core Paket

  • Referens

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 Modeldeploy() -metoden för att distribuera modellen som en webbtjänst. Du kan också använda metoden Modell package() för att skapa en avbildning som kan laddas ned till din lokala Docker-installation som en avbildning eller som en Dockerfile.

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:

  • Interaktiv inloggning – standardläget när du använder Azure Machine Learning SDK. Använder en interaktiv dialogruta.
  • Azure CLI – för användning med azure-cli-paketet .
  • Tjänstens huvudnamn – för användning med automatiserade maskininlärningsarbetsflöden.
  • MSI – för användning med hanterade tjänstidentitetsaktiverade tillgångar, till exempel med en virtuell Azure-dator.
  • Azure ML-token – Används endast för att hämta Azure ML-token för skickade körningar.

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:

  • registrera din modell med en arbetsyta
  • profilera din modell för att förstå distributionskrav
  • paketera din modell för användning med Docker
  • distribuera din modell till en slutpunkt för slutsatsdragning som en webbtjänst

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:

  • TabularDataset representerar data i tabellformat som skapats genom att parsa den angivna filen eller listan med filer.

  • FileDataset refererar till en eller flera filer i datalager eller från offentliga URL:er.

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:

  • Azure Blob-container

  • Azure-filresurs

  • Azure Data Lake

  • Azure Data Lake Gen2

  • Azure SQL Database

  • Azure Database for PostgreSQL

  • Databricks-filsystem

  • Azure Database for MySQL

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 register* här klassen. När du använder ett datalager för att komma åt data måste du ha behörighet att komma åt dessa data, vilket beror på de autentiseringsuppgifter som registrerats med datalagringen.

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
Obligatorisk
source_directory
str
Obligatorisk
compute_target
str
Obligatorisk

Ett beräkningsmålobjekt som ska bifogas.

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

experiment
Experiment
Obligatorisk

Det innehållande experimentet.

run_id
string
Obligatorisk

Körnings-ID: t.

rehydrate
<xref:boolean>
standardvärde: True

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.

clean_up
bool
standardvärde: True

Om det är sant anropar du _register_kill_handler från run_base

Returer

Den skickade körningen.

Returtyp

Run

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
Obligatorisk
source_directory
str
Obligatorisk
run_config
str eller RunConfiguration
Obligatorisk

Körningskonfigurationen. Detta kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt.

Returer

Sant, om beräkningsmålet är förberett.

Returtyp

bool

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
Obligatorisk
source_directory
str
Obligatorisk
run_config
str eller RunConfiguration
Obligatorisk

Körningskonfigurationen. Detta kan vara ett körningskonfigurationsnamn, som sträng eller ett azureml.core.runconfig.RunConfiguration-objekt.

Returer

Ett körningsobjekt

Returtyp

ScriptRun

remove_legacy_compute_target

Ta bort ett beräkningsmål från projektet.

remove_legacy_compute_target(experiment, source_directory, compute_target_name)

Parametrar

experiment
Experiment
Obligatorisk
source_directory
str
Obligatorisk
compute_target_name
str
Obligatorisk

Returer

Ingen om borttagningen av beräkningsmålet lyckas, annars genereras ett undantag.

Returtyp

None