów danych w obszarze roboczym usługi Azure Machine Edukacja i używanie dowolnych funkcji dostępnych w zestawie danych.
      • Obejmuje również istniejące możliwości, takie jak korzystanie z otwartych zestawów danych, takich jak ramki danych Pandas/SPARK, oraz sprzężenia lokalizacji dla niektórych zestawów danych, takich jak pogoda.

  • Funkcje w wersji zapoznawczej

    • Funkcja HyperDriveConfig może teraz akceptować obiekt potoku jako parametr do obsługi dostrajania hiperparametrów przy użyciu potoku.

  • Poprawki i ulepszenia błędów

    • azureml-train-automl
      • Usunięto usterkę dotyczącą utraty typów kolumn po przekształceniu.
      • Usunięto usterkę umożliwiającą y_query być typem obiektu zawierającym wartości None(s) na początku.
      • Rozwiązano problem w procedurze wyboru Zespół, która niepotrzebnie zwiększała wynikowy zespół, nawet jeśli wyniki pozostały stałe.
      • Rozwiązano problem z ustawieniami zezwalania na list_models i blokowania list_models w narzędziu AutoMLStep.
      • Rozwiązano problem uniemożliwiający użycie przetwarzania wstępnego podczas używania rozwiązania AutoML w kontekście usługi Azure Machine Edukacja Pipelines.
    • azureml-opendatasets
      • Przeniesiono zestawy azureml-contrib-opendatasets do zestawu azureml-opendatasets.
      • Dozwolone otwarte klasy zestawów danych do zarejestrowania w obszarze roboczym usługi Azure Machine Edukacja i bezproblemowe używanie funkcji zestawu danych AML.
      • Ulepszona funkcja NoaaIsdWeather znacznie wzbogaca wydajność w wersji innej niż SPARK.
    • azureml-explain-model
      • Zaktualizowano dokumentację online dotyczącą obiektów możliwości interpretacji.
      • Dodano batch_size element wyjaśniający, gdy include_local=Falsefunkcja , w przypadku przesyłania strumieniowego globalnych wyjaśnień w partiach w celu zwiększenia czasu wykonywania elementu DecisionTreeExplainableModel dla biblioteki objaśnień modelu.
      • Rozwiązano problem polegający na tym, że explanation.expected_values czasami zwracał zmiennoprzecinkowy, a nie listę z zmiennoprzecinkowym.
      • Dodano oczekiwane wartości do automl danych wyjściowych dla wyjaśnień naśladujących w bibliotece modeli wyjaśnień.
      • Naprawiono znaczenie funkcji permutacji, gdy argument przekształcenia dostarczony w celu uzyskania ważności nieprzetworzonych funkcji.
    • azureml-core
      • Dodano możliwość dołączania magazynów danych SYSTEMU PLIKÓW DBFS w interfejsie wiersza polecenia usługi Azure Machine Edukacja.
      • Rozwiązano problem z przekazywaniem magazynu danych, w którym został utworzony pusty folder, jeśli target_path został uruchomiony z /.
      • Włączone porównanie dwóch zestawów danych.
      • Usuwanie modelu i obrazu zawiera teraz więcej informacji na temat pobierania nadrzędnych obiektów, które zależą od nich, jeśli usuwanie nie powiedzie się z powodu zależności nadrzędnej.
      • Przestarzałe ustawienie RunConfiguration nieużywane w auto_prepare_environment.
    • azureml-mlflow
      • Ulepszone wykorzystanie zasobów przebiegów zdalnych korzystających z biblioteki azureml.mlflow.
      • Ulepszono dokumentację pakietu azureml-mlflow.
      • Rozwiązano problem polegający na tym, że mlflow.log_artifacts("my_dir") zapisywało artefakty w obszarze "my_dir/artifact-paths" zamiast "artifact-paths".
    • azureml-pipeline-core
      • Parametr hash_paths dla wszystkich kroków potoku jest przestarzały i zostanie usunięty w przyszłości. Domyślnie zawartość source_directory jest skrótem (z wyjątkiem plików wymienionych w .amlignore lub .gitignore)
      • Dalsze ulepszanie modułu i modułuKrok w celu obsługi modułów specyficznych dla typu obliczeniowego, przygotowania do integracji RunConfiguration i innych zmian w celu odblokowania użycia modułu specyficznego dla typu obliczeniowego w potokach.
    • azureml-pipeline-steps
      • AzureBatchStep: ulepszona dokumentacja dotycząca danych wejściowych/wyjściowych.
      • AzureBatchStep: zmieniono wartość domyślną delete_batch_job_after_finish na true.
    • azureml-train-core
      • Ciągi są teraz akceptowane jako docelowy obiekt obliczeniowy dla automatycznego dostrajania hiperparametrów.
      • Przestarzałe ustawienie RunConfiguration nieużywane w auto_prepare_environment.
      • Przestarzałe parametry conda_dependencies_file_path i pip_requirements_file_path odpowiednio na rzecz conda_dependencies_file i pip_requirements_file .
    • azureml-opendatasets
      • Znacznie zwiększ wydajność noaaIsdWeather w wersji innej niż SPARK.

2019-04-26

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.33 został wydany.

  • Usługa Azure Machine Edukacja modele przyspieszone sprzętu na układach FPGA jest ogólnie dostępna.
    • Teraz możesz użyć pakietu azureml-accel-models w celu:
      • Trenowanie wag obsługiwanej głębokiej sieci neuronowej (ResNet 50, ResNet 152, DenseNet-121, VGG-16 i SSD-VGG)
      • Korzystanie z uczenia transferowego z obsługiwaną siecią DNN
      • Rejestrowanie modelu w usłudze zarządzania modelami i konteneryzowanie modelu
      • Wdrażanie modelu na maszynie wirtualnej platformy Azure przy użyciu fpGA w klastrze usługi Azure Kubernetes Service (AKS)
    • Wdrażanie kontenera na urządzeniu serwera usługi Azure Stack Edge
    • Ocenianie danych za pomocą punktu końcowego gRPC przy użyciu tego przykładu

Zautomatyzowane uczenie maszynowe

  • Funkcja zamiatania umożliwiająca dynamiczne dodawanie featurizers do optymalizacji wydajności. Nowy featurizers: osadzanie pracy, waga dowodów, kodowanie docelowe, kodowanie docelowe tekstu, odległość klastra

  • Inteligentne cv do obsługi uczenia/prawidłowego podziału wewnątrz zautomatyzowanego uczenia maszynowego

  • Niewiele zmian optymalizacji pamięci i poprawy wydajności środowiska uruchomieniowego

  • Poprawa wydajności w objaśnieniu modelu

  • Konwersja modelu ONNX na potrzeby uruchamiania lokalnego

  • Dodano obsługę podprzykładów

  • Inteligentne zatrzymywanie, gdy nie zdefiniowano kryteriów zakończenia

  • Skumulowane zespoły

  • Prognozowanie szeregów czasowych

    • Nowa funkcja przewidywania prognozy
    • Teraz można używać walidacji krzyżowej stopniowej źródła danych szeregów czasowych
    • Dodano nowe funkcje do konfigurowania opóźnień szeregów czasowych
    • Nowe funkcje dodane do obsługi funkcji agregacji okien stopniowych
    • Nowe wykrywanie wakacji i cechowanie, gdy kod kraju/regionu jest zdefiniowany w ustawieniach eksperymentu

  • Azure Databricks

    • Włączone prognozowanie szeregów czasowych i możliwości objaśnienia modelu/możliwości interpretowania
    • Teraz możesz anulować i wznowić (kontynuować) zautomatyzowane eksperymenty uczenia maszynowego
    • Dodano obsługę przetwarzania wielordzeniowego

MLOps

  • Lokalne wdrażanie i debugowanie dla kontenerów oceniania
    Teraz możesz wdrożyć model uczenia maszynowego lokalnie i iterować szybko na pliku oceniania i zależnościach, aby upewnić się, że zachowują się zgodnie z oczekiwaniami.

  • Wprowadzono inferenceConfig & Model.deploy()
    Wdrożenie modelu obsługuje teraz określanie folderu źródłowego za pomocą skryptu wejściowego, tak samo jak w przypadku polecenia RunConfig. Ponadto wdrożenie modelu zostało uproszczone w jednym poleceniu.

  • Śledzenie odwołań usługi Git
    Klienci od jakiegoś czasu żądają podstawowych możliwości integracji z usługą Git, ponieważ pomagają zachować pełny dziennik inspekcji. Zaimplementowaliśmy śledzenie między głównymi jednostkami w usłudze Azure Machine Edukacja na potrzeby metadanych związanych z usługą Git (repozytorium, zatwierdzenie, stan czyszczenia). Te informacje będą zbierane automatycznie przez zestaw SDK i interfejs wiersza polecenia.

  • Profilowanie modelu i usługa walidacji
    Klienci często narzekają na trudności z prawidłowym rozmiarem zasobów obliczeniowych skojarzonych z usługą wnioskowania. Dzięki naszej usłudze profilowania modelu klient może dostarczyć przykładowe dane wejściowe i profilować 16 różnych konfiguracji procesora CPU/pamięci w celu określenia optymalnego rozmiaru wdrożenia.

  • Korzystanie z własnego obrazu podstawowego na potrzeby wnioskowania
    Kolejną częstą skargą było trudności z przejściem z eksperymentów do wnioskowania zależności udostępniania RE. Dzięki naszej nowej funkcji udostępniania obrazów podstawowych można teraz ponownie używać obrazów bazowych eksperymentów, zależności i wszystkich, na potrzeby wnioskowania. Powinno to przyspieszyć wdrożenia i zmniejszyć lukę z wewnętrznej do zewnętrznej pętli.

