core Paket
Innehåller kärnpaket, moduler och klasser för Azure Machine Learning.
Huvudområden är att hantera beräkningsmål, skapa/hantera arbetsytor och experiment samt skicka/komma åt modellkörningar och köra utdata/loggning.
Paket
compute |
Det här paketet innehåller klasser som används för att hantera beräkningsmål i Azure Machine Learning. Mer information om hur du väljer beräkningsmål för träning och distribution finns i Vad är beräkningsmål i Azure Machine Learning? |
image |
Innehåller funktioner för att hantera avbildningar som distribueras som webbtjänstslutpunkter i Azure Machine Learning. Den här klassen är INAKTUELL. Environment Använd klassen i stället. En avbildning används för att distribuera ett Model, skript och associerade filer som en webbtjänstslutpunkt eller IoT Edge enhet. Slutpunkten hanterar inkommande bedömningsbegäranden och returnerar förutsägelser. Det här paketets nyckelklasser är Image klassen, den överordnade klassen för Azure Machine Learning-avbildningar och den härledda ContainerImage klassen för Docker-avbildningar samt förhandsgranskningsbilder som FPGA. Om du inte har ett arbetsflöde som specifikt kräver användning av bilder bör du i stället använda Environment klassen för att definiera din bild. Sedan kan du använda miljöobjektet med Model Information om hur du använder modellklassen finns i Distribuera modeller med Azure Machine Learning. Information om hur du använder anpassade avbildningar finns i Distribuera en modell med en anpassad Docker-basavbildning. |
webservice |
Innehåller funktioner för att distribuera maskininlärningsmodeller som webbtjänstslutpunkter i Azure Machine Learning. När du distribuerar en Azure Machine Learning-modell som en webbtjänst skapas en slutpunkt och ett REST-API. Du kan skicka data till det här API:et och få förutsägelsen som returneras av modellen. Du skapar en webbtjänst när du distribuerar en Model eller Image till Azure Container Instances (aci modul), Azure Kubernetes Service (aks modul) och Azure Kubernetes-slutpunkt (AksEndpoint) eller fältprogrammabla gatematriser (FPGA). Distribution med hjälp av en modell rekommenderas för de flesta användningsfall, medan distribution med hjälp av en avbildning rekommenderas för avancerade användningsfall. Båda typerna av distribution stöds i klasserna i den här modulen. |
Moduler
authentication |
Innehåller funktioner för att hantera olika typer av autentisering i Azure Machine Learning. Typer av autentisering som stöds:
Mer information om dessa autentiseringsmekanismer finns i https://aka.ms/aml-notebook-auth. |
compute_target |
Innehåller funktioner för beräkningsmål som inte hanteras av Azure Machine Learning. Beräkningsmål definierar din träningsmiljö och kan vara antingen lokala eller fjärranslutna resurser i molnet. Med fjärrresurser kan du enkelt skala upp eller skala ut dina maskininlärningsexperiment genom att dra nytta av accelererade processor- och GPU-bearbetningsfunktioner. Information om beräkningsmål som hanteras av Azure Machine Learning finns i ComputeTarget klassen . Mer information finns i Vad är beräkningsmål i Azure Machine Learning? |
conda_dependencies |
Innehåller funktioner för att hantera conda-miljöberoenden. CondaDependencies Använd klassen för att läsa in befintliga Conda-miljöfiler och konfigurera och hantera nya miljöer där experiment körs. |
container_registry |
Innehåller funktioner för att hantera en Azure Container Registry. |
databricks |
Innehåller funktioner för att hantera Databricks-miljöer i Azure Machine Learning. Mer information om hur du arbetar med Databricks i Azure Machine Learning finns i Konfigurera en utvecklingsmiljö för Azure Machine Learning. |
dataset |
Hanterar interaktionen med Azure Machine Learning-datauppsättningar. Den här modulen innehåller funktioner för att använda rådata, hantera data och utföra åtgärder på data i Azure Machine Learning. Använd klassen i den Dataset här modulen för att skapa datauppsättningar tillsammans med funktionerna i data paketet, som innehåller stödklasserna FileDataset och TabularDataset. Information om hur du kommer igång med datauppsättningar finns i artikeln Lägg till & registrera datauppsättningar. |
datastore |
Innehåller funktioner för att hantera datalager i Azure Machine Learning. |
environment |
Innehåller funktioner för att skapa och hantera reproducerbara miljöer i Azure Machine Learning. Miljöer är ett sätt att hantera programvaruberoenden så att kontrollerade miljöer kan återskapas med minimal manuell konfiguration när du flyttar mellan lokala och distribuerade molnutvecklingsmiljöer. En miljö kapslar in Python-paket, miljövariabler, programvaruinställningar för tränings- och bedömningsskript och körningstider på antingen Python, Spark eller Docker. Mer information om hur du använder miljöer för träning och distribution med Azure Machine Learning finns i Skapa och hantera återanvändbara miljöer. |
experiment |
Innehåller funktioner som används för att skicka experiment och hantera experimenthistorik i Azure Machine Learning. |
keyvault |
Innehåller funktioner för att hantera hemligheter i Key Vault som är associerade med en Azure Machine Learning-arbetsyta. Den här modulen innehåller praktiska metoder för att lägga till, hämta, ta bort och lista hemligheter från Azure-Key Vault som är associerade med en arbetsyta. |
linked_service |
Innehåller funktioner för att skapa och hantera länkad tjänst i AML-arbetsytan. |
model |
Innehåller funktioner för att hantera maskininlärningsmodeller i Azure Machine Learning. Model Med klassen kan du utföra följande huvuduppgifter:
Mer information om hur modeller används finns i Så här fungerar Azure Machine Learning: Arkitektur och begrepp. |
private_endpoint |
Innehåller funktioner för att definiera och konfigurera privata Azure-slutpunkter. |
profile |
Innehåller funktioner för profilering av modeller i Azure Machine Learning. |
resource_configuration |
Innehåller funktioner för att hantera resurskonfiguration för Azure Machine Learning-entiteter. |
run |
Innehåller funktioner för att hantera experimentmått och artefakter i Azure Machine Learning. |
runconfig |
Innehåller funktioner för att hantera konfigurationen av experimentkörningar i Azure Machine Learning. Nyckelklassen i den här modulen är RunConfiguration, som kapslar in information som krävs för att skicka en träningskörning på ett angivet beräkningsmål. Konfigurationen innehåller en mängd olika beteendedefinitioner, till exempel om du vill använda en befintlig Python-miljö eller använda en Conda-miljö som har skapats från en specifikation. Andra konfigurationsklasser i modulen nås via RunConfiguration. |
script_run |
Innehåller funktioner för att hantera skickade träningskörningar i Azure Machine Learning. |
script_run_config |
Innehåller funktioner för att hantera konfiguration för att skicka träningskörningar i Azure Machine Learning. |
util |
Innehåller klass för att ange loggningsinformationsnivå. |
workspace |
Innehåller funktioner för att hantera en arbetsyta, resursen på den översta nivån i Azure Machine Learning. Den här modulen Workspace innehåller klassen och dess metoder och attribut som gör att du kan hantera maskininlärningsartefakter som beräkningsmål, miljöer, datalager, experiment och modeller. En arbetsyta är kopplad till en Azure-prenumeration och resursgrupp och är det primära sättet att fakturera. Arbetsytor stöder Azure Resource Manager rollbaserad åtkomstkontroll (RBAC) och regionstillhörighet för alla maskininlärningsdata som sparats på arbetsytan. |
Klasser
ComputeTarget |
Abstrakt överordnad klass för alla beräkningsmål som hanteras av Azure Machine Learning. Ett beräkningsmål är en utsedd beräkningsresurs/miljö där du kör träningsskriptet eller är värd för tjänstdistributionen. Den här platsen kan vara din lokala dator eller en molnbaserad beräkningsresurs. Mer information finns i Vad är beräkningsmål i Azure Machine Learning? ComputeTarget-konstruktor för klass. Hämta en molnrepresentation av ett Compute-objekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade beräkningsobjektet. |
ContainerRegistry |
Definierar en anslutning till en Azure Container Registry. Class ContainerRegistry-konstruktor. |
Dataset |
Representerar en resurs för att utforska, transformera och hantera data i Azure Machine Learning. En datauppsättning är en referens till data i en Datastore eller bakom offentliga webb-URL:er. För metoder som är inaktuella i den här klassen kontrollerar AbstractDataset du klassen för de förbättrade API:erna. Följande typer av datauppsättningar stöds:
Om du vill komma igång med datauppsättningar kan du läsa artikeln Lägg till & registrera datauppsättningar eller se notebook-filerna https://aka.ms/tabulardataset-samplenotebook och https://aka.ms/filedataset-samplenotebook. Initiera datauppsättningsobjektet. Om du vill hämta en datauppsättning som redan har registrerats med arbetsytan använder du metoden get. |
Datastore |
Representerar en lagringsabstraktion över ett Azure Machine Learning-lagringskonto. Datalager är kopplade till arbetsytor och används för att lagra anslutningsinformation till Azure Storage-tjänster så att du kan referera till dem efter namn och inte behöver komma ihåg anslutningsinformationen och hemligheten som används för att ansluta till lagringstjänsterna. Exempel på Azure Storage-tjänster som stöds och som kan registreras som datalager är:
Använd den här klassen för att utföra hanteringsåtgärder, inklusive registrering, lista, hämta och ta bort datalager.
Datalager för varje tjänst skapas med metoderna i den Mer information om datalager och hur de kan användas i maskininlärning finns i följande artiklar: Hämta ett datalager efter namn. Det här anropet skickar en begäran till datalagertjänsten. |
Environment |
Konfigurerar en reproducerbar Python-miljö för maskininlärningsexperiment. En miljö definierar Python-paket, miljövariabler och Docker-inställningar som används i maskininlärningsexperiment, inklusive i förberedelse, träning och distribution av data till en webbtjänst. En miljö hanteras och versionshanteras i en Azure Machine Learning Workspace. Du kan uppdatera en befintlig miljö och hämta en version som ska återanvändas. Miljöer är exklusiva för arbetsytan som de skapas i och kan inte användas på olika arbetsytor. Mer information om miljöer finns i Skapa och hantera återanvändbara miljöer. Konstruktor för klassmiljö. |
Experiment |
Representerar huvudstartpunkten för att skapa och arbeta med experiment i Azure Machine Learning. Ett experiment är en container med utvärderingsversioner som representerar flera modellkörningar. Experimentkonstruktor. |
Image |
Definierar den abstrakta överordnade klassen för Azure Machine Learning-avbildningar. Den här klassen är INAKTUELL. Environment Använd klassen i stället. Bildkonstruktor. Den här klassen är INAKTUELL. Environment Använd klassen i stället. Bildkonstruktorn används för att hämta en molnrepresentation av ett bildobjekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade bildobjektet. |
Keyvault |
Hanterar hemligheter som lagras i Azure Key Vault som är associerade med en Azure Machine Learning-arbetsyta. Varje Azure Machine Learning-arbetsyta har en associerad Azure-Key Vault. Klassen Keyvault är en förenklad omslutning av Azure Key Vault som gör att du kan hantera hemligheter i nyckelvalvet, inklusive inställning, hämtning, borttagning och lista med hemligheter. Använd klassen Keyvault för att skicka hemligheter till fjärrkörningar på ett säkert sätt utan att exponera känslig information i klartext. Mer information finns i Använda hemligheter i träningskörningar. Class Keyvault-konstruktor. |
LinkedService |
Anteckning Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental. Definierar en resurs för att hantera länkning mellan AML-arbetsyta med andra tjänster i Azure. Initiera LinkedService-objektet. |
Model |
Representerar resultatet av maskininlärningsträning. En modell är resultatet av en Azure Machine Learning-utbildning Run eller någon annan modellträningsprocess utanför Azure. Oavsett hur modellen skapas kan den registreras på en arbetsyta, där den representeras av ett namn och en version. Med klassen Modell kan du paketera modeller för användning med Docker och distribuera dem som en realtidsslutpunkt som kan användas för slutsatsdragningsbegäranden. En självstudiekurs från slutpunkt till slutpunkt som visar hur modeller skapas, hanteras och används finns i Träna bildklassificeringsmodell med MNIST-data och scikit-learn med Azure Machine Learning. Modellkonstruktor. Modellkonstruktorn används för att hämta en molnrepresentation av ett modellobjekt som är associerat med den angivna arbetsytan. Måste ange antingen namn eller ID. |
PrivateEndPoint |
Definierar en privat slutpunkt för att hantera privata slutpunktsanslutningar som är associerade med en Azure ML-arbetsyta. Initiera PrivateEndPoint. |
PrivateEndPointConfig |
Definierar konfiguration för en privat Azure-slutpunkt. Azure Private Endpoint är ett nätverksgränssnitt som ansluter dig privat och säkert till en Azure ML-arbetsyta med Private Link. Initiera PrivateEndPointConfig. |
Run |
Definierar basklassen för alla Azure Machine Learning-experimentkörningar. En körning representerar en enda utvärderingsversion av ett experiment. Körningar används för att övervaka asynkron körning av en utvärderingsversion, logga mått och lagra utdata från utvärderingsversionen samt för att analysera resultat och komma åt artefakter som genereras av utvärderingsversionen. Körningsobjekt skapas när du skickar ett skript för att träna en modell i många olika scenarier i Azure Machine Learning, inklusive HyperDrive-körningar, pipelinekörningar och AutoML-körningar. Ett Kör-objekt skapas också när du submit eller start_logging med Experiment klassen. Information om hur du kommer igång med experiment och körningar finns i Initiera kör-objektet. |
RunConfiguration |
Representerar konfiguration för experimentkörningar som riktar sig till olika beräkningsmål i Azure Machine Learning. RunConfiguration-objektet kapslar in den information som krävs för att skicka en träningskörning i ett experiment. Vanligtvis skapar du inte ett RunConfiguration-objekt direkt utan hämtar ett från en metod som returnerar det, till exempel submit -metoden för Experiment klassen. RunConfiguration är en basmiljökonfiguration som också används i andra typer av konfigurationssteg som är beroende av vilken typ av körning du utlöser. När du till exempel konfigurerar ett PythonScriptStepkan du komma åt stegets RunConfiguration-objekt och konfigurera Conda-beroenden eller komma åt miljöegenskaperna för körningen. Exempel på körningskonfigurationer finns i Välj och använd ett beräkningsmål för att träna din modell. Initiera en RunConfiguration med standardinställningarna. |
ScriptRun |
Ger programmatisk åtkomst för hantering av skickade träningskörningar. En körning som skickas med ScriptRunConfig representerar en enda utvärderingsversion i ett experiment. När körningen skickas returneras ett ScriptRun-objekt, som kan användas för att övervaka den asynkrona körningen av körningen, logga mått och lagra utdata från körningen och analysera resultat och åtkomstartefakter som genereras av körningen. Information om hur du kommer igång med experiment och ScriptRunConf finns i Class ScriptRun-konstruktor. |
ScriptRunConfig |
Representerar konfigurationsinformation för att skicka en träningskörning i Azure Machine Learning. Ett ScriptRunConfig-paket kombinerar den konfigurationsinformation som behövs för att skicka en körning i Azure ML, inklusive skriptet, beräkningsmålet, miljön och eventuella distribuerade jobbspecifika konfigurationer. När ett skript körs konfigureras och skickas med submitreturneras en ScriptRun . Class ScriptRunConfig-konstruktor. |
SynapseWorkspaceLinkedServiceConfiguration |
Anteckning Det här är en experimentell klass och kan ändras när som helst. Mer information finns i https://aka.ms/azuremlexperimental. Definierar en länkad tjänstkonfiguration för att länka synapse-arbetsyta. Initiera SynapseWorkspaceLinkedServiceConfiguration-objektet. |
Webservice |
Definierar basfunktioner för att distribuera modeller som webbtjänstslutpunkter i Azure Machine Learning. Webbtjänstkonstruktorn används för att hämta en molnrepresentation av ett webbtjänstobjekt som är associerat med den angivna arbetsytan. Returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade webbtjänstobjektet. Med klassen Webservice kan du distribuera maskininlärningsmodeller från antingen ett eller Image -Modelobjekt. Mer information om hur du arbetar med Webservice finns i Distribuera modeller med Azure Machine Learning. Initiera Webservice-instansen. Webbtjänstkonstruktorn hämtar en molnrepresentation av ett webbtjänstobjekt som är associerat med den angivna arbetsytan. Den returnerar en instans av en underordnad klass som motsvarar den specifika typen av det hämtade webbtjänstobjektet. |
Workspace |
Definierar en Azure Machine Learning-resurs för att hantera tränings- och distributionsartefakter. En arbetsyta är en grundläggande resurs för maskininlärning i Azure Machine Learning. Du använder en arbetsyta för att experimentera, träna och distribuera maskininlärningsmodeller. Varje arbetsyta är kopplad till en Azure-prenumeration och resursgrupp och har en associerad SKU. Mer information om arbetsytor finns i: Konstruktor för klassarbetsyta för att läsa in en befintlig Azure Machine Learning-arbetsyta. |
diagnostic_log |
Dirigerar felsökningsloggar till en angiven fil. |
Funktioner
attach_legacy_compute_target
Kopplar ett beräkningsmål till det här projektet.
attach_legacy_compute_target(experiment, source_directory, compute_target)
Parametrar
- experiment
- Experiment
- source_directory
- str
Returer
Ingen om anslutningen lyckas, annars genereras ett undantag.
get_run
Hämta körningen för det här experimentet med dess körnings-ID.
get_run(experiment, run_id, rehydrate=True, clean_up=True)
Parametrar
- rehydrate
- <xref:boolean>
Anger om det ursprungliga körningsobjektet returneras eller bara ett baskörningsobjekt. Om värdet är Sant returnerar den här funktionen den ursprungliga körningsobjekttypen. För en AutoML-körning returneras till exempel ett AutoMLRun objekt, medan ett HyperDriveRun objekt returneras för en HyperDrive-körning.
Om värdet är False returnerar funktionen ett Run -objekt.
Returer
Den skickade körningen.
Returtyp
is_compute_target_prepared
Kontrollera att beräkningsmålet har förberetts.
Kontrollerar om beräkningsmålet, som anges i run_config, redan är förberett eller inte för den angivna körningskonfigurationen.
is_compute_target_prepared(experiment, source_directory, run_config)
Parametrar
- experiment
- Experiment
- source_directory
- str
- run_config
- str eller RunConfiguration
Körningskonfigurationen. Detta kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt.
Returer
Sant, om beräkningsmålet är förberett.
Returtyp
prepare_compute_target
Förbered beräkningsmålet.
Installerar alla nödvändiga paket för en experimentkörning baserat på run_config och custom_run_config.
prepare_compute_target(experiment, source_directory, run_config)
Parametrar
- experiment
- Experiment
- source_directory
- str
- run_config
- str eller RunConfiguration
Körningskonfigurationen. Detta kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt.
Returer
Ett körningsobjekt
Returtyp
remove_legacy_compute_target
Ta bort ett beräkningsmål från projektet.
remove_legacy_compute_target(experiment, source_directory, compute_target_name)
Parametrar
- experiment
- Experiment
- source_directory
- str
- compute_target_name
- str
Returer
Ingen om borttagningen av beräkningsmålet lyckas, annars genereras ett undantag.
Returtyp
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för