Note sulla versione di Python SDK di Azure Machine Learning
Questo articolo illustra le versioni di Python SDK di Azure Machine Learning. Per il contenuto di riferimento completo dell'SDK, visitare la pagina di riferimento principale dell'SDK di Azure Machine Learning per Python .
Feed RSS: ricevere una notifica quando questa pagina viene aggiornata copiando e incollando l'URL seguente nel lettore di feed: https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us
2024-11-12
Azure Machine Learning SDK per Python v1.59.0
Supporto per ONNX 1.17.0 per risolvere una vulnerabilità di sicurezza. Correzione della definizione del modello mlflow conda per l'ambiente ai-ml-automl-gpu, risolvendo i problemi di distribuzione per i modelli.
2024-10-18
Azure Machine Learning SDK per Python v1.58.0
Supporto per Python 3.11
2024-08-05
Azure Machine Learning SDK per Python v1.57.0
AutoML supporta scikit-learn versione 1.5.1
2024-04-29
Azure Machine Learning SDK per Python v1.56.0
- azureml-core
- azureml-defaults
- Azureml-inference-server-http aggiunto a 1.0.0 in azureml-defaults.
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare la community 0.31.*
- azureml-responsibleai
- aggiornamento dell'ambiente comune e del pacchetto azureml-responsibleai in raiwidgets e responsibleai 0.33.0
- Aumentare le versioni delle dipendenze responsibleai e fairlearn
2024-01-29
Azure Machine Learning SDK per Python v1.55.0
- azureml-core
- azureml-defaults
- Azureml-inference-server-http aggiunto a 1.0.0 in azureml-defaults.
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare la community 0.31.*
- azureml-responsibleai
- aggiornamento dell'ambiente comune e del pacchetto azureml-responsibleai in raiwidgets e responsibleai 0.33.0
- Aumentare le versioni delle dipendenze responsibleai e fairlearn
2023-11-13
- azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
- statsmodels, pandas e scipy sono stati aggiornati alle versioni 1.13, 1.3.5 e 1.10.1 - fbprophet 0.7.1 è stato sostituito dal profeta 1.1.4 Durante il caricamento di un modello in un ambiente locale, le versioni di questi pacchetti devono corrispondere a quello su cui è stato eseguito il training del modello.
- azureml-core, azureml-pipeline-core, azureml-pipeline-steps
- AzureML-Pipeline: aggiungere un avviso per il
init_scripts
parametro nel passaggio Databricks, avvisando l'utente della relativa deprecazione imminente.
- AzureML-Pipeline: aggiungere un avviso per il
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare la community 0.30.*
- azureml-mlflow
- feat: aggiungi
AZUREML_BLOB_MAX_SINGLE_PUT_SIZE
per controllare le dimensioni in byte dei blocchi di caricamento. L'abbassamento di questo valore dal valore predefinito (64*1024*1024
ovvero 64 MB) può risolvere i problemi in cui le operazioni di scrittura hanno esito negativo a causa di timeout. - Il supporto per il caricamento e il download di modelli dai registri di Azure Machine Learning è attualmente sperimentale
- Aggiunta del supporto per gli utenti che vogliono scaricare o caricare il modello dai registri AML
- feat: aggiungi
2023-08-21
Azure Machine Learning SDK per Python v1.53.0
- azureml-automl-core
- Supporto di funzionalità/regreditori noti al momento della previsione nei modelli TCN di previsione autoML.
- azureml-automl-dnn-vision
- Abilitare i flag per log_training_metrics e log_validation_loss per il rilevamento e la segmentazione dell'istanza di AutoML
- azureml-contrib-automl-dnn-forecasting
- Supporto di funzionalità/regreditori noti al momento della previsione nei modelli TCN di previsione autoML.
- azureml-core
- Python 3.7 ha raggiunto la fine della vita il 27 giugno 2023. La versione 3.7 sarà quindi deprecata in azureml-core a partire da ottobre 2023 e azureml-core terminerà il supporto per la versione 3.7 di febbraio 2024.
- azureml-mlflow
- Correzione per il caricamento di modelli con API load_model MLflow durante il passaggio di un URI di Azure Machine Learning
- azureml-pipeline-core
- Ignorare l'esecuzione figlio e registrare l'errore quando l'esecuzione figlio di caricamento non è riuscita (ad esempio, 404) usando
PipelineRun.get_pipeline_runs
. PipelineEndpoint.list
introduce un nuovo parametromax_results
int , che indica la dimensione massima dell'elenco restituito. Il valore predefinito dimax_results
è 100.
- Ignorare l'esecuzione figlio e registrare l'errore quando l'esecuzione figlio di caricamento non è riuscita (ad esempio, 404) usando
- azureml-training-tabulare
- Supporto di funzionalità/regreditori noti al momento della previsione nei modelli TCN di previsione autoML.
26-06-2023
Azure Machine Learning SDK per Python v1.52.0
- azureml-automl-dnn-vision
- La firma mlflow per i modelli AutoML di runtime (legacy) è stata modificata in modo da accettare input binari. Ciò consente l'inferenza batch. La funzione predict è compatibile con le versioni precedenti in modo che gli utenti possano comunque inviare stringhe base64 come input. L'output della funzione predict è stato modificato per rimuovere il nome del file temporaneo e le visualizzazioni vuote e la chiave di attribuzione quando la spiegazione del modello è n...
- azureml-contrib-automl-dnn-forecasting
- Correzione di un bug che causava errori durante il training TCN distribuito quando i dati sono costituiti da una singola serie temporale.
- azureml-interpret
- rimuovere il pin shap in azureml-interpret per eseguire l'aggiornamento alla versione più recente in interpret-community
- azureml-responsibleai
- aggiornamento dell'ambiente comune e del pacchetto azureml-responsibleai in raiwidgets e responsibleai 0.28.0
2023-05-20
Azure Machine Learning SDK per Python v1.51.0
- azureml-automl-core
- L'attività di previsione AutoML supporta ora previsioni in sequenza e supporto parziale per le previsioni quantili per le serie temporali gerarchiche (HTS).
- Non consentire l'uso di set di dati non tabulari ai clienti per scenari di classificazione (multiclasse e multi-etichetta)
- azureml-automl-dnn-nlp
- Non consentire l'uso di set di dati non tabulari ai clienti per scenari di classificazione (multiclasse e multi-etichetta)
- azureml-contrib-automl-pipeline-steps
- L'attività di previsione AutoML supporta ora previsioni in sequenza e supporto parziale per le previsioni quantili per le serie temporali gerarchiche (HTS).
- azureml-fsspec
- Sostituisce tutti gli errori causati dall'utente in MLTable & FSSpec con un'eccezione UserErrorException personalizzata importata da azureml-dataprep.
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare la community 0.29.*
- azureml-pipeline-core
- Correzione
pipeline_version
che non ha effetto quando si chiamapipeline_endpoint.submit()
.
- Correzione
- azureml-train-automl-client
- L'attività di previsione AutoML supporta ora previsioni in sequenza e supporto parziale per le previsioni quantili per le serie temporali gerarchiche (HTS).
- azureml-train-automl-runtime
- L'attività di previsione AutoML supporta ora previsioni in sequenza e supporto parziale per le previsioni quantili per le serie temporali gerarchiche (HTS).
- mltable
- Sono ora supportate altre varianti di codifica, ad
utf-8
esempio durante il caricamento di file MLTable. - Sostituisce tutti gli errori causati dall'utente in MLTable & FSSpec con un'eccezione UserErrorException personalizzata importata da azureml-dataprep.
- Sono ora supportate altre varianti di codifica, ad
2023-04-10
Azure Machine Learning SDK per Python v1.50.0
- azureml-contrib-automl-dnn-forecasting
- Aggiunta del supporto per la previsione in base ai quantili specificati per i modelli TCN.
- azureml-responsibleai
- aggiornamento dell'ambiente comune e del pacchetto azureml-responsibleai in raiwidgets e responsibleai 0.26.0
- azureml-train-automl-runtime
- Correzione della gestione di MLTable per lo scenario di test del modello
- azureml-training-tabulare
- Aggiunta di quantili come parametro nel metodo forecast_quantile.
01-03-2023
Annuncio della fine del supporto per Python 3.7 nei pacchetti Azure Machine Learning SDK v1
- Deprecazione delle funzionalità
- Deprecare Python 3.7 come runtime supportato per i pacchetti SDK v1
- Il 4 dicembre 2023, Azure Machine Learning smetterà ufficialmente di supportare Python 3.7 per i pacchetti SDK v1 e di deprecarlo come runtime supportato. Per altre informazioni, leggere la pagina relativa ai criteri di supporto della versione di Azure SDK per Python
- A partire dalla data di deprecazione del 4 dicembre 2023, i pacchetti di Azure Machine Learning SDK v1 non riceveranno più patch di sicurezza e altri aggiornamenti per il runtime python 3.7.
- Le versioni correnti di Python 3.7 per Azure Machine Learning SDK v1 funzionano ancora. Tuttavia, per continuare a ricevere gli aggiornamenti della sicurezza e a rimanere qualificati per assistenza tecnica, Azure Machine Learning consiglia vivamente di spostare gli script e le dipendenze in una versione supportata del runtime Python.
- Come runtime per i file di Azure Machine Learning SDK v1, è consigliabile usare Python versione 3.8 o successiva.
- Inoltre, i pacchetti Azure Machine Learning SDK v1 basati su Python 3.7 non sono più idonei per assistenza tecnica.
- Usare il supporto di Azure Machine Learning per contattare Microsoft in caso di problemi.
- Deprecare Python 3.7 come runtime supportato per i pacchetti SDK v1
2023-13-02
Azure Machine Learning SDK per Python v1.49.0
- Modifiche di rilievo
- A partire dalla versione 1.49.0 e successive, gli algoritmi AutoML seguenti non saranno supportati.
- Regressione: FastLinearRegressor, OnlineGradientDescentRegressor
- Classificazione: AveragedPerceptronClassifier.
- Usare la versione 1.48.0 o successiva per continuare a usare questi algoritmi.
- A partire dalla versione 1.49.0 e successive, gli algoritmi AutoML seguenti non saranno supportati.
- Correzioni di bug e miglioramenti
- azureml-automl-dnn-nlp
- Log per visualizzare i valori finali applicati alle impostazioni del modello e degli iperparametri in base ai valori predefiniti e a quelli specificati dall'utente.
- azureml-contrib-automl-dnn-forecasting
- Le metriche non scalabili per TCNForecaster ora riflettono i valori dell'ultimo periodo.
- Gli oggetti visivi dell'orizzonte di previsione per set di training e set di test sono ora disponibili durante l'esecuzione dell'esperimento di training TCN.
- Le esecuzioni non riusciranno più a causa dell'errore "Non è stato possibile calcolare le metriche TCN". Il messaggio di avviso "Il calcolo delle metriche di previsione ha generato un errore, segnalando punteggi peggiori" verrà comunque registrato. Al contrario, viene generata un'eccezione quando si verifica una perdita di convalida inf/nan per più di due volte consecutiva con un messaggio "Modello non valido, il training TCN non è convergente". I clienti devono essere consapevoli del fatto che i modelli caricati possono restituire valori nan/inf come stime durante l'inferenza dopo questa modifica.
- azureml-core
- La creazione dell'area di lavoro di Azure Machine Learning usa Application Insights basato su Log Analytics in preparazione alla deprecazione di Application Insights classico. Gli utenti che desiderano usare le risorse classiche di Application Insights possono comunque specificare il proprio da usare durante la creazione di un'area di lavoro di Azure Machine Learning.
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare-community 0.28.*
- azureml-mlflow
- Aggiornamento del client azureml-mlflow con supporto iniziale per MLflow 2.0
- azureml-responsibleai
- aggiornamento del pacchetto azureml-responsibleai e dei notebook in raiwidgets e responsibleai v0.24.0
- azureml-sdk
- azureml-sdk e azureml-train-automl-client ora supportano Python versione 3.10
- azureml-train-automl-client
- azureml-sdk e azureml-train-automl-client ora supportano Python versione 3.10
- azureml-train-automl-runtime
- Pulire mancante y prima del training
- Pulire i valori nan o vuoti della colonna di destinazione per scenari non di flusso
- Gli oggetti visivi dell'orizzonte di previsione per il set di test sono ora disponibili durante l'esecuzione dell'esperimento di training.
- azureml-train-core
- Aggiunta del supporto al cliente per fornire l'ID di esecuzione personalizzato per le esecuzioni di HyperDrive
- azureml-train-restclients-hyperdrive
- Aggiunta del supporto al cliente per fornire l'ID di esecuzione personalizzato per le esecuzioni di HyperDrive
- azureml-automl-dnn-nlp
2022-12-05
Azure Machine Learning SDK per Python v1.48.0
Modifiche di rilievo
- Il supporto di Python 3.6 è stato deprecato per i pacchetti di Azure Machine Learning SDK.
Correzioni di bug e miglioramenti
- azureml-core
- Gli account di archiviazione creati come parte della creazione dell'area di lavoro ora impostano l'accesso pubblico blob per essere disabilitato per impostazione predefinita
- azureml-responsibleai
- Aggiornamento del pacchetto azureml-responsibleai e dei notebook ai pacchetti raiwidgets e responsibleai v0.23.0
- Aggiunta del serializzatore di modelli e modello pyfunc al pacchetto azureml-responsibleai per salvare e recuperare facilmente i modelli
- azureml-train-automl-runtime
- Aggiunta della docstring per i parametri ManyModels e i parametri HierarchicalTimeSeries
- Correzione del bug per cui il codice generato non esegue correttamente le divisioni di training/test.
- Correzione di un bug che causava l'esito negativo dei processi di training del codice generati dalla previsione.
- azureml-core
2022-10-25
Azure Machine Learning SDK per Python v1.47.0
- azureml-automl-dnn-nlp
- Le modifiche di runtime per la prevenzione della perdita di rete di AutoML in modo da tenere conto dei parametri di training fissi, come parte dell'ottimizzazione dello sweep del modello e degli iperparametri appena introdotti.
- azureml-mlflow
- AZUREML_ARTIFACTS_DEFAULT_TIMEOUT può essere usato per controllare il timeout per il caricamento degli artefatti
- azureml-train-automl-runtime
- Molti modelli e il training gerarchico delle serie temporali applicano ora il controllo sui parametri di timeout per rilevare i conflitti prima di inviare l'esperimento per l'esecuzione. Ciò impedisce l'errore dell'esperimento durante l'esecuzione generando un'eccezione prima di inviare l'esperimento.
- I clienti possono ora controllare le dimensioni del passaggio durante l'uso delle previsioni in sequenza nelle inferenze molti modelli.
- L'inferenza manyModels con dati tabulari non partizionati supporta ora forecast_quantiles.
2022-09-26
Azure Machine Learning SDK per Python v1.46.0
- azureml-automl-dnn-nlp
- I clienti non potranno più specificare una riga in CoNLL, che comprende solo con un token. La riga deve essere sempre una nuova riga vuota o una con esattamente un token seguito da uno spazio seguito esattamente da un'etichetta.
- azureml-contrib-automl-dnn-forecasting
- Esiste un caso di angolo in cui i campioni vengono ridotti a 1 dopo la divisione della convalida incrociata, ma sample_size ancora punta al conteggio prima della divisione e quindi batch_size finisce per essere maggiore del numero di campioni in alcuni casi. In questa correzione si inizializza sample_size dopo la divisione
- azureml-core
- È stato aggiunto un avviso di deprecazione quando i clienti dell'inferenza usano le API di distribuzione del modello CLI/SDK v1 per distribuire i modelli e anche quando la versione di Python è 3.6 e meno.
- I valori seguenti per modificare il comportamento come indicato di
AZUREML_LOG_DEPRECATION_WARNING_ENABLED
seguito:- Impostazione predefinita: visualizza l'avviso quando il cliente usa Python 3.6 e versioni inferiori e per cli/SDK v1.
True
: visualizza l'avviso di deprecazione dell'SDK v1 nei pacchetti azureml-sdk.False
: disabilita l'avviso di deprecazione dell'SDK v1 nei pacchetti azureml-sdk.
- Comando da eseguire per impostare la variabile di ambiente per disabilitare il messaggio di deprecazione:
- Windows -
setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
- Linux:
export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
- Windows -
- azureml-interpret
- aggiornare il pacchetto azureml-interpret per interpretare la community 0.27.*
- azureml-pipeline-core
- Correzione del fuso orario predefinito della pianificazione su UTC.
- Correzione del riutilizzo non corretto quando si usa SqlDataReference nel passaggio DataTransfer.
- azureml-responsibleai
- aggiornare il pacchetto azureml-responsibleai e le immagini curate in raiwidgets e responsibleai v0.22.0
- azureml-train-automl-runtime
- Correzione di un bug negli script generati che causavano il rendering corretto di determinate metriche nell'interfaccia utente.
- Molti modelli supportano ora previsioni in sequenza per l'inferenza.
- Supporto per restituire i modelli principali
N
in molti scenari di modelli.
2022-08-29
Azure Machine Learning SDK per Python v1.45.0
- azureml-automl-runtime
- Correzione di un bug per cui la colonna sample_weight non è stata convalidata correttamente.
- Aggiunta del metodo pubblico rolling_forecast() ai wrapper della pipeline di previsione per tutti i modelli di previsione supportati. Questo metodo sostituisce il metodo rolling_evaluation() deprecato.
- È stato risolto un problema per cui le attività di regressione AutoML potrebbero eseguire il fallback alla suddivisione valida per il training per la valutazione del modello, quando CV sarebbe stata una scelta più appropriata.
- azureml-core
- Aggiunto il nuovo suffisso di configurazione cloud " aml_discovery_endpoint".
- Aggiornamento del pacchetto azure-storage fornitore dalla versione 2 alla versione 12.
- azureml-mlflow
- Aggiunto il nuovo suffisso di configurazione cloud " aml_discovery_endpoint".
- azureml-responsibleai
- aggiornare il pacchetto azureml-responsibleai e le immagini curate in raiwidgets e responsibleai 0.21.0
- azureml-sdk
- Il pacchetto azureml-sdk ora consente Python 3.9.
2022-08-01
Azure Machine Learning SDK per Python v1.44.0
- azureml-automl-dnn-nlp
- L'accuratezza ponderata e il coefficiente di correlazione Matthews (MCC) non saranno più una metrica visualizzata sulle metriche calcolate per la classificazione multibel NLP.
- azureml-automl-dnn-vision
- Genera un errore utente quando viene fornito un formato di annotazione non valido
- azureml-cli-common
- Aggiornamento della descrizione dell'interfaccia della riga di comando v1
- azureml-contrib-automl-dnn-forecasting
- Correzione del problema "Impossibile calcolare le metriche TCN". Problemi causati da TCNForecaster quando diverse serie temporali nel set di dati di convalida hanno lunghezze diverse.
- Aggiunta del rilevamento dell'ID timeeries automatico per i modelli di previsione DNN come TCNForecaster.
- Correzione di un bug con il modello FORECAST TCN in cui i dati di convalida potrebbero essere danneggiati in alcune circostanze quando l'utente ha fornito il set di convalida.
- azureml-core
- Consenti impostazione di un parametro timeout_seconds durante il download di elementi da un'esecuzione
- Messaggio di avviso aggiunto: l'interfaccia della riga di comando di Azure Machine Learning v1 viene ritirata il 2025-09-. Gli utenti sono consigliati per adottare l'interfaccia della riga di comando v2.
- Correzione dell'invio a non AmlCompute che genera eccezioni.
- Aggiunta del supporto del contesto Docker per gli ambienti
- azureml-interpret
- Aumentare la versione di numpy per i pacchetti AutoML
- azureml-pipeline-core
- Correzione regenerate_outputs=True che non ha effetto quando si invia la pipeline.
- azureml-train-automl-runtime
- Aumentare la versione di numpy per i pacchetti AutoML
- Abilitare la generazione di codice per la visione e nlp
- Le colonne originali in cui vengono creati i grani vengono aggiunte come parte di predictions.csv
2022-07-21
Annuncio della fine del supporto per Python 3.6 nei pacchetti Azure Machine Learning SDK v1
- Deprecazione delle funzionalità
- Deprecare Python 3.6 come runtime supportato per i pacchetti SDK v1
- Il 5 dicembre 2022 Azure Machine Learning deprecherà Python 3.6 come runtime supportato, terminando formalmente il supporto python 3.6 per i pacchetti SDK v1.
- Dalla data di deprecazione del 05 dicembre 2022, Azure Machine Learning non applicherà più patch di sicurezza e altri aggiornamenti al runtime Python 3.6 usato dai pacchetti Azure Machine Learning SDK v1.
- I pacchetti esistenti di Azure Machine Learning SDK v1 con Python 3.6 continuano a essere eseguiti. Tuttavia, Azure Machine Learning consiglia vivamente di eseguire la migrazione degli script e delle dipendenze a una versione di runtime Python supportata, in modo da continuare a ricevere patch di sicurezza e rimanere idonee per il supporto tecnico.
- È consigliabile usare Python 3.8 versione come runtime per i pacchetti azure Machine Learning SDK v1.
- Inoltre, i pacchetti azure Machine Learning SDK v1 che usano Python 3.6 non sono più idonei per il supporto tecnico.
- Per eventuali domande, contattare Microsoft tramite il supporto AML.
- Deprecare Python 3.6 come runtime supportato per i pacchetti SDK v1
2022-06-27
- azureml-automl-dnn-nlp
- Rimuovere la colonna delle etichette duplicate dalle stime con più etichette
- azureml-contrib-automl-pipeline-steps
- Molti modelli offrono ora la possibilità di generare anche l'output di stima in formato CSV. - Molte stime dei modelli includono ora nomi di colonna nel file di output in caso di formato di file CSV .
- azureml-core
- L'autenticazione ADAL è ora deprecata e tutte le classi di autenticazione ora usano l'autenticazione MSAL. Installare azure-cli>=2.30.0 per usare l'autenticazione basata su MSAL quando si usa la classe AzureCliAuthentication.
- Aggiunta della correzione per forzare la registrazione dell'ambiente quando
Environment.build(workspace)
. La correzione risolve la confusione dell'ambiente più recente compilato anziché quello richiesto quando l'ambiente viene clonato o ereditato da un'altra istanza. - Messaggio di avviso dell'SDK per riavviare le istanze di calcolo prima del 31 maggio 2022, se è stato creato prima del 19 settembre 2021
- azureml-interpret
- Aggiornamento del pacchetto azureml-interpret per interpretare la community 0.26.*
- Nel pacchetto azureml-interpret aggiungere la possibilità di ottenere nomi di funzionalità non elaborati e progettati dallo strumento di spiegazione dei punteggi. Aggiungere anche un esempio al notebook di assegnazione dei punteggi per ottenere i nomi delle funzionalità dallo spiegatore di assegnazione dei punteggi e aggiungere la documentazione sui nomi di funzionalità non elaborati e progettati.
- azureml-mlflow
- azureml-core come dipendenza di azureml-mlflow è stato rimosso. - I progetti MLflow e le distribuzioni locali richiedono azureml-core e devono essere installati separatamente.
- Aggiunta del supporto per la creazione di endpoint e la distribuzione tramite il plug-in client MLflow.
- azureml-responsibleai
- Aggiornamento delle immagini del pacchetto e dell'ambiente azureml-responsibleai alla versione più recente di responsibleai e raiwidgets 0.19.0
- azureml-train-automl-client
- OutputDatasetConfig è ora supportato come input del generatore di pipeline MM/HTS. I mapping sono: 1) OutputTabularDatasetConfig,> considerati come set di dati tabulari non partizionati. 2) OutputFileDatasetConfig -> considerato come set di dati archiviato.
- azureml-train-automl-runtime
- Aggiunta della convalida dei dati che richiede che il numero di campioni di classe di minoranza nel set di dati sia pari almeno al numero di riduzioni cv richieste.
- La configurazione automatica dei parametri di convalida incrociata è ora disponibile per le attività di previsione autoML. Gli utenti possono ora specificare "auto" per n_cross_validations e cv_step_size o lasciarli vuoti e AutoML fornisce tali configurazioni in base ai dati. Tuttavia, attualmente questa funzionalità non è supportata quando TCN è abilitato.
- È ora possibile passare i parametri di previsione in molti modelli e serie temporali gerarchiche tramite oggetto anziché usare singoli parametri nel dizionario.
- Abilitazione degli endpoint del modello di previsione con supporto quantili da usare in Power BI.
- Aggiornamento della dipendenza scipy autoML con limite superiore alla versione 1.5.3 dalla versione 1.5.2
25/04/2022
Azure Machine Learning SDK per Python v1.41.0
Avviso di modifica che causa un'interruzione
Questa modifica di rilievo deriva dalla versione di giugno di azureml-inference-server-http
. azureml-inference-server-http
Nella versione di giugno (v0.9.0), viene eliminato il supporto di Python 3.6. Poiché azureml-defaults
dipende da azureml-inference-server-http
, questa modifica viene propagata a azureml-defaults
. Se non si usa azureml-defaults
per l'inferenza, è possibile usare azureml-core
o altri pacchetti di Azure Machine Learning SDK direttamente anziché installare azureml-defaults
.
- azureml-automl-dnn-nlp
- Attivare la funzionalità testo a lungo intervallo per impostazione predefinita.
- azureml-automl-dnn-vision
- Modifica del tipo ObjectAnnotation Class da oggetto a "oggetto dati".
- azureml-core
- Questa versione aggiorna la classe Keyvault usata dai clienti per consentire loro di fornire il tipo di contenuto keyvault durante la creazione di un segreto tramite l'SDK. Questa versione aggiorna anche l'SDK per includere una nuova funzione che consente ai clienti di recuperare il valore del tipo di contenuto da un segreto specifico.
- azureml-interpret
- aggiornamento del pacchetto azureml-interpret per interpretare-community 0.25.0
- azureml-pipeline-core
- Non stampare più dettagli esecuzione se
pipeline_run.wait_for_completion
conshow_output=False
- Non stampare più dettagli esecuzione se
- azureml-train-automl-runtime
- Corregge un bug che causa un errore di generazione del codice quando il pacchetto azureml-contrib-automl-dnn-forecasting è presente nell'ambiente di training.
- Correzione dell'errore durante l'uso di un set di dati di test senza una colonna etichetta con test del modello AutoML.
2022-03-28
Azure Machine Learning SDK per Python v1.40.0
- azureml-automl-dnn-nlp
- La funzionalità Testo intervallo lungo è facoltativa e solo se i clienti acconsentono esplicitamente, usando il kwarg "enable_long_range_text"
- Aggiunta del livello di convalida dei dati per uno scenario di classificazione multiclasse, che applica la stessa classe base di multietichezione per le convalide comuni e una classe derivata per controlli di convalida dei dati più specifici dell'attività.
- azureml-automl-dnn-vision
- Correzione di KeyError durante il calcolo dei pesi della classe.
- azureml-contrib-reinforcementlearning
- Messaggio di avviso dell'SDK per la deprecazione imminente del servizio RL
- azureml-core
-
- Restituisce i log per le esecuzioni che hanno eseguito il nuovo runtime quando si chiama una delle funzioni get logs nell'oggetto run, tra cui
run.get_details
,run.get_all_logs
e così via.
- Restituisce i log per le esecuzioni che hanno eseguito il nuovo runtime quando si chiama una delle funzioni get logs nell'oggetto run, tra cui
- Aggiunta del metodo sperimentale Datastore.register_onpremises_hdfs per consentire agli utenti di creare archivi dati che puntano alle risorse HDFS locali.
- Aggiornamento della documentazione dell'interfaccia della riga di comando nel comando della Guida
-
- azureml-interpret
- Per il pacchetto azureml-interpret, rimuovere il pin shap con l'aggiornamento della creazione del pacchetto. Rimuovere ndrop e pin numpy dopo l'aggiornamento di CE env.
- azureml-mlflow
- Correzione di bug per il client di distribuzione MLflow run_local non riuscita quando non è stato specificato l'oggetto config.
- azureml-pipeline-steps
- Rimuovere il collegamento interrotto della pipeline deprecata EstimatorStep
- azureml-responsibleai
- Aggiornare il pacchetto azureml-responsibleai a raiwidgets e alla versione responsibleai 0.17.0
- azureml-train-automl-runtime
- La generazione di codice per ML automatizzato supporta ora i modelli ForecastTCN (sperimentale).
- I modelli creati tramite la generazione di codice hanno ora tutte le metriche calcolate per impostazione predefinita (tranne l'errore assoluto medio normalizzato, l'errore assoluto mediano normalizzato, RMSE normalizzato e RMSLE normalizzato nel caso dei modelli di previsione). L'elenco delle metriche da calcolare può essere modificato modificando il valore restituito di
get_metrics_names()
. La convalida incrociata viene ora usata per impostazione predefinita per i modelli di previsione creati tramite la generazione di codice.
- azureml-training-tabulare
- L'elenco delle metriche da calcolare può essere modificato modificando il valore restituito di
get_metrics_names()
. La convalida incrociata viene ora usata per impostazione predefinita per i modelli di previsione creati tramite la generazione di codice. - Conversione del tipo decimale y-test in float per consentire il calcolo delle metriche per procedere senza errori.
- L'elenco delle metriche da calcolare può essere modificato modificando il valore restituito di
2022-02-28
Azure Machine Learning SDK per Python v1.39.0
- azureml-automl-core
- Correzione di un modulo errato visualizzato in PBI per l'integrazione con i modelli di regressione AutoML
- L'aggiunta di min-label-classe verifica sia la presenza di attività di classificazione (multiclasse e multi-etichetta). Genera un errore per l'esecuzione del cliente se il numero univoco di classi nel set di dati di training di input è minore di 2. Non è significativo eseguire la classificazione in meno di due classi.
- azureml-automl-runtime
- Conversione del tipo decimale y-test in float per consentire il calcolo delle metriche per procedere senza errori.
- Il training autoML supporta ora la versione 1.8 di numpy.
- azureml-contrib-automl-dnn-forecasting
- Correzione di un bug nel modello TCNForecaster in cui non tutti i dati di training venivano usati quando venivano fornite impostazioni di convalida incrociata.
- Metodo di previsione del wrapper TCNForecaster che danneggiava le stime in fase di inferenza. È stato risolto anche un problema per cui il metodo di previsione non usava i dati di contesto più recenti in scenari validi per il training.
- azureml-interpret
- Per il pacchetto azureml-interpret, rimuovere il pin shap con l'aggiornamento della creazione del pacchetto. Rimuovere ndrop e pin numpy dopo l'aggiornamento di CE env.
- azureml-responsibleai
- pacchetto azureml-responsibleai in raiwidgets e versione responsibleai 0.17.0
- azureml-synapse
- Consente di risolvere il problema che il widget magic è scomparso.
- azureml-train-automl-runtime
- Aggiornamento delle dipendenze autoML per supportare Python 3.8. Questa modifica interrompe la compatibilità con i modelli sottoposti a training con SDK 1.37 o versione successiva a causa del salvataggio di interfacce Pandas più recenti nel modello.
- Il training autoML supporta ora la versione 1.19 di numpy
- Correzione della logica di reimpostazione automatica dell'indice per i modelli di insieme nell'API automl_setup_model_explanations
- In AutoML usare il modello surrogato lightgbm invece del modello surrogato lineare per il caso sparse dopo l'aggiornamento della versione lightgbm più recente
- Tutti gli artefatti intermedi interni prodotti da AutoML vengono ora archiviati in modo trasparente nell'esecuzione padre (anziché essere inviati all'archivio BLOB dell'area di lavoro predefinito). Gli utenti devono essere in grado di visualizzare gli artefatti generati da AutoML nella
outputs/
directory nell'esecuzione padre.
2022-01-24
Azure Machine Learning SDK per Python v1.38.0
- azureml-automl-core
- Supporto del regressore Tabnet e del classificatore Tabnet in AutoML
- Salvataggio del trasformatore di dati negli output di esecuzione padre, che possono essere riutilizzati per produrre lo stesso set di dati con funzionalità, usato durante l'esecuzione dell'esperimento
- Supporto del recupero delle metriche principali per l'attività Previsione nell'API get_primary_metrics.
- Ridenominazione del secondo parametro facoltativo negli script di assegnazione dei punteggi v2 come GlobalParameters
- azureml-automl-dnn-vision
- Aggiunta delle metriche di punteggio nell'interfaccia utente delle metriche
- azureml-automl-runtime
- Correzione di bug per i casi in cui il nome dell'algoritmo per i modelli NimbusML può essere visualizzato come stringhe vuote, in ML Studio o negli output della console.
- azureml-core
- Aggiunta di blobfuse_enabled di parametri in azureml.core.webservice.aks.AksWebservice.deploy_configuration. Quando questo parametro è true, i modelli e i file di assegnazione dei punteggi vengono scaricati con blobfuse anziché con l'API di archiviazione BLOB.
- azureml-interpret
- Aggiornamento di azureml-interpret per interpret-community 0.24.0
- In azureml-interpret update scoring explainer to support latest version of lightgbm with sparse TreeExplainer
- Aggiornare azureml-interpret per interpretar-community 0.23.*
- azureml-pipeline-core
- Aggiungere una nota in pipelinedata, consigliare all'utente di usare invece il set di dati di output della pipeline.
- azureml-pipeline-steps
- Aggiungere
environment_variables
a ParallelRunConfig, le variabili di ambiente di runtime possono essere passate da questo parametro e verranno impostate nel processo in cui viene eseguito lo script utente.
- Aggiungere
- azureml-train-automl-client
- Supporto del regressore Tabnet e del classificatore Tabnet in AutoML
- azureml-train-automl-runtime
- Salvataggio del trasformatore di dati negli output di esecuzione padre, che possono essere riutilizzati per produrre lo stesso set di dati con funzionalità, usato durante l'esecuzione dell'esperimento
- azureml-train-core
- Abilitare il supporto per la terminazione anticipata per l'ottimizzazione Bayesian in Hyperdrive
- Gli oggetti Bayesian e GridParameterSampling possono ora passare proprietà
2021-12-13
Azure Machine Learning SDK per Python v1.37.0
Modifiche di rilievo
- azureml-core
- A partire dalla versione 1.37.0, Azure Machine Learning SDK usa MSAL come libreria di autenticazione sottostante. MSAL usa il flusso di autenticazione di Azure Active Directory (Azure AD) v2.0 per offrire maggiore funzionalità e aumentare la sicurezza per la cache dei token. Per altre informazioni, vedere Panoramica di Microsoft Authentication Library (MSAL).
- Aggiornare le dipendenze di AML SDK alla versione più recente della libreria client di Gestione risorse di Azure per Python (azure-mgmt-resource>=15.0.0,20.0.0<) e adottare track2 SDK.
- A partire dalla versione 1.37.0, l'estensione azure-ml-cli deve essere compatibile con la versione più recente dell'interfaccia della riga di comando di Azure >=2.30.0.
- Quando si usa l'interfaccia della riga di comando di Azure in una pipeline, ad esempio Azure DevOps, assicurarsi che tutte le attività/fasi usino versioni dell'interfaccia della riga di comando di Azure precedenti alla versione 2.30.0 per l'interfaccia della riga di comando di Azure basata su MSAL. L'interfaccia della riga di comando di Azure 2.30.0 non è compatibile con le versioni precedenti e genera un errore quando si usano versioni incompatibili. Per usare le credenziali dell'interfaccia della riga di comando di Azure con Azure Machine Learning SDK, l'interfaccia della riga di comando di Azure deve essere installata come pacchetto pip.
- azureml-core
Correzioni di bug e miglioramenti
- azureml-core
- Rimozione dei tipi di istanza dal flusso di lavoro di collegamento per il calcolo Kubernetes. I tipi di istanza possono ora essere configurati direttamente nel cluster Kubernetes. Per altre informazioni, visitare aka.ms/amlarc/doc.
- azureml-interpret
- aggiornamento di azureml-interpret per interpret-community 0.22.*
- azureml-pipeline-steps
- Correzione di un bug per cui l'esperimento "segnaposto" potrebbe essere creato all'invio di una pipeline con autoMLStep.
- azureml-responsibleai
- aggiornare l'ambiente azureml-responsibleai e dell'istanza di calcolo in responsibleai e raiwidgets versione 0.15.0
- aggiornare il pacchetto azureml-responsibleai alla versione più recente responsibleai 0.14.0.
- azureml-tensorboard
- È ora possibile usare
Tensorboard(runs, use_display_name=True)
per montare i log di TensorBoard in cartelle denominate invecerun.display_name/run.id
dirun.id
.
- È ora possibile usare
- azureml-train-automl-client
- Correzione di un bug per cui l'esperimento "segnaposto" potrebbe essere creato all'invio di una pipeline con autoMLStep.
- Aggiornare test_data AutoMLConfig e test_size documenti per riflettere lo stato di anteprima.
- azureml-train-automl-runtime
- Aggiunta di una nuova funzionalità che consente agli utenti di passare grani di serie temporali con un valore univoco.
- In alcuni scenari, un modello AutoML può prevedere nan. Le righe che corrispondono a queste stime NaN vengono rimosse dai set di dati di test e dalle stime prima di calcolare le metriche nelle esecuzioni dei test.
- azureml-core
2021-11-08
Azure Machine Learning SDK per Python v1.36.0
- Correzioni di bug e miglioramenti
- azureml-automl-dnn-vision
- Pulizia di errori di digitazioni secondarie in alcuni messaggi di errore.
- azureml-contrib-reinforcementlearning
- L'invio di esecuzioni di apprendimento per rinforzo che usano simulatori non sono più supportate.
- azureml-core
- Aggiunta del supporto per il BLOB Premium partizionato.
- La specifica di cloud non pubblici per l'autenticazione con identità gestita non è più supportata.
- L'utente può eseguire la migrazione del servizio Web del servizio Azure Kubernetes all'endpoint e alla distribuzione online, gestito dall'interfaccia della riga di comando (v2).
- Il tipo di istanza per i processi di training nelle destinazioni di calcolo Kubernetes può ora essere impostato tramite una proprietà RunConfiguration: run_config.kubernetescompute.instance_type.
- azureml-defaults
- Rimosse dipendenze ridondanti come gunicorn e werkzeug
- azureml-interpret
- pacchetto azureml-interpret aggiornato alla versione 0.21.* di interpret-community
- azureml-pipeline-steps
- Deprecare MpiStep a favore dell'uso di CommandStep per l'esecuzione del training ml (incluso il training distribuito) nelle pipeline.
- azureml-train-automl-rutime
- Aggiornare la documentazione sul formato di output delle stime del modello AutoML.
- Sono state aggiunte descrizioni di docstring per il modello di previsione Naive, SeasonalNaive, Average e SeasonalAverage.
- Il riepilogo delle funzionalità viene ora archiviato come artefatto nell'esecuzione (verificare la presenza di un file denominato "featurization_summary.json" nella cartella outputs)
- Abilitare il supporto degli indicatori categorici per Tabnet Learner.
- Aggiungere il parametro downsample a automl_setup_model_explanations per consentire agli utenti di ottenere spiegazioni su tutti i dati senza eseguire il downcampioning impostando questo parametro su false.
- azureml-automl-dnn-vision
2021-10-11
Azure Machine Learning SDK per Python v1.35.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Abilitare il calcolo delle metriche binarie
- azureml-contrib-fairness
- Miglioramento del messaggio di errore durante il download del dashboard non riuscito
- azureml-core
- È stato risolto un bug per specificare cloud non pubblici per l'autenticazione dell'identità gestita.
- i flag sperimentali Dataset.File.upload_directory() e Dataset.Tabular.register_pandas_dataframe() vengono ora rimossi.
- I flag sperimentali vengono ora rimossi nel metodo partition_by() della classe TabularDataset.
- azureml-pipeline-steps
- I flag sperimentali vengono ora rimossi per il
partition_keys
parametro della classe ParallelRunConfig.
- I flag sperimentali vengono ora rimossi per il
- azureml-interpret
- pacchetto azureml-interpret aggiornato a intepret-community 0.20.*
- azureml-mlflow
- È stato possibile registrare artefatti e immagini con MLflow usando sottodirectory
- azureml-responsibleai
- Miglioramento del messaggio di errore durante il download del dashboard non riuscito
- azureml-train-automl-client
- Aggiunta del supporto per le attività di visione artificiale, ad esempio Classificazione immagini, Rilevamento oggetti e Segmentazione dell'istanza. La documentazione dettagliata è disponibile in: Configurare AutoML per eseguire il training di modelli di visione artificiale con Python (v1).
- Abilitare il calcolo delle metriche binarie
- azureml-train-automl-runtime
- Aggiungere il supporto TCNForecaster alle esecuzioni di test del modello.
- Aggiornare il test del modello predictions.csv formato di output. Le colonne di output includono ora i valori di destinazione originali e le funzionalità passate all'esecuzione del test. Questa opzione può essere disattivata impostando
test_include_predictions_only=True
inAutoMLConfig
o impostandoinclude_predictions_only=True
inModelProxy.test()
. Se l'utente ha richiesto di includere solo le stime, il formato di output è simile a (la previsione è la stessa della regressione): Classificazione => [valori stimati] [probabilità] Regressione => [valori stimati] else (impostazione predefinita): Classificazione => [etichette dati di test originali] [valori stimati] [probabilità] Regressione => [etichette dati di test originali] [valori stimati] [funzionalità] Nome[predicted values]
colonna =[label column name] + "_predicted"
. Nomi di[probabilities]
colonna =[class name] + "_predicted_proba"
. Se nessuna colonna di destinazione è stata passata come input all'esecuzione del test,[original test data labels]
non sarà presente nell'output.
- azureml-automl-core
2021-09-07
Azure Machine Learning SDK per Python v1.34.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Aggiunta del supporto per il refitting di una pipeline di previsione con training precedente.
- Aggiunta della possibilità di ottenere stime sui dati di training (stima in campione) per la previsione.
- azureml-automl-runtime
- Aggiungere il supporto per restituire le probabilità stimate da un endpoint distribuito di un modello di classificatore AutoML.
- Aggiunta di un'opzione di previsione che consente agli utenti di specificare che tutte le stime devono essere numeri interi.
- Il nome della colonna di destinazione è stato rimosso dall'essere incluso nei nomi delle funzionalità di spiegazione del modello per esperimenti locali con training_data_label_column_name
- come input del set di dati.
- Aggiunta del supporto per il refitting di una pipeline di previsione con training precedente.
- Aggiunta della possibilità di ottenere stime sui dati di training (stima in campione) per la previsione.
- azureml-core
- Aggiunta del supporto per impostare il tipo di colonna di flusso, montare e scaricare le colonne di flusso nel set di dati tabulare.
- Nuovi campi facoltativi aggiunti a Kubernetes.attach_configuration(identity_type=None, identity_ids=None) che consentono di associare KubernetesCompute con l'identità SystemAssigned o UserAssigned. I nuovi campi Identity vengono inclusi quando si chiama print(compute_target) o compute_target.serialize(): identity_type, identity_id, principal_id e tenant_id/client_id.
- azureml-dataprep
- Aggiunta del supporto per impostare il tipo di colonna del flusso per il set di dati tabulare. aggiunta del supporto per montare e scaricare colonne di flusso nel set di dati tabulare.
- azureml-defaults
- La dipendenza
azureml-inference-server-http==0.3.1
è stata aggiunta aazureml-defaults
.
- La dipendenza
- azureml-mlflow
- Consentire l'impaginazione di list_experiments API aggiungendo
max_results
epage_token
parametri facoltativi. Per la documentazione, vedere la documentazione ufficiale di MLflow.
- Consentire l'impaginazione di list_experiments API aggiungendo
- azureml-sdk
- È stata sostituita la dipendenza dal pacchetto deprecato (azureml-train) all'interno di azureml-sdk.
- Aggiungere azureml-responsibleai ad azureml-sdk extras
- azureml-train-automl-client
- Esporre i
test_data
parametri etest_size
inAutoMLConfig
. Questi parametri possono essere usati per avviare automaticamente un'esecuzione di test dopo il completamento della fase di training del modello. L'esecuzione del test calcola le stime usando il modello migliore e genera metriche date queste stime.
- Esporre i
- azureml-automl-core
2021-08-24
Interfaccia utente di Sperimentazione di Azure Machine Learning
- Esegui eliminazione
- Esegui eliminazione è una nuova funzionalità che consente agli utenti di eliminare una o più esecuzioni dall'area di lavoro.
- Questa funzionalità consente agli utenti di ridurre i costi di archiviazione e gestire la capacità di archiviazione eliminando regolarmente esecuzioni ed esperimenti direttamente dall'interfaccia utente.
- Esecuzione di annullamento batch
- L'esecuzione annulla batch è una nuova funzionalità che consente agli utenti di selezionare una o più esecuzioni da annullare dall'elenco di esecuzioni.
- Questa funzionalità consente agli utenti di annullare più esecuzioni in coda e liberare spazio nel cluster.
2021-08-18
Interfaccia utente di Sperimentazione di Azure Machine Learning
- Esegui nome visualizzato
- Run Display Name è un nuovo nome visualizzato modificabile e facoltativo che può essere assegnato a un'esecuzione.
- Questo nome può essere utile per tenere traccia, organizzare e individuare le esecuzioni in modo più efficace.
- Per impostazione predefinita, il nome visualizzato esegui è un formato di adjective_noun_guid (ad esempio: awesome_watch_2i3uns).
- Questo nome predefinito può essere modificato in un nome più personalizzabile. Questa operazione può essere modificata dalla pagina Dettagli esecuzione nell'interfaccia utente di studio di Azure Machine Learning.
2021-08-02
Azure Machine Learning SDK per Python v1.33.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Miglioramento della gestione degli errori per il recupero del modello XGBoost.
- È stata aggiunta la possibilità di convertire le stime da float a integer per le attività di previsione e regressione.
- Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
- azureml-automl-runtime
- È stata aggiunta la possibilità di convertire le stime da float a integer per le attività di previsione e regressione.
- Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
- azureml-contrib-automl-pipeline-steps
- I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
- Aggiungere il supporto del set di dati tabulare per l'inferenza
- È possibile specificare un percorso personalizzato per i dati di inferenza
- azureml-contrib-reinforcementlearning
- Alcune proprietà in
azureml.core.environment.DockerSection
sono deprecate, ad esempioshm_size
la proprietà usata dai ruoli di lavoro Ray nei processi di apprendimento per rinforzo. È ora possibile specificareazureml.contrib.train.rl.WorkerConfiguration
questa proprietà.
- Alcune proprietà in
- azureml-core
- Correzione di un collegamento ipertestuale nella
ScriptRunConfig.distributed_job_config
documentazione - È ora possibile creare cluster di calcolo di Azure Machine Learning in una posizione diversa dalla posizione dell'area di lavoro. Ciò è utile per ottimizzare l'allocazione della capacità inattiva e gestire l'utilizzo delle quote in diverse posizioni senza dover creare più aree di lavoro solo per usare la quota e creare un cluster di calcolo in una determinata posizione. Per altre informazioni, vedere Creare un cluster di elaborazione di Azure Machine Learning.
- Aggiunta display_name come campo nome modificabile dell'oggetto Run.
- Il set di dati from_files supporta ora l'omissione di estensioni dati per dati di input di grandi dimensioni
- Correzione di un collegamento ipertestuale nella
- azureml-dataprep
- Correzione di un bug per cui to_dask_dataframe avrebbe avuto esito negativo a causa di una race condition.
- Il set di dati from_files supporta ora l'omissione di estensioni dati per dati di input di grandi dimensioni
- azureml-defaults
- La dipendenza azureml-model-management-sdk==1.0.1b6.post1 viene rimossa da azureml-defaults.
- azureml-interpret
- aggiornamento di azureml-interpret per interpret-community 0.19.*
- azureml-pipeline-core
- I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
- azureml-train-automl-client
- Passare all'uso dell'archivio BLOB per la memorizzazione nella cache in Machine Learning automatizzato.
- I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
- Miglioramento della gestione degli errori per il recupero del modello XGBoost.
- Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
- azureml-train-automl-runtime
- Passare all'uso dell'archivio BLOB per la memorizzazione nella cache in Machine Learning automatizzato.
- I tempi gerarchici (HTS) sono abilitati per le attività di previsione tramite pipeline.
- Aggiornamento del valore predefinito per enable_early_stopping in AutoMLConfig su True.
- azureml-automl-core
06-07-2021
Azure Machine Learning SDK per Python v1.32.0
- Correzioni di bug e miglioramenti
- azureml-core
- Esporre l'integrità diagnostica dell'area di lavoro nell'SDK/interfaccia della riga di comando
- azureml-defaults
- Aggiunta
opencensus-ext-azure==1.0.8
della dipendenza ad azureml-defaults
- Aggiunta
- azureml-pipeline-core
- Aggiornamento di AutoMLStep per l'uso di immagini predefinite quando l'ambiente per l'invio del processo corrisponde all'ambiente predefinito
- azureml-responsibleai
- Nuovo client di analisi degli errori aggiunto per caricare, scaricare ed elencare i report di analisi degli errori
- Assicurarsi che
raiwidgets
iresponsibleai
pacchetti siano sincronizzati con la versione
- azureml-train-automl-runtime
- Impostare il tempo allocato per la ricerca dinamica tra varie strategie di definizione delle caratteristiche su un massimo di un quarto del timeout complessivo dell'esperimento
- azureml-core
21-06-2021
Azure Machine Learning SDK per Python v1.31.0
- Correzioni di bug e miglioramenti
- azureml-core
- Documentazione migliorata per la proprietà della piattaforma nella classe Environment
- Modifica del tempo di riduzione dei nodi di calcolo AML predefinito da 120 secondi a 1800 secondi
- Aggiornamento del collegamento predefinito per la risoluzione dei problemi visualizzato nel portale per la risoluzione dei problemi di esecuzione non riuscita in: https://aka.ms/azureml-run-troubleshooting
- azureml-automl-runtime
- Pulizia dei dati: gli esempi con valori di destinazione in [Nessuno, "", "nan", np.nan] vengono eliminati prima della definizione delle caratteristiche e/o del training del modello
- azureml-interpret
- Impedire l'errore di scaricamento della coda di attività in esecuzioni remote di Azure Machine Learning che usano ExplanationClient aumentando il timeout
- azureml-pipeline-core
- Aggiungere il parametro jar al passaggio synapse
- azureml-train-automl-runtime
- Correggere le protezioni con cardinalità elevata per essere più allineate alla documentazione
- azureml-core
2021-06-07
Azure Machine Learning SDK per Python v1.30.0
- Correzioni di bug e miglioramenti
- azureml-core
- La dipendenza
ruamel-yaml
da pin a < 0.17.5 come modifica di rilievo è stata rilasciata nella versione 0.17.5. aml_k8s_config
la proprietà viene sostituita connamespace
i parametri ,default_instance_type
einstance_types
perKubernetesCompute
attach.- Le chiavi di sincronizzazione dell'area di lavoro sono state modificate in un'operazione a esecuzione prolungata.
- La dipendenza
- azureml-automl-runtime
- È stato risolto un problema per cui l'esecuzione con Big Data potrebbe non riuscire con
Elements of y_test cannot be NaN
.
- È stato risolto un problema per cui l'esecuzione con Big Data potrebbe non riuscire con
- azureml-mlflow
- Bugfix del plug-in di distribuzione MLFlow per i modelli senza firma.
- azureml-pipeline-steps
- ParallelRunConfig: documento di aggiornamento per process_count_per_node.
- azureml-train-automl-runtime
- Supporto per quantili definiti personalizzati durante l'inferenza mm
- Supporto per forecast_quantiles durante l'inferenza batch.
- azureml-contrib-automl-pipeline-steps
- Supporto per quantili definiti personalizzati durante l'inferenza mm
- Supporto per forecast_quantiles durante l'inferenza batch.
- azureml-core
25-05-2021
Annuncio dell'interfaccia della riga di comando (v2) per Azure Machine Learning
L'estensione ml
dell'interfaccia della riga di comando di Azure è l'interfaccia di nuova generazione per Azure Machine Learning. Consente di eseguire il training e di distribuire modelli dalla riga di comando e include funzionalità che accelerano l'aumento o la riduzione delle risorse di data science durante il rilevamento del ciclo di vita del modello. Installare e configurare l'interfaccia della riga di comando (v2).
Azure Machine Learning SDK per Python v1.29.0
- Correzioni di bug e miglioramenti
- Modifiche di rilievo
- È stato eliminato il supporto per Python 3.5.
- azureml-automl-runtime
- Correzione di un bug per cui STLFeaturizer non è riuscito se la lunghezza della serie temporale era più breve della stagionalità. Questo errore è stato manifesto come IndexError. Il caso viene gestito ora senza errori, anche se il componente stagionale della libreria STL è costituito solo da zeri in questo caso.
- azureml-contrib-automl-dnn-vision
- Aggiunta di un metodo per l'inferenza batch con i percorsi di file.
- azureml-contrib-gbdt
- Il pacchetto azureml-contrib-gbdt è stato deprecato e potrebbe non ricevere aggiornamenti futuri e verrà rimosso completamente dalla distribuzione.
- azureml-core
- Correzione della spiegazione del create_if_not_exists dei parametri in Datastore.register_azure_blob_container.
- Aggiunta del codice di esempio alla classe DatasetConsumptionConfig.
- Aggiunta del supporto per il passaggio come asse alternativo per i valori delle metriche scalari in run.log()
- azureml-dataprep
- Limitare le dimensioni della partizione accettate in
_with_partition_size()
a 2 GB
- Limitare le dimensioni della partizione accettate in
- azureml-interpret
- aggiornare azureml-interpret alla versione più recente del pacchetto interpret-core
- È stato eliminato il supporto per SHAP DenseData, deprecato in SHAP 0.36.0.
- Abilitare
ExplanationClient
il caricamento in un archivio dati specificato dall'utente.
- azureml-mlflow
- Spostare azureml-mlflow in mlflow-skinny per ridurre il footprint delle dipendenze mantenendo al tempo stesso il supporto completo del plug-in
- azureml-pipeline-core
- L'esempio di codice PipelineParameter viene aggiornato nel documento di riferimento per usare il parametro corretto.
- Modifiche di rilievo
10-05-2021
Azure Machine Learning SDK per Python v1.28.0
- Correzioni di bug e miglioramenti
- azureml-automl-runtime
- Miglioramento dello script di assegnazione dei punteggi AutoML per renderlo coerente con la finestra di progettazione
- Patch bug in cui la previsione con il modello Prophet genera un errore di "colonna mancante" se è stato eseguito il training in una versione precedente dell'SDK.
- Aggiunto il modello ARIMAX agli elenchi di modelli pubblici supportati dalle previsioni di AutoML SDK. In questo caso, ARIMAX è una regressione con errori ARIMA e un caso speciale dei modelli di funzione di trasferimento sviluppati da Box e Jenkins. Per una descrizione del modo in cui i due approcci sono diversi, vedere Il muddle del modello ARIMAX.For a discussion of how the two approaches are different, see The ARIMAX model muddle. A differenza del resto dei modelli multivariati che usano funzionalità generate automaticamente, dipendenti dal tempo (ora del giorno, giorno dell'anno e così via) in AutoML, questo modello usa solo le funzionalità fornite dall'utente e semplifica l'interpretazione dei coefficienti.
- azureml-contrib-dataset
- Descrizione della documentazione aggiornata con indicazione che libfuse deve essere installato durante l'uso del montaggio.
- azureml-core
- L'immagine con cura della CPU predefinita è ora mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. L'immagine GPU predefinita è ora mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
- Run.fail() è ora deprecato, usare Run.tag() per contrassegnare l'esecuzione come non riuscita o usare Run.cancel() per contrassegnare l'esecuzione come annullata.
- Aggiornamento della documentazione con una nota che libfuse deve essere installato durante il montaggio di un set di dati di file.
- Aggiungere il supporto sperimentale register_dask_dataframe() al set di dati tabulare.
- Supportare DatabricksStep con BLOB di Azure/ADL-S come input/output ed esporre i parametri permit_cluster_restart per consentire al cliente di decidere se AML può riavviare il cluster quando è necessario aggiungere la configurazione di accesso i/o al cluster
- azureml-dataset-runtime
- azureml-dataset-runtime supporta ora le versioni di pyarrow < 4.0.0
- azureml-mlflow
- Aggiunta del supporto per la distribuzione in Azure Machine Learning tramite il plug-in MLFlow.
- azureml-pipeline-steps
- Supportare DatabricksStep con BLOB di Azure/ADL-S come input/output ed esporre i parametri permit_cluster_restart per consentire al cliente di decidere se AML può riavviare il cluster quando è necessario aggiungere la configurazione di accesso i/o al cluster
- azureml-synapse
- Abilitare il gruppo di destinatari nell'autenticazione msi
- azureml-train-automl-client
- Aggiunta del collegamento modificato per il documento di destinazione di calcolo
- azureml-automl-runtime
2021-04-19
Azure Machine Learning SDK per Python v1.27.0
- Correzioni di bug e miglioramenti
- azureml-core
- È stata aggiunta la possibilità di eseguire l'override del valore di timeout predefinito per il caricamento degli elementi tramite la variabile di ambiente "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
- Correzione di un bug per cui le impostazioni di Docker nell'oggetto Environment in ScriptRunConfig non vengono rispettate.
- Consentire il partizionamento di un set di dati durante la copia in una destinazione.
- Aggiunta di una modalità personalizzata a OutputDatasetConfig per abilitare il passaggio di set di dati creati nelle pipeline tramite una funzione di collegamento. Questi miglioramenti di supporto sono stati apportati per abilitare il partizionamento tabulare per le richieste pull.
- Aggiunta di un nuovo tipo di calcolo KubernetesCompute ad azureml-core.
- azureml-pipeline-core
- Aggiunta di una modalità personalizzata a OutputDatasetConfig e consentire a un utente di passare set di dati creati nelle pipeline tramite una funzione di collegamento. Le destinazioni percorso file supportano segnaposto. Questi supportano i miglioramenti apportati per abilitare il partizionamento tabulare per le richieste pull.
- Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.
- azureml-pipeline-steps
- Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.
- azureml-synapse
- Aggiornare l'URL dell'interfaccia utente spark nel widget di azureml synapse
- azureml-train-automl-client
- L'utilità di definizione della durata (STL) per l'attività di previsione ora usa un rilevamento della stagionalità più affidabile in base alla frequenza della serie temporale.
- azureml-train-core
- Correzione del bug per cui le impostazioni di Docker nell'oggetto Environment non vengono rispettate.
- Aggiunta del nuovo tipo di calcolo KubernetesCompute ad azureml-core.
- azureml-core
2021-04-05
Azure Machine Learning SDK per Python v1.26.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- È stato risolto un problema per cui i modelli Naive sarebbero consigliati nelle esecuzioni autoMLStep e hanno esito negativo con funzionalità di ritardo o finestra mobile. Questi modelli non saranno consigliati quando vengono impostati i ritardi di destinazione o le dimensioni della finestra mobile di destinazione.
- Output della console modificato durante l'invio di un'esecuzione autoML per visualizzare un collegamento al portale all'esecuzione.
- azureml-core
- Aggiunta della modalità HDFS nella documentazione.
- Aggiunta del supporto per comprendere le partizioni del set di dati di file in base alla struttura GLOB.
- Aggiunta del supporto per l'aggiornamento del registro contenitori associato all'area di lavoro di Azure Machine Learning.
- Gli attributi dell'ambiente deprecati in DockerSection - "enabled", "shared_volume" e "arguments" fanno ora parte di DockerConfiguration in RunConfiguration.
- Documentazione di clonazione dell'interfaccia della riga di comando della pipeline aggiornata
- URI del portale aggiornati per includere il tenant per l'autenticazione
- Rimozione del nome dell'esperimento dagli URI di esecuzione per evitare reindirizzamenti
- Aggiornamento dell'URO dell'esperimento per l'uso dell'ID esperimento.
- Correzioni di bug per il collegamento di calcolo remoto con l'interfaccia della riga di comando di Azure Machine Learning.
- URI del portale aggiornati per includere il tenant per l'autenticazione.
- Aggiornamento dell'URI dell'esperimento per l'uso dell'ID esperimento.
- azureml-interpret
- azureml-interpret aggiornato per l'uso di interpret-community 0.17.0
- azureml-opendatasets
- Input date date and end date validation and error indication if it's not datetime type.
- azureml-parallel-run
- [Funzionalità sperimentale] Aggiungere
partition_keys
il parametro a ParallelRunConfig, se specificato, i set di dati di input verranno partizionati in mini batch dalle chiavi specificate. Richiede che tutti i set di dati di input siano partizionati.
- [Funzionalità sperimentale] Aggiungere
- azureml-pipeline-steps
- Correzione di bug: supporto path_on_compute durante il passaggio della configurazione del set di dati come download.
- Deprecare RScriptStep a favore dell'uso di CommandStep per l'esecuzione di script R nelle pipeline.
- Deprecate EstimatorStep a favore dell'uso di CommandStep per l'esecuzione del training ml (incluso il training distribuito) nelle pipeline.
- azureml-sdk
- Aggiornare python_requires alla < versione 3.9 per azureml-sdk
- azureml-train-automl-client
- Output della console modificato durante l'invio di un'esecuzione autoML per visualizzare un collegamento al portale all'esecuzione.
- azureml-train-core
- Attributi 'enabled', 'shared_volume' e 'arguments' di DockerSection deprecati a favore dell'uso di DockerConfiguration con ScriptRunConfig.
- Usare set di dati aperti di Azure per il set di dati MNIST
- I messaggi di errore di Hyperdrive sono stati aggiornati.
- azureml-automl-core
2021-03-22
Azure Machine Learning SDK per Python v1.25.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Output della console modificato durante l'invio di un'esecuzione autoML per visualizzare un collegamento al portale all'esecuzione.
- azureml-core
- Inizia a supportare l'aggiornamento del registro contenitori per l'area di lavoro nell'SDK e nell'interfaccia della riga di comando
- Attributi 'enabled', 'shared_volume' e 'arguments' di DockerSection deprecati a favore dell'uso di DockerConfiguration con ScriptRunConfig.
- Documentazione di clonazione dell'interfaccia della riga di comando della pipeline aggiornata
- URI del portale aggiornati per includere il tenant per l'autenticazione
- Rimozione del nome dell'esperimento dagli URI di esecuzione per evitare reindirizzamenti
- Aggiornamento dell'URO dell'esperimento per l'uso dell'ID esperimento.
- Correzioni di bug per il collegamento di calcolo remoto tramite az CLI
- URI del portale aggiornati per includere il tenant per l'autenticazione.
- Aggiunta del supporto per comprendere le partizioni del set di dati di file in base alla struttura GLOB.
- azureml-interpret
- azureml-interpret aggiornato per l'uso di interpret-community 0.17.0
- azureml-opendatasets
- Input date date and end date validation and error indication if it's not datetime type.
- azureml-pipeline-core
- Correzione di bug: supporto path_on_compute durante il passaggio della configurazione del set di dati come download.
- azureml-pipeline-steps
- Correzione di bug: supporto path_on_compute durante il passaggio della configurazione del set di dati come download.
- Deprecare RScriptStep a favore dell'uso di CommandStep per l'esecuzione di script R nelle pipeline.
- Deprecate EstimatorStep a favore dell'uso di CommandStep per l'esecuzione del training ml (incluso il training distribuito) nelle pipeline.
- azureml-train-automl-runtime
- Output della console modificato durante l'invio di un'esecuzione autoML per visualizzare un collegamento al portale all'esecuzione.
- azureml-train-core
- Attributi 'enabled', 'shared_volume' e 'arguments' di DockerSection deprecati a favore dell'uso di DockerConfiguration con ScriptRunConfig.
- Usare set di dati aperti di Azure per il set di dati MNIST
- I messaggi di errore di Hyperdrive sono stati aggiornati.
- azureml-automl-core
2021-03-31
esperienza notebook studio di Azure Machine Learning (aggiornamento di marzo)
Nuove funzionalità
- Eseguire il rendering di CSV/TSV. Gli utenti possono eseguire il rendering e il file TSV/CSV in un formato griglia per semplificare l'analisi dei dati.
- Autenticazione SSO per l'istanza di calcolo. Gli utenti possono ora autenticare facilmente tutte le nuove istanze di calcolo direttamente nell'interfaccia utente del notebook, semplificando l'autenticazione e l'uso degli SDK di Azure direttamente in Azure Machine Learning.
- Metriche dell'istanza di calcolo. Gli utenti sono in grado di visualizzare le metriche di calcolo, ad esempio l'utilizzo della CPU e la memoria tramite terminale.
- Dettagli file. Gli utenti possono ora visualizzare i dettagli del file, tra cui l'ora dell'ultima modifica e le dimensioni del file facendo clic sui tre puntini accanto a un file.
Correzioni di bug e miglioramenti
- Tempi di caricamento delle pagine migliorati.
- Prestazioni migliorate.
- Maggiore velocità e affidabilità del kernel.
- Ottenere un patrimonio immobiliare verticale spostando definitivamente il riquadro del file notebook.
- I collegamenti sono ora selezionabili nel terminale
- Miglioramento delle prestazioni di IntelliSense
2021-03-08
Azure Machine Learning SDK per Python v1.24.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Rimozione delle importazioni compatibili con le versioni precedenti da
azureml.automl.core.shared
. Gli errori del modulo non trovati nello spazio deiazureml.automl.core.shared
nomi possono essere risolti importando daazureml.automl.runtime.shared
.
- Rimozione delle importazioni compatibili con le versioni precedenti da
- azureml-contrib-automl-dnn-vision
- Modello yolo di rilevamento oggetti esposto.
- azureml-contrib-dataset
- Aggiunta della funzionalità per filtrare i set di dati tabulari in base ai valori di colonna e ai set di dati di file in base ai metadati.
- azureml-contrib-fairness
- Includere lo schema JSON nella rotellina per
azureml-contrib-fairness
- Includere lo schema JSON nella rotellina per
- azureml-contrib-mir
- Con l'impostazione di show_output su True quando si distribuiscono modelli, la configurazione di inferenza e la configurazione della distribuzione vengono riprodotte prima di inviare la richiesta al server.
- azureml-core
- Aggiunta della funzionalità per filtrare i set di dati tabulari in base ai valori di colonna e ai set di dati di file in base ai metadati.
- In precedenza, era possibile che gli utenti creino configurazioni di provisioning per ComputeTarget che non soddisfano i requisiti di complessità della password per il
admin_user_password
campo , ovvero che devono contenere almeno 3 delle seguenti: una lettera minuscola, una lettera maiuscola, una cifra e un carattere speciale del set seguente:\`~!@#$%^&*()=+_[]{}|;:./'",<>?
. Se l'utente ha creato una configurazione con una password debole ed è stato eseguito un processo usando tale configurazione, il processo avrà esito negativo in fase di esecuzione. A questo punto, la chiamata aAmlCompute.provisioning_configuration
genera unComputeTargetException
oggetto con un messaggio di errore associato che illustra i requisiti di complessità della password. - Inoltre, in alcuni casi è stato possibile specificare una configurazione con un numero negativo di nodi massimi. Non è più possibile farlo.
AmlCompute.provisioning_configuration
Genera ora un'eccezioneComputeTargetException
se l'argomentomax_nodes
è un numero intero negativo. - Se si imposta show_output su True quando si distribuiscono modelli, viene visualizzata la configurazione di inferenza e la configurazione della distribuzione.
- Se si imposta show_output su True quando si attende il completamento della distribuzione del modello, viene visualizzato lo stato di avanzamento dell'operazione di distribuzione.
- Consentire al cliente specificato dalla directory di configurazione dell'autenticazione di Azure Machine Learning tramite la variabile di ambiente: AZUREML_AUTH_CONFIG_DIR
- In precedenza, era possibile creare una configurazione di provisioning con il numero minimo di nodi inferiore al numero massimo di nodi. Il processo viene eseguito ma ha esito negativo in fase di esecuzione. Questo bug è stato risolto. Se si tenta ora di creare una configurazione di provisioning con
min_nodes < max_nodes
l'SDK genera un .ComputeTargetException
- azureml-interpret
- fix explanation dashboard not showing aggregate feature importances for sparse engineered explanations
- utilizzo ottimizzato della memoria di ExplanationClient nel pacchetto azureml-interpret
- azureml-train-automl-client
- Correzione show_output=False per restituire il controllo all'utente durante l'esecuzione con Spark.
- azureml-automl-core
2021-02-28
esperienza notebook studio di Azure Machine Learning (aggiornamento di febbraio)
Nuove funzionalità
- Terminale nativo (GA). Gli utenti hanno ora accesso a un terminale integrato e a un'operazione Git tramite il terminale integrato.
- Frammenti di notebook (anteprima). Gli estratti di codice comuni di Azure Machine Learning sono ora disponibili a portata di mano. Passare al pannello dei frammenti di codice, accessibile tramite la barra degli strumenti o attivare il menu dei frammenti di codice usando CTRL+SPAZIO.
- Tasti di scelta rapida. Parità completa con i tasti di scelta rapida disponibili in Jupyter.
- Indicare i parametri Cell. Mostra gli utenti che le celle di un notebook sono celle di parametri e possono eseguire notebook con parametri tramite Papermill nell'istanza di calcolo.
- Gestione sessioni del terminale e del kernel: gli utenti possono gestire tutti i kernel e le sessioni del terminale in esecuzione nel calcolo.
- Pulsante Condivisione. Gli utenti possono ora condividere qualsiasi file in Esplora file notebook facendo clic con il pulsante destro del mouse sul file e usando il pulsante di condivisione.
Correzioni di bug e miglioramenti
- Tempi di caricamento delle pagine migliorati
- Prestazioni migliorate
- Miglioramento della velocità e dell'affidabilità del kernel
- Aggiunta della rotellina rotante per mostrare lo stato di avanzamento per tutte le operazioni di istanza di calcolo in corso.
- Fare clic con il pulsante destro del mouse in Esplora file. Fare clic con il pulsante destro del mouse su qualsiasi file ora apre le operazioni sui file.
16-02-2021
Azure Machine Learning SDK per Python v1.23.0
- Correzioni di bug e miglioramenti
- azureml-core
- [Funzionalità sperimentale] Aggiungere il supporto per collegare l'area di lavoro synapse in AML come servizio collegato
- [Funzionalità sperimentale] Aggiungere il supporto per collegare il pool di spark synapse in AML come calcolo
- [Funzionalità sperimentale] Aggiungere il supporto per l'accesso ai dati basato sull'identità. Gli utenti possono registrare l'archivio dati o i set di dati senza fornire le credenziali. In questo caso, il token di Azure AD degli utenti o l'identità gestita della destinazione di calcolo viene usata per l'autenticazione. Per altre informazioni, vedere Connettersi all'archiviazione usando l'accesso ai dati basato su identità.
- azureml-pipeline-steps
- [Funzionalità sperimentale] Aggiungere il supporto per SynapseSparkStep
- azureml-synapse
- [Funzionalità sperimentale] Aggiungere il supporto di Spark Magic per eseguire una sessione interattiva nel pool di spark synapse.
- azureml-core
- Correzioni di bug e miglioramenti
- azureml-automl-runtime
- In questo aggiornamento è stato aggiunto un smoothing esponenziale degli invernali holt alla casella degli strumenti di previsione di AutoML SDK. Dato una serie temporale, il modello migliore viene selezionato da AICc (Corretto criterio informativo di Akaike) e restituito.
- AutoML genera ora due file di log anziché uno. Le istruzioni di log passano a una o all'altra a seconda del processo in cui è stata generata l'istruzione del log.
- Rimuovere la stima in-sample non necessaria durante il training del modello con convalide incrociate. Questo può ridurre il tempo di training del modello in alcuni casi, in particolare per i modelli di previsione delle serie temporali.
- azureml-contrib-fairness
- Aggiungere uno schema JSON per i caricamenti dashboardDictionary.
- azureml-contrib-interpret
- azureml-contrib-interpret README viene aggiornato per riflettere che il pacchetto verrà rimosso nell'aggiornamento successivo dopo essere stato deprecato a partire da ottobre, usare invece il pacchetto azureml-interpret
- azureml-core
- In precedenza, era possibile creare una configurazione di provisioning con il numero minimo di nodi inferiore al numero massimo di nodi. Questo problema è stato risolto. Se si prova ora a creare una configurazione di provisioning con
min_nodes < max_nodes
l'SDK, verrà generato un .ComputeTargetException
- Correzione del bug in wait_for_completion in AmlCompute, che ha causato la restituzione del flusso di controllo prima del completamento dell'operazione
- Run.fail() è ora deprecato, usare Run.tag() per contrassegnare l'esecuzione come non riuscita o usare Run.cancel() per contrassegnare l'esecuzione come annullata.
- Visualizza il messaggio di errore 'Nome ambiente previsto str, {} trovato' quando il nome dell'ambiente specificato non è una stringa.
- In precedenza, era possibile creare una configurazione di provisioning con il numero minimo di nodi inferiore al numero massimo di nodi. Questo problema è stato risolto. Se si prova ora a creare una configurazione di provisioning con
- azureml-train-automl-client
- Correzione di un bug che impediva l'annullamento degli esperimenti AutoML nei cluster di Azure Databricks.
- azureml-automl-runtime
09-02-2021
Azure Machine Learning SDK per Python v1.22.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Correzione del bug per cui è stata aggiunta una dipendenza pip aggiuntiva al file conda yml per i modelli di visione.
- azureml-automl-runtime
- Correzione di un bug per cui i modelli di previsione classici (ad esempio, AutoArima) potevano ricevere dati di training in cui le righe con valori di destinazione imputati non erano presenti. Ciò ha violato il contratto dati di questi modelli. * Correzione di vari bug con comportamento di ritardo per occorrenza nell'operatore di ritardo della serie temporale. In precedenza, l'operazione di ritardo per occorrenza non contrassegnò correttamente tutte le righe imputate e quindi non generava sempre i valori di ritardo dell'occorrenza corretti. Sono stati risolti anche alcuni problemi di compatibilità tra l'operatore di ritardo e l'operatore finestra mobile con comportamento di ritardo per occorrenza. In precedenza, l'operatore finestra in sequenza rilasciava alcune righe dai dati di training da usare in altro modo.
- azureml-core
- Aggiunta del supporto per l'autenticazione token per gruppo di destinatari.
- Aggiungere
process_count
a PyTorchConfiguration per supportare processi PyTorch multi-node multi-node.
- azureml-pipeline-steps
CommandStep ora disponibile a livello generale e non più sperimentale.
ParallelRunConfig: aggiungere l'argomento allowed_failed_count e allowed_failed_percent per controllare la soglia di errore a livello di mini batch. La soglia di errore include ora tre versioni:
- error_threshold - numero di elementi mini batch non riusciti consentiti;
- allowed_failed_count - numero di mini batch non riusciti consentiti;
- allowed_failed_percent- percentuale di mini batch non riusciti consentiti.
Un processo si arresta se supera uno qualsiasi di essi. error_threshold è necessario per mantenere la compatibilità con le versioni precedenti. Impostare il valore su -1 per ignorarlo.
Correzione della gestione degli spazi vuoti nel nome autoMLStep.
ScriptRunConfig è ora supportato da HyperDriveStep
- azureml-train-core
- L'esecuzione di HyperDrive richiamata da scriptRun è ora considerata un'esecuzione figlio.
- Aggiungere
process_count
a PyTorchConfiguration per supportare processi PyTorch multi-node multi-node.
- azureml-widgets
- Aggiungere il widget ParallelRunStepDetails per visualizzare lo stato di un oggetto ParallelRunStep.
- Consente agli utenti di hyperdrive di visualizzare un asse nel grafico delle coordinate parallele che mostra il valore della metrica corrispondente a ogni set di iperparametri per ogni esecuzione figlio.
- azureml-automl-core
2021-01-31
Esperienza notebook studio di Azure Machine Learning (aggiornamento di gennaio)
Nuove funzionalità
- Editor Markdown nativo in Azure Machine Learning. Gli utenti possono ora eseguire il rendering e modificare i file markdown in modo nativo in studio di Azure Machine Learning.
- Pulsante Esegui per gli script (.py, . R e .sh). Gli utenti possono ora eseguire facilmente script Python, R e Bash in Azure Machine Learning
- Esplora variabili. Esplorare il contenuto delle variabili e dei frame di dati in un pannello popup. Gli utenti possono controllare facilmente il tipo di dati, le dimensioni e il contenuto.
- Tabella di contenuto. Passare alle sezioni del notebook, indicate dalle intestazioni Markdown.
- Esportare il notebook come Latex/HTML/Py. Creare file di notebook facili da condividere esportando in LaTex, HTML o .py
- Intellicode. I risultati basati su ML offrono un'esperienza avanzata di completamento automatico intelligente.
Correzioni di bug e miglioramenti
- Tempi di caricamento delle pagine migliorati
- Prestazioni migliorate
- Miglioramento della velocità e dell'affidabilità del kernel
2021-01-25
Azure Machine Learning SDK per Python v1.21.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- Correzione del testo della Guida dell'interfaccia della riga di comando quando si usa AmlCompute con UserAssigned Identity
- azureml-contrib-automl-dnn-vision
- I pulsanti di distribuzione e download diventano visibili per le esecuzioni della visione automatica e i modelli possono essere distribuiti o scaricati in modo simile ad altre esecuzioni autoML. Sono disponibili due nuovi file (scoring_file_v_1_0_0.py e conda_env_v_1_0_0.yml) che contengono uno script per eseguire l'inferenza e un file yml per ricreare l'ambiente conda. Il file 'model.pth' è stato rinominato anche per usare l'estensione '.pt'.
- azureml-core
- Supporto dell'identità del servizio gestito per azure-cli-ml
- Supporto dell'identità gestita assegnata dall'utente.
- Con questa modifica, i clienti devono essere in grado di fornire un'identità assegnata dall'utente che può essere usata per recuperare la chiave dall'insieme di credenziali delle chiavi del cliente per la crittografia dei dati inattivi.
- correzione row_count=0 per il profilo di file di grandi dimensioni - correzione dell'errore nella conversione doppia per i valori delimitati con spazi vuoti spaziatura interna
- Rimuovere il flag sperimentale per la disponibilità generale del set di dati di output
- Aggiornare la documentazione su come recuperare una versione specifica di un modello
- Consenti l'aggiornamento dell'area di lavoro per l'accesso in modalità mista nel collegamento privato
- Correzione per rimuovere un'altra registrazione nell'archivio dati per la funzionalità di ripresa dell'esecuzione
- Aggiunta del supporto dell'interfaccia della riga di comando/SDK per l'aggiornamento dell'identità assegnata dall'utente primario dell'area di lavoro
- azureml-interpret
- aggiornamento di azureml-interpret per interpret-community 0.16.0
- ottimizzazioni della memoria per la spiegazione del client in azureml-interpret
- azureml-train-automl-runtime
- Streaming abilitato per le esecuzioni di ADB
- azureml-train-core
- Correzione per rimuovere un'altra registrazione nell'archivio dati per la funzionalità di ripresa dell'esecuzione
- azureml-widgets
- I clienti non dovrebbero visualizzare le modifiche apportate alla visualizzazione dei dati di esecuzione esistente usando il widget e ora hanno supporto se usano facoltativamente iperparametri condizionali.
- Il widget di esecuzione dell'utente include ora una spiegazione dettagliata del motivo per cui un'esecuzione si trova nello stato in coda.
- azure-cli-ml
2021-01-11
Azure Machine Learning SDK per Python v1.20.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- framework_version aggiunto in OptimizationConfig. Viene usato quando il modello viene registrato con il framework MULTI.
- azureml-contrib-optimization
- framework_version aggiunto in OptimizationConfig. Viene usato quando il modello viene registrato con il framework MULTI.
- azureml-pipeline-steps
- Introduzione a CommandStep, che richiederebbe il comando per l'elaborazione. Il comando può includere eseguibili, comandi della shell, script e così via.
- azureml-core
- La creazione dell'area di lavoro supporta ora l'identità assegnata dall'utente. Aggiunta del supporto uai da SDK/interfaccia della riga di comando
- È stato risolto un problema relativo a service.reload() per raccogliere le modifiche nelle score.py nella distribuzione locale.
run.get_details()
ha un campo aggiuntivo denominato "submittedBy", che visualizza il nome dell'autore per questa esecuzione.- Documentazione del metodo Model.register modificata per indicare come registrare il modello dall'esecuzione diretta
- Correzione del problema di gestione delle modifiche dello stato della connessione IOT-Server.
- azure-cli-ml
2020-12-31
esperienza notebook studio di Azure Machine Learning (aggiornamento di dicembre)
Nuove funzionalità
- Ricerca nome file utente. Gli utenti sono ora in grado di cercare tutti i file salvati in un'area di lavoro.
- Supporto markdown side-by-side per ogni cella del notebook. In una cella del notebook gli utenti possono ora avere la possibilità di visualizzare il markdown sottoposto a rendering e la sintassi markdown side-by-side.
- Barra di stato cella. La barra di stato indica lo stato in cui si trova una cella di codice, se l'esecuzione di una cella ha avuto esito positivo e il tempo necessario per l'esecuzione.
Correzioni di bug e miglioramenti
- Tempi di caricamento delle pagine migliorati
- Prestazioni migliorate
- Miglioramento della velocità e dell'affidabilità del kernel
2020-12-07
Azure Machine Learning SDK per Python v1.19.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
- Aggiunta dell'implementazione principale iniziale della funzionalità di inserimento del set di test.
- I riferimenti spostati a sklearn.externals.joblib dipendono direttamente da joblib.
- introdurre un nuovo tipo di attività AutoML "image-instance-segmentation".
- azureml-automl-runtime
- Aggiunta dell'implementazione principale iniziale della funzionalità di inserimento del set di test.
- Quando tutte le stringhe in una colonna di testo hanno una lunghezza esatta di un carattere, la funzione di definizione della parola tfIdf non funziona perché il tokenizer ignora le stringhe con meno di due caratteri. La modifica del codice corrente consente a AutoML di gestire questo caso d'uso.
- introdurre un nuovo tipo di attività AutoML "image-instance-segmentation".
- azureml-contrib-automl-dnn-nlp
- Richiesta pull iniziale per il nuovo pacchetto dnn-nlp
- azureml-contrib-automl-dnn-vision
- introdurre un nuovo tipo di attività AutoML "image-instance-segmentation".
- azureml-contrib-automl-pipeline-steps
- Questo nuovo pacchetto è responsabile della creazione dei passaggi necessari per molti scenari di training/inferenza dei modelli. - Sposta anche il codice di training/inferenza nel pacchetto azureml.train.automl.runtime in modo che eventuali correzioni future vengano automaticamente disponibili tramite le versioni curate dell'ambiente.
- azureml-contrib-dataset
- introdurre un nuovo tipo di attività AutoML "image-instance-segmentation".
- azureml-core
- Aggiunta dell'implementazione principale iniziale della funzionalità di inserimento del set di test.
- Correzione degli avvisi xref per la documentazione nel pacchetto azureml-core
- Correzioni delle stringhe doc per la funzionalità di supporto dei comandi in SDK
- Aggiunta della proprietà del comando a RunConfiguration. La funzionalità consente agli utenti di eseguire un comando o eseguibili effettivi nel calcolo tramite Azure Machine Learning SDK.
- Gli utenti possono eliminare un esperimento vuoto in base all'ID dell'esperimento.
- azureml-dataprep
- Aggiunta del supporto del set di dati per Spark compilato con Scala 2.12. Viene aggiunto al supporto 2.11 esistente.
- azureml-mlflow
- AzureML-MLflow aggiunge protezioni sicure negli script remoti per evitare la chiusura anticipata delle esecuzioni inviate.
- azureml-pipeline-core
- Correzione di un bug nell'impostazione di una pipeline predefinita per l'endpoint della pipeline creato tramite l'interfaccia utente
- azureml-pipeline-steps
- Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
- azureml-tensorboard
- Correzione degli avvisi xref per la documentazione nel pacchetto azureml-core
- azureml-train-automl-client
- Aggiunta del supporto sperimentale per i dati di test a AutoMLStep.
- Aggiunta dell'implementazione principale iniziale della funzionalità di inserimento del set di test.
- introdurre un nuovo tipo di attività AutoML "image-instance-segmentation".
- azureml-train-automl-runtime
- Aggiunta dell'implementazione principale iniziale della funzionalità di inserimento del set di test.
- Correggere il calcolo delle spiegazioni non elaborate per il modello AutoML migliore se viene eseguito il training dei modelli AutoML usando validation_size impostazione.
- I riferimenti spostati a sklearn.externals.joblib dipendono direttamente da joblib.
- azureml-train-core
HyperDriveRun.get_children_sorted_by_primary_metric() dovrebbe essere completato più rapidamente
Miglioramento della gestione degli errori in HyperDrive SDK.
Deprecato tutte le classi di stima a favore dell'uso di ScriptRunConfig per configurare le esecuzioni dell'esperimento. Le classi deprecate includono:
- MMLBase
- Strumento di stima
- PyTorch
- TensorFlow
- Chainer
- SKLearn
Deprecato l'uso di Nccl e Gloo come tipi di input validi per le classi estimator a favore dell'uso di PyTorchConfiguration con ScriptRunConfig.
Deprecato l'uso di Mpi come tipo di input valido per le classi estimator a favore dell'uso di MpiConfiguration con ScriptRunConfig.
Aggiunta della proprietà del comando per eseguire la configurazione. La funzionalità consente agli utenti di eseguire un comando o eseguibili effettivi nel calcolo tramite Azure Machine Learning SDK.
Deprecato tutte le classi di stima a favore dell'uso di ScriptRunConfig per configurare le esecuzioni dell'esperimento. Le classi deprecate includono: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn
Deprecato l'uso di Nccl e Gloo come tipo di input valido per le classi estimator a favore dell'uso di PyTorchConfiguration con ScriptRunConfig.
Deprecato l'uso di Mpi come tipo di input valido per le classi estimator a favore dell'uso di MpiConfiguration con ScriptRunConfig.
- azureml-automl-core
30/11/2020
Esperienza notebook studio di Azure Machine Learning (aggiornamento di novembre)
Nuove funzionalità
- Terminale nativo. Gli utenti hanno ora accesso a un terminale integrato e a un'operazione Git tramite il terminale integrato.
- Duplica cartella
- Costo per l'elenco a discesa Calcolo
- Pylance calcolo offline
Correzioni di bug e miglioramenti
- Tempi di caricamento delle pagine migliorati
- Prestazioni migliorate
- Miglioramento della velocità e dell'affidabilità del kernel
- Caricamento di file di grandi dimensioni. È ora possibile caricare il file >da 95 mb
2020-11-09
Azure Machine Learning SDK per Python v1.18.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Miglioramento della gestione delle serie temporali brevi consentendo di riempimento con rumore gaussiano.
- azureml-automl-runtime
- Generare ConfigException se una colonna DateTime ha un valore OutOfBoundsDatetime
- Miglioramento della gestione delle serie temporali brevi consentendo di riempimento con rumore gaussiano.
- Assicurarsi che ogni colonna di testo possa usare la trasformazione char-gram con l'intervallo n-gram in base alla lunghezza delle stringhe nella colonna di testo
- Spiegazioni delle funzionalità non elaborate per la modalità migliore per gli esperimenti AutoML in esecuzione nel calcolo locale dell'utente
- azureml-core
- Aggiungere il pacchetto: pyjwt per evitare il pull di interruzioni nelle versioni future.
- La creazione di un esperimento restituisce l'esperimento attivo o l'ultimo esperimento archiviato con lo stesso nome se tale esperimento esiste o un nuovo esperimento.
- La chiamata get_experiment per nome restituisce l'esperimento attivo o l'ultimo esperimento archiviato con il nome specificato.
- Gli utenti non possono rinominare un esperimento durante la riattivazione.
- Messaggio di errore migliorato per includere potenziali correzioni quando un set di dati viene passato in modo non corretto a un esperimento (ad esempio, ScriptRunConfig).
- Documentazione migliorata per
OutputDatasetConfig.register_on_complete
includere il comportamento di ciò che accade quando il nome esiste già. - Se si specificano nomi di input e output del set di dati che possono essere in conflitto con variabili di ambiente comuni, viene ora generato un avviso
- Parametro reimpierito
grant_workspace_access
durante la registrazione degli archivi dati. Impostarlo suTrue
per accedere ai dati dietro la rete virtuale da Machine Learning Studio. Ulteriori informazioni - L'API del servizio collegato è perfezionata. Invece di specificare l'ID risorsa, sono disponibili tre parametri separati sub_id, rg e nome definiti nella configurazione.
- Per consentire ai clienti di risolvere automaticamente i problemi di danneggiamento dei token, abilitare la sincronizzazione dei token dell'area di lavoro come metodo pubblico.
- Questa modifica consente l'uso di una stringa vuota come valore per un script_param
- azureml-train-automl-client
- Miglioramento della gestione delle serie temporali brevi consentendo di riempimento con rumore gaussiano.
- azureml-train-automl-runtime
- Generare ConfigException se una colonna DateTime ha un valore OutOfBoundsDatetime
- Aggiunta del supporto per fornire spiegazioni di funzionalità non elaborate per il modello migliore per gli esperimenti AutoML in esecuzione nel calcolo locale dell'utente
- Miglioramento della gestione delle serie temporali brevi consentendo di riempimento con rumore gaussiano.
- azureml-train-core
- Questa modifica consente l'uso di una stringa vuota come valore per un script_param
- azureml-train-restclients-hyperdrive
- README è stato modificato per offrire più contesto
- azureml-widgets
- Aggiungere il supporto delle stringhe alla libreria grafici/coordinate parallele per il widget.
- azureml-automl-core
2020-11-05
Etichettatura dei dati per la segmentazione dell'istanza dell'immagine (annotazione poligono) (anteprima)
Il tipo di progetto di segmentazione dell'istanza dell'immagine (annotazioni poligonale) nell'etichettatura dati è ora disponibile, in modo che gli utenti possano disegnare e annotare con poligoni intorno al contorno degli oggetti nelle immagini. Gli utenti possono assegnare una classe e un poligono a ogni oggetto di interesse all'interno di un'immagine.
Altre informazioni sull'etichettatura della segmentazione dell'istanza dell'immagine.
26-10-2020
Azure Machine Learning SDK per Python v1.17.0
- nuovi esempi
- È disponibile un nuovo repository di esempi basato sulla community all'indirizzo https://github.com/Azure/azureml-examples
- Correzioni di bug e miglioramenti
- azureml-automl-core
- È stato risolto un problema per cui get_output potrebbe generare un errore XGBoostError.
- azureml-automl-runtime
- Le funzionalità basate sul tempo/calendario create da AutoML ora hanno il prefisso .
- Correzione di un indexError durante il training di StackEnsemble per i set di dati di classificazione con un numero elevato di classi e sottocampionamento abilitati.
- È stato risolto un problema per cui le stime di VotingRegressor potrebbero non essere accurate dopo il refitting del modello.
- azureml-core
- Sono stati aggiunti altri dettagli sulla relazione tra la configurazione della distribuzione del servizio Azure Kubernetes e i concetti di servizio Azure Kubernetes.
- Supporto delle etichette client dell'ambiente. L'utente può etichettare Ambienti e farvi riferimento in base all'etichetta.
- azureml-dataprep
- Messaggio di errore migliore quando si usa Spark attualmente non supportato con Scala 2.12.
- azureml-explain-model
- Il pacchetto azureml-explain-model è ufficialmente deprecato
- azureml-mlflow
- È stato risolto un bug in mlflow.projects.run sul back-end azureml in cui lo stato di finalizzazione non veniva gestito correttamente.
- azureml-pipeline-core
- Aggiungere il supporto per creare, elencare e ottenere la pianificazione della pipeline basata su un endpoint della pipeline.
- Miglioramento della documentazione di PipelineData.as_dataset con un esempio di utilizzo non valido: l'uso di PipelineData.as_dataset in modo non corretto comporta la creazione di un'eccezione ValueException
- È stato modificato il notebook delle pipeline HyperDriveStep per registrare il modello migliore in un pipelineStep direttamente dopo l'esecuzione di HyperDriveStep.
- azureml-pipeline-steps
- È stato modificato il notebook delle pipeline HyperDriveStep per registrare il modello migliore in un pipelineStep direttamente dopo l'esecuzione di HyperDriveStep.
- azureml-train-automl-client
- È stato risolto un problema per cui get_output potrebbe generare un errore XGBoostError.
- azureml-automl-core
esperienza notebook studio di Azure Machine Learning (aggiornamento di ottobre)
Nuove funzionalità
- Supporto completo della rete virtuale
- Modalità messa a fuoco
- Salvare i notebook CTRL-S
- Numeri di riga
Correzioni di bug e miglioramenti
- Miglioramento della velocità e dell'affidabilità del kernel
- Aggiornamenti dell'interfaccia utente di Jupyter Widget
12-10-2020
Azure Machine Learning SDK per Python v1.16.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- AKSWebservice e AKSEndpoints supportano ora i limiti di CPU e memoria a livello di pod. Questi limiti facoltativi possono essere usati impostando
--cpu-cores-limit
e--memory-gb-limit
contrassegni nelle chiamate dell'interfaccia della riga di comando applicabili
- AKSWebservice e AKSEndpoints supportano ora i limiti di CPU e memoria a livello di pod. Questi limiti facoltativi possono essere usati impostando
- azureml-core
- Aggiungere le versioni principali delle dipendenze dirette di azureml-core
- AKSWebservice e AKSEndpoints supportano ora i limiti di CPU e memoria a livello di pod. Altre informazioni sulle risorse e i limiti di Kubernetes
- Aggiornamento di run.log_table per consentire la registrazione di singole righe.
- Aggiunta del metodo
Run.get(workspace, run_id)
statico per recuperare un'esecuzione solo usando un'area di lavoro - Aggiunta del metodo
Workspace.get_run(run_id)
di istanza per recuperare un'esecuzione all'interno dell'area di lavoro - Introduzione alla proprietà del comando nella configurazione di esecuzione, che consente agli utenti di inviare il comando invece di script e argomenti.
- azureml-interpret
- correzione del comportamento del client di is_raw flag in azureml-interpret
- azureml-sdk
azureml-sdk
supporta ufficialmente Python 3.8.
- azureml-train-core
- Aggiunta di un ambiente curato di TensorFlow 2.3
- Introduzione alla proprietà del comando nella configurazione di esecuzione, che consente agli utenti di inviare il comando invece di script e argomenti.
- azureml-widgets
- Interfaccia riprogettata per il widget di esecuzione dello script.
- azure-cli-ml
28-09-2020
Azure Machine Learning SDK per Python v1.15.0
- Correzioni di bug e miglioramenti
- azureml-contrib-interpret
- Lo strumento di spiegazione LIME è stato spostato da azureml-contrib-interpret per interpretare il pacchetto della community e lo strumento di spiegazione delle immagini rimosso dal pacchetto azureml-contrib-interpret
- dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret aggiornato per riflettere l'API migliorata
- correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-contrib-notebook
- Aggiungere la dipendenza nbcovert a < 6 in modo che papermill 1.x continui a funzionare.
- azureml-core
- Aggiunta di parametri al costruttore TensorflowConfiguration e MpiConfiguration per abilitare un'inizializzazione più semplificata degli attributi della classe senza richiedere all'utente di impostare ogni singolo attributo. Aggiunta di una classe PyTorchConfiguration per la configurazione dei processi PyTorch distribuiti in ScriptRunConfig.
- Aggiungere la versione di azure-mgmt-resource per correggere l'errore di autenticazione.
- Supportare la distribuzione di codice No Code di Deployment
- Le directory di output specificate in Run.start_logging() vengono ora rilevate quando si usa l'esecuzione in scenari interattivi. I file rilevati sono visibili in ML Studio quando si chiama Run.complete()
- È ora possibile specificare la codifica dei file durante la creazione del set di dati con
Dataset.Tabular.from_delimited_files
eDataset.Tabular.from_json_lines_files
passando l'argomentoencoding
. Le codifiche supportate sono 'utf8', 'iso88591', 'latin1', 'ascii', utf16', 'utf32', 'utf8bom' e 'windows1252'. - Correzione di bug quando l'oggetto ambiente non viene passato al costruttore ScriptRunConfig.
- Aggiornamento di Run.cancel() per consentire l'annullamento di un'esecuzione locale da un altro computer.
- azureml-dataprep
- Correzione dei problemi di timeout del montaggio del set di dati.
- azureml-explain-model
- correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-interpret
- dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret aggiornato per riflettere l'API migliorata
- pacchetto azureml-interpret aggiornato per dipendere da interpret-community 0.15.0
- correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-pipeline-core
- È stato risolto un problema di pipeline per
OutputFileDatasetConfig
cui il sistema potrebbe smettere di rispondere quandoregister_on_complete
viene chiamato con ilname
parametro impostato su un nome del set di dati preesistente.
- È stato risolto un problema di pipeline per
- azureml-pipeline-steps
- Rimozione di notebook di Databricks non aggiornati.
- azureml-tensorboard
- correzione delle descrizioni dei pacchetti pypi per azureml-interpret, azureml-explain-model, azureml-contrib-interpret e azureml-tensorboard
- azureml-train-automl-runtime
- dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret aggiornato per riflettere l'API migliorata
- azureml-widgets
- dashboard di visualizzazione rimosso dal pacchetto azureml-contrib-interpret, client di spiegazione spostato nel pacchetto azureml-interpret e deprecato nel pacchetto azureml-contrib-interpret aggiornato per riflettere l'API migliorata
- azureml-contrib-interpret
2020-09-21
Azure Machine Learning SDK per Python v1.14.0
- Correzioni di bug e miglioramenti
azure-cli-ml
- Profilatura griglia rimossa dall'SDK e non è più supportata.
azureml-accel-models
- il pacchetto azureml-accel-models supporta ora TensorFlow 2.x
azureml-automl-core
- Aggiunta della gestione degli errori in get_output per i casi in cui le versioni locali di pandas/sklearn non corrispondono a quelle usate durante il training
azureml-automl-runtime
- Correzione di un bug per cui le iterazioni AutoArima non riuscivano con un'eccezione PredictionException e il messaggio "Errore invisibile all'utente durante la stima".
azureml-cli-common
- Profilatura griglia rimossa dall'SDK e non è più supportata.
azureml-contrib-server
- Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
azureml-core
- Profilatura griglia rimossa dall'SDK e non è più supportata.
- Ridurre il numero di messaggi di errore quando il recupero dell'area di lavoro non riesce.
- Non visualizzare un avviso quando il recupero dei metadati ha esito negativo
- Nuovo passaggio Kusto e destinazione di calcolo Kusto.
- Aggiornare il documento per il parametro sku. Rimuovere lo SKU nella funzionalità di aggiornamento dell'area di lavoro nell'interfaccia della riga di comando e nell'SDK.
- Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
- Documentazione aggiornata per gli ambienti di Azure Machine Learning.
- Esporre le impostazioni delle risorse gestite del servizio per l'area di lavoro AML in SDK.
azureml-dataprep
- Abilitare l'autorizzazione di esecuzione per i file per il montaggio del set di dati.
azureml-mlflow
- Aggiornamenti della documentazione e degli esempi di notebook di Azure Machine Learning MLflow
- Nuovo supporto per i progetti MLflow con back-end di Azure Machine Learning
- Supporto del Registro di sistema del modello MLflow
- Aggiunta del supporto del controllo degli accessi in base al ruolo di Azure per le operazioni AzureML-MLflow
azureml-pipeline-core
- Miglioramento della documentazione dei metodi PipelineOutputFileDataset.parse_*.
- Nuovo passaggio Kusto e destinazione di calcolo Kusto.
- La proprietà Swaggerurl fornita per l'entità pipeline-endpoint tramite tale utente può visualizzare la definizione dello schema per l'endpoint della pipeline pubblicato.
azureml-pipeline-steps
- Nuovo passaggio Kusto e destinazione di calcolo Kusto.
azureml-telemetry
- Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
azureml-train
- Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
azureml-train-automl-client
- Aggiunta della gestione degli errori in get_output per i casi in cui le versioni locali di pandas/sklearn non corrispondono a quelle usate durante il training
azureml-train-core
- Aggiornare la descrizione del pacchetto per la pagina di panoramica di pypi.
2020-08-31
Azure Machine Learning SDK per Python v1.13.0
Funzionalità di anteprima
- azureml-core Con la nuova funzionalità dei set di dati di output, è possibile eseguire il writeback nell'archiviazione cloud, tra cui BLOB, ADLS Gen 1, ADLS Gen 2 e FileShare. È possibile configurare la posizione in cui restituire i dati, come restituire i dati (tramite montaggio o caricamento), se registrare i dati di output per riutilizzare e condividere e passare facilmente i dati intermedi tra i passaggi della pipeline. Ciò consente la riproducibilità, la condivisione, impedisce la duplicazione dei dati e comporta un aumento dei costi e della produttività. Informazioni su come usarlo
Correzioni di bug e miglioramenti
- azureml-automl-core
- Aggiunta validated_{platform}_requirements.txt file per l'aggiunta di tutte le dipendenze pip per AutoML.
- Questa versione supporta modelli superiori a 4 GB.
- Dipendenze autoML aggiornate:
scikit-learn
(ora 0.22.1),pandas
(ora 0.25.1),numpy
(ora 1.18.2).
- azureml-automl-runtime
- Impostare horovod per il DNN di testo per usare sempre la compressione fp16.
- Questa versione supporta modelli superiori a 4 GB.
- È stato risolto un problema per cui AutoML non riesce con ImportError: non è possibile importare il nome
RollingOriginValidator
. - Dipendenze autoML aggiornate:
scikit-learn
(ora 0.22.1),pandas
(ora 0.25.1),numpy
(ora 1.18.2).
- azureml-contrib-automl-dnn-forecasting
- Dipendenze autoML aggiornate:
scikit-learn
(ora 0.22.1),pandas
(ora 0.25.1),numpy
(ora 1.18.2).
- Dipendenze autoML aggiornate:
- azureml-contrib-fairness
- Fornire una breve descrizione per azureml-contrib-fairness.
- azureml-contrib-pipeline-steps
- Aggiunta del messaggio che indica che il pacchetto è deprecato e l'utente deve usare invece azureml-pipeline-steps.
- azureml-core
- Aggiunta del comando list key per l'area di lavoro.
- Aggiungere il parametro tag in Workspace SDK e nell'interfaccia della riga di comando.
- Correzione del bug per cui l'invio di un'esecuzione figlio con set di dati non riesce a causa di
TypeError: can't pickle _thread.RLock objects
. - Aggiunta di page_count predefinita/documentazione per Model list().
- Modificare l'interfaccia della riga di comando&SDK per accettare il parametro adbworkspace e Aggiungere adb lin/unlink runner dell'area di lavoro.
- Correzione del bug in Dataset.update che ha causato l'aggiornamento della versione più recente del set di dati non della versione dell'aggiornamento del set di dati.
- Correzione di un bug in Dataset.get_by_name che mostra i tag per la versione più recente del set di dati anche quando è stata recuperata una versione precedente specifica.
- azureml-interpret
- Sono stati aggiunti output di probabilità agli strumenti di spiegazione dell'assegnazione dei punteggi shap in azureml-interpret in base al parametro shap_values_output del spiegazione originale.
- azureml-pipeline-core
- Documentazione migliorata
PipelineOutputAbstractDataset.register
.
- Documentazione migliorata
- azureml-train-automl-client
- Dipendenze autoML aggiornate:
scikit-learn
(ora 0.22.1),pandas
(ora 0.25.1),numpy
(ora 1.18.2).
- Dipendenze autoML aggiornate:
- azureml-train-automl-runtime
- Dipendenze autoML aggiornate:
scikit-learn
(ora 0.22.1),pandas
(ora 0.25.1),numpy
(ora 1.18.2).
- Dipendenze autoML aggiornate:
- azureml-train-core
- Gli utenti devono ora fornire un hyperparameter_sampling arg valido durante la creazione di un hyperDriveConfig. Inoltre, la documentazione per HyperDriveRunConfig è stata modificata per informare gli utenti della deprecazione di HyperDriveRunConfig.
- Ripristino della versione predefinita di PyTorch alla versione 1.4.
- Aggiunta di immagini PyTorch 1.6 & TensorFlow 2.2 e ambiente curato.
- azureml-automl-core
studio di Azure Machine Learning'esperienza notebook (aggiornamento di agosto)
Nuove funzionalità
- Pagina di destinazione Nuova guida introduttiva
Funzionalità di anteprima
- Raccogliere la funzionalità nei notebook. Con la funzionalità Gather , gli utenti possono ora pulire facilmente i notebook con, Gather usa un'analisi automatica delle dipendenze del notebook, assicurando che il codice essenziale venga mantenuto, ma rimuovendo eventuali parti irrilevanti.
Correzioni di bug e miglioramenti
- Miglioramento della velocità e dell'affidabilità
- Bug in modalità scura risolti
- Bug di scorrimento di output corretti
- Ricerca di esempio esegue ora ricerche in tutto il contenuto di tutti i file nel repository di notebook di esempio di Azure Machine Learning
- Le celle R a più righe possono ora essere eseguite
- "I trust contents of this file" is now auto checked after first time
- Finestra di dialogo Risoluzione dei conflitti migliorata con la nuova opzione "Crea una copia"
2020-08-17
Azure Machine Learning SDK per Python v1.12.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- Aggiungere image_name e image_label parametri a Model.package() per abilitare la ridenominazione dell'immagine del pacchetto compilata.
- azureml-automl-core
- AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
- azureml-automl-runtime
- Aggiunta di avvisi per l'utente quando i dati contengono valori mancanti, ma la funzionalità è disattivata.
- Correzione degli errori di esecuzione figlio quando i dati contengono nan e la definizione delle caratteristiche è disattivata.
- AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
- Aggiornamento della normalizzazione per la previsione delle metriche in base alla granularità.
- Miglioramento del calcolo delle quantili di previsione quando le funzionalità di lookback sono disabilitate.
- Correzione della gestione della matrice di tipo sparse bool durante il calcolo delle spiegazioni dopo AutoML.
- azureml-core
- Un nuovo metodo
run.get_detailed_status()
mostra ora la spiegazione dettagliata dello stato di esecuzione corrente. Attualmente viene visualizzata solo la spiegazione delloQueued
stato. - Aggiungere image_name e image_label parametri a Model.package() per abilitare la ridenominazione dell'immagine del pacchetto compilata.
- Nuovo metodo
set_pip_requirements()
per impostare l'intera sezione pip inCondaDependencies
contemporaneamente. - Abilitare la registrazione dell'archivio dati ADLS Gen2 senza credenziali.
- Messaggio di errore migliorato quando si tenta di scaricare o montare un tipo di set di dati non corretto.
- Aggiornare il notebook di esempio di filtro del set di dati delle serie temporali con altri esempi di partition_timestamp che fornisce l'ottimizzazione del filtro.
- Modificare l'SDK e l'interfaccia della riga di comando per accettare subscriptionId, resourceGroup, workspaceName, peConnectionName come parametri anziché ArmResourceId quando si elimina la connessione all'endpoint privato.
- Decorator sperimentale mostra il nome della classe per facilitare l'identificazione.
- Le descrizioni degli asset all'interno dei modelli non vengono più generate automaticamente in base a un'esecuzione.
- Un nuovo metodo
- azureml-datadrift
- Contrassegnare create_from_model API in DataDriftDetector come deprecato.
- azureml-dataprep
- Messaggio di errore migliorato quando si tenta di scaricare o montare un tipo di set di dati non corretto.
- azureml-pipeline-core
- Correzione del bug durante la deserializzazione del grafico della pipeline che contiene set di dati registrati.
- azureml-pipeline-steps
- RScriptStep supporta RSection da azureml.core.environment.
- Rimosso il parametro passthru_automl_config dall'API
AutoMLStep
pubblica e convertito in un parametro solo interno.
- azureml-train-automl-client
- L'ambiente gestito asincrono locale viene rimosso da AutoML. Tutte le esecuzioni locali vengono eseguite nell'ambiente da cui è stata avviata l'esecuzione.
- Correzione dei problemi di snapshot durante l'invio dell'esecuzione di AutoML senza script forniti dall'utente.
- Correzione degli errori di esecuzione figlio quando i dati contengono nan e la definizione delle caratteristiche è disattivata.
- azureml-train-automl-runtime
- AutoML genera un nuovo codice di errore dal dataprep quando il contenuto viene modificato durante la lettura.
- Correzione dei problemi di snapshot durante l'invio dell'esecuzione di AutoML senza script forniti dall'utente.
- Correzione degli errori di esecuzione figlio quando i dati contengono nan e la definizione delle caratteristiche è disattivata.
- azureml-train-core
- Aggiunta del supporto per specificare le opzioni pip (ad esempio--extra-index-url) nel file dei requisiti pip passato a un
Estimator
parametro throughpip_requirements_file
.
- Aggiunta del supporto per specificare le opzioni pip (ad esempio--extra-index-url) nel file dei requisiti pip passato a un
- azure-cli-ml
03-08-2020
Azure Machine Learning SDK per Python v1.11.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- Correggere il framework del modello e il framework del modello non passati nell'oggetto run nel percorso di registrazione del modello dell'interfaccia della riga di comando
- Correggere il comando amlcompute identity show dell'interfaccia della riga di comando per visualizzare l'ID tenant e l'ID entità
- azureml-train-automl-client
- Aggiunta get_best_child () a AutoMLRun per recuperare l'esecuzione figlio migliore per un'esecuzione AutoML senza scaricare il modello associato.
- Aggiunta dell'oggetto ModelProxy che consente l'esecuzione di stime o previsioni in un ambiente di training remoto senza scaricare il modello in locale.
- Le eccezioni non gestite in AutoML ora puntano a una pagina HTTP relativa ai problemi noti, in cui sono disponibili altre informazioni sugli errori.
- azureml-core
- I nomi dei modelli possono essere lunghi 255 caratteri.
- Environment.get_image_details() restituito tipo di oggetto modificato.
DockerImageDetails
classe sostituitadict
, i dettagli dell'immagine sono disponibili nelle nuove proprietà della classe. Le modifiche sono compatibili con le versioni precedenti. - Correzione del bug per Environment.from_pip_requirements() per mantenere la struttura delle dipendenze
- Correzione di un bug per cui log_list avrebbe esito negativo se un valore int e double venivano inclusi nello stesso elenco.
- Durante l'abilitazione del collegamento privato in un'area di lavoro esistente, tenere presente che se sono presenti destinazioni di calcolo associate all'area di lavoro, tali destinazioni non funzioneranno se non si trovano dietro la stessa rete virtuale dell'endpoint privato dell'area di lavoro.
- Reso
as_named_input
facoltativo quando si usano set di dati negli esperimenti e aggiuntias_mount
eas_download
aFileDataset
. Il nome di input viene generato automaticamente seas_mount
viene chiamato oas_download
.
- azureml-automl-core
- Le eccezioni non gestite in AutoML ora puntano a una pagina HTTP relativa ai problemi noti, in cui sono disponibili altre informazioni sugli errori.
- Aggiunta get_best_child () a AutoMLRun per recuperare l'esecuzione figlio migliore per un'esecuzione AutoML senza scaricare il modello associato.
- Aggiunta dell'oggetto ModelProxy che consente l'esecuzione di stime o previsioni in un ambiente di training remoto senza scaricare il modello in locale.
- azureml-pipeline-steps
- Aggiunta di
enable_default_model_output
flag eenable_default_metrics_output
aAutoMLStep
. Questi flag possono essere usati per abilitare/disabilitare gli output predefiniti.
- Aggiunta di
- azure-cli-ml
2020-07-20
Azure Machine Learning SDK per Python v1.10.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
- Gli utenti possono ora specificare una frequenza di serie temporali per le attività di previsione usando il
freq
parametro .
- azureml-automl-runtime
- Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
- Gli utenti possono ora specificare una frequenza di serie temporali per le attività di previsione usando il
freq
parametro . - La previsione autoML supporta ora la valutazione in sequenza, che si applica al caso d'uso in cui la lunghezza di un set di test o di convalida è più lunga rispetto all'orizzonte di input e il valore y_pred noto viene usato come contesto di previsione.
- azureml-core
- I messaggi di avviso vengono stampati se non sono stati scaricati file dall'archivio dati in un'esecuzione.
- Aggiunta della documentazione per
skip_validation
aDatastore.register_azure_sql_database method
. - Gli utenti devono eseguire l'aggiornamento all'SDK v1.10.0 o versione successiva per creare un endpoint privato approvato automaticamente. Ciò include la risorsa notebook utilizzabile dietro la rete virtuale.
- Esporre NotebookInfo nella risposta dell'area di lavoro get.
- Modifiche per fare in modo che le chiamate a elencare le destinazioni di calcolo e ottenere la destinazione di calcolo abbiano esito positivo in un'esecuzione remota. Le funzioni SDK per ottenere la destinazione di calcolo e elencare le destinazioni di calcolo dell'area di lavoro ora funzionano nelle esecuzioni remote.
- Aggiungere messaggi deprecati alle descrizioni delle classi azureml.core.image.
- Generare un'eccezione e pulire l'area di lavoro e le risorse dipendenti se la creazione dell'endpoint privato dell'area di lavoro non riesce.
- Supporto dell'aggiornamento dello SKU dell'area di lavoro nel metodo di aggiornamento dell'area di lavoro.
- azureml-datadrift
- Aggiornare la versione matplotlib dalla versione 3.0.2 alla versione 3.2.1 per supportare Python 3.8.
- azureml-dataprep
- Aggiunta del supporto delle origini dati url Web con
Range
oHead
richiesta. - Maggiore stabilità per il montaggio e il download del set di dati dei file.
- Aggiunta del supporto delle origini dati url Web con
- azureml-train-automl-client
- Correzione dei problemi relativi alla rimozione di
RequirementParseError
da setuptools. - Usare docker invece di conda per le esecuzioni locali inviate usando "compute_target='local'"
- La durata dell'iterazione stampata nella console è stata corretta. In precedenza, la durata dell'iterazione veniva talvolta stampata come ora di fine dell'esecuzione meno tempo di creazione dell'esecuzione. È stato corretto l'ora di fine dell'esecuzione uguale meno l'ora di inizio dell'esecuzione.
- Quando si usa AutoML, se un percorso viene passato all'oggetto AutoMLConfig e non esiste già, viene creato automaticamente.
- Gli utenti possono ora specificare una frequenza di serie temporali per le attività di previsione usando il
freq
parametro .
- Correzione dei problemi relativi alla rimozione di
- azureml-train-automl-runtime
- Miglioramento dell'output della console quando le spiegazioni del modello migliori hanno esito negativo.
- Il parametro di input è stato rinominato in "blocked_models" per rimuovere un termine sensibile.
- Il parametro di input è stato rinominato in "allowed_models" per rimuovere un termine sensibile.
- Gli utenti possono ora specificare una frequenza di serie temporali per le attività di previsione usando il
freq
parametro .
- azureml-automl-core
2020-07-06
Azure Machine Learning SDK per Python v1.9.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Sostituito get_model_path() con AZUREML_MODEL_DIR variabile di ambiente nello script di assegnazione dei punteggi generato automaticamente da AutoML. Sono stati aggiunti anche dati di telemetria per tenere traccia degli errori durante init().
- Rimozione della possibilità di specificare
enable_cache
come parte di AutoMLConfig - Correzione di un bug per cui le esecuzioni potrebbero non riuscire con errori del servizio durante esecuzioni di previsione specifiche
- Miglioramento della gestione degli errori in base a modelli specifici durante
get_output
- Correzione della chiamata a fitted_model.fit(X, y) per la classificazione con trasformatore y
- Abilitazione dell'imputer di riempimento in avanti personalizzato per le attività di previsione
- Viene usata una nuova classe ForecastingParameters anziché i parametri di previsione in un formato dict
- Miglioramento della funzionalità di ritardo di destinazione
- Aggiunta della disponibilità limitata di funzionalità distribuite multinodo con GPU con BERT
- azureml-automl-runtime
- Profeta ora fa la modellazione della stagionalità additivi invece di moltiplicarsi.
- È stato risolto il problema quando i grani corti, con frequenze diverse da quelle dei grani lunghi causano esecuzioni non riuscite.
- azureml-contrib-automl-dnn-vision
- Raccogliere le statistiche di sistema/gpu e le medie dei log per il training e l'assegnazione dei punteggi
- azureml-contrib-mir
- Aggiunta del supporto per il flag enable-app-insights in ManagedInferencing
- azureml-core
- Un parametro di convalida per queste API consentendo di ignorare la convalida quando l'origine dati non è accessibile dal calcolo corrente.
- TabularDataset.time_before(end_time, include_boundary=True, validate=True)
- TabularDataset.time_after(start_time, include_boundary=True, validate=True)
- TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
- TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
- Aggiunta del supporto del filtro del framework per l'elenco di modelli e aggiunta dell'esempio AutoML NCD nel notebook
- Per Datastore.register_azure_blob_container e Datastore.register_azure_file_share (solo le opzioni che supportano il token di firma di accesso condiviso), sono state aggiornate le stringhe del documento per il
sas_token
campo in modo da includere i requisiti minimi di autorizzazioni per gli scenari di lettura e scrittura tipici. - Deprecazione del parametro _with_auth in ws.get_mlflow_tracking_uri()
- Un parametro di convalida per queste API consentendo di ignorare la convalida quando l'origine dati non è accessibile dal calcolo corrente.
- azureml-mlflow
- Aggiunta del supporto per la distribuzione di modelli di file:// locali con AzureML-MLflow
- Deprecazione del parametro _with_auth in ws.get_mlflow_tracking_uri()
- azureml-opendatasets
- I set di dati di rilevamento Covid-19 pubblicati di recente sono ora disponibili con l'SDK
- azureml-pipeline-core
- Avviso di disconnesso quando "azureml-defaults" non è incluso come parte di pip-dependency
- Migliorare il rendering delle note.
- Aggiunta del supporto per le interruzioni di riga tra virgolette durante l'analisi di file delimitati in PipelineOutputFileDataset.
- La classe PipelineDataset è deprecata. Per ulteriori informazioni, vedere https://aka.ms/dataset-deprecation. Informazioni su come usare il set di dati con la pipeline, vedere https://aka.ms/pipeline-with-dataset.
- azureml-pipeline-steps
- Aggiornamenti della documentazione ad azureml-pipeline-steps.
- Aggiunta del supporto in ParallelRunConfig per consentire agli utenti di
load_yaml()
definire ambienti inline con il resto della configurazione o in un file separato
- azureml-train-automl-client.
- Rimozione della possibilità di specificare
enable_cache
come parte di AutoMLConfig
- Rimozione della possibilità di specificare
- azureml-train-automl-runtime
- Aggiunta della disponibilità limitata di funzionalità distribuite multinodo a più nodi con BERT.
- Aggiunta della gestione degli errori per i pacchetti incompatibili nelle esecuzioni di Machine Learning automatizzate basate su ADB.
- azureml-widgets
- Aggiornamenti della documentazione per azureml-widgets.
- azureml-automl-core
22-06-2020
Azure Machine Learning SDK per Python v1.8.0
Funzionalità di anteprima
- azureml-contrib-fairness Il
azureml-contrib-fairness
pacchetto fornisce l'integrazione tra la valutazione dell'equità open source e il pacchetto di mitigazione dell'iniquità Fairlearn e studio di Azure Machine Learning. In particolare, il pacchetto consente il caricamento dei dashboard di valutazione dell'equità del modello come parte di un'esecuzione di Azure Machine Learning e viene visualizzato in studio di Azure Machine Learning
- azureml-contrib-fairness Il
Correzioni di bug e miglioramenti
- azure-cli-ml
- Supporto per il recupero dei log del contenitore init.
- Aggiunta di nuovi comandi dell'interfaccia della riga di comando per gestire ComputeInstance
- azureml-automl-core
- Gli utenti sono ora in grado di abilitare l'iterazione dell'insieme di stack per le attività time series con un avviso che potrebbe potenzialmente sovrapporsi.
- Aggiunta di un nuovo tipo di eccezione utente generata se il contenuto dell'archivio cache è stato manomesso
- azureml-automl-runtime
- Lo sweep di bilanciamento della classe non è più abilitato se l'utente disabilita la definizione delle caratteristiche.
- azureml-contrib-notebook
- Miglioramenti della documentazione al pacchetto azureml-contrib-notebook.
- azureml-contrib-pipeline-steps
- Miglioramenti della documentazione al pacchetto azureml-contrib--pipeline-steps.
- azureml-core
- Aggiungere set_connection, get_connection, list_connections delete_connection funzioni per consentire al cliente di operare sulla risorsa di connessione dell'area di lavoro
- Aggiornamenti della documentazione per il pacchetto azureml-coore/azureml.exceptions.
- Aggiornamenti della documentazione per il pacchetto azureml-core.
- Aggiornamenti della documentazione alla classe ComputeInstance.
- Miglioramenti della documentazione al pacchetto azureml-core/azureml.core.compute.
- Miglioramenti della documentazione per le classi correlate ai servizi Web in azureml-core.
- Supportare l'archivio dati selezionato dall'utente per archiviare i dati di profilatura
- Aggiunta di espandere e page_count proprietà per l'API dell'elenco di modelli
- Correzione del bug per cui la rimozione della proprietà di sovrascrittura causa l'esito negativo dell'esecuzione inviata con errore di deserializzazione.
- Correzione di una struttura di cartelle incoerente durante il download o il montaggio di un oggetto FileDataset che fa riferimento a un singolo file.
- Il caricamento di un set di dati di file Parquet to_spark_dataframe è ora più veloce e supporta tutti i tipi di dati Parquet e Spark SQL.
- Supporto per il recupero dei log del contenitore init.
- Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.
- azureml-datadrift
- Miglioramenti della documentazione al pacchetto azureml-contrib-notebook.
- azureml-dataprep
- Il caricamento di un set di dati di file Parquet to_spark_dataframe è ora più veloce e supporta tutti i tipi di dati Parquet e Spark SQL.
- Migliore gestione della memoria per il problema OutOfMemory per to_pandas_dataframe.
- azureml-interpret
- Azureml-interpret aggiornato per usare interpret-community versione 0.12.*
- azureml-mlflow
- Miglioramenti della documentazione ad azureml-mlflow.
- Aggiunge il supporto per il registro dei modelli AML con MLFlow.
- azureml-opendatasets
- Aggiunta del supporto per Python 3.8
- azureml-pipeline-core
- La documentazione aggiornata per renderla
PipelineDataset
chiara è una classe interna. - ParallelRunStep aggiorna per accettare più valori per un argomento, ad esempio:"--group_column_names", "Col1", "Col2", "Col3"
- Rimosso il requisito di passthru_automl_config per l'utilizzo intermedio dei dati con AutoMLStep in Pipelines.
- La documentazione aggiornata per renderla
- azureml-pipeline-steps
- Miglioramenti della documentazione al pacchetto azureml-pipeline-steps.
- Rimosso il requisito di passthru_automl_config per l'utilizzo intermedio dei dati con AutoMLStep in Pipelines.
- azureml-telemetry
- Miglioramenti della documentazione per azureml-telemetry.
- azureml-train-automl-client
- Correzione di un bug in cui
experiment.submit()
due volte viene chiamato su unAutoMLConfig
oggetto ha generato un comportamento diverso. - Gli utenti sono ora in grado di abilitare l'iterazione dell'insieme di stack per le attività time series con un avviso che potrebbe potenzialmente sovrapporsi.
- Modifica del comportamento di esecuzione di AutoML per generare UserErrorException se il servizio genera un errore utente
- Corregge un bug che ha causato la mancata generazione o la mancanza di log azureml_automl.log durante l'esecuzione di un esperimento AutoML in una destinazione di calcolo remota.
- Per i set di dati di classificazione con classi sbilanciate, viene applicato il bilanciamento del peso, se lo sweeper di funzionalità determina che per i dati sottocampionati, il bilanciamento del peso migliora le prestazioni dell'attività di classificazione di una determinata soglia.
- Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.
- Correzione di un bug in cui
- azureml-train-automl-runtime
- Modifica del comportamento di esecuzione di AutoML per generare UserErrorException se il servizio genera un errore utente
- Le esecuzioni autoML sono ora contrassegnate come esecuzione figlio del passaggio di esecuzione parallela.
- azure-cli-ml
2020-06-08
Azure Machine Learning SDK per Python v1.7.0
- Correzioni di bug e miglioramenti
- azure-cli-ml
- Completata la rimozione della profilatura del modello da mir contrib pulendo i comandi dell'interfaccia della riga di comando e le dipendenze dei pacchetti, la profilatura del modello è disponibile nel core.
- Aggiorna la versione minima dell'interfaccia della riga di comando di Azure alla versione 2.3.0
- azureml-automl-core
- Messaggio di eccezione migliore nel passaggio di definizione delle caratteristiche fit_transform() a causa di parametri di trasformatore personalizzati.
- Aggiungere il supporto per più linguaggi per i modelli di trasformatore di Deep Learning, ad esempio BERT in ML automatizzato.
- Rimuovere il parametro lag_length deprecato dalla documentazione.
- La documentazione relativa ai parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
- azureml-automl-runtime
- Correzione dell'errore generato quando una delle colonne categorica è vuota in fase di previsione/test.
- Correggere gli errori di esecuzione che si verificano quando le funzionalità di lookback sono abilitate e i dati contengono grani brevi.
- È stato risolto il problema relativo al messaggio di errore dell'indice temporale duplicato quando i ritardi o le finestre in sequenza erano impostati su "auto".
- È stato risolto il problema relativo ai modelli Prophet e Arima nei set di dati, contenenti le funzionalità di lookback.
- Aggiunta del supporto delle date precedenti al 1677-09-21 o dopo il 2262-04-11 nelle colonne diverse dall'ora di data nelle attività di previsione. Miglioramento dei messaggi di errore.
- La documentazione relativa ai parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
- Messaggio di eccezione migliore nel passaggio di definizione delle caratteristiche fit_transform() a causa di parametri di trasformatore personalizzati.
- Aggiungere il supporto per più linguaggi per i modelli di trasformatore di Deep Learning, ad esempio BERT in ML automatizzato.
- Le operazioni della cache che generano un errore OSErrors generano un errore utente.
- Sono stati aggiunti controlli per garantire che i dati di training e convalida abbiano lo stesso numero e set di colonne
- Correzione del problema relativo allo script di assegnazione dei punteggi AutoML generato automaticamente quando i dati contengono virgolette
- Abilitazione delle spiegazioni per i modelli di profeta e ensemble AutoML che contengono il modello Prophet.
- Un problema recente del cliente ha rivelato un bug del sito live in cui vengono registrati messaggi lungo lo sweep di bilanciamento della classe anche quando la logica di bilanciamento della classe non è abilitata correttamente. Rimozione di tali log/messaggi con questa richiesta pull.
- azureml-cli-common
- Completata la rimozione della profilatura del modello da mir contrib pulendo i comandi dell'interfaccia della riga di comando e le dipendenze dei pacchetti. La profilatura del modello è disponibile nel core.
- azureml-contrib-reinforcementlearning
- Strumento di test di carico
- azureml-core
- Modifiche alla documentazione in Script_run_config.py
- Correzione di un bug con la stampa dell'output dell'interfaccia della riga di comando di run submit-pipeline
- Miglioramenti alla documentazione per azureml-core/azureml.data
- Correzione del problema durante il recupero dell'account di archiviazione tramite il comando getconf hdfs
- Documentazione di register_azure_blob_container e register_azure_file_share migliorata
- azureml-datadrift
- Implementazione migliorata per la disabilitazione e l'abilitazione dei monitoraggi della deriva dei set di dati
- azureml-interpret
- Nel client di spiegazione rimuovere NaN o Infs prima della serializzazione json al caricamento dagli artefatti
- Aggiornamento alla versione più recente di interpret-community per migliorare gli errori di memoria insufficiente per le spiegazioni globali con molte funzionalità e classi
- Aggiungere true_ys parametro facoltativo per il caricamento della spiegazione per abilitare altre funzionalità nell'interfaccia utente di Studio
- Migliorare le prestazioni di download_model_explanations() e list_model_explanations()
- Piccole modifiche ai notebook, per facilitare il debug
- azureml-opendatasets
- azureml-opendatasets richiede azureml-dataprep versione 1.4.0 o successiva. Aggiunta di un avviso se viene rilevata una versione precedente
- azureml-pipeline-core
- Questa modifica consente all'utente di fornire un runconfig facoltativo a moduleVersion durante la chiamata al modulo. Publish_python_script.
- Abilitare l'account del nodo può essere un parametro della pipeline in ParallelRunStep in azureml.pipeline.steps
- azureml-pipeline-steps
- Questa modifica consente all'utente di fornire un runconfig facoltativo a moduleVersion durante la chiamata al modulo. Publish_python_script.
- azureml-train-automl-client
- Aggiungere il supporto per più linguaggi per i modelli di trasformatore di Deep Learning, ad esempio BERT in ML automatizzato.
- Rimuovere il parametro lag_length deprecato dalla documentazione.
- La documentazione relativa ai parametri di previsione è stata migliorata. Il parametro lag_length è stato deprecato.
- azureml-train-automl-runtime
- Abilitazione delle spiegazioni per i modelli di profeta e ensemble AutoML che contengono il modello Prophet.
- Aggiornamenti della documentazione per i pacchetti azureml-train-automl-* .
- azureml-train-core
- Supporto di TensorFlow versione 2.1 in PyTorch Estimator
- Miglioramenti al pacchetto azureml-train-core.
- azure-cli-ml
26-05-2020
Azure Machine Learning SDK per Python v1.6.0
Nuove funzionalità
azureml-automl-runtime
- La previsione autoML supporta ora le previsioni dei clienti oltre il limite massimo specificato senza ripetere il training del modello. Quando la destinazione della previsione è più lontana nel futuro rispetto all'orizzonte massimo specificato, la funzione forecast() effettua comunque stime dei punti fino alla data successiva usando una modalità operativa ricorsiva. Per l'illustrazione della nuova funzionalità, vedere la sezione "Previsione più lontano dell'orizzonte massimo" del notebook "forecasting-forecast-function" nella cartella".
azureml-pipeline-steps
- ParallelRunStep è ora rilasciato e fa parte del pacchetto azureml-pipeline-steps . ParallelRunStep esistente nel pacchetto azureml-contrib-pipeline-steps è deprecato. Modifiche dalla versione di anteprima pubblica:
- Aggiunta
run_max_try
del parametro configurabile facoltativo per controllare il metodo max call to run per qualsiasi batch specificato, il valore predefinito è 3. - Non vengono più generati automaticamente pipelineParameter. I valori configurabili seguenti possono essere impostati come PipelineParameter in modo esplicito.
- mini_batch_size
- node_count
- process_count_per_node
- logging_level
- run_invocation_timeout
- run_max_try
- Il valore predefinito per process_count_per_node viene modificato in 1. L'utente deve ottimizzare questo valore per ottenere prestazioni migliori. La procedura consigliata consiste nell'impostare come numero di nodi GPU o CPU.
- ParallelRunStep non inserisce pacchetti, l'utente deve includere azureml-core e azureml-dataprep[pandas, fuse] pacchetti nella definizione dell'ambiente. Se l'immagine Docker personalizzata viene usata con user_managed_dependencies, l'utente deve installare conda nell'immagine.
- Aggiunta
- ParallelRunStep è ora rilasciato e fa parte del pacchetto azureml-pipeline-steps . ParallelRunStep esistente nel pacchetto azureml-contrib-pipeline-steps è deprecato. Modifiche dalla versione di anteprima pubblica:
Modifiche di rilievo
- azureml-pipeline-steps
- Deprecato l'uso di azureml.dprep.Dataflow come tipo di input valido per AutoMLConfig
- azureml-train-automl-client
- Deprecato l'uso di azureml.dprep.Dataflow come tipo di input valido per AutoMLConfig
- azureml-pipeline-steps
Correzioni di bug e miglioramenti
- azureml-automl-core
- Correzione del bug in cui è possibile stampare un avviso durante
get_output
il quale è stato richiesto all'utente di effettuare il downgrade del client. - Aggiornato Mac per fare affidamento su cudatoolkit=9.0 perché non è ancora disponibile nella versione 10.
- Rimozione delle restrizioni sui modelli profeta e xgboost durante il training su calcolo remoto.
- Miglioramento della registrazione in AutoML
- La gestione degli errori per la definizione delle caratteristiche personalizzate nelle attività di previsione è stata migliorata.
- Aggiunta di funzionalità per consentire agli utenti di includere funzionalità differite per generare previsioni.
- Aggiornamenti al messaggio di errore per visualizzare correttamente l'errore dell'utente.
- Supporto per cv_split_column_names da usare con training_data
- Aggiornare la registrazione del messaggio di eccezione e del traceback.
- Correzione del bug in cui è possibile stampare un avviso durante
- azureml-automl-runtime
- Abilitare le protezioni per prevedere le imputazioni di valori mancanti.
- Miglioramento della registrazione in AutoML
- Aggiunta della gestione degli errori con granularità fine per le eccezioni di preparazione dei dati
- Rimozione delle restrizioni sui modelli profeta e xgboost durante il training su calcolo remoto.
azureml-train-automl-runtime
eazureml-automl-runtime
hanno aggiornato le dipendenze perpytorch
,scipy
ecudatoolkit
. ora è supportatopytorch==1.4.0
,scipy>=1.0.0,<=1.3.1
ecudatoolkit==10.1.243
.- La gestione degli errori per la definizione delle caratteristiche personalizzate nelle attività di previsione è stata migliorata.
- Il meccanismo di rilevamento della frequenza del set di dati di previsione è stato migliorato.
- Correzione del problema relativo al training del modello Prophet in alcuni set di dati.
- Il rilevamento automatico dell'orizzonte massimo durante la previsione è stato migliorato.
- Aggiunta di funzionalità per consentire agli utenti di includere funzionalità differite per generare previsioni.
- Aggiunge funzionalità nella funzione di previsione per consentire di fornire previsioni oltre l'orizzonte sottoposto a training senza ripetere il training del modello di previsione.
- Supporto per cv_split_column_names da usare con training_data
- azureml-contrib-automl-dnn-forecasting
- Miglioramento della registrazione in AutoML
- azureml-contrib-mir
- Aggiunta del supporto per i servizi Windows in ManagedInferencing
- Rimuovere i vecchi flussi di lavoro MIR, ad esempio collegare il calcolo MIR, la classe SingleModelMirWebservice - Pulire la profilatura del modello inserita nel pacchetto contrib-mir
- azureml-contrib-pipeline-steps
- Correzione secondaria per il supporto YAML
- ParallelRunStep viene rilasciato a disponibilità generale: azureml.contrib.pipeline.steps ha un avviso di deprecazione e viene spostato in azureml.pipeline.steps
- azureml-contrib-reinforcementlearning
- Strumento di test del carico a livello di riga
- Lo strumento di stima della sicurezza a livello di riga ha impostazioni predefinite intelligenti
- azureml-core
- Rimuovere i vecchi flussi di lavoro MIR, ad esempio collegare il calcolo MIR, la classe SingleModelMirWebservice - Pulire la profilatura del modello inserita nel pacchetto contrib-mir
- Correzione delle informazioni fornite all'utente nell'errore di profilatura: ID richiesta incluso e riformulazione del messaggio per essere più significativo. Aggiunta di un nuovo flusso di lavoro di profilatura agli strumenti di esecuzione della profilatura
- Testo degli errori migliorato in Errori di esecuzione del set di dati.
- Aggiunta del supporto dell'interfaccia della riga di comando del collegamento privato dell'area di lavoro.
- Aggiunta di un parametro
invalid_lines
facoltativo aDataset.Tabular.from_json_lines_files
che consente di specificare come gestire le righe che contengono codice JSON non valido. - La creazione basata su esecuzione delle risorse di calcolo verrà deprecata nella versione successiva. È consigliabile creare un cluster Amlcompute effettivo come destinazione di calcolo permanente e usare il nome del cluster come destinazione di calcolo nella configurazione di esecuzione. Vedere il notebook di esempio qui: aka.ms/amlcomputenb
- Messaggi di errore migliorati in Errori di esecuzione del set di dati.
- azureml-dataprep
- Avviso per aggiornare la versione di pyarrow più esplicita.
- Miglioramento della gestione degli errori e del messaggio restituito in caso di errore durante l'esecuzione del flusso di dati.
- azureml-interpret
- Aggiornamenti della documentazione per il pacchetto azureml-interpret.
- Correzione di pacchetti di interpretabilità e notebook compatibili con l'aggiornamento sklearn più recente
- azureml-opendatasets
- Restituisce Nessuno quando non vengono restituiti dati.
- Migliorare le prestazioni di to_pandas_dataframe.
- azureml-pipeline-core
- Correzione rapida per ParallelRunStep in cui il caricamento da YAML è stato interrotto
- ParallelRunStep viene rilasciato a disponibilità generale - azureml.contrib.pipeline.steps ha un avviso di deprecazione e viene spostato in azureml.pipeline.steps : nuove funzionalità includono: 1. Set di dati come PipelineParameter 2. Nuovo parametro run_max_retry 3. Nome file di output configurabile append_row
- azureml-pipeline-steps
- Deprecato azureml.dprep.Dataflow come tipo valido per i dati di input.
- Correzione rapida per ParallelRunStep in cui il caricamento da YAML è stato interrotto
- ParallelRunStep viene rilasciato a disponibilità generale - azureml.contrib.pipeline.steps include un avviso di deprecazione e viene spostato in azureml.pipeline.steps - Le nuove funzionalità includono:
- Set di dati come PipelineParameter
- Nuovo parametro run_max_retry
- Nome file di output configurabile append_row
- azureml-telemetry
- Aggiornare la registrazione del messaggio di eccezione e del traceback.
- azureml-train-automl-client
- Miglioramento della registrazione in AutoML
- Aggiornamenti al messaggio di errore per visualizzare correttamente l'errore dell'utente.
- Supporto per cv_split_column_names da usare con training_data
- Deprecato azureml.dprep.Dataflow come tipo valido per i dati di input.
- Aggiornato Mac per fare affidamento su cudatoolkit=9.0 perché non è ancora disponibile nella versione 10.
- Rimozione delle restrizioni sui modelli profeta e xgboost durante il training su calcolo remoto.
azureml-train-automl-runtime
eazureml-automl-runtime
hanno aggiornato le dipendenze perpytorch
,scipy
ecudatoolkit
. ora è supportatopytorch==1.4.0
,scipy>=1.0.0,<=1.3.1
ecudatoolkit==10.1.243
.- Aggiunta di funzionalità per consentire agli utenti di includere funzionalità differite per generare previsioni.
- azureml-train-automl-runtime
- Miglioramento della registrazione in AutoML
- Aggiunta della gestione degli errori con granularità fine per le eccezioni di preparazione dei dati
- Rimozione delle restrizioni sui modelli profeta e xgboost durante il training su calcolo remoto.
azureml-train-automl-runtime
eazureml-automl-runtime
hanno aggiornato le dipendenze perpytorch
,scipy
ecudatoolkit
. ora è supportatopytorch==1.4.0
,scipy>=1.0.0,<=1.3.1
ecudatoolkit==10.1.243
.- Aggiornamenti al messaggio di errore per visualizzare correttamente l'errore dell'utente.
- Supporto per cv_split_column_names da usare con training_data
- azureml-train-core
- Aggiunta di un nuovo set di eccezioni specifiche di HyperDrive. azureml.train.hyperdrive genera ora eccezioni dettagliate.
- azureml-widgets
- I widget di Azure Machine Learning non vengono visualizzati in JupyterLab
- azureml-automl-core
11/05/2020
Azure Machine Learning SDK per Python v1.5.0
Nuove funzionalità
- Funzionalità di anteprima
- azureml-contrib-reinforcementlearning
- Azure Machine Learning sta rilasciando il supporto in anteprima per l'apprendimento per rinforzo usando il framework Ray .
ReinforcementLearningEstimator
abilita il training degli agenti di apprendimento per rinforzo tra destinazioni di calcolo GPU e CPU in Azure Machine Learning.
- Azure Machine Learning sta rilasciando il supporto in anteprima per l'apprendimento per rinforzo usando il framework Ray .
- azureml-contrib-reinforcementlearning
- Funzionalità di anteprima
Correzioni di bug e miglioramenti
- azure-cli-ml
- Corregge un log degli avvisi lasciato accidentalmente nella richiesta pull precedente.Fixes an accidentally left behind warning log in my previous PR. Il log è stato usato per il debug e accidentalmente è stato lasciato indietro.
- Correzione di bug: informare i client sull'errore parziale durante la profilatura
- azureml-automl-core
- Velocizzare il modello Prophet/AutoArima nelle previsioni AutoML abilitando l'adattamento parallelo per la serie temporale quando i set di dati hanno più serie temporali. Per trarre vantaggio da questa nuova funzionalità, è consigliabile impostare "max_cores_per_iteration = -1", ovvero usando tutti i core cpu disponibili in AutoMLConfig.
- Correzione di KeyError sulla stampa di protezioni nell'interfaccia della console
- Correzione del messaggio di errore per experimentation_timeout_hours
- Modelli TensorFlow deprecati per AutoML.
- azureml-automl-runtime
- Correzione del messaggio di errore per experimentation_timeout_hours
- Correzione di un'eccezione non classificato durante il tentativo di deserializzazione dall'archivio cache
- Velocizzare il modello Prophet/AutoArima nelle previsioni AutoML abilitando l'adattamento parallelo per la serie temporale quando i set di dati hanno più serie temporali.
- Correzione della previsione con finestra mobile abilitata nei set di dati in cui il set di test/previsione non contiene uno dei grani dal set di training.
- Miglioramento della gestione dei dati mancanti
- Correzione del problema relativo agli intervalli di stima durante la previsione sui set di dati, contenenti serie temporali che non sono allineate nel tempo.
- Aggiunta di una migliore convalida della forma dei dati per le attività di previsione.
- Miglioramento del rilevamento della frequenza.
- È stato creato un messaggio di errore migliore se non è possibile generare la convalida incrociata per le attività di previsione.
- Correzione dell'interfaccia della console per stampare correttamente la protezione del valore mancante.
- Applicazione dei controlli del tipo di dati su cv_split_indices input in AutoMLConfig.
- azureml-cli-common
- Correzione di bug: informare i client sull'errore parziale durante la profilatura
- azureml-contrib-mir
- Aggiunge una classe azureml.contrib.mir.RevisionStatus, che inoltra informazioni sulla revisione MIR attualmente distribuita e sulla versione più recente specificata dall'utente. Questa classe è inclusa nell'oggetto MirWebservice nell'attributo 'deployment_status'.
- Abilita l'aggiornamento nei servizi Web di tipo MirWebservice e nella relativa classe figlio SingleModelMirWebservice.
- azureml-contrib-reinforcementlearning
- Aggiunta del supporto per Ray 0.8.3
- AmlWindowsCompute supporta solo File di Azure come risorsa di archiviazione montata
- Health_check_timeout rinominato in health_check_timeout_seconds
- Correzione di alcune descrizioni di classi/metodi.
- azureml-core
- Abilitazione di WASB:> conversioni BLOB nei cloud Azure per enti pubblici e Cina.
- Correzione del bug per consentire ai ruoli lettore di usare i comandi az ml run CLI per ottenere informazioni sull'esecuzione
- Rimozione della registrazione non necessaria durante le esecuzioni remote di Azure Machine Learning con set di dati di input.
- RCranPackage supporta ora il parametro "version" per la versione del pacchetto CRAN.
- Correzione di bug: informare i client sull'errore parziale durante la profilatura
- Aggiunta della gestione float in stile europeo per azureml-core.
- Funzionalità di collegamento privato dell'area di lavoro abilitate in Azure Machine Learning SDK.
- Quando si crea un oggetto TabularDataset usando
from_delimited_files
, è possibile specificare se i valori vuoti devono essere caricati come Nessuno o come stringa vuota impostando l'argomentoempty_as_string
booleano . - Aggiunta della gestione float in stile europeo per i set di dati.
- Messaggi di errore migliorati in caso di errori di montaggio del set di dati.
- azureml-datadrift
- La query sui risultati della deriva dei dati dall'SDK presentava un bug che non differenziava le metriche delle funzionalità minime, massime e medie, generando valori duplicati. Questo bug è stato risolto anteponendo la destinazione o la linea di base ai nomi delle metriche. Prima: duplicare min, max, mean. Dopo: target_min, target_max, target_mean, baseline_min, baseline_max baseline_mean.
- azureml-dataprep
- Migliorare la gestione degli ambienti Python con restrizioni di scrittura quando si garantiscono le dipendenze .NET necessarie per il recapito dei dati.
- Correzione della creazione del flusso di dati nel file con record vuoti iniziali.
- Aggiunta di opzioni di gestione degli errori per
to_partition_iterator
simili ato_pandas_dataframe
.
- azureml-interpret
- Limiti di lunghezza del percorso di spiegazione ridotti per ridurre la probabilità di superare il limite di Windows
- Correzione di bug per le spiegazioni di tipo sparse create con lo strumento di spiegazione simulatore usando un modello surrogato lineare.
- azureml-opendatasets
- Correzione del problema delle colonne di MNIST analizzate come stringa, che devono essere int.
- azureml-pipeline-core
- Consentire all'opzione di regenerate_outputs quando si usa un modulo incorporato in un modulo ModuleStep.
- azureml-train-automl-client
- Modelli TensorFlow deprecati per AutoML.
- Correggere gli utenti che consentono di elencare gli algoritmi non supportati in modalità locale
- Correzioni del documento in AutoMLConfig.
- Applicazione dei controlli del tipo di dati su cv_split_indices input in AutoMLConfig.
- Correzione del problema relativo all'esito negativo delle esecuzioni di AutoML in show_output
- azureml-train-automl-runtime
- Correzione di un bug nelle iterazioni ensemble che impedivano il timeout di download del modello per il corretto avvio.
- azureml-train-core
- Correzione dell'errore di digitazione nella classe azureml.train.dnn.Nccl.
- Supporto di PyTorch versione 1.5 in PyTorch Estimator
- Correzione del problema per cui l'immagine del framework non può essere recuperata in Azure per enti pubblici'area quando si usano gli estimatori del framework di training
- azure-cli-ml
2020-05-04
Nuova esperienza notebook
È ora possibile creare, modificare e condividere notebook e file di Machine Learning direttamente all'interno dell'esperienza Web di Azure Machine Learning in studio. È possibile usare tutte le classi e i metodi disponibili in Azure Machine Learning Python SDK dall'interno di questi notebook. Per iniziare, vedere l'articolo Eseguire Jupyter Notebook nell'area di lavoro .
Nuove funzionalità introdotte:
- Editor migliorato (editor Monaco) usato da Visual Studio Code
- Miglioramenti dell'interfaccia utente/esperienza utente
- Cell Toolbar
- Nuovi controlli della barra degli strumenti e del calcolo del notebook
- Barra di stato del notebook
- Cambio del kernel inline
- Supporto di R
- Miglioramenti all'accessibilità e alla localizzazione
- Riquadro comandi
- Altri tasti di scelta rapida
- Salvataggio automatico
- Prestazioni e affidabilità migliorate
Accedere agli strumenti di creazione basati sul Web seguenti dallo studio:
Strumento basato sul Web | Descrizione |
---|---|
notebook studio di Azure Machine Learning | Prima creazione in classe per i file di notebook e supporto di tutte le operazioni disponibili in Azure Machine Learning Python SDK. |
2020-04-27
Azure Machine Learning SDK per Python v1.4.0
Nuove funzionalità
- I cluster AmlCompute supportano ora la configurazione di un'identità gestita nel cluster al momento del provisioning. Specificare solo se si vuole usare un'identità assegnata dal sistema o un'identità assegnata dall'utente e passare un identityId per quest'ultimo. È quindi possibile configurare le autorizzazioni per accedere a varie risorse, ad esempio Archiviazione o Registro Azure Container, in modo che l'identità dell'ambiente di calcolo venga usata per accedere in modo sicuro ai dati, anziché un approccio basato su token usato da AmlCompute. Per altre informazioni sui parametri, vedere le informazioni di riferimento sull'SDK.
Modifiche di rilievo
- I cluster AmlCompute supportano una funzionalità di anteprima per la creazione basata su esecuzione, che si prevede di deprecare in due settimane. È possibile continuare a creare destinazioni di calcolo persistenti come sempre usando la classe Amlcompute, ma l'approccio specifico di specificare l'identificatore "amlcompute" come destinazione di calcolo nella configurazione di esecuzione non sarà presto supportato.
Correzioni di bug e miglioramenti
- azureml-automl-runtime
- Abilitare il supporto per il tipo nonashable quando si calcola il numero di valori univoci in una colonna.
- azureml-core
- Maggiore stabilità durante la lettura da Archiviazione BLOB di Azure utilizzando un oggetto TabularDataset.
- Documentazione migliorata per il
grant_workspace_msi
parametro perDatastore.register_azure_blob_store
. - Correzione del bug con
datastore.upload
per supportare l'argomentosrc_dir
che termina con un/
oggetto o\
. - È stato aggiunto un messaggio di errore interattivo quando si tenta di caricare in un archivio dati Archiviazione BLOB di Azure che non ha una chiave di accesso o un token di firma di accesso condiviso.
- azureml-interpret
- Aggiunta del limite superiore alle dimensioni del file per i dati di visualizzazione nelle spiegazioni caricate.
- azureml-train-automl-client
- Verifica in modo esplicito della presenza di parametri label_column_name e weight_column_name per AutoMLConfig come stringa di tipo.
- azureml-contrib-pipeline-steps
- ParallelRunStep supporta ora il set di dati come parametro della pipeline. L'utente può costruire una pipeline con un set di dati di esempio e può modificare il set di dati di input dello stesso tipo (file o tabulare) per la nuova esecuzione della pipeline.
- azureml-automl-runtime
2020-04-13
Azure Machine Learning SDK per Python v1.3.0
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Sono stati aggiunti altri dati di telemetria relativi alle operazioni post-training.
- Velocizza il training automatico ARIMA usando la somma condizionale dei quadrati (CSS) training per serie di lunghezza superiore a 100. La lunghezza usata viene archiviata come costante ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/nella classe TimeSeriesInternal in /src/azureml-automl-core/azureml/automl/core/shared/constants.py
- La registrazione utente delle esecuzioni di previsione è stata migliorata. Altre informazioni sulla fase attualmente in esecuzione vengono visualizzate nel log
- Non consentito target_rolling_window_size da impostare su valori minori di 2
- azureml-automl-runtime
- Miglioramento del messaggio di errore visualizzato quando vengono trovati timestamp duplicati.
- Non consentito target_rolling_window_size da impostare su valori minori di 2.
- Correzione dell'errore di imputazione del ritardo. Il problema è stato causato dal numero insufficiente di osservazioni necessarie per scomporre stagionalmente una serie. I dati "de-stagionalizzati" vengono usati per calcolare una funzione di correzione automatica parziale (PACF) per determinare la lunghezza del ritardo.
- Personalizzazione delle caratteristiche della colonna abilitata per le attività di previsione in base alla configurazione della definizione delle caratteristiche. Numerico e categorico come scopo della colonna per le attività di previsione è ora supportato.
- Abilitazione della personalizzazione delle caratteristiche delle colonne di rilascio per le attività di previsione tramite la configurazione della definizione delle caratteristiche.
- Abilitazione della personalizzazione dell'imputazione per le attività di previsione in base alla configurazione delle funzionalità. Sono ora supportati l'imputazione di valori costanti per la colonna di destinazione e la mediana, la most_frequent e l'imputazione di valori costanti per i dati di training.
- azureml-contrib-pipeline-steps
- Accettare i nomi di calcolo delle stringhe da passare a ParallelRunConfig
- azureml-core
- Aggiunta dell'API Environment.clone(new_name) per creare una copia dell'oggetto Environment
- Environment.docker.base_dockerfile accetta il percorso file. Se è possibile risolvere un file, il contenuto viene letto in base_dockerfile proprietà dell'ambiente
- Reimpostare automaticamente i valori che si escludono a vicenda per base_image e base_dockerfile quando l'utente imposta manualmente un valore in Environment.docker
- Aggiunta user_managed flag in RSection che indica se l'ambiente è gestito dall'utente o da Azure Machine Learning.
- Set di dati: correzione dell'errore di download del set di dati se il percorso dati contiene caratteri Unicode.
- Set di dati: miglioramento del meccanismo di memorizzazione nella cache del montaggio del set di dati per rispettare il requisito di spazio su disco minimo nell'ambiente di calcolo di Azure Machine Learning, che evita di rendere inutilizzabile il nodo e causare l'annullamento del processo.
- Set di dati: viene aggiunto un indice per la colonna time series quando si accede a un set di dati time series come dataframe pandas, usato per velocizzare l'accesso ai dati basati su serie temporali. In precedenza, all'indice è stato assegnato lo stesso nome della colonna timestamp, confondendo gli utenti su cui si trova la colonna timestamp effettiva e che è l'indice. Non viene ora assegnato alcun nome specifico all'indice perché non deve essere usato come colonna.
- Set di dati: è stato risolto un problema di autenticazione del set di dati nel cloud sovrano.
- Set di dati: correzione
Dataset.to_spark_dataframe
dell'errore per i set di dati creati dagli archivi dati postgreSQL di Azure.
- azureml-interpret
- Aggiunta di punteggi globali alla visualizzazione se i valori di importanza locale sono di tipo sparse
- Aggiornamento di azureml-interpret per l'uso di interpret-community 0.9.*
- Correzione del problema relativo al download della spiegazione con dati di valutazione di tipo sparse
- Aggiunta del supporto del formato sparse dell'oggetto spiegazione in AutoML
- azureml-pipeline-core
- Supportare ComputeInstance come destinazione di calcolo nelle pipeline
- azureml-train-automl-client
- Sono stati aggiunti altri dati di telemetria relativi alle operazioni post-training.
- Correzione della regressione all'arresto anticipato
- Deprecato azureml.dprep.Dataflow come tipo valido per i dati di input.
- Modifica del timeout predefinito dell'esperimento AutoML su sei giorni.
- azureml-train-automl-runtime
- Sono stati aggiunti altri dati di telemetria relativi alle operazioni post-training.
- aggiunta del supporto end-to-end di AutoML sparse
- azureml-opendatasets
- Aggiunta di un'altra telemetria per il monitoraggio del servizio.
- Abilitare frontdoor per il BLOB per aumentare la stabilità
- azureml-automl-core
2020-03-23
Azure Machine Learning SDK per Python v1.2.0
Modifiche di rilievo
- Eliminare il supporto per Python 2.7
Correzioni di bug e miglioramenti
- azure-cli-ml
- Aggiunge "--subscription-id" ai
az ml model/computetarget/service
comandi nell'interfaccia della riga di comando - Aggiunta del supporto per il passaggio di chiavi gestite dal cliente (CMK) vault_url, key_name e key_version per la distribuzione ACI
- Aggiunge "--subscription-id" ai
- azureml-automl-core
- Abilitazione dell'imputazione personalizzata con valore costante per le attività di previsione dei dati X e y.
- È stato risolto il problema in con la visualizzazione dei messaggi di errore all'utente.
- azureml-automl-runtime
- È stato risolto il problema relativo alla previsione sui set di dati, contenente grani con una sola riga
- Riduzione della quantità di memoria richiesta dalle attività di previsione.
- Aggiunta di messaggi di errore migliori se la colonna time non è corretta.
- Abilitazione dell'imputazione personalizzata con valore costante per le attività di previsione dei dati X e y.
- azureml-core
- Aggiunta del supporto per il caricamento di ServicePrincipal dalle variabili di ambiente: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID e AZUREML_SERVICE_PRINCIPAL_PASSWORD
- È stato introdotto un nuovo parametro
support_multi_line
inDataset.Tabular.from_delimited_files
: per impostazione predefinita (support_multi_line=False
), tutte le interruzioni di riga, incluse quelle in valori di campo tra virgolette, verranno interpretate come interruzioni di record. La lettura dei dati in questo modo è più veloce e ottimizzata per l'esecuzione parallela su più core CPU. Tuttavia, può comportare la produzione invisibile all'utente di più record con valori di campo non allineati. Deve essere impostato suTrue
quando i file delimitati sono noti per contenere interruzioni di riga tra virgolette. - Aggiunta della possibilità di registrare ADLS Gen2 nell'interfaccia della riga di comando di Azure Machine Learning
- Il parametro 'fine_grain_timestamp' è stato rinominato in 'timestamp' e il parametro 'coarse_grain_timestamp' in 'partition_timestamp' per il metodo with_timestamp_columns() in TabularDataset per riflettere meglio l'utilizzo dei parametri.
- Aumento della lunghezza massima del nome dell'esperimento a 255.
- azureml-interpret
- Aggiornamento di azureml-interpret per interpret-community 0.7.*
- azureml-sdk
- Passaggio alle dipendenze con la versione compatibile Tilde per il supporto dell'applicazione di patch nelle versioni non definitive e stabili.
- azure-cli-ml
2020-03-11
Azure Machine Learning SDK per Python v1.1.5
Deprecazione delle funzionalità
- Python 2.7
- Ultima versione per il supporto di Python 2.7
- Python 2.7
Modifiche di rilievo
- Versionamento Semantico 2.0.0
- A partire dalla versione 1.1 di Azure Machine Learning Python SDK adotta il controllo delle versioni semantiche 2.0.0. Tutte le versioni successive seguono nuovi schemi di numerazione e contratto di controllo delle versioni semantiche.
- Versionamento Semantico 2.0.0
Correzioni di bug e miglioramenti
- azure-cli-ml
- Modificare il nome del comando dell'interfaccia della riga di comando dell'endpoint da 'az ml endpoint aks' a 'az ml endpoint real time' per coerenza.
- aggiornare le istruzioni di installazione dell'interfaccia della riga di comando per l'interfaccia della riga di comando stabile e sperimentale
- La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- azureml-automl-core
- Abilitazione dell'inferenza in modalità Batch (acquisizione di più righe una sola volta) per i modelli ONNX AutoML
- È stato migliorato il rilevamento della frequenza nei set di dati, senza dati o contenenti punti dati irregolari
- Aggiunta la possibilità di rimuovere i punti dati che non rispettano la frequenza dominante.
- Modifica l'input del costruttore in modo da accettare un elenco di opzioni per applicare le opzioni di imputazione per le colonne corrispondenti.
- La registrazione degli errori è stata migliorata.
- azureml-automl-runtime
- È stato risolto il problema relativo all'errore generato se il livello di granularità non era presente nel set di training visualizzato nel set di test
- Rimosso il requisito di y_query durante l'assegnazione dei punteggi al servizio di previsione
- È stato risolto il problema relativo alla previsione quando il set di dati contiene grani brevi con intervalli di tempo lunghi.
- È stato risolto il problema quando l'orizzonte massimo automatico è attivato e la colonna data contiene date sotto forma di stringhe. Sono stati aggiunti messaggi di errore e conversione appropriati per quando la conversione alla data non è possibile
- Uso di NumPy nativo e SciPy per serializzare e deserializzare i dati intermedi per FileCacheStore (usato per le esecuzioni AutoML locali)
- Correzione di un bug per cui le esecuzioni figlio non riuscite potevano rimanere bloccate nello stato In esecuzione.
- Maggiore velocità di definizione delle caratteristiche.
- Correzione del controllo della frequenza durante l'assegnazione dei punteggi. Le attività di previsione non richiedono ora una rigorosa equivalenza della frequenza tra il training e il set di test.
- Modifica l'input del costruttore in modo da accettare un elenco di opzioni per applicare le opzioni di imputazione per le colonne corrispondenti.
- Correzione degli errori relativi alla selezione del tipo di ritardo.
- Correzione dell'errore non classificato generato nei set di dati, con grani con la singola riga
- È stato risolto il problema relativo alla lentezza del rilevamento della frequenza.
- Corregge un bug nella gestione delle eccezioni di AutoML che ha causato il motivo reale per cui il training non è stato sostituito da un AttributeError.
- azureml-cli-common
- La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- azureml-contrib-mir
- Aggiunge funzionalità nella classe MirWebservice per recuperare il token di accesso
- Usare l'autenticazione del token per MirWebservice per impostazione predefinita durante la chiamata a MirWebservice.run(): aggiorna solo se la chiamata ha esito negativo
- La distribuzione di Mir webservice richiede ora sku appropriati [Standard_DS2_v2, Standard_F16, Standard_A2_v2] anziché rispettivamente [Ds2v2, A2v2 e F16].
- azureml-contrib-pipeline-steps
- Parametro facoltativo side_inputs aggiunto a ParallelRunStep. Questo parametro può essere usato per montare la cartella nel contenitore. I tipi attualmente supportati sono DataReference e PipelineData.
- I parametri passati in ParallelRunConfig possono essere sovrascritti passando ora i parametri della pipeline. I nuovi parametri della pipeline supportati aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node fanno già parte della versione precedente).
- azureml-core
- Per impostazione predefinita, i servizi Web di Azure Machine Learning distribuiti vengono
INFO
registrati per impostazione predefinita. Questo controllo può essere controllato impostando laAZUREML_LOG_LEVEL
variabile di ambiente nel servizio distribuito. - Python SDK usa il servizio di individuazione per usare l'endpoint 'api' anziché 'pipeline'.
- Passare alle nuove route in tutte le chiamate SDK.
- Modifica del routing delle chiamate a ModelManagementService in una nuova struttura unificata.
- Reso disponibile pubblicamente il metodo di aggiornamento dell'area di lavoro.
- Aggiunta image_build_compute parametro nel metodo di aggiornamento dell'area di lavoro per consentire all'utente di aggiornare il calcolo per la compilazione dell'immagine.
- Aggiunta di messaggi deprecati al flusso di lavoro di profilatura precedente. Correzione dei limiti di cpu e memoria di profilatura.
- Aggiunta di RSection come parte di Environment per l'esecuzione di processi R.
- Aggiunta della convalida a per
Dataset.mount
generare un errore quando l'origine del set di dati non è accessibile o non contiene dati. - Aggiunta
--grant-workspace-msi-access
come altro parametro per l'interfaccia della riga di comando dell'archivio dati per la registrazione del contenitore BLOB di Azure che consente di registrare un contenitore BLOB che si trova dietro una rete virtuale. - La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- Risolto il problema in aks.py _deploy.
- Convalida l'integrità dei modelli caricati per evitare errori di archiviazione invisibile all'utente.
- L'utente può ora specificare un valore per la chiave di autenticazione durante la rigenerazione delle chiavi per i servizi Web.
- Correzione del bug per cui le lettere maiuscole non possono essere usate come nome di input del set di dati.
- Per impostazione predefinita, i servizi Web di Azure Machine Learning distribuiti vengono
- azureml-defaults
azureml-dataprep
verrà ora installato come parte diazureml-defaults
. Non è più necessario installare manualmente la preparazione dei dati [fuse] nelle destinazioni di calcolo per montare i set di dati.
- azureml-interpret
- Aggiornamento di azureml-interpret per interpret-community 0.6.*
- Aggiornamento di azureml-interpret per dipendere da interpret-community 0.5.0
- Aggiunta di eccezioni di tipo azureml ad azureml-interpret
- Correzione della serializzazione DeepScoringExplainer per i modelli keras
- azureml-mlflow
- Aggiungere il supporto per i cloud sovrani ad azureml.mlflow
- azureml-pipeline-core
- Il notebook di assegnazione dei punteggi batch della pipeline ora usa ParallelRunStep
- Correzione di un bug per cui i risultati di PythonScriptStep potrebbero essere riutilizzati in modo non corretto nonostante la modifica dell'elenco di argomenti
- Aggiunta della possibilità di impostare il tipo di colonne quando si chiamano i metodi parse_* in
PipelineOutputFileDataset
- azureml-pipeline-steps
- Spostato nel
AutoMLStep
azureml-pipeline-steps
pacchetto. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
. - Aggiunta dell'esempio di documentazione per il set di dati come input PythonScriptStep
- Spostato nel
- azureml-tensorboard
- Aggiornamento di azureml-tensorboard per supportare TensorFlow 2.0
- Mostra il numero di porta corretto quando si usa una porta TensorBoard personalizzata in un'istanza di calcolo
- azureml-train-automl-client
- È stato risolto un problema per cui alcuni pacchetti potrebbero essere installati in versioni non corrette nelle esecuzioni remote.
- Correzione del problema di override di FeaturizationConfig che filtra la configurazione delle caratteristiche personalizzata.
- azureml-train-automl-runtime
- Risolto il problema relativo al rilevamento della frequenza nelle esecuzioni remote
- Spostato nel
AutoMLStep
azureml-pipeline-steps
pacchetto. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- azureml-train-core
- Supporto di PyTorch versione 1.4 in PyTorch Estimator
- azure-cli-ml
02-03-2020
Azure Machine Learning SDK per Python v1.1.2rc0 (versione non definitive)
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Abilitazione dell'inferenza in modalità Batch (acquisizione di più righe una sola volta) per i modelli ONNX AutoML
- È stato migliorato il rilevamento della frequenza nei set di dati, senza dati o contenenti punti dati irregolari
- Aggiunta la possibilità di rimuovere i punti dati che non rispettano la frequenza dominante.
- azureml-automl-runtime
- È stato risolto il problema relativo all'errore generato se il livello di granularità non era presente nel set di training visualizzato nel set di test
- Rimosso il requisito di y_query durante l'assegnazione dei punteggi al servizio di previsione
- azureml-contrib-mir
- Aggiunge funzionalità nella classe MirWebservice per recuperare il token di accesso
- azureml-core
- Per impostazione predefinita, i servizi Web di Azure Machine Learning distribuiti vengono
INFO
registrati per impostazione predefinita. Questo controllo può essere controllato impostando laAZUREML_LOG_LEVEL
variabile di ambiente nel servizio distribuito. - Correzione dell'iterazione su per
Dataset.get_all
restituire tutti i set di dati registrati nell'area di lavoro. - Migliorare il messaggio di errore quando viene passato un tipo non valido all'argomento
path
delle API di creazione del set di dati. - Python SDK usa il servizio di individuazione per usare l'endpoint 'api' anziché 'pipeline'.
- Passare alle nuove route in tutte le chiamate SDK
- Modifica il routing delle chiamate a ModelManagementService in una nuova struttura unificata
- Reso disponibile pubblicamente il metodo di aggiornamento dell'area di lavoro.
- Aggiunta image_build_compute parametro nel metodo di aggiornamento dell'area di lavoro per consentire all'utente di aggiornare il calcolo per la compilazione di immagini
- Aggiunta di messaggi deprecati al flusso di lavoro di profilatura precedente. Correzione dei limiti di cpu e memoria di profilatura
- Per impostazione predefinita, i servizi Web di Azure Machine Learning distribuiti vengono
- azureml-interpret
- aggiornare azureml-interpret per interpretare-community 0.6.*
- azureml-mlflow
- Aggiungere il supporto per i cloud sovrani ad azureml.mlflow
- azureml-pipeline-steps
- Spostato in
AutoMLStep
azureml-pipeline-steps package
. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- Spostato in
- azureml-train-automl-client
- È stato risolto un problema per cui alcuni pacchetti potrebbero essere installati in versioni non corrette nelle esecuzioni remote.
- azureml-train-automl-runtime
- Risolto il problema relativo al rilevamento della frequenza nelle esecuzioni remote
- Spostato in
AutoMLStep
azureml-pipeline-steps package
. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- azureml-train-core
- Spostato in
AutoMLStep
azureml-pipeline-steps package
. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- Spostato in
- azureml-automl-core
2020-02-18
Azure Machine Learning SDK per Python v1.1.1rc0 (versione non definitive)
- Correzioni di bug e miglioramenti
- azure-cli-ml
- La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- azureml-automl-core
- La registrazione degli errori è stata migliorata.
- azureml-automl-runtime
- È stato risolto il problema relativo alla previsione quando il set di dati contiene grani brevi con intervalli di tempo lunghi.
- È stato risolto il problema quando l'orizzonte massimo automatico è attivato e la colonna data contiene date sotto forma di stringhe. È stata aggiunta una conversione corretta e un errore sensibile se la conversione in data non è possibile
- Uso di NumPy nativo e SciPy per serializzare e deserializzare i dati intermedi per FileCacheStore (usato per le esecuzioni AutoML locali)
- Correzione di un bug per cui le esecuzioni figlio non riuscite potevano rimanere bloccate nello stato In esecuzione.
- azureml-cli-common
- La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- azureml-core
- Aggiunta
--grant-workspace-msi-access
come altro parametro per l'interfaccia della riga di comando dell'archivio dati per la registrazione del contenitore BLOB di Azure che consente di registrare un contenitore BLOB che si trova dietro una rete virtuale - La profilatura a istanza singola è stata risolta per produrre una raccomandazione ed è stata resa disponibile nell'SDK principale.
- Risolto il problema in aks.py _deploy
- Convalida l'integrità dei modelli caricati per evitare errori di archiviazione invisibile all'utente.
- Aggiunta
- azureml-interpret
- aggiunta di eccezioni di tipo azureml ad azureml-interpret
- correzione della serializzazione DeepScoringExplainer per i modelli keras
- azureml-pipeline-core
- Il notebook di assegnazione dei punteggi batch della pipeline ora usa ParallelRunStep
- azureml-pipeline-steps
- Spostato nel
AutoMLStep
azureml-pipeline-steps
pacchetto. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- Spostato nel
- azureml-contrib-pipeline-steps
- Parametro facoltativo side_inputs aggiunto a ParallelRunStep. Questo parametro può essere usato per montare la cartella nel contenitore. I tipi attualmente supportati sono DataReference e PipelineData.
- azureml-tensorboard
- Aggiornamento di azureml-tensorboard per supportare TensorFlow 2.0
- azureml-train-automl-client
- Correzione del problema di override di FeaturizationConfig che filtra la configurazione delle caratteristiche personalizzata.
- azureml-train-automl-runtime
- Spostato nel
AutoMLStep
azureml-pipeline-steps
pacchetto. Deprecato all'internoazureml-train-automl-runtime
diAutoMLStep
.
- Spostato nel
- azureml-train-core
- Supporto di PyTorch versione 1.4 in PyTorch Estimator
- azure-cli-ml
2020-02-04
Azure Machine Learning SDK per Python v1.1.0rc0 (versione non definitive)
Modifiche di rilievo
- Versionamento Semantico 2.0.0
- A partire dalla versione 1.1 di Azure Machine Learning Python SDK adotta il controllo delle versioni semantiche 2.0.0. Tutte le versioni successive seguono nuovi schemi di numerazione e contratto di controllo delle versioni semantiche.
- Versionamento Semantico 2.0.0
Correzioni di bug e miglioramenti
- azureml-automl-runtime
- Maggiore velocità di definizione delle caratteristiche.
- Correzione del controllo della frequenza durante l'assegnazione dei punteggi. Nelle attività di previsione non è ora necessaria una rigorosa equivalenza della frequenza tra il training e il set di test.
- azureml-core
- L'utente può ora specificare un valore per la chiave di autenticazione durante la rigenerazione delle chiavi per i servizi Web.
- azureml-interpret
- Aggiornamento di azureml-interpret per dipendere da interpret-community 0.5.0
- azureml-pipeline-core
- Correzione di un bug per cui i risultati di PythonScriptStep potrebbero essere riutilizzati in modo non corretto nonostante la modifica dell'elenco di argomenti
- azureml-pipeline-steps
- Aggiunta dell'esempio di documentazione per il set di dati come input PythonScriptStep
- azureml-contrib-pipeline-steps
- I parametri passati in ParallelRunConfig possono essere sovrascritti passando ora i parametri della pipeline. I nuovi parametri della pipeline supportati aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count e aml_process_count_per_node fanno già parte della versione precedente).
- azureml-automl-runtime
2020-01-21
Azure Machine Learning SDK per Python v1.0.85
Nuove funzionalità
azureml-core
- Ottenere la limitazione corrente dell'utilizzo e della quota di core per le risorse AmlCompute in una determinata area di lavoro e sottoscrizione
azureml-contrib-pipeline-steps
- Consentire all'utente di passare un set di dati tabulare come risultato intermedio del passaggio precedente a parallelrunstep
Correzioni di bug e miglioramenti
- azureml-automl-runtime
- Rimosso il requisito di y_query colonna nella richiesta al servizio di previsione distribuito.
- La "y_query" è stata rimossa dalla sezione della richiesta del servizio di servizio Orange Juice di Dominick.
- Correzione del bug che impedisce la previsione sui modelli distribuiti, operando su set di dati con colonne di data e ora.
- Aggiunto Matthews Correlation Coefficient come metrica di classificazione, sia per la classificazione binaria che per la classificazione multiclasse.
- azureml-contrib-interpret
- Gli strumenti di spiegazione del testo rimossi da azureml-contrib-interpret come spiegazione del testo sono stati spostati nel repository interpret-text che verrà rilasciato a breve.
- azureml-core
- Set di dati: gli utilizzi per il set di dati dei file non dipendono più da numpy e pandas da installare in Python env.
- Modifica LocalWebservice.wait_for_deployment() per controllare lo stato del contenitore Docker locale prima di provare a effettuare il ping dell'endpoint di integrità, riducendo notevolmente il tempo necessario per segnalare una distribuzione non riuscita.
- Correzione dell'inizializzazione di una proprietà interna utilizzata in LocalWebservice.reload() quando l'oggetto servizio viene creato da una distribuzione esistente usando il costruttore LocalWebservice().
- Messaggio di errore modificato per chiarimenti.
- È stato aggiunto un nuovo metodo denominato get_access_token() a AksWebservice che restituirà l'oggetto AksServiceAccessToken, che contiene il token di accesso, l'aggiornamento dopo il timestamp, la scadenza in base al timestamp e al tipo di token.
- Metodo get_token() deprecato esistente in AksWebservice perché il nuovo metodo restituisce tutte le informazioni restituite da questo metodo.
- Output modificato del comando az ml service get-access-token. Token rinominato per accessToken e refreshBy per refreshAfter. Aggiunta delle proprietà expiryOn e tokenType.
- Correzione get_active_runs
- azureml-explain-model
- aggiornamento dello shap alla versione 0.33.0 e interpret-community alla versione 0.4.*
- azureml-interpret
- aggiornamento dello shap alla versione 0.33.0 e interpret-community alla versione 0.4.*
- azureml-train-automl-runtime
- Aggiunto Matthews Correlation Coefficient come metrica di classificazione, sia per la classificazione binaria che per la classificazione multiclasse.
- Deprecare il flag di pre-elaborazione dal codice e sostituito con la definizione delle caratteristiche è attivato per impostazione predefinita
- azureml-automl-runtime
2020-01-06
Azure Machine Learning SDK per Python v1.0.83
Nuove funzionalità
- Set di dati: aggiungere due opzioni
on_error
eout_of_range_datetime
perto_pandas_dataframe
avere esito negativo quando i dati hanno valori di errore invece di riempirli conNone
. - Area di lavoro: è stato aggiunto il
hbi_workspace
flag per le aree di lavoro con dati sensibili che abilita ulteriormente la crittografia e disabilita la diagnostica avanzata nelle aree di lavoro. È stato anche aggiunto il supporto per l'inserimento di chiavi personalizzate per l'istanza di Azure Cosmos DB associata, specificando icmk_keyvault
parametri eresource_cmk_uri
durante la creazione di un'area di lavoro, che crea un'istanza di Azure Cosmos DB nella sottoscrizione durante il provisioning dell'area di lavoro. Per altre informazioni, vedere la sezione Azure Cosmos DB di crittografia dei dati.
- Set di dati: aggiungere due opzioni
Correzioni di bug e miglioramenti
- azureml-automl-runtime
- Correzione di una regressione che causava la generazione di un TypeError durante l'esecuzione di AutoML nelle versioni di Python precedenti alla 3.5.4.
- azureml-core
- Correzione del bug nel
datastore.upload_files
percorso relativo che non iniziava con./
non è stato possibile usare. - Aggiunta di messaggi deprecati per tutti i percorsi di codice della classe Image
- Correzione della costruzione dell'URL di gestione dei modelli per Microsoft Azure gestita da 21Vianet.
- È stato risolto un problema per cui i modelli che usano source_dir non potevano essere inseriti in un pacchetto per Funzioni di Azure.
- Aggiunta di un'opzione per Environment.build_local() per eseguire il push di un'immagine nel registro contenitori dell'area di lavoro di Azure Machine Learning
- Aggiornamento dell'SDK per l'uso di una nuova libreria di token in Azure Synapse in modo compatibile con il supporto.
- Correzione del bug nel
- azureml-interpret
- Correzione del bug per cui None veniva restituito quando non erano disponibili spiegazioni per il download. Ora genera un'eccezione, il comportamento corrispondente altrove.
- azureml-pipeline-steps
- Non consentito il
DatasetConsumptionConfig
passaggio di s alEstimator
parametro diinputs
quandoEstimator
verrà usato in un oggettoEstimatorStep
.
- Non consentito il
- azureml-sdk
- Aggiunta del client AutoML al pacchetto azureml-sdk, consentendo l'invio delle esecuzioni Remote AutoML senza installare il pacchetto AutoML completo.
- azureml-train-automl-client
- Correzione dell'allineamento nell'output della console per le esecuzioni autoML
- Correzione di un bug per cui è possibile installare una versione errata di pandas in amlcompute remoto.
- azureml-automl-runtime
2019-12-23
Azure Machine Learning SDK per Python v1.0.81
- Correzioni di bug e miglioramenti
- azureml-contrib-interpret
- rinviare la dipendenza shap per interpretare-community da azureml-interpret
- azureml-core
- La destinazione di calcolo può ora essere specificata come parametro per gli oggetti di configurazione della distribuzione corrispondenti. Si tratta in particolare del nome della destinazione di calcolo in cui eseguire la distribuzione, non dell'oggetto SDK.
- Aggiunta di informazioni CreatedBy agli oggetti Model e Service. È possibile accedere through.created_by
- Correzione di ContainerImage.run(), che non configurava correttamente la porta HTTP del contenitore Docker.
- Impostare
azureml-dataprep
facoltativo per ilaz ml dataset register
comando dell'interfaccia della riga di comando - Correzione di un bug per cui
TabularDataset.to_pandas_dataframe
si eseguiva erroneamente il fallback a un lettore alternativo e viene visualizzato un avviso.
- azureml-explain-model
- rinviare la dipendenza shap per interpretare-community da azureml-interpret
- azureml-pipeline-core
- Aggiunta del nuovo passaggio
NotebookRunnerStep
della pipeline per eseguire un notebook locale come passaggio nella pipeline. - Rimosse le funzioni di get_all deprecate per PublishedPipelines, Pianificazioni e PipelineEndpoints
- Aggiunta del nuovo passaggio
- azureml-train-automl-client
- È stata avviata la deprecazione di data_script come input per AutoML.
- azureml-contrib-interpret
09-12-2019
Azure Machine Learning SDK per Python v1.0.79
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Rimozione di featurizationConfig da registrare
- Aggiornamento della registrazione per registrare solo "auto"/"off"/"customd".
- Rimozione di featurizationConfig da registrare
- azureml-automl-runtime
- Aggiunta del supporto per pandas. Serie e pandas. Categorico per il rilevamento del tipo di dati della colonna. In precedenza era supportato solo numpy.ndarray
- Sono state aggiunte modifiche al codice correlate per gestire correttamente il dtype categorico.
- L'interfaccia della funzione forecast è stata migliorata: il parametro y_pred è stato reso facoltativo. -Le docstrings sono state migliorate.
- Aggiunta del supporto per pandas. Serie e pandas. Categorico per il rilevamento del tipo di dati della colonna. In precedenza era supportato solo numpy.ndarray
- azureml-contrib-dataset
- Correzione di un bug per cui non è stato possibile montare set di dati etichettati.
- azureml-core
- Correzione di bug per
Environment.from_existing_conda_environment(name, conda_environment_name)
. L'utente può creare un'istanza di Environment che è la replica esatta dell'ambiente locale - Modifica dei metodi dei set di dati correlati alle serie temporali in per
include_boundary=True
impostazione predefinita.
- Correzione di bug per
- azureml-train-automl-client
- È stato risolto un problema a causa del quale i risultati della convalida non vengono stampati quando l'output visualizzato è impostato su false.
- azureml-automl-core
2019-11-25
Azure Machine Learning SDK per Python v1.0.76
Modifiche di rilievo
- Problemi di aggiornamento di Azureml-Train-AutoML
- L'aggiornamento ad azureml-train-automl>=1.0.76 da azureml-train-automl<1.0.76 può causare installazioni parziali, causando l'esito negativo di alcune importazioni autoML. Per risolvere questo problema, è possibile eseguire lo script di installazione disponibile in https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. In alternativa, se si usa pip direttamente, è possibile:
- "pip install --upgrade azureml-train-automl"
- "pip install --ignore-installed azureml-train-automl-client"
- oppure è possibile disinstallare la versione precedente prima dell'aggiornamento
- "pip uninstall azureml-train-automl"
- "pip install azureml-train-automl"
- L'aggiornamento ad azureml-train-automl>=1.0.76 da azureml-train-automl<1.0.76 può causare installazioni parziali, causando l'esito negativo di alcune importazioni autoML. Per risolvere questo problema, è possibile eseguire lo script di installazione disponibile in https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. In alternativa, se si usa pip direttamente, è possibile:
- Problemi di aggiornamento di Azureml-Train-AutoML
Correzioni di bug e miglioramenti
- azureml-automl-runtime
- AutoML ora prende in considerazione sia le classi true che false quando si calcolano le metriche scalari medie per le attività di classificazione binaria.
- Spostare il codice di Machine Learning e training in AzureML-AutoML-Core in un nuovo pacchetto AzureML-AutoML-Runtime.
- azureml-contrib-dataset
- Quando si chiama
to_pandas_dataframe
un set di dati etichettato con l'opzione di download, è ora possibile specificare se sovrascrivere o meno i file esistenti. - Quando si chiama o
drop_columns
si verificakeep_columns
un'eliminazione di una serie temporale, un'etichetta o una colonna immagine, vengono eliminate anche le funzionalità corrispondenti per il set di dati. - È stato risolto un problema relativo al caricatore pytorch per l'attività di rilevamento degli oggetti.
- Quando si chiama
- azureml-contrib-interpret
- Rimozione del widget del dashboard di spiegazione da azureml-contrib-interpret, pacchetto modificato per fare riferimento a quello nuovo in interpret_community
- Aggiornamento della versione di interpret-community alla versione 0.2.0
- azureml-core
- Migliorare le prestazioni di
workspace.datasets
. - Aggiunta della possibilità di registrare database SQL di Azure Archivio dati usando l'autenticazione con nome utente e password
- Correzione per il caricamento di RunConfigurations dai percorsi relativi.
- Quando si chiama o
drop_columns
si verificakeep_columns
l'eliminazione di una colonna time series, vengono eliminate anche le funzionalità corrispondenti per il set di dati.
- Migliorare le prestazioni di
- azureml-interpret
- versione aggiornata di interpret-community alla versione 0.2.0
- azureml-pipeline-steps
- Valori supportati documentati per
runconfig_pipeline_params
i passaggi della pipeline di Azure Machine Learning.
- Valori supportati documentati per
- azureml-pipeline-core
- Aggiunta dell'opzione dell'interfaccia della riga di comando per scaricare l'output in formato JSON per i comandi della pipeline.
- azureml-train-automl
- Dividere AzureML-Train-AutoML in due pacchetti, un pacchetto client AzureML-Train-AutoML-Client e un pacchetto di training ml AzureML-Train-AutoML-Runtime
- azureml-train-automl-client
- È stato aggiunto un thin client per l'invio di esperimenti AutoML senza dover installare le dipendenze di Machine Learning in locale.
- Correzione della registrazione dei ritardi rilevati automaticamente, delle dimensioni delle finestre in sequenza e degli orizzonti massimi nelle esecuzioni remote.
- azureml-train-automl-runtime
- È stato aggiunto un nuovo pacchetto AutoML per isolare i componenti di Machine Learning e runtime dal client.
- azureml-contrib-train-rl
- Aggiunta del supporto per l'apprendimento per rinforzo in SDK.
- Aggiunta del supporto AmlWindowsCompute in RL SDK.
- azureml-automl-runtime
2019-11-11
Azure Machine Learning SDK per Python v1.0.74
Funzionalità di anteprima
- azureml-contrib-dataset
- Dopo aver importato azureml-contrib-dataset, è possibile chiamare
Dataset.Labeled.from_json_lines
invece di creare un set di._Labeled
dati etichettato. - Quando si chiama
to_pandas_dataframe
un set di dati etichettato con l'opzione di download, è ora possibile specificare se sovrascrivere o meno i file esistenti. - Quando si chiama o
drop_columns
si verificakeep_columns
un'eliminazione di una serie temporale, un'etichetta o una colonna immagine, vengono eliminate anche le funzionalità corrispondenti per il set di dati. - Correzione dei problemi relativi al caricatore PyTorch durante la chiamata
dataset.to_torchvision()
a .
- Dopo aver importato azureml-contrib-dataset, è possibile chiamare
- azureml-contrib-dataset
Correzioni di bug e miglioramenti
- azure-cli-ml
- Aggiunta della profilatura del modello all'interfaccia della riga di comando di anteprima.
- Correzioni di modifiche di rilievo in Archiviazione di Azure che causano l'esito negativo dell'interfaccia della riga di comando di Azure Machine Learning.
- Aggiunta del tipo di bilanciamento del carico a MLC per i tipi del servizio Azure Kubernetes
- azureml-automl-core
- È stato risolto il problema relativo al rilevamento dell'orizzonte massimo nelle serie temporali, con valori mancanti e più grani.
- È stato risolto il problema relativo agli errori durante la generazione di divisioni di convalida incrociata.
- Sostituire questa sezione con un messaggio in formato markdown da visualizzare nelle note sulla versione: -Miglioramento della gestione dei grani brevi nei set di dati di previsione.
- È stato risolto il problema relativo alla maschera di alcune informazioni utente durante la registrazione. -Miglioramento della registrazione degli errori durante le esecuzioni di previsione.
- Aggiunta di psutil come dipendenza conda al file di distribuzione yml generato automaticamente.
- azureml-contrib-mir
- Correzioni di modifiche di rilievo in Archiviazione di Azure che causano l'esito negativo dell'interfaccia della riga di comando di Azure Machine Learning.
- azureml-core
- Corregge un bug che causava la distribuzione di modelli in Funzioni di Azure per produrre 500 s.
- È stato risolto un problema per cui il file amlignore non era applicato agli snapshot.
- Aggiunta di una nuova API amlcompute.get_active_runs che restituisce un generatore per l'esecuzione e l'esecuzione in coda in un determinato oggetto amlcompute.
- Aggiunta del tipo di bilanciamento del carico a MLC per i tipi del servizio Azure Kubernetes.
- Aggiunta append_prefix parametro bool a download_files in run.py e download_artifacts_from_prefix in artifacts_client. Questo flag viene usato per appiattire in modo selettivo il percorso file di origine in modo che solo il nome del file o della cartella venga aggiunto al output_directory
- Correzione del problema di deserializzazione per
run_config.yml
con l'utilizzo del set di dati. - Quando si chiama o
drop_columns
si verificakeep_columns
l'eliminazione di una colonna time series, vengono eliminate anche le funzionalità corrispondenti per il set di dati.
- azureml-interpret
- Aggiornamento della versione interpret-community alla versione 0.1.0.3
- azureml-train-automl
- È stato risolto un problema per cui automl_step potrebbe non stampare problemi di convalida.
- È stato risolto register_model per avere esito positivo anche se l'ambiente del modello manca in locale.
- È stato risolto un problema per cui alcune esecuzioni remote non erano abilitate per Docker.
- Aggiungere la registrazione dell'eccezione che causa un errore anomalo di un'esecuzione locale.
- azureml-train-core
- Prendere in considerazione resume_from esecuzioni nel calcolo delle esecuzioni figlio ottimali di ottimizzazione degli iperparametri automatizzati.
- azureml-pipeline-core
- Correzione della gestione dei parametri nella costruzione di argomenti della pipeline.
- Aggiunta della descrizione della pipeline e del parametro yaml del tipo di passaggio.
- Nuovo formato yaml per passaggio pipeline e aggiunta dell'avviso di deprecazione per il formato precedente.
- azure-cli-ml
04-11-2019
Esperienza Web
La pagina di destinazione dell'area di lavoro collaborativa in https://ml.azure.com è stata migliorata e rinominata come studio di Azure Machine Learning.
Dallo studio è possibile eseguire il training, testare, distribuire e gestire asset di Azure Machine Learning, ad esempio set di dati, pipeline, modelli, endpoint e altro ancora.
Accedere agli strumenti di creazione basati sul Web seguenti dallo studio:
Strumento basato sul Web | Descrizione |
---|---|
Macchina virtuale notebook (anteprima) | Workstation completamente gestita basata sul cloud |
Machine Learning automatizzato (anteprima) | Nessuna esperienza di codice per automatizzare lo sviluppo di modelli di Machine Learning |
Strumento di progettazione | Strumento di modellazione di Machine Learning trascinamento della selezione noto in precedenza come interfaccia visiva |
Miglioramenti della finestra di progettazione di Azure Machine Learning
- Precedentemente noto come interfaccia visiva
- 11 nuovi moduli , tra cui consigli, classificatori e utilità di training, tra cui progettazione di funzionalità, convalida incrociata e trasformazione dei dati.
R SDK
Gli sviluppatori di data scientist e intelligenza artificiale usano Azure Machine Learning SDK per R per creare ed eseguire flussi di lavoro di Machine Learning con Azure Machine Learning.
Azure Machine Learning SDK per R usa il pacchetto per eseguire l'associazione reticulate
a Python SDK. Associando direttamente a Python, l'SDK per R consente di accedere a oggetti e metodi di base implementati in Python SDK da qualsiasi ambiente R scelto.
Le funzionalità principali dell'SDK includono:
- Gestione delle risorse cloud per il monitoraggio, la registrazione e l'organizzazione degli esperimenti di machine learning.
- Eseguire il training di modelli usando risorse cloud, incluso il training del modello con accelerazione GPU.
- Distribuire i modelli come servizi Web in Istanze di Azure Container (ACI) e servizio Azure Kubernetes (AKS).
Per la documentazione completa, vedere il sito Web del pacchetto.
Integrazione di Azure Machine Learning con Griglia di eventi
Azure Machine Learning è ora un provider di risorse per Griglia di eventi ed è possibile configurare gli eventi di Machine Learning tramite l'interfaccia della riga di comando di Azure o portale di Azure. Gli utenti possono creare eventi per il completamento dell'esecuzione, la registrazione del modello, la distribuzione del modello e la deriva dei dati rilevati. Questi eventi possono essere indirizzati ai gestori eventi supportati da Griglia di eventi per l'utilizzo. Per altre informazioni, vedere gli articoli relativi allo schema di eventi di Machine Learning e all'esercitazione.
2019-10-31
Azure Machine Learning SDK per Python v1.0.72
Nuove funzionalità
Sono stati aggiunti monitoraggi del set di dati tramite il pacchetto azureml-datadrift , consentendo il monitoraggio dei set di dati time series per la deriva dei dati o altre modifiche statistiche nel tempo. Gli avvisi e gli eventi possono essere attivati se viene rilevata la deriva o vengono soddisfatte altre condizioni sui dati. Consultare la nostra documentazione per i dettagli.
Annuncio di due nuove edizioni (dette anche SKU intercambiabili) in Azure Machine Learning. Con questa versione è ora possibile creare un'area di lavoro di Azure Machine Learning basic o aziendale. Per impostazione predefinita, tutte le aree di lavoro esistenti sono l'edizione Basic ed è possibile passare al portale di Azure o allo studio per aggiornare l'area di lavoro in qualsiasi momento. È possibile creare un'area di lavoro Basic o Enterprise dal portale di Azure. Per altre informazioni, leggere la documentazione . Dall'SDK, l'edizione dell'area di lavoro può essere determinata usando la proprietà "sku" dell'oggetto area di lavoro.
Sono stati apportati miglioramenti anche all'ambiente di calcolo di Azure Machine Learning. È ora possibile visualizzare le metriche per i cluster( ad esempio nodi totali, nodi in esecuzione, quota totale di core) in Monitoraggio di Azure, oltre a visualizzare i log di diagnostica per il debug. Inoltre, è anche possibile visualizzare le esecuzioni attualmente in esecuzione o in coda nel cluster e i dettagli, ad esempio gli INDIRIZZI IP dei vari nodi nel cluster. È possibile visualizzare questi elementi nel portale o usando le funzioni corrispondenti nell'SDK o nell'interfaccia della riga di comando.
Funzionalità di anteprima
- È in fase di rilascio il supporto dell'anteprima per la crittografia del disco dell'unità SSD locale nell'ambiente di calcolo di Azure Machine Learning. Generare un ticket di supporto tecnico per ottenere la sottoscrizione che consente di usare questa funzionalità.
- Anteprima pubblica dell'inferenza batch di Azure Machine Learning. L'inferenza batch di Azure Machine Learning è destinata a processi di inferenza di grandi dimensioni che non sono sensibili al tempo. L'inferenza batch offre scalabilità di calcolo dell'inferenza conveniente, con velocità effettiva senza precedenti per le applicazioni asincrone. È ottimizzato per l'inferenza con velocità effettiva elevata, fire-and-forget su raccolte di dati di grandi dimensioni.
- azureml-contrib-dataset
- Funzionalità abilitate per il set di dati con etichetta
import azureml.core from azureml.core import Workspace, Datastore, Dataset import azureml.contrib.dataset from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask # create a labeled dataset by passing in your JSON lines file dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION) # download or mount the files in the `image_url` column dataset.download() dataset.mount() # get a pandas dataframe from azureml.data.dataset_type_definitions import FileHandlingOption dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD) dataset.to_pandas_dataframe(FileHandlingOption.MOUNT) # get a Torchvision dataset dataset.to_torchvision()
Correzioni di bug e miglioramenti
- azure-cli-ml
- L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
- Aggiunta dell'interfaccia della riga di comando del set di dati. Per altre informazioni:
az ml dataset --help
- Aggiunta del supporto per la distribuzione e la creazione di pacchetti di modelli supportati (ONNX, scikit-learn e TensorFlow) senza un'istanza InferenceConfig.
- Aggiunta del flag di sovrascrittura per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
- I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow. - La registrazione del modello accetta dati di input di esempio, dati di output di esempio e configurazione delle risorse per il modello.
- azureml-automl-core
- Il training di un'iterazione viene eseguito in un processo figlio solo quando vengono impostati vincoli di runtime.
- Aggiunta di un guardrail per le attività di previsione per verificare se un max_horizon specificato causa un problema di memoria nel computer specificato o meno. In caso affermativo, viene visualizzato un messaggio di protezione.
- Aggiunta del supporto per frequenze complesse come due anni e un mese. -È stato aggiunto un messaggio di errore comprensibile se non è possibile determinare la frequenza.
- Aggiungere azureml-defaults a conda env generato automaticamente per risolvere l'errore di distribuzione del modello
- Consentire la conversione dei dati intermedi nella pipeline di Azure Machine Learning in un set di dati tabulare e l'uso in
AutoMLStep
. - Implementazione dell'aggiornamento dello scopo della colonna per lo streaming.
- Implementazione dell'aggiornamento dei parametri del trasformatore per Imputer e HashOneHotEncoder per lo streaming.
- Sono state aggiunte le dimensioni dei dati correnti e le dimensioni minime necessarie ai messaggi di errore di convalida.
- Aggiornamento delle dimensioni minime dei dati necessarie per la convalida incrociata per garantire almeno due campioni in ogni riduzione della convalida.
- azureml-cli-common
- L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
- I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow.
- La registrazione del modello accetta dati di input di esempio, dati di output di esempio e configurazione delle risorse per il modello.
- azureml-contrib-gbdt
- corretto il canale di rilascio per il notebook
- Aggiunta di un avviso per la destinazione di calcolo non AmlCompute non supportata
- Aggiunta di LightGMB Estimator al pacchetto azureml-contrib-gbdt
- azureml-core
- L'interfaccia della riga di comando supporta ora la creazione di pacchetti di modelli.
- Aggiungere un avviso di deprecazione per le API del set di dati deprecate. Vedere Avviso di modifica dell'API del set di dati all'indirizzo https://aka.ms/tabular-dataset.
- Modificare
Dataset.get_by_id
per restituire il nome e la versione della registrazione se il set di dati è registrato. - Correzione di un bug che ScriptRunConfig con set di dati come argomento non può essere usato ripetutamente per inviare l'esecuzione dell'esperimento.
- I set di dati recuperati durante un'esecuzione verranno rilevati e possono essere visualizzati nella pagina dei dettagli dell'esecuzione o chiamando
run.get_details()
dopo il completamento dell'esecuzione. - Consentire la conversione dei dati intermedi nella pipeline di Azure Machine Learning in un set di dati tabulare e l'uso in
AutoMLStep
. - Aggiunta del supporto per la distribuzione e la creazione di pacchetti di modelli supportati (ONNX, scikit-learn e TensorFlow) senza un'istanza InferenceConfig.
- Aggiunta del flag di sovrascrittura per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
- I modelli possono essere registrati con due nuovi framework, Onnx e TensorFlow. La registrazione del modello accetta dati di input di esempio, dati di output di esempio e configurazione delle risorse per il modello.
- Aggiunta del nuovo archivio dati per Database di Azure per MySQL. Aggiunta di un esempio per l'uso di Database di Azure per MySQL in DataTransferStep nelle pipeline di Azure Machine Learning.
- Aggiunta della funzionalità per aggiungere e rimuovere tag dagli esperimenti Aggiunta funzionalità per rimuovere i tag dalle esecuzioni
- Aggiunta del flag di sovrascrittura per la distribuzione del servizio (ACI e servizio Azure Kubernetes) in SDK e interfaccia della riga di comando. Se specificato, sovrascriverà il servizio esistente se il servizio con nome esiste già. Se il servizio non esiste, creerà un nuovo servizio.
- azureml-datadrift
- Spostato da
azureml-contrib-datadrift
aazureml-datadrift
- Aggiunta del supporto per il monitoraggio dei set di dati delle serie temporali per la deriva e altre misure statistiche
- Nuovi metodi
create_from_model()
ecreate_from_dataset()
allaDataDriftDetector
classe . Il metodocreate()
è deprecato. - Modificare le visualizzazioni in Python e nell'interfaccia utente nel studio di Azure Machine Learning.
- Supportare la pianificazione del monitoraggio settimanale e mensile, oltre a quella giornaliera per i monitoraggi dei set di dati.
- Supportare il riempimento delle metriche di monitoraggio dei dati per analizzare i dati cronologici per i monitoraggi dei set di dati.
- Varie correzioni di bug
- Spostato da
- azureml-pipeline-core
- azureml-dataprep non è più necessario per inviare un'esecuzione della pipeline di Azure Machine Learning dal file della pipeline
yaml
.
- azureml-dataprep non è più necessario per inviare un'esecuzione della pipeline di Azure Machine Learning dal file della pipeline
- azureml-train-automl
- Aggiungere azureml-defaults a conda env generato automaticamente per risolvere l'errore di distribuzione del modello
- Il training remoto autoML include ora azureml-defaults per consentire il riutilizzo del training env per l'inferenza.
- azureml-train-core
- Aggiunta del supporto di PyTorch 1.3 in
PyTorch
estimator
- Aggiunta del supporto di PyTorch 1.3 in
- azure-cli-ml
2019-10-21
Interfaccia visiva (anteprima)
L'interfaccia visiva di Azure Machine Learning (anteprima) è stata modificata per l'esecuzione nelle pipeline di Azure Machine Learning. Le pipeline (note in precedenza come esperimenti) create nell'interfaccia visiva sono ora completamente integrate con l'esperienza principale di Azure Machine Learning.
- Esperienza di gestione unificata con asset SDK
- Controllo delle versioni e rilevamento per modelli di interfaccia visiva, pipeline ed endpoint
- Interfaccia utente riprogettata
- Aggiunta della distribuzione dell'inferenza batch
- Aggiunta del supporto di servizio Azure Kubernetes (AKS) per le destinazioni di calcolo dell'inferenza
- Nuovo flusso di lavoro di creazione della pipeline in passaggio python
- Nuova pagina di destinazione per gli strumenti di creazione visiva
Nuovi moduli
- Applicare l'operazione matematica
- Applicare la trasformazione SQL
- Ritaglia valori
- Riepilogare i dati
- Importare da database SQL
2019-10-14
Azure Machine Learning SDK per Python v1.0.69
- Correzioni di bug e miglioramenti
- azureml-automl-core
- Limitazione delle spiegazioni del modello all'esecuzione ottimale anziché all'elaborazione delle spiegazioni per ogni esecuzione. Modifica di questo comportamento per ADB, locale e remoto.
- Aggiunta del supporto per le spiegazioni del modello su richiesta per l'interfaccia utente
- Aggiunta di psutil come dipendenza di
automl
e inclusa psutil come dipendenza conda in amlcompute. - È stato risolto il problema relativo ai lag euristici e alle dimensioni delle finestre in sequenza nei set di dati di previsione alcune serie di che possono causare errori di algebra lineare
- Aggiunta della stampa per i parametri euristici determinati nelle esecuzioni di previsione.
- azureml-contrib-datadrift
- Aggiunta della protezione durante la creazione di metriche di output se la deriva a livello di set di dati non è presente nella prima sezione.
- azureml-contrib-interpret
- il pacchetto azureml-contrib-explain-model è stato rinominato in azureml-contrib-interpret
- azureml-core
- Aggiunta dell'API per annullare la registrazione dei set di dati.
dataset.unregister_all_versions()
- il pacchetto azureml-contrib-explain-model è stato rinominato in azureml-contrib-interpret.
- Aggiunta dell'API per annullare la registrazione dei set di dati.
- azureml-core
- Aggiunta dell'API per annullare la registrazione dei set di dati. Dataset.unregister_all_versions().
- Aggiunta dell'API Set di dati per controllare il tempo di modifica dei dati.
dataset.data_changed_time
. - Essere in grado di usare
FileDataset
eTabularDataset
come input perPythonScriptStep
,EstimatorStep
eHyperDriveStep
nella pipeline di Azure Machine Learning - Le prestazioni di
FileDataset.mount
sono state migliorate per le cartelle con un numero elevato di file - Essere in grado di usare FileDataset e TabularDataset come input per PythonScriptStep, EstimatorStep e HyperDriveStep nella pipeline di Azure Machine Learning.
- Prestazioni di FileDataset.mount() è stato migliorato per le cartelle con un numero elevato di file
- Aggiunta dell'URL ai consigli relativi agli errori noti nei dettagli dell'esecuzione.
- Correzione di un bug in run.get_metrics in cui le richieste non riuscirebbero se un'esecuzione avesse un numero eccessivo di elementi figlio
- Correzione di un bug in run.get_metrics in cui le richieste non riuscirebbero se un'esecuzione avesse un numero eccessivo di elementi figlio
- Aggiunta del supporto per l'autenticazione nel cluster Di Azure.
- La creazione di un oggetto Experiment ottiene o crea l'esperimento nell'area di lavoro di Azure Machine Learning per il rilevamento della cronologia di esecuzione. L'ID esperimento e l'ora archiviata vengono popolati nell'oggetto Experiment alla creazione. Esempio: experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() e reactivate() sono funzioni che possono essere chiamate su un esperimento per nascondere e ripristinare l'esperimento da visualizzare nell'esperienza utente o restituito per impostazione predefinita in una chiamata agli esperimenti di elenco. Se viene creato un nuovo esperimento con lo stesso nome di un esperimento archiviato, è possibile rinominare l'esperimento archiviato durante la riattivazione passando un nuovo nome. Può essere presente un solo esperimento attivo con un nome specificato. Esempio: experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Creare un nuovo esperimento attivo con lo stesso nome dell'oggetto archiviato. experiment2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") The static method list() on Experiment can take a name filter and ViewType filter. I valori ViewType sono "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL" Example: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
- Supporto dell'uso dell'ambiente per la distribuzione del modello e l'aggiornamento del servizio
- azureml-datadrift
- L'attributo show della classe DataDriftDector non supporta più l'argomento facoltativo 'with_details'. L'attributo show presenta solo il coefficiente di deriva dei dati e il contributo alla deriva dei dati delle colonne di funzionalità.
- Il comportamento dell'attributo DataDriftDetector 'get_output' cambia:
- I parametri di input start_time, end_time sono facoltativi anziché obbligatori;
- Input specifico start_time e/o end_time con un run_id specifico nella stessa chiamata genera un'eccezione di errore di valore perché si escludono a vicenda
- Per input specifico start_time e/o end_time, vengono restituiti solo i risultati delle esecuzioni pianificate;
- Il parametro 'daily_latest_only' è deprecato.
- Supporto per il recupero degli output di deriva dei dati basati su set di dati.
- azureml-explain-model
- Rinomina il pacchetto AzureML-explain-model in AzureML-interpret, mantenendo il pacchetto precedente per la compatibilità con le versioni precedenti per il momento
- Correzione del
automl
bug con spiegazioni non elaborate impostate sull'attività di classificazione invece di regressione per impostazione predefinita durante il download da ExplanationClient - Aggiunta del supporto per
ScoringExplainer
la creazione diretta tramiteMimicWrapper
- azureml-pipeline-core
- Miglioramento delle prestazioni per la creazione di pipeline di grandi dimensioni
- azureml-train-core
- Aggiunta del supporto di TensorFlow 2.0 in TensorFlow Estimator
- azureml-train-automl
La creazione di un oggetto Experiment ottiene o crea l'esperimento nell'area di lavoro di Azure Machine Learning per il rilevamento della cronologia di esecuzione. L'ID esperimento e l'ora archiviata vengono popolati nell'oggetto Experiment alla creazione. Esempio:
experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id
archive() e reactivate() sono funzioni che possono essere chiamate su un esperimento per nascondere e ripristinare l'esperimento da visualizzare nell'esperienza utente o restituito per impostazione predefinita in una chiamata a elencare gli esperimenti. Se viene creato un nuovo esperimento con lo stesso nome di un esperimento archiviato, è possibile rinominare l'esperimento archiviato durante la riattivazione passando un nuovo nome. Può essere presente un solo esperimento attivo con un nome specificato. Esempio:
experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # Create new active experiment with the same name as the archived. experiment2 = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment")
Il metodo statico list() in Experiment può accettare un filtro dei nomi e un filtro ViewType. I valori ViewType sono "ACTIVE_ONLY", "ARCHIVED_ONLY" e "ALL". Esempio:
archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
Supporto dell'uso dell'ambiente per la distribuzione del modello e l'aggiornamento del servizio.
- azureml-datadrift
- L'attributo show della classe DataDriftDetector non supporta più l'argomento facoltativo 'with_details'. L'attributo show presenta solo il coefficiente di deriva dei dati e il contributo alla deriva dei dati delle colonne di funzionalità.
- La funzione DataDriftDetector [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-) cambia il comportamento:
- I parametri di input start_time, end_time sono facoltativi anziché obbligatori;
- L'input specifico start_time e/o end_time con un run_id specifico nella stessa chiamata genera un'eccezione di errore di valore perché si escludono a vicenda;
- Per input specifico start_time e/o end_time, vengono restituiti solo i risultati delle esecuzioni pianificate;
- Il parametro 'daily_latest_only' è deprecato.
- Supporto per il recupero degli output di deriva dei dati basati su set di dati.
- azureml-explain-model
- Aggiungere il supporto per ScoringExplainer da creare direttamente tramite MimicWrapper
- azureml-pipeline-core
- Miglioramento delle prestazioni per la creazione di pipeline di grandi dimensioni.
- azureml-train-core
- Aggiunta del supporto di TensorFlow 2.0 in TensorFlow Estimator.
- azureml-train-automl
- L'esecuzione padre non sarà più riuscita quando l'iterazione dell'installazione non è riuscita, perché l'orchestrazione ne gestisce già l'esecuzione.
- Aggiunta del supporto local-docker e local-conda per gli esperimenti AutoML
- Aggiunta del supporto local-docker e local-conda per gli esperimenti AutoML.
- azureml-automl-core
08-10-2019
Nuova esperienza Web (anteprima) per le aree di lavoro di Azure Machine Learning
La scheda Esperimento nel nuovo portale dell'area di lavoro è stata aggiornata in modo che i data scientist possano monitorare gli esperimenti in modo più efficiente. È possibile esplorare le funzionalità seguenti:
- Metadati dell'esperimento per filtrare e ordinare facilmente l'elenco di esperimenti
- Pagine di dettagli dell'esperimento semplificate ed efficienti che consentono di visualizzare e confrontare le esecuzioni
- Nuova progettazione per eseguire le pagine dei dettagli per comprendere e monitorare le esecuzioni di training
30-09-2019
Azure Machine Learning SDK per Python v1.0.65
Nuove funzionalità
- Aggiunta di ambienti curati. Questi ambienti sono stati preconfigurati con librerie per attività di Machine Learning comuni e sono stati precompilazione e memorizzati nella cache come immagini Docker per un'esecuzione più rapida. Vengono visualizzati per impostazione predefinita nell'elenco dell'ambiente dell'area di lavoro, con il prefisso "AzureML".
- Aggiunta di ambienti curati. Questi ambienti sono stati preconfigurati con librerie per attività di Machine Learning comuni e sono stati precompilazione e memorizzati nella cache come immagini Docker per un'esecuzione più rapida. Vengono visualizzati per impostazione predefinita nell'elenco dell'ambiente dell'area di lavoro, con il prefisso "AzureML".
azureml-train-automl
-
- Aggiunta del supporto per la conversione ONNX per ADB e HDI
Funzionalità di anteprima
azureml-train-automl
-
- Supporto di BERT e BiLSTM come funzionalità di testo (solo anteprima)
- Personalizzazione delle caratteristiche supportata per i parametri di trasformazione e scopo colonna (solo anteprima)
- Spiegazioni non elaborate supportate quando l'utente abilita la spiegazione del modello durante il training (solo anteprima)
- Aggiunta del Profeta per
timeseries
la previsione come pipeline sottoponibile a training (solo anteprima)
azureml-contrib-datadrift
- Pacchetti rilocati da azureml-contrib-datadrift ad azureml-datadrift; il
contrib
pacchetto verrà rimosso in una versione futura
- Pacchetti rilocati da azureml-contrib-datadrift ad azureml-datadrift; il
Correzioni di bug e miglioramenti
- azureml-automl-core
- Introduzione di FeaturizationConfig a AutoMLConfig e AutoMLBaseSettings
- Introduzione di FeaturizationConfig a AutoMLConfig e AutoMLBaseSettings
- Eseguire l'override dello scopo della colonna per la definizione delle caratteristiche con la colonna e il tipo di funzionalità specificati
- Eseguire l'override dei parametri del trasformatore
- Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations()
- Aggiunta di Prophet come pipeline sottoponibile a training (solo anteprima)
- Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations().
- Aggiunta di Prophet come pipeline sottoponibile a training (solo anteprima).
- Aggiunta del supporto per il rilevamento automatico dei ritardi di destinazione, delle dimensioni della finestra mobile e dell'orizzonte massimo. Se una delle target_lags, target_rolling_window_size o max_horizon è impostata su "auto", l'euristica viene applicata per stimare il valore del parametro corrispondente in base ai dati di training.
- Correzione delle previsioni nel caso in cui il set di dati contenga una colonna di granularità, questo granularità è di un tipo numerico ed esiste un divario tra il training e il set di test
- Correzione del messaggio di errore relativo all'indice duplicato nell'esecuzione remota nelle attività di previsione
- Correzione della previsione nel caso in cui il set di dati contenga una colonna di granularità, questo granularità è di un tipo numerico e si verifica un divario tra il training e il set di test.
- Correzione del messaggio di errore relativo all'indice duplicato nell'esecuzione remota nelle attività di previsione.
- Aggiunta di una protezione per verificare se un set di dati è sbilanciato o meno. In caso affermativo, nella console verrà scritto un messaggio di protezione.
- azureml-core
- Aggiunta della possibilità di recuperare l'URL della firma di accesso condiviso nel modello nell'archiviazione tramite l'oggetto modello. Ad esempio: model.get_sas_url()
- Introduzione
run.get_details()['datasets']
al recupero di set di dati associati all'esecuzione inviata - Aggiungere l'API
Dataset.Tabular.from_json_lines_files
per creare un oggetto TabularDataset da file di righe JSON. Per informazioni su questi dati tabulari nei file JSON Lines in TabularDataset, vedere questo articolo per la documentazione. - Aggiunta di altri campi delle dimensioni della macchina virtuale (disco del sistema operativo, numero di GPU) alla funzione supported_vmsizes ()
- Aggiunta di altri campi alla funzione list_nodes () per visualizzare l'esecuzione, l'indirizzo IP privato e pubblico, la porta e così via.
- Possibilità di specificare un nuovo campo durante il provisioning del cluster --remotelogin_port_public_access, che può essere impostato su abilitato o disabilitato a seconda che si voglia lasciare aperta o chiusa la porta SSH al momento della creazione del cluster. Se non lo si specifica, il servizio aprirà o chiuderà la porta in modo intelligente a seconda che si stia distribuendo il cluster all'interno di una rete virtuale.
- azureml-explain-model
- azureml-core
- Aggiunta della possibilità di recuperare l'URL della firma di accesso condiviso nel modello nell'archiviazione tramite l'oggetto modello. Ad esempio: modello.get_sas_url()
- Introdurre l'esecuzione.get_details['datasets'] per ottenere set di dati associati all'esecuzione inviata
- Aggiungere l'API
Dataset.Tabular
.from_json_lines_files() per creare un oggetto TabularDataset da file di righe JSON. Per informazioni su questi dati tabulari nei file di righe JSON in TabularDataset, vedere lahttps://aka.ms/azureml-data documentazione. - Aggiunta di altri campi delle dimensioni della macchina virtuale (disco del sistema operativo, numero di GPU) alla funzione supported_vmsizes()
- Aggiunta di altri campi alla funzione list_nodes() per visualizzare l'esecuzione, il privato e l'INDIRIZZO IP pubblico, la porta e così via.
- Possibilità di specificare un nuovo campo durante il provisioning del cluster che può essere impostato su abilitato o disabilitato a seconda che si voglia lasciare aperta o chiusa la porta SSH al momento della creazione del cluster. Se non lo si specifica, il servizio apre o chiude la porta in modo intelligente a seconda che si stia distribuendo il cluster all'interno di una rete virtuale.
- azureml-explain-model
- Documentazione migliorata per gli output di spiegazione nello scenario di classificazione.
- Aggiunta della possibilità di caricare i valori y stimati nella spiegazione degli esempi di valutazione. Sblocca visualizzazioni più utili.
- Aggiunta della proprietà explainer a MimicWrapper per abilitare il recupero dell'oggetto MimicExplainer sottostante.
- azureml-pipeline-core
- Aggiunta del notebook per descrivere Module, ModuleVersion e ModuleStep
- azureml-pipeline-steps
- Aggiunta di RScriptStep per supportare l'esecuzione di script R tramite la pipeline AML.
- Correzione dell'analisi dei parametri dei metadati in AzureBatchStep che causava il messaggio di errore "l'assegnazione per il parametro SubscriptionId non è specificata".
- azureml-train-automl
- Training_data, validation_data, label_column_name weight_column_name supportati come formato di input dei dati
- Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations()
- azureml-pipeline-core
- Aggiunta di un notebook per descrivere Module, [ModuleVersion e ModuleStep.
- azureml-pipeline-steps
- Aggiunta di RScriptStep per supportare l'esecuzione di script R tramite la pipeline AML.
- Correzione dell'analisi dei parametri di metadati in [AzureBatchStep che causava il messaggio di errore "assegnazione per il parametro SubscriptionId non specificato".
- azureml-train-automl
- Training_data supportati, validation_data, label_column_name weight_column_name come formato di input dei dati.
- Aggiunta del messaggio di deprecazione per explain_model() e retrieve_model_explanations().
- azureml-automl-core
2019-09-16
Azure Machine Learning SDK per Python v1.0.62
Nuove funzionalità
È stