MpiStep 類別

建立 Azure ML 管線步驟以執行 MPI 作業。

如需使用 MpiStep 的範例，請參閱筆記本 https://aka.ms/pl-style-trans 。

建立 Azure ML 管線步驟以執行 MPI 作業。

已淘汰。 CommandStep請改用 。 如需範例，請參閱 如何使用 CommandStep 在管線中執行分散式定型。

繼承

PythonScriptStep

MpiStep

建構函式

MpiStep(name=None, source_directory=None, script_name=None, arguments=None, compute_target=None, node_count=None, process_count_per_node=None, inputs=None, outputs=None, allow_reuse=True, version=None, hash_paths=None, **kwargs)

參數

名稱	Description
name	str [必要]模組的名稱。 預設值: None
source_directory	str [必要]資料夾，其中包含步驟中使用的 Python 腳本、conda env 和其他資源。 預設值: None
script_name	str [必要]相對於 的 Python 腳本 source_directory 名稱。 預設值: None
arguments	list [必要]命令列引數的清單。 預設值: None
compute_target	AmlCompute, str [必要]要使用的計算目標。 預設值: None
node_count	int [必要]用於定型之計算目標中的節點數目。 如果大於 1，將會執行 mpi 分散式作業。 分散式作業僅支援 AmlCompute 計算目標。 支援 PipelineParameter 值。 預設值: None
process_count_per_node	int [必要]每個節點的進程數目。 如果大於 1，將會執行 mpi 分散式作業。 分散式作業僅支援 AmlCompute 計算目標。 支援 PipelineParameter 值。 預設值: None
inputs	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] 輸入埠系結的清單。 預設值: None
outputs	list[Union[PipelineData, PipelineOutputAbstractDataset, OutputPortBinding]] 輸出埠系結的清單。 預設值: None
params 必要	dict 以 「AML_PARAMETER_」 註冊為環境變數的名稱/值組字典。
allow_reuse	bool 指出當使用相同的設定重新執行時，步驟是否應該重複使用先前的結果。 預設會啟用重複使用。 如果步驟內容 (腳本/相依性) ，以及輸入和參數保持不變，則會重複使用此步驟上一次執行的輸出。 重複使用步驟時，不會提交要計算的作業，則會立即讓任何後續步驟使用上一次執行的結果。 如果您使用 Azure Machine Learning 資料集做為輸入，則重複使用取決於資料集的定義是否已變更，而非基礎資料是否已變更。 預設值: True
version	str 選擇性版本標籤，表示模組功能變更。 預設值: None
hash_paths	list 已淘汰：不再需要。 檢查步驟內容的變更時，雜湊的路徑清單。 如果沒有偵測到任何變更，管線將會重複使用先前執行的步驟內容。 根據預設，的內容 source_directory 會雜湊，但 .amlignore 或 .gitignore 中列出的檔案除外。 預設值: None
use_gpu 必要	bool 指出執行實驗的環境是否應該支援 GPU。 如果為 True，則會在環境中使用以 GPU 為基礎的預設 Docker 映射。 如果為 False，則會使用以 CPU 為基礎的映射。 只有在未設定 參數時 custom_docker_image ，才會使用預設 docker 映射 (CPU 或 GPU) 。 此設定僅適用于已啟用 Docker 的計算目標。
use_docker 必要	bool 指出執行實驗的環境是否應該以 Docker 為基礎。
custom_docker_image 必要	str 要用來定型之映射的 Docker 映射名稱。 如果未設定，則會使用預設 CPU 型映射作為基底映射。
image_registry_details 必要	ContainerRegistry Docker 映射登錄的詳細資料。
user_managed 必要	bool 指出 Azure ML 是否重複使用現有的 Python 環境;False 表示 Azure ML 會根據 conda 相依性規格建立 Python 環境。
conda_packages 必要	list 字串清單，表示要新增至 Python 環境的 conda 套件。
pip_packages 必要	list 字串清單，表示要新增至 Python 環境的 pip 套件。
pip_requirements_file_path 必要	str pip 需求文字檔的相對路徑。 這個參數可以與 pip_packages 參數結合來指定。