  • Ulepszone środowisko generowania schematu struktury Swagger
    Nasza poprzednia metoda generowania struktury Swagger była podatna na błędy i niemożliwa do zautomatyzowania. Mamy nowy sposób generowania schematów struktury Swagger z dowolnej funkcji języka Python za pośrednictwem dekoratorów. Ten kod został otwarty i nasz protokół generowania schematu nie jest powiązany z platformą Azure Machine Edukacja.

  • Interfejs wiersza polecenia usługi Azure Machine Edukacja jest ogólnie dostępny (OGÓLNIE)
    Modele można teraz wdrażać za pomocą jednego polecenia interfejsu wiersza polecenia. Otrzymaliśmy wspólną opinię klientów, że nikt nie wdraża modelu uczenia maszynowego z notesu Jupyter. Zaktualizowano dokumentację referencyjną interfejsu wiersza polecenia.

2019-04-22

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.30 został wydany.

Wprowadzono PipelineEndpoint funkcję dodawania nowej wersji opublikowanego potoku przy zachowaniu tego samego punktu końcowego.

2019-04-15

Azure Portal

  • Teraz można ponownie przesłać istniejący skrypt uruchomiony w istniejącym zdalnym klastrze obliczeniowym.
  • Teraz możesz uruchomić opublikowany potok z nowymi parametrami na karcie Potoki.
  • Szczegóły uruchamiania obsługują teraz nową przeglądarkę plików migawek. Migawkę katalogu można wyświetlić po przesłaniu określonego przebiegu. Możesz również pobrać notes, który został przesłany, aby uruchomić przebieg.
  • Teraz możesz anulować uruchomienia nadrzędne w witrynie Azure Portal.

2019-04-08

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.23

  • Nowe funkcje
    • Zestaw AZURE Machine Edukacja SDK obsługuje teraz język Python 3.7.
    • Narzędzia do szacowania sieci DNN platformy Azure Edukacja teraz zapewniają wbudowaną obsługę wielu wersji. Na przykład TensorFlow narzędzie do szacowania akceptuje framework_version teraz parametr, a użytkownicy mogą określić wersję "1.10" lub "1.12". Aby uzyskać listę wersji obsługiwanych przez bieżącą wersję zestawu SDK, wywołaj żądaną get_supported_versions() klasę platformy (na przykład TensorFlow.get_supported_versions()). Aby uzyskać listę wersji obsługiwanych przez najnowszą wersję zestawu SDK, zobacz dokumentację narzędzia do szacowania nazwy sieci rozproszonej.

2019-03-25

Zestaw SDK usługi Azure Machine Edukacja dla języka Python w wersji 1.0.21

  • Nowe funkcje
    • Metoda azureml.core.Run.create_children umożliwia tworzenie wielu przebiegów podrzędnych z małym opóźnieniem przy użyciu jednego wywołania.

2019-03-11

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.18

  • Zmiany
    • Pakiet azureml-tensorboard zastępuje element azureml-contrib-tensorboard.
    • W tej wersji można skonfigurować konto użytkownika w zarządzanym klastrze obliczeniowym (amlcompute), tworząc je. Można to zrobić, przekazując te właściwości w konfiguracji aprowizacji. Więcej szczegółów można znaleźć w dokumentacji referencyjnej zestawu SDK.

Azure Machine Edukacja Zestaw SDK przygotowywania danych w wersji 1.0.17

  • Nowe funkcje

    • Teraz obsługuje dodawanie dwóch kolumn liczbowych w celu wygenerowania wynikowej kolumny przy użyciu języka wyrażeń.

  • Poprawki i ulepszenia błędów

    • Ulepszono dokumentację i sprawdzanie parametrów dla random_split.

2019-02-27

Zestaw AZURE Machine Edukacja Data Prep SDK w wersji 1.0.16

  • Poprawka
    • Rozwiązano problem z uwierzytelnianiem jednostki usługi spowodowany przez zmianę interfejsu API.

2019-02-25

Zestaw AZURE Machine Edukacja SDK dla języka Python w wersji 1.0.17

  • Nowe funkcje

  • Poprawki i ulepszenia błędów

    • Dodaliśmy obsługę potoków usługi Azure Machine Edukacja do ustawiania właściwości source_directory_data_store do żądanego magazynu danych (takiego jak magazyn obiektów blob) w elememencie RunConfigurations, które są dostarczane do obiektu PythonScriptStep. Domyślnie kroki używają magazynu plików platformy Azure jako magazynu danych kopii zapasowej, który może napotkać problemy z ograniczaniem przepustowości, gdy wiele kroków jest wykonywanych jednocześnie.

Azure Portal

  • Nowe funkcje
    • Nowe środowisko przeciągania i upuszczania edytora tabel dla raportów. Użytkownicy mogą przeciągać kolumnę ze źródła do obszaru tabeli, w którym będzie wyświetlany podgląd tabeli. Kolumny można zmienić.
    • Nowa przeglądarka plików dzienników
    • Linki do przebiegów eksperymentów, obliczeń, modeli, obrazów i wdrożeń na karcie działania

Następne kroki

Zapoznaj się z omówieniem usługi Azure Machine Learning.