azureml-pipeline-steps 包
包
steps |
包含可在 Azure 机器学习管道中执行的预生成步骤。 Azure ML 管道步骤可以一起配置为构造一个管道,它表示可共享且可重用的 Azure 机器学习工作流。 管道的每个步骤都可以配置为在步骤内容(脚本和依赖项)以及输入和参数保持不变时允许重用其以前的运行结果。 此包中的类通常与 core 包中的类一起使用。 核心包包含用于配置数据 (PipelineData)、计划 (Schedule) 和管理步骤的输出 (StepRun) 的类。 此包中的预生成步骤涵盖了在机器学习工作流中遇到的许多常见方案。 若要开始使用预生成管道步骤,请参阅: |
模块
adla_step |
包含用于创建 Azure ML 管道步骤来使用 Azure Data Lake Analytics 运行 U-SQL 脚本的功能。 |
automl_step |
包含用于添加和管理 Azure 机器学习中的自动化 ML 管道步骤的功能。 |
azurebatch_step |
包含创建在 Azure Batch 中运行 Windows 可执行文件的 Azure ML 管道步骤的功能。 |
command_step |
包含创建运行命令的 Azure ML 管道步骤的功能。 |
data_transfer_step |
包含用于创建 Azure ML 管道步骤的功能,该步骤在存储选项之间传输数据。 |
databricks_step |
包含用于创建 Azure ML 管道步骤的功能,以在 DBFS 上运行 Databricks 笔记本或 Python 脚本。 |
estimator_step |
包含用于创建运行估算器以进行机器学习模型训练的管道步骤的功能。 |
hyper_drive_step |
包含用于创建和管理运行超参数优化的 Azure ML 管道步骤的功能。 |
kusto_step |
包含用于创建运行 Kusto 笔记本的 Azure ML 管道步骤的功能。 |
module_step |
包含使用现有版本的模块添加 Azure 机器学习管道步骤的功能。 |
mpi_step |
包含用于添加 Azure ML 管道步骤以运行机器学习模型训练的 MPI 作业的功能。 |
parallel_run_config |
包含用于配置 ParallelRunStep 的功能。 |
parallel_run_step |
包含添加步骤以在多个 AmlCompute 目标上以并行模式运行用户脚本的功能。 |
python_script_step |
包含创建运行 Python 脚本的 Azure ML 管道步骤的功能。 |
r_script_step |
包含用于创建运行 R 脚本的 Azure ML 管道步骤的功能。 |
synapse_spark_step |
包含创建运行 Python 脚本的 Azure ML Synapse 步骤的功能。 |
反馈
https://aka.ms/ContentUserFeedback。
即将发布:在整个 2024 年,我们将逐步淘汰作为内容反馈机制的“GitHub 问题”,并将其取代为新的反馈系统。 有关详细信息,请参阅:提交和查看相关反馈