environment_definition 必要	EnvironmentDefinition 實驗的 EnvironmentDefinition。 其中包含 PythonSection 和 DockerSection 和環境變數。 任何未透過其他參數直接公開至 MpiStep 建構的環境選項，都可以使用 environment_definition 參數來設定。 如果指定此參數，則會優先于其他環境相關參數，例如use_gpu、custom_docker_image、conda_packages或pip_packages，而且這些不正確組合會回報錯誤。
name 必要	str [必要]模組的名稱。
source_directory 必要	str [必要]資料夾，其中包含步驟中使用的 Python 腳本、conda env 和其他資源。
script_name 必要	str [必要]相對於 的 Python 腳本 source_directory 名稱。
arguments 必要	list [必要]命令列引數的清單。
compute_target 必要	<xref:azureml.core.compute.AmlComputeCompute>, str [必要]要使用的計算目標。
node_count 必要	int [必要]用於定型的計算目標中的節點數目。 如果大於 1，將會執行 mpi 分散式作業。 分散式作業僅支援 AmlCompute 計算目標。 支援 PipelineParameter 值。
process_count_per_node 必要	int [必要]每個節點的進程數目。 如果大於 1，將會執行 mpi 分散式作業。 分散式作業僅支援 AmlCompute 計算目標。 支援 PipelineParameter 值。
inputs 必要	list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]] 輸入埠系結的清單。
outputs 必要	list[Union[PipelineData, OutputDatasetConfig, PipelineOutputAbstractDataset, OutputPortBinding]] 輸出埠系結的清單。
params 必要	dict 以 「 >> AML_PARAMETER_ << 」 註冊為環境變數的名稱/值組字典。
allow_reuse 必要	bool 指出當以相同參數重新執行時，步驟是否應該重複使用先前的結果，則會重複使用此步驟上一次執行的輸出。 重複使用步驟時，不會提交要計算的作業，則會立即讓任何後續步驟使用上一次執行的結果。 如果您使用 Azure Machine Learning 資料集做為輸入，則重複使用取決於資料集的定義是否已變更，而非基礎資料是否已變更。
version 必要	str 選擇性版本標籤，表示模組功能變更
hash_paths 必要	list 已淘汰：不再需要。 檢查步驟內容的變更時，雜湊的路徑清單。 如果沒有偵測到任何變更，管線將會重複使用先前執行的步驟內容。 根據預設，的內容 source_directory 會雜湊，但 .amlignore 或 .gitignore 中列出的檔案除外。
use_gpu 必要	bool 指出執行實驗的環境是否應該支援 GPU。 如果為 True，則會在環境中使用以 GPU 為基礎的預設 Docker 映射。 如果為 False，則會使用以 CPU 為基礎的映射。 只有在未設定 參數時 custom_docker_image ，才會使用預設 docker 映射 (CPU 或 GPU) 。 此設定僅適用于已啟用 Docker 的計算目標。
use_docker 必要	bool 指出執行實驗的環境是否應該以 Docker 為基礎。 custom_docker_image (str) ：要用來建置 mpi 作業之映射的 Docker 映射名稱。 如果未設定，則會使用預設 CPU 型映射作為基底映射。
custom_docker_image 必要	str 要用來定型之映射的 Docker 映射名稱。 如果未設定，則會使用預設 CPU 型映射作為基底映射。
image_registry_details 必要	ContainerRegistry Docker 映射登錄的詳細資料。
user_managed 必要	bool 指出 Azure ML 是否重複使用現有的 Python 環境;False 表示 Azure ML 會根據 conda 相依性規格建立 Python 環境。
conda_packages 必要	list 字串清單，表示要新增至 Python 環境的 conda 套件。
pip_packages 必要	list 字串清單，表示要新增至 Python 環境的 pip 套件。
pip_requirements_file_path 必要	str pip 需求文字檔的相對路徑。 這個參數可以與 pip_packages 參數結合來指定。
environment_definition 必要	EnvironmentDefinition 實驗的 EnvironmentDefinition。 其中包含 PythonSection 和 DockerSection 和環境變數。 任何未透過其他參數直接公開至 MpiStep 建構的環境選項，都可以使用 environment_definition 參數來設定。 如果指定此參數，則會優先于其他環境相關參數，例如use_gpu、custom_docker_image、conda_packages或pip_packages，而且這些不正確組合會回報錯誤。