Freigeben über

Azure ML-Paketclientbibliothek für Python – Version 1.12.1

  • Artikel

Wir freuen uns, die allgemeine Verfügbarkeit von Azure Machine Learning Python SDK v2 vorstellen zu können. Das Python SDK v2 bietet neue SDK-Funktionen wie eigenständige lokale Aufträge, wiederverwendbare Komponenten für Pipelines und verwaltete Online-/Batchrückschlüsse. Python SDK v2 ermöglicht Es Ihnen, einfach und inkrementell von einfachen zu komplexen Aufgaben zu wechseln. Dies wird durch die Verwendung eines gemeinsamen Objektmodells ermöglicht, das die Wiederverwendung von Konzepten und die Konsistenz von Aktionen über verschiedene Aufgaben hinweg ermöglicht. Das SDK v2 teilt sich seine Grundlage mit der CLI v2, die ebenfalls allgemein verfügbar ist.

Quellcode | Paket (PyPI) | Paket (Conda) | API-Referenzdokumentation | Produktdokumentation | Proben

Dieses Paket wurde mit Python 3.7, 3.8, 3.9 und 3.10 getestet.

Einen vollständigeren Satz von Azure-Bibliotheken finden Sie unter https://aka.ms/azsdk/python/all

Erste Schritte

Voraussetzungen

Installieren des Pakets

Installieren Sie die Azure ML-Clientbibliothek für Python mit pip:

pip install azure-ai-ml
pip install azure-identity

Authentifizieren des Clients

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

Wichtige Begriffe

Azure Machine Learning Python SDK v2 enthält viele neue Features wie eigenständige lokale Aufträge, wiederverwendbare Komponenten für Pipelines und verwaltete Online-/Batchrückschlüsse. Das SDK v2 bietet Konsistenz und Benutzerfreundlichkeit für alle Ressourcen der Plattform. Das Python SDK v2 bietet die folgenden Funktionen:

  • Ausführen eigenständiger Aufträge : Führen Sie eine diskrete ML-Aktivität als Auftrag aus. Dieser Auftrag kann lokal oder in der Cloud ausgeführt werden. Derzeit werden die folgenden Arten von Aufträgen unterstützt:
    • Befehl: Führen Sie einen Befehl aus (Python, R, Windows-Befehl, Linux Shell usw.)
    • Sweep: Ausführen eines Hyperparameter-Sweeps für Den Befehl
  • Ausführen mehrerer Aufträge mit unseren verbesserten Pipelines
    • Ausführen einer Reihe von Befehlen, die in eine Pipeline geheftet sind (Neu)
    • Komponenten : Ausführen von Pipelines mit wiederverwendbaren Komponenten (Neu)
  • Verwenden Ihrer Modelle für managed Online-Rückschlüsse (Neu)
  • Verwenden Ihrer Modelle für verwaltete Batchrückschlüsse
  • Verwalten von AML-Ressourcen – Arbeitsbereich, Compute, Datenspeicher
  • Verwalten von AML-Ressourcen – Datasets, Umgebungen, Modelle
  • AutoML : Führen Sie eigenständiges AutoML-Training für verschiedene ml-Tasks aus:
    • Klassifizierung (Tabellarische Daten)
    • Regression (Tabellarische Daten)
    • Zeitreihenvorhersage (Tabellarische Daten)
    • Bildklassifizierung (Multi-Class) (Neu)
    • Bildklassifizierung (Multi-Label) (Neu)
    • Bildobjekterkennung (Neu)
    • Segmentierung der Imageinstanz (Neu)
    • NLP-Textklassifizierung (Multi-Class) (Neu)
    • NLP-Textklassifizierung (Multi-Label) (Neu)
    • NLP Text Named Entity Recognition (NER) (Neu)

Beispiele

Problembehandlung

Allgemein

Azure ML-Clients lösen in Azure Core definierte Ausnahmen aus.

from azure.core.exceptions import HttpResponseError

try:
    ml_client.compute.get("cpu-cluster")
except HttpResponseError as error:
    print("Request failed: {}".format(error.message))

Protokollierung

Diese Bibliothek verwendet die Standardprotokollierungsbibliothek für die Protokollierung. Grundlegende Informationen zu HTTP-Sitzungen (URLs, Header usw.) werden auf INFO-Ebene protokolliert.

Eine detaillierte Protokollierung auf DEBUG-Ebene, einschließlich Anforderungs-/Antworttexten und nicht ausgeführten Headern, kann auf einem Client mit dem logging_enable Argument aktiviert werden.

Sehen Sie sich die vollständige SDK-Protokollierungsdokumentation mit Beispielen hier an.

Telemetrie

Das Azure ML Python SDK enthält ein Telemetriefeature, das Nutzungs- und Fehlerdaten zum SDK erfasst und an Microsoft sendet, wenn Sie das SDK nur in einer Jupyter Notebook verwenden. Telemetriedaten werden nicht für die Verwendung des Python SDK außerhalb eines Jupyter Notebook gesammelt.

Telemetriedaten helfen dem SDK-Team zu verstehen, wie das SDK verwendet wird, sodass es verbessert werden kann, und die Informationen zu Fehlern helfen dem Team, Probleme zu beheben und Fehler zu beheben. Das SDK-Telemetriefeature ist standardmäßig für Jupyter Notebook Verwendung aktiviert und kann nicht für Nicht-Jupyter-Szenarien aktiviert werden. Wenn Sie die Telemetriefunktion in einem Jupyter-Szenario deaktivieren möchten, übergeben enable_telemetry=False Sie beim Erstellen Ihres MLClient-Objekts.

Nächste Schritte

Mitwirken

Beiträge und Vorschläge für dieses Projekt sind willkommen. Most contributions require you to agree to a Contributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us the rights to use your contribution. Weitere Informationen finden Sie unter cla.microsoft.com.

Wenn Sie einen Pull Request (PR) übermitteln, überprüft ein CLA-Bot automatisch, ob Sie eine Lizenzvereinbarung bereitstellen und den PR entsprechend ergänzen müssen (z.B. mit einer Bezeichnung oder einem Kommentar). Führen Sie einfach die Anweisungen des Bots aus. Sie müssen dies nur einmal für alle Repositorys ausführen, die unsere CLA verwenden.

Für dieses Projekt gelten die Microsoft-Verhaltensregeln für Open Source (Microsoft Open Source Code of Conduct). Weitere Informationen finden Sie in den häufig gestellten Fragen zum Verhaltenskodex. Sie können sich auch an opencode@microsoft.com wenden, wenn Sie weitere Fragen oder Anmerkungen haben.