Upgrade lokaler Ausführungen auf SDK v2

Lokale Ausführungen sind in v1 und v2 ähnlich. Geben Sie die Zeichenfolge „local“ an, wenn Sie das Computeziel in einer der beiden Versionen festlegen.

Dieser Artikel enthält einen Vergleich der Szenarien in SDK v1 und SDK v2.

Senden einer lokalen Ausführung

• SDK v1

  from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig
  
  # connect to the workspace
  ws = Workspace.from_config()
  
  # define and configure the experiment
  experiment = Experiment(workspace=ws, name='day1-experiment-train')
  config = ScriptRunConfig(source_directory='./src',
                              script='train.py',
                              compute_target='local')
  
  # set up pytorch environment
  env = Environment.from_conda_specification(
      name='pytorch-env',
      file_path='pytorch-env.yml')
  config.run_config.environment = env
  
  run = experiment.submit(config)
  
  aml_url = run.get_portal_url()
  print(aml_url)
  

• SDK v2

  #import required libraries
  from azure.ai.ml import MLClient, command
  from azure.ai.ml.entities import Environment
  from azure.identity import DefaultAzureCredential
  
  #connect to the workspace
  ml_client = MLClient.from_config(DefaultAzureCredential())
  
  # set up pytorch environment
  env = Environment(
      image='mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04',
      conda_file='pytorch-env.yml',
      name='pytorch-env'
  )
  
  # define the command
  command_job = command(
      code='./src',
      command='train.py',
      environment=env,
      compute='local',
  )
  
  returned_job = ml_client.jobs.create_or_update(command_job)
  returned_job
  

Zuordnung der wichtigsten Funktionen in SDK v1 und SDK v2

Nächste Schritte

• Trainieren von Modellen mit Azure Machine Learning