ModuleStep Classe
Cria um passo de pipeline do Azure Machine Learning para executar uma versão específica de um Módulo.
Module Os objetos definem cálculos reutilizáveis, como scripts ou executáveis, que podem ser utilizados em diferentes cenários de machine learning e por utilizadores diferentes. Para utilizar uma versão específica de um Módulo num pipeline, crie um ModuleStep. Um ModuleStep é um passo no pipeline que utiliza um existente ModuleVersion.
Para obter um exemplo de utilização de ModuleStep, consulte o bloco de notas https://aka.ms/pl-modulestep.
Crie um passo de pipeline do Azure ML para executar uma versão específica de um Módulo.
- Herança
-
ModuleStep
Construtor
ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)
Parâmetros
- module
- Module
O módulo utilizado no passo .
Forneça o module
parâmetro ou, module_version
mas não ambos.
- module_version
- ModuleVersion
ModuleVersion do módulo utilizado no passo .
Forneça o module
parâmetro ou, module_version
mas não ambos.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
Um dicionário que mapeia os nomes das definições de porta de ModuleVersion para as entradas do passo.
- outputs_map
- dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
Um dicionário que mapeia os nomes das definições de porta do ModuleVersion para as saídas do passo.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
O destino de computação a utilizar. Se não for especificado, será utilizado o destino do runconfig. Pode ser um objeto de destino de computação ou o nome da cadeia de carateres de um destino de computação na área de trabalho. Opcionalmente, se o destino de computação não estiver disponível no momento da criação do pipeline, poderá especificar uma cadeia de identificação de ("nome de destino de computação", "tipo de destino de computação") para evitar obter o objeto de destino de computação (o tipo AmlCompute é "AmlCompute" e o tipo RemoteCompute é "VirtualMachine").
- runconfig
- RunConfiguration
Uma RunConfiguration opcional a utilizar. Uma RunConfiguration pode ser utilizada para especificar requisitos adicionais para a execução, como dependências conda e uma imagem do Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Uma substituição das propriedades de runconfig no runtime com o valor-chave emparelha cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade.
Valores suportados: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
Uma lista de argumentos da linha de comandos para o ficheiro de script python. Os argumentos serão entregues ao destino de computação através de argumentos em RunConfiguration. Para obter mais detalhes sobre como lidar com argumentos como símbolos especiais, veja os argumentos em RunConfiguration
- _workflow_provider
- <xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
(Apenas utilização interna.) O fornecedor de fluxo de trabalho.
- module
- Module
O módulo utilizado no passo .
Forneça o module
parâmetro ou, module_version
mas não ambos.
- module_version
- ModuleVersion
ModuleVersion do módulo utilizado no passo .
Forneça o module
parâmetro ou, module_version
mas não ambos.
- inputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]]
Um dicionário que mapeia os nomes das definições de porta de ModuleVersion para as entradas do passo.
- outputs_map
- dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]]
Um dicionário que mapeia os nomes das definições de porta do ModuleVersion para as saídas do passo.
- compute_target
- Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]
O destino de computação a utilizar. Se não for especificado, será utilizado o destino do runconfig. Pode ser um objeto de destino de computação ou o nome da cadeia de carateres de um destino de computação na área de trabalho. Opcionalmente, se o destino de computação não estiver disponível no momento da criação do pipeline, poderá especificar uma cadeia de identificação de ("nome de destino de computação", "tipo de destino de computação") para evitar obter o objeto de destino de computação (o tipo AmlCompute é "AmlCompute" e o tipo RemoteCompute é "VirtualMachine").
- runconfig
- RunConfiguration
Uma RunConfiguration opcional a utilizar. Uma RunConfiguration pode ser utilizada para especificar requisitos adicionais para a execução, como dependências conda e uma imagem do Docker.
- runconfig_pipeline_params
- dict[str, PipelineParameter]
Uma substituição das propriedades de runconfig no runtime com o valor-chave emparelha cada uma com o nome da propriedade runconfig e PipelineParameter para essa propriedade.
Valores suportados: "NodeCount", "MpiProcessCountPerNode", "TensorflowWorkerCount", "TensorflowParameterServerCount"
Uma lista de argumentos da linha de comandos para o ficheiro de script python. Os argumentos serão entregues ao destino de computação através de argumentos em RunConfiguration. Para obter mais detalhes sobre como lidar com argumentos como símbolos especiais, veja os argumentos em RunConfiguration
- _wokflow_provider
(Apenas utilização interna.) O fornecedor de fluxo de trabalho.
Observações
A Module é utilizado para criar e gerir uma unidade computacional resutilizável de um pipeline do Azure Machine Learning. ModuleStep é o passo incorporado no Azure Machine Learning utilizado para consumir um módulo. Pode definir especificamente que ModuleVersion utilizar ou permitir que o Azure Machine Learning resolva que ModuleVersion utilizar ao seguir o processo de resolução definido na secção de observações da Module classe. Para definir que ModuleVersion é utilizado num pipeline submetido, defina um dos seguintes ao criar um ModuleStep:
Um ModuleVersion objeto.
Um Module objeto e um valor de versão.
Um Module objeto sem um valor de versão. Neste caso, a resolução de versões pode variar consoante as submissões.
Tem de definir o mapeamento entre as entradas e saídas do ModuleStep para as entradas e saídas do ModuleVersion.
O exemplo seguinte mostra como criar um ModuleStep como parte do pipeline com vários objetos ModuleStep:
middle_step = ModuleStep(module=module,
inputs_map= middle_step_input_wiring,
outputs_map= middle_step_output_wiring,
runconfig=RunConfiguration(), compute_target=aml_compute,
arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
"--output_sum", middle_sum, "--output_product", middle_prod])
O exemplo completo está disponível a partir de https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-modulestep.ipynb
Métodos
create_node |
Crie um nó a partir do passo ModuleStep e adicione-o ao gráfico especificado. Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que representa o fluxo de trabalho. |
create_node
Crie um nó a partir do passo ModuleStep e adicione-o ao gráfico especificado.
Este método não se destina a ser utilizado diretamente. Quando um pipeline é instanciado com este passo, o Azure ML transmite automaticamente os parâmetros necessários através deste método para que esse passo possa ser adicionado a um gráfico de pipeline que representa o fluxo de trabalho.
create_node(graph, default_datastore, context)
Parâmetros
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
O arquivo de dados predefinido.
- context
- <xref:azureml.pipeline.core._GraphContext>
O contexto do gráfico.
Devoluções
O objeto do nó.
Tipo de retorno
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários