ModuleStep Classe

  • Referência

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
ModuleStepBase
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
valor predefinido: None

O módulo utilizado no passo . Forneça o module parâmetro ou, module_version mas não ambos.

version
str
valor predefinido: None

A versão do módulo utilizado no passo .

module_version
ModuleVersion
valor predefinido: None

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]]
valor predefinido: None

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]]
valor predefinido: None

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]
valor predefinido: None

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
valor predefinido: None

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]
valor predefinido: None

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"

arguments
list[str]
valor predefinido: None

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

params
dict[str, str]
valor predefinido: None

Um dicionário de pares nome-valor.

name
str
valor predefinido: None

O nome do passo.

_workflow_provider
<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
valor predefinido: None

(Apenas utilização interna.) O fornecedor de fluxo de trabalho.

module
Module
Necessário

O módulo utilizado no passo . Forneça o module parâmetro ou, module_version mas não ambos.

version
str
Necessário

A versão do módulo utilizado no passo .

module_version
ModuleVersion
Necessário

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]]
Necessário

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>]]
Necessário

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]
Necessário

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
Necessário

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]
Necessário

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"

arguments
list[str]
Necessário

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

params
dict[str, str]
Necessário

Um dicionário de pares nome-valor.

name
str
Necessário

O nome do passo.

_wokflow_provider
Necessário

(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

graph
Graph
Necessário

O objeto de gráfico ao que adicionar o nó.

default_datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Necessário

O arquivo de dados predefinido.

context
<xref:azureml.pipeline.core._GraphContext>
Necessário

O contexto do gráfico.

Devoluções

O objeto do nó.

Tipo de retorno

Node