azure.ai.ml package

dsl.pipeline işlevi içinde kullanılabilecek veya tek başına Komut işi olarak kullanılabilen bir Command nesnesi oluşturur.

command(*, name: str | None = None, description: str | None = None, tags: Dict | None = None, properties: Dict | None = None, display_name: str | None = None, command: str | None = None, experiment_name: str | None = None, environment: str | Environment | None = None, environment_variables: Dict | None = None, distribution: Dict | MpiDistribution | TensorFlowDistribution | PyTorchDistribution | RayDistribution | None = None, compute: str | None = None, inputs: Dict | None = None, outputs: Dict | None = None, instance_count: int | None = None, instance_type: str | None = None, locations: List[str] | None = None, docker_args: str | None = None, shm_size: str | None = None, timeout: int | None = None, code: PathLike | str | None = None, identity: ManagedIdentityConfiguration | AmlTokenConfiguration | UserIdentityConfiguration | None = None, is_deterministic: bool = True, services: Dict[str, JobService | JupyterLabJobService | SshJobService | TensorBoardJobService | VsCodeJobService] | None = None, job_tier: str | None = None, priority: str | None = None, **kwargs) -> Command

Parametreler

name: Optional[str]

Komut işinin veya bileşeninin adı.

description: Optional[str]

Komutun açıklaması. Varsayılan değer Yok'tır.

tags: Optional[dict[str, str]]

Etiket sözlüğü. Etiketler eklenebilir, kaldırılabilir ve güncelleştirilebilir. Varsayılan değer Yok'tır.

properties: Optional[dict[str, str]]

İş özelliği sözlüğü. Varsayılan değer Yok'tır.

display_name: Optional[str]

İşin görünen adı. Varsayılan olarak rastgele oluşturulan bir addır.

command: Optional[str]

Yürütülecek komut. Varsayılan değer Yok'tır.

experiment_name: Optional[str]

İşin altında oluşturulacağı denemenin adı. Varsayılan olarak geçerli dizin adını kullanır.

environment: Optional[Union[str, Environment]]

İşin çalıştırılacağı ortam.

environment_variables: Optional[dict[str, str]]

Ortam değişkeni adlarının ve değerlerinin sözlüğü. Bu ortam değişkenleri, kullanıcı betiğinin yürütüldüğü işlemde ayarlanır. Varsayılan değer Yok'tır.

distribution: Optional[Union[dict, PyTorchDistribution, MpiDistribution, TensorFlowDistribution, RayDistribution]]

Dağıtılmış işler için yapılandırma. Varsayılan değer Yok'tır.

compute: Optional[str]

İşin üzerinde çalıştırılacağı işlem hedefi. Varsayılan işlemdir.

inputs: Optional[dict[str, Union[Input, str, bool, int, float, <xref:Enum>]]]

Giriş adlarının işte kullanılan giriş veri kaynaklarına eşlem. Varsayılan değer Yok'tır.

outputs: Optional[dict[str, Union[str, Output]]]

Çıktı adlarının işte kullanılan çıkış veri kaynaklarına eşlem. Varsayılan değer Yok'tır.

instance_count: Optional[int]

İşlem hedefi tarafından kullanılacak örnek veya düğüm sayısı. Varsayılan olarak 1'e ayarlanır.

instance_type: Optional[str]

İşlem hedefi tarafından kullanılacak VM türü.

locations: Optional[list[str]]

İşin çalıştırılacağı konumların listesi.

docker_args: Optional[str]

Docker çalıştırma komutuna geçirilmeye çalışılacak ek bağımsız değişkenler. Bu, sistem veya bu bölümde önceden ayarlanmış olan parametreleri geçersiz kılar. Bu parametre yalnızca Azure ML işlem türleri için desteklenir. Varsayılan değer Yok'tır.

shm_size: Optional[str]

Docker kapsayıcısının paylaşılan bellek bloğunun boyutu. Bu, sayının 0'dan büyük olması gereken (sayı)(birim) biçiminde ve birim b(bayt), k(kilobayt), m(megabayt) veya g(gigabayt) biçiminde olmalıdır.

timeout: Optional[int]

saniye olarak, işin iptal edilmesinden sonraki sayıdır.

code: Optional[Union[str, PathLike]]

İşi çalıştırmak için kaynak kod. Uzak bir konuma işaret eden yerel bir yol veya "http:", "https:" veya "azureml:" url'si olabilir.

identity: Optional[Union[ ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Komut işinin işlem üzerinde çalışırken kullanacağı kimlik.

is_deterministic: bool

Komutun aynı girişe göre aynı çıkışı döndürip döndürmeyeceğini belirtir. Varsayılan değer True'dır. True olduğunda, bir Komut Bileşeni belirleyiciyse ve daha önce geçerli çalışma alanında aynı giriş ve ayarlarla çalıştırıldıysa, bir işlem hattında düğüm veya adım olarak kullanıldığında daha önce gönderilen bir işin sonuçlarını yeniden kullanır. Bu senaryoda hiçbir işlem kaynağı kullanılmaz.

services: Optional[dict[str, Union[JobService, JupyterLabJobService, SshJobService, TensorBoardJobService, VsCodeJobService]]]

Düğüm için etkileşimli hizmetler. Varsayılan değer Yok'tır. Bu deneysel bir parametredir ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental.

job_tier: Optional[str]

İş katmanı. Kabul edilen değerler "Spot", "Basic", "Standard" veya "Premium" değerleridir.

priority: Optional[str]

İşlemdeki işin önceliği. Kabul edilen değerler "düşük", "orta" ve "yüksek" değerleridir. Varsayılan olarak "orta" olur.

Döndürülenler

Command nesnesi.

Dönüş türü

Command

Örnekler

command() oluşturucu yöntemini kullanarak Bir Komut İşi oluşturma.


   from azure.ai.ml import Input, Output, command

   train_func = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

yaml dosyasından bir toplu dağıtım nesnesi oluşturma.

load_batch_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> BatchDeployment

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Toplu dağıtım nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Toplu dağıtım nesnesi oluşturulur.

Dönüş türü

BatchDeployment

yaml dosyasından bir batch uç noktası nesnesi oluşturma.

load_batch_endpoint(source: str | PathLike | IO, relative_origin: str | None = None, **kwargs) -> BatchEndpoint

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Toplu uç nokta nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

varsayılan değer: None

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Toplu uç nokta nesnesi oluşturulur.

Dönüş türü

BatchEndpoint

Bileşeni yerel veya uzak bir bileşen işlevine yükleyin.

load_component(source: str | PathLike | IO | None = None, *, relative_origin: str | None = None, **kwargs) -> CommandComponent | ParallelComponent | PipelineComponent

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

varsayılan değer: None

Bir bileşenin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Bileşen nesnesi

Dönüş türü

Union[CommandComponent, ParallelComponent, PipelineComponent]

Örnekler

Bileşen nesnesini YAML dosyasından yükleme, sürümünü "1.0.2" olarak geçersiz kılma ve uzaktan kaydetme.


   from azure.ai.ml import load_component

   component = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml",
       params_override=[{"version": "1.0.2"}],
   )
   registered_component = ml_client.components.create_or_update(component)

Yaml dosyasından işlem nesnesi oluşturma.

load_compute(source: str | PathLike | IO, *, relative_origin: str | None = None, params_override: List[Dict[str, str]] | None = None, **kwargs) -> Compute

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

İşlemin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: Optional[str]

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: Optional[List[Dict]]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Yüklenen işlem nesnesi.

Dönüş türü

Compute

Örnekler

BIR YAML dosyasından İşlem nesnesi yükleniyor ve açıklaması geçersiz kılınıyor.


   from azure.ai.ml import load_compute

   compute = load_compute(
       "../tests/test_configs/compute/compute-vm.yaml",
       params_override=[{"description": "loaded from compute-vm.yaml"}],
   )

Yaml dosyasından bir veri nesnesi oluşturma.

load_data(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Data

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Veri nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Data veya DataImport nesnesi oluşturulur.

Dönüş türü

Data

Özel durumlar

ValidationException

Veriler başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Yaml dosyasından veri deposu nesnesi oluşturma.

load_datastore(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Datastore

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Veri deposunun yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Yüklenen veri deposu nesnesi.

Dönüş türü

Datastore

Özel durumlar

ValidationException

Datastore başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

yaml dosyasından bir ortam nesnesi oluşturun.

load_environment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Environment

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Bir ortamın yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml'de başvuruda bulunılan dosyaların göreli konumları çıkarılırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Ortam nesnesi oluşturulur.

Dönüş türü

Environment

Özel durumlar

ValidationException

Ortam başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

YAML dosyasından bir İş nesnesi oluşturur.

load_job(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Job

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Yerel bir YAML dosyasının yolu veya iş yapılandırması içeren zaten açık bir dosya nesnesi. Kaynak bir yolsa açılır ve okunur. Kaynak açık bir dosyaysa, dosya doğrudan okunur.

relative_origin: Optional[str]

YAML için kök dizin. Bu dizin, ayrıştırılmış YAML'de başvuruda bulunılan dosyaların göreli konumlarını belirtmek için kaynak olarak kullanılır. Kaynak bir dosya veya dosya yolu girişiyse, varsayılan olarak kaynakla aynı dizini kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: Optional[list[dict]]

YAML dosyasındaki değerlerin üzerine yazmak için parametre alanları.

Döndürülenler

Yüklü bir İş nesnesi.

Dönüş türü

Job

Özel durumlar

ValidationException

İş başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Örnekler

YAML yapılandırma dosyasından İş yükleme.


   from azure.ai.ml import load_job

   job = load_job(source="./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml")

YAML dosyasından model nesnesi oluşturur.

load_model(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Model

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Yerel bir YAML dosyasının yolu veya iş yapılandırması içeren zaten açık bir dosya nesnesi. Kaynak bir yolsa açılır ve okunur. Kaynak açık bir dosyaysa, dosya doğrudan okunur.

relative_origin: Optional[str]

YAML için kök dizin. Bu dizin, ayrıştırılmış YAML'de başvuruda bulunılan dosyaların göreli konumlarını belirtmek için kaynak olarak kullanılır. Kaynak bir dosya veya dosya yolu girişiyse, varsayılan olarak kaynakla aynı dizini kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: Optional[list[dict]]

YAML dosyasındaki değerlerin üzerine yazmak için parametre alanları.

Döndürülenler

Yüklü bir Model nesnesi.

Dönüş türü

Model

Özel durumlar

ValidationException

İş başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Örnekler

Ad ve sürüm parametrelerini geçersiz kılarak YAML yapılandırma dosyasından Model yükleme.


   from azure.ai.ml import load_model

   model = load_model(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/model/model_with_stage.yml",
       params_override=[{"name": "new_model_name"}, {"version": "1"}],
   )

Not

Bu deneysel bir yöntemdir ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental.

BIR YAML dosyasından ModelPackage nesnesi oluşturur.

load_model_package(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> ModelPackage

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Yerel bir YAML dosyasının yolu veya iş yapılandırması içeren zaten açık bir dosya nesnesi. Kaynak bir yolsa açılır ve okunur. Kaynak açık bir dosyaysa, dosya doğrudan okunur.

relative_origin: Optional[str]

YAML için kök dizin. Bu dizin, ayrıştırılan YAML'de başvuruda bulunılan dosyaların göreli konumlarını belirtmek için kaynak olarak kullanılır. Kaynak bir dosya veya dosya yolu girişiyse varsayılan olarak kaynakla aynı dizini kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: Optional[list[dict]]

YAML dosyasındaki değerlerin üzerine yazmak için parametre alanları.

Döndürülenler

Yüklü bir ModelPackage nesnesi.

Dönüş türü

ModelPackage

Özel durumlar

ValidationException

İş başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Örnekler

YAML yapılandırma dosyasından ModelPackage yükleme.


   from azure.ai.ml import load_model_package

   model_package = load_model_package(
       "./sdk/ml/azure-ai-ml/tests/test_configs/model_package/model_package_simple.yml"
   )

Yaml dosyasından çevrimiçi dağıtım nesnesi oluşturma.

load_online_deployment(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineDeployment

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Çevrimiçi dağıtım nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Çevrimiçi dağıtım nesnesi oluşturulur.

Dönüş türü

OnlineDeployment

Özel durumlar

ValidationException

Çevrimiçi Dağıtım başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Yaml dosyasından çevrimiçi uç nokta nesnesi oluşturma.

load_online_endpoint(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> OnlineEndpoint

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Çevrimiçi uç nokta nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Çevrimiçi uç nokta nesnesi oluşturma.

Dönüş türü

OnlineEndpoint

Özel durumlar

ValidationException

Çevrimiçi Uç Nokta başarıyla doğrulanamazsa oluşturulur. Ayrıntılar hata iletisinde sağlanacaktır.

Yaml dosyasından bir kayıt defteri nesnesi yükleyin.

load_registry(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Registry

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Kayıt defterinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Yüklü kayıt defteri nesnesi.

Dönüş türü

Registry

Bir yaml dosyasından çalışma alanı nesnesi yükleyin.

load_workspace(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> Workspace

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Çalışma alanının yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Yüklenen çalışma alanı nesnesi.

Dönüş türü

Workspace

Yaml dosyasından bir çalışma alanı bağlantı nesnesi oluşturun.

load_workspace_connection(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceConnection

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

Çalışma alanı bağlantı nesnesinin yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Çalışma alanı bağlantı nesnesi oluşturma.

Dönüş türü

WorkspaceConnection

Not

Bu deneysel bir yöntemdir ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental.

Bir yaml dosyasından WorkspaceHub nesnesi yükleyin.

load_workspace_hub(source: str | PathLike | IO, *, relative_origin: str | None = None, **kwargs) -> WorkspaceHub

Parametreler

source: Union[<xref:PathLike>, str, TextIOWrapper]

Gerekli

WorkspaceHub'ın yerel yaml kaynağı. Yerel bir dosyanın yolu veya zaten açık bir dosya olmalıdır. Kaynak bir yolsa açık ve okunur. Dosya yoksa bir özel durum oluşur. Kaynak açık bir dosyaysa, dosya doğrudan okunur ve dosya okunamazsa bir özel durum oluşur.

relative_origin: str

Ayrıştırılmış yaml dosyasında başvuruda bulunılan dosyaların göreli konumları alınırken kullanılacak kaynak. Bir dosya veya dosya yolu girişiyse, giriş yapılan kaynağın dizinini varsayılan olarak kullanır. Kaynak, ad değeri olmayan bir akış girişiyse varsayılan olarak "./" olarak ayarlanır.

params_override: List[Dict]

Yaml dosyasının üzerine yazacak alanlar. Biçim: [{"alan1": "değer1"}, {"alan2": "değer2"}]

Döndürülenler

Yüklenen WorkspaceHub nesnesi.

Dönüş türü

WorkspaceHub

dsl.pipeline işlevi içinde kullanılabilecek veya tek başına Spark işi olarak kullanılabilen bir Spark nesnesi oluşturur.

spark(*, experiment_name: str | None = None, name: str | None = None, display_name: str | None = None, description: str | None = None, tags: Dict | None = None, code: PathLike | str | None = None, entry: Dict[str, str] | SparkJobEntry | None = None, py_files: List[str] | None = None, jars: List[str] | None = None, files: List[str] | None = None, archives: List[str] | None = None, identity: Dict[str, str] | ManagedIdentity | AmlToken | UserIdentity | None = None, driver_cores: int | None = None, driver_memory: str | None = None, executor_cores: int | None = None, executor_memory: str | None = None, executor_instances: int | None = None, dynamic_allocation_enabled: bool | None = None, dynamic_allocation_min_executors: int | None = None, dynamic_allocation_max_executors: int | None = None, conf: Dict[str, str] | None = None, environment: str | Environment | None = None, inputs: Dict | None = None, outputs: Dict | None = None, args: str | None = None, compute: str | None = None, resources: Dict | SparkResourceConfiguration | None = None, **kwargs) -> Spark

Parametreler

experiment_name: Optional[str]

İşin altında oluşturulacağı denemenin adı.

name: Optional[str]

İşin adı.

display_name: Optional[str]

İşin görünen adı.

description: Optional[str]

İşin açıklaması. Varsayılan değer Yok'tur.

tags: Optional[dict[str, str]]

İş için etiketlerin sözlüğü. Etiketler eklenebilir, kaldırılabilir ve güncelleştirilebilir. Varsayılan değer Yok'tur.

code

İşi çalıştırmak için kaynak kod. Uzak bir konuma işaret eden yerel bir yol veya "http:", "https:" veya "azureml:" url'si olabilir.

entry: Optional[Union[dict[str, str], SparkJobEntry]]

Dosya veya sınıf giriş noktası.

py_files: Optional[list[str]]

Python uygulamaları için PYTHONPATH'e yerleştirecek .zip, .egg veya .py dosyalarının listesi. Varsayılan değer Yok'tur.

jars: Optional[list[str]]

listesi. Sürücü ve yürütücü sınıf yollarına eklenecek JAR dosyaları. Varsayılan değer Yok'tur.

files: Optional[list[str]]

Her yürütücüsünün çalışma dizinine yerleştirilecek dosyaların listesi. Varsayılan değer Yok'tur.

archives: Optional[list[str]]

Her yürütücüsünün çalışma dizinine ayıklanacak arşivlerin listesi. Varsayılan değer Yok'tur.

identity: Optional[Union[ dict[str, str], ManagedIdentityConfiguration, AmlTokenConfiguration, UserIdentityConfiguration]]

Spark işinin işlem üzerinde çalışırken kullanacağı kimlik.

driver_cores: Optional[int]

Yalnızca küme modunda, sürücü işlemi için kullanılacak çekirdek sayısı.

driver_memory: Optional[str]

Boyut birimi soneki ("k", "m", "g" veya "t") (örneğin, "512m", "2g") olan dizeler olarak biçimlendirilmiş sürücü işlemi için kullanılacak bellek miktarı.

executor_cores: Optional[int]

Her yürütücüde kullanılacak çekirdek sayısı.

executor_memory: Optional[str]

Yürütücü işlemi başına kullanılacak bellek miktarı; boyut birimi soneki ("k", "m", "g" veya "t") (örneğin, "512m", "2g") olan dizeler olarak biçimlendirilir.

executor_instances: Optional[int]

Yürütücülerin ilk sayısı.

dynamic_allocation_enabled: Optional[bool]

Bu uygulamaya kayıtlı yürütücü sayısını iş yüküne göre artırıp azaltan dinamik kaynak ayırmanın kullanılıp kullanılmaydığı.

dynamic_allocation_min_executors: Optional[int]

Dinamik ayırma etkinleştirildiyse yürütücü sayısı için alt sınır.

dynamic_allocation_max_executors: Optional[int]

Dinamik ayırma etkinleştirildiyse yürütücü sayısı için üst sınır.

conf: Optional[dict[str, str]]

Önceden tanımlanmış Spark yapılandırma anahtarı ve değerlerine sahip bir sözlük. Varsayılan değer Yok'tur.

environment: Optional[Union[str, Environment]]

İşin çalıştırılacak Azure ML ortamı.

inputs: Optional[dict[str, Input]]

Giriş adlarının işte kullanılan giriş verilerine eşlemesi. Varsayılan değer Yok'tur.

outputs: Optional[dict[str, Output]]

Çıktı adlarının işte kullanılan çıkış verileriyle eşlemesi. Varsayılan değer Yok'tur.

args: Optional[str]

İşin bağımsız değişkenleri.

compute: Optional[str]

İşin üzerinde çalıştığı işlem kaynağı.

resources: Optional[Union[dict, SparkResourceConfiguration]]

İşin işlem kaynağı yapılandırması.

Döndürülenler

Spark nesnesi.

Dönüş türü

Spark

Örnekler

DSL işlem hattı dekoratörü kullanarak Spark işlem hattı oluşturma


   from azure.ai.ml import Input, Output, dsl, spark
   from azure.ai.ml.constants import AssetTypes, InputOutputModes

   # define the spark task
   first_step = spark(
       code="/src",
       entry={"file": "add_greeting_column.py"},
       py_files=["utils.zip"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       args="--file_input ${{inputs.file_input}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   second_step = spark(
       code="/src",
       entry={"file": "count_by_row.py"},
       jars=["scala_project.jar"],
       files=["my_files.txt"],
       driver_cores=2,
       driver_memory="1g",
       executor_cores=1,
       executor_memory="1g",
       executor_instances=1,
       inputs=dict(
           file_input=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT)
       ),
       outputs=dict(output=Output(type="uri_folder", mode=InputOutputModes.DIRECT)),
       args="--file_input ${{inputs.file_input}} --output ${{outputs.output}}",
       resources={"instance_type": "standard_e4s_v3", "runtime_version": "3.2.0"},
   )

   # Define pipeline
   @dsl.pipeline(description="submit a pipeline with spark job")
   def spark_pipeline_from_builder(data):
       add_greeting_column = first_step(file_input=data)
       count_by_row = second_step(file_input=data)
       return {"output": count_by_row.outputs.output}

   pipeline = spark_pipeline_from_builder(
       data=Input(path="/dataset/iris.csv", type=AssetTypes.URI_FILE, mode=InputOutputModes.DIRECT),
   )

automl	Azure Machine Learning SDKv2 için otomatik makine öğrenmesi sınıfları içerir. Ana alanlar AutoML görevlerini yönetmeyi içerir.
constants	Bu paket, Azure Machine Learning SDKv2'de kullanılan sabitleri tanımlar.
data_transfer
dsl
entities	Azure Machine Learning SDKv2 için varlıklar ve SDK nesneleri içerir. Ana alanlar arasında işlem hedeflerini yönetme, çalışma alanları ve işleri oluşturma/yönetme ve model gönderme/erişme, çalıştırma ve çıktı/günlüğe kaydetme vb. yer alır.
identity	Azure Machine Learning SDKv2 için Kimlik Yapılandırmasını içerir.
operations	Azure Machine Learning SDKv2 için desteklenen işlemleri içerir. İşlemler, genellikle otomatik olarak oluşturulan işlemler çağrısı olan arka uç hizmetleriyle etkileşime geçmek için mantık içeren sınıflardır.
parallel
sweep

AmlTokenConfiguration	AzureML Belirteci kimlik yapılandırması.
Input	Bir Input nesnesi başlatın.
MLClient	Azure ML hizmetleriyle etkileşime geçmek için bir istemci sınıfı. Çalışma alanları, işler, modeller gibi Azure ML kaynaklarını yönetmek için bu istemciyi kullanın.
ManagedIdentityConfiguration	Yönetilen Kimlik kimlik bilgisi yapılandırması.
MpiDistribution	MPI dağıtım yapılandırması.
Output
PyTorchDistribution	PyTorch dağıtım yapılandırması.
RayDistribution	Not Bu deneysel bir sınıftır ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental. Işı dağıtım yapılandırması.
TensorFlowDistribution	TensorFlow dağıtım yapılandırması.
UserIdentityConfiguration	Kullanıcı kimliği yapılandırması.

ml Paket

Paketler

Modül

Sınıflar

İşlevler

command

Parametreler

Döndürülenler

Dönüş türü

Örnekler

load_batch_deployment

Parametreler

Döndürülenler

Dönüş türü

load_batch_endpoint

Parametreler

Döndürülenler

Dönüş türü

load_component

Parametreler

Döndürülenler

Dönüş türü

Örnekler

load_compute

Parametreler

Döndürülenler

Dönüş türü

Örnekler

load_data

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

load_datastore

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

load_environment

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

load_job

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

Örnekler

load_model

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

Örnekler

load_model_package

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

Örnekler

load_online_deployment

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

load_online_endpoint

Parametreler

Döndürülenler

Dönüş türü

Özel durumlar

load_registry

Parametreler

Döndürülenler

Dönüş türü

load_workspace

Parametreler

Döndürülenler

Dönüş türü

load_workspace_connection