steps Paket

Azure Machine Learning İşlem Hattı'nda yürütülebilecek önceden oluşturulmuş adımları içerir.

Azure ML İşlem Hattı adımları, paylaşılabilir ve yeniden kullanılabilir bir Azure Machine Learning iş akışını temsil eden bir İşlem Hattı oluşturmak için birlikte yapılandırılabilir. Bir işlem hattının her adımı, adım içeriği (betikler ve bağımlılıklar) ile girişler ve parametreler değişmeden kalırsa önceki çalıştırma sonuçlarının yeniden kullanılmasına izin verecek şekilde yapılandırılabilir.

Bu paketteki sınıflar genellikle paketteki core sınıflarla birlikte kullanılır. Çekirdek paket, verileri (), zamanlamayı ()PipelineDataSchedule ve adımlarınStepRun çıkışını yönetmeye ( yönelik sınıflar içerir.

Bu pakette önceden oluşturulmuş adımlar, makine öğrenmesi iş akışlarında karşılaşılan birçok yaygın senaryoyu kapsar. Önceden oluşturulmuş işlem hattı adımlarını kullanmaya başlamak için bkz:

• https://aka.ms/pl-first-pipeline

• GitHub'da Jupyter not defterleri

Modül

adla_step	Azure Data Lake Analytics ile U-SQL betiği çalıştırmak için Azure ML İşlem Hattı adımı oluşturma işlevselliği içerir.
automl_step	Azure Machine Learning'de otomatik ML işlem hattı adımı ekleme ve yönetme işlevleri içerir.
azurebatch_step	Azure Batch'de Windows yürütülebilir dosyası çalıştıran bir Azure ML İşlem Hattı adımı oluşturmaya yönelik işlevler içerir.
command_step	Komutları çalıştıran bir Azure ML İşlem Hattı adımı oluşturmaya yönelik işlevler içerir.
data_transfer_step	Depolama seçenekleri arasında veri aktaran bir Azure ML İşlem Hattı adımı oluşturmaya yönelik işlevler içerir.
databricks_step	DBFS'de Databricks not defteri veya Python betiği çalıştırmak için Azure ML işlem hattı adımı oluşturma işlevselliği içerir.
estimator_step	Machine Learning modeli eğitimi için bir Tahmin Aracı çalıştıran bir işlem hattı adımı oluşturmaya yönelik işlevler içerir.
hyper_drive_step	Hiper parametre ayarlaması çalıştıran Azure ML İşlem Hattı adımlarını oluşturmaya ve yönetmeye yönelik funtionality içerir.
kusto_step	Kusto not defterini çalıştırmak için Azure ML işlem hattı adımı oluşturma işlevselliğini içerir.
module_step	Modülün mevcut bir sürümünü kullanarak Azure Machine Learning İşlem Hattı adımı ekleme işlevselliğini içerir.
mpi_step	Machine Learning modeli eğitimi için bir MPI işi çalıştırmak üzere Azure ML İşlem Hattı adımı ekleme işlevselliği içerir.
parallel_run_config	bir ParallelRunStepyapılandırma işlevi içerir.
parallel_run_step	Birden çok AmlCompute hedefinde kullanıcı betiğini paralel modda çalıştırmaya yönelik bir adım ekleme işlevi içerir.
python_script_step	Python betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturmaya yönelik işlevler içerir.
r_script_step	R betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturmaya yönelik işlevler içerir.
synapse_spark_step	Python betiğini çalıştıran bir Azure ML Synapse adımı oluşturmaya yönelik işlevler içerir.

Sınıflar

AdlaStep	Azure Data Lake Analytics ile bir U-SQL betiği çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturur. Bu AdlaStep'i kullanma örneği için not defterine https://aka.ms/pl-adlabakın. Azure Data Lake Analytics ile U-SQL betiği çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturun.
AutoMLStep	Otomatik ml çalıştırmalarını kapsülleyen bir Azure ML İşlem Hattı adımı oluşturur. AutoMLStep kullanma örneği için not defterine https://aka.ms/pl-automlbakın. AutoMLStep'i başlatın.
AutoMLStepRun	Otomatik ml denemesi çalıştırması ve varsayılan çıkışları alma yöntemleri hakkında bilgi sağlar. AutoMLStepRun sınıfı, işlem hattında otomatik ml çalıştırması gönderildikten sonra çalıştırma ayrıntılarını yönetmek, denetlemek ve almak için kullanılır. Buna ek olarak, bu sınıf sınıfı aracılığıyla StepRun varsayılan çıkışlarını AutoMLStep almak için kullanılabilir. Automl adım çalıştırmasını başlatın.
AzureBatchStep	İşleri Azure Batch göndermek için bir Azure ML İşlem Hattı adımı oluşturur. Not: Bu adım dizinlerin ve içeriklerinin karşıya yüklenmesini/indirilmesini desteklemez. AzureBatchStep kullanma örneği için not defterine https://aka.ms/pl-azbatchbakın. İşleri Azure Batch göndermek için bir Azure ML İşlem Hattı adımı oluşturun.
CommandStep	Komut çalıştıran bir Azure ML İşlem Hattı adımı oluşturun. Komut çalıştıran bir Azure ML İşlem Hattı adımı oluşturun.
DataTransferStep	Depolama seçenekleri arasında veri aktaran bir Azure ML İşlem Hattı adımı oluşturur. DataTransferStep, Azure Blob Depolama ve Azure Data Lake gibi yaygın depolama türlerini kaynak ve havuz olarak destekler. Daha fazla bilgi için Açıklamalar bölümüne bakın. DataTransferStep kullanma örneği için not defterine https://aka.ms/pl-data-transbakın. Depolama seçenekleri arasında veri aktaran bir Azure ML İşlem Hattı adımı oluşturun.
DatabricksStep	DataBricks not defteri, Python betiği veya JAR'ı düğüm olarak eklemek için bir Azure ML İşlem Hattı adımı oluşturur. DatabricksStep kullanma örneği için not defterine https://aka.ms/pl-databricksbakın. DataBricks not defteri, Python betiği veya JAR'ı düğüm olarak eklemek için bir Azure ML İşlem Hattı adımı oluşturun. DatabricksStep kullanma örneği için not defterine https://aka.ms/pl-databricksbakın. :p aram python_script_name:[Gerekli] ile ilgili source_directorybir Python betiğinin adı. Betik girişleri ve çıkışları alırsa, bunlar betike parametre olarak geçirilir. belirtilirse python_script_name , o zaman source_directory da olmalıdır. , , python_script_pathpython_script_nameveya main_class_nametam notebook_patholarak birini belirtin. data_reference_name=input1 ile giriş olarak bir DataReference nesnesi ve name=output1 çıkış olarak bir PipelineData nesnesi belirtirseniz, girişler ve çıkışlar betiklere parametre olarak geçirilir. Bu şekilde görünürler ve her giriş ve çıkışın yollarına erişmek için betiğinizdeki bağımsız değişkenleri ayrıştırmanız gerekir: "-input1","wasbs://test@storagename.blob.core.windows.net/test","-output1", "wasbs://test@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d22b81a2/output1" Ayrıca, betikte aşağıdaki parametreler kullanılabilir olacaktır: AZUREML_RUN_TOKEN: Azure Machine Learning ile kimlik doğrulaması için AML belirteci. AZUREML_RUN_TOKEN_EXPIRY: AML belirteci süre sonu süresi. AZUREML_RUN_ID: Bu çalıştırma için Azure Machine Learning Çalıştırma Kimliği. AZUREML_ARM_SUBSCRIPTION: AML çalışma alanınız için Azure aboneliği. AZUREML_ARM_RESOURCEGROUP: Azure Machine Learning çalışma alanınız için Azure kaynak grubu. AZUREML_ARM_WORKSPACE_NAME: Azure Machine Learning çalışma alanınızın adı. AZUREML_ARM_PROJECT_NAME: Azure Machine Learning denemenizin adı. AZUREML_SERVICE_ENDPOINT: AML hizmetlerinin uç nokta URL'si. AZUREML_WORKSPACE_ID: Azure Machine Learning çalışma alanınızın kimliği. AZUREML_EXPERIMENT_ID: Azure Machine Learning denemenizin kimliği. AZUREML_SCRIPT_DIRECTORY_NAME: DBFS'de source_directory kopyalandığı dizin yolu. (This parameter is only populated when `python_script_name` is used. See more details below.) DatabricksStep parametrelerini source_directory ve python_script_namekullanarak Databricks'te yerel makinenizden bir Python betiği yürütürken, source_directory DBFS'ye kopyalanır ve DBFS'de dizin yolu yürütülmeye başladığında betiğinize parametre olarak geçirilir. Bu parametre –AZUREML_SCRIPT_DIRECTORY_NAME olarak etiketlenir. "dbfs:/" dizesini önek olarak eklemeniz gerekir veya DBFS dizinine erişmek için "/dbfs/" yazın.
EstimatorStep	KALDIRIL -MIŞ. Azure ML modeli eğitimi için çalıştırılacak Estimator bir işlem hattı adımı oluşturur. Machine Learning model eğitimi için Estimator'ı çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturun. KALDIRIL -MIŞ. Bunun yerine öğesini CommandStep kullanın. Örnek için bkz. CommandStep ile işlem hatlarında ML eğitimini çalıştırma.
HyperDriveStep	Machine Learning modeli eğitimi için hiper parametre tunning'i çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturur. HyperDriveStep kullanma örneği için not defterine https://aka.ms/pl-hyperdrivebakın. Machine Learning modeli eğitimi için hiper parametre bağlamasını çalıştırmak için bir Azure ML İşlem Hattı adımı oluşturun.
HyperDriveStepRun	İşlem HyperDriveStep hattı adımı için çalıştırma ayrıntılarını yönetin, durumu denetleyin ve alın. HyperDriveStepRun, ek desteğiyle StepRunişlevini HyperDriveRun sağlar. HyperDriveStepRun sınıfı, HyperDrive çalıştırması ve oluşturulan alt çalıştırmalarının her biri için çalıştırma ayrıntılarını yönetmenize, denetlemenize ve çalıştırma ayrıntılarını almanıza olanak tanır. StepRun sınıfı, üst işlem hattı çalıştırması gönderildikten ve işlem hattı adım çalıştırmasını gönderdikten sonra bunu yapmanızı sağlar. Bir HyperDriveStepRun başlatın. HyperDriveStepRun, ek desteğiyle StepRunişlevini HyperDriveRun sağlar. HyperDriveRun sınıfı, HyperDrive çalıştırması ve oluşturulan alt çalıştırmalarının her biri için çalıştırma ayrıntılarını yönetmenize, denetlemenize ve çalıştırma ayrıntılarını almanıza olanak tanır. StepRun sınıfı, üst işlem hattı çalıştırması gönderildikten ve işlem hattı adım çalıştırmasını gönderdikten sonra bunu yapmanızı sağlar.
KustoStep	KustoStep, Azure ML Pipelines'da hedef Kusto kümesinde Kusto sorguları çalıştırma işlevini etkinleştirir. KustoStep'i başlatın.
ModuleStep	Modülün belirli bir sürümünü çalıştırmak için bir Azure Machine Learning işlem hattı adımı oluşturur. Module nesneleri, farklı makine öğrenmesi senaryolarında ve farklı kullanıcılar tarafından kullanılabilecek betikler veya yürütülebilir dosyalar gibi yeniden kullanılabilir hesaplamaları tanımlar. İşlem hattında modülün belirli bir sürümünü kullanmak için moduleStep oluşturun. ModuleStep, işlem hattında var olan ModuleVersionbir öğesini kullanan bir adımdır. ModuleStep kullanma örneği için not defterine https://aka.ms/pl-modulestepbakın. Modülün belirli bir sürümünü çalıştırmak için bir Azure ML işlem hattı adımı oluşturun.
MpiStep	MPI işini çalıştırmak için bir Azure ML işlem hattı adımı oluşturur. MpiStep kullanma örneği için not defterine https://aka.ms/pl-style-transbakın. MPI işini çalıştırmak için bir Azure ML işlem hattı adımı oluşturun. KALDIRIL -MIŞ. Bunun yerine öğesini CommandStep kullanın. Örnek için bkz. CommandStep ile işlem hatlarında dağıtılmış eğitimi çalıştırma.
ParallelRunConfig	Bir ParallelRunStep nesnenin yapılandırmasını tanımlar. ParallelRunStep kullanma örneği için not defterine https://aka.ms/batch-inference-notebooksbakın. Sorun giderme kılavuzu için bkz https://aka.ms/prstsg. . Burada daha fazla başvuru bulabilirsiniz. Yapılandırma nesnesini başlatın.
ParallelRunStep	Büyük miktarda veriyi zaman uyumsuz ve paralel olarak işlemek için bir Azure Machine Learning İşlem Hattı adımı oluşturur. ParallelRunStep kullanma örneği için not defterine https://aka.ms/batch-inference-notebooksbakın. Sorun giderme kılavuzu için bkz https://aka.ms/prstsg. . Burada daha fazla başvuru bulabilirsiniz. Büyük miktarda veriyi zaman uyumsuz ve paralel olarak işlemek için bir Azure ML İşlem Hattı adımı oluşturun. ParallelRunStep kullanma örneği için not defteri bağlantısına https://aka.ms/batch-inference-notebooksbakın.
PythonScriptStep	Python betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturur. PythonScriptStep kullanma örneği için not defterine https://aka.ms/pl-get-startedbakın. Python betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturun.
RScriptStep	Not Bu deneysel bir sınıftır ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental. R betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturur. R betiğini çalıştıran bir Azure ML İşlem Hattı adımı oluşturun. KALDIRIL -MIŞ. Bunun yerine öğesini CommandStep kullanın. Örnek için bkz. CommandStep ile işlem hatlarında R betiklerini çalıştırma.
SynapseSparkStep	Not Bu deneysel bir sınıftır ve herhangi bir zamanda değişebilir. Daha fazla bilgi için lütfen bkz. https://aka.ms/azuremlexperimental. Python betiğini gönderen ve yürüten bir Azure ML Synapse adımı oluşturur. Synapse Spark havuzunda spark işi çalıştıran bir Azure ML İşlem Hattı adımı oluşturun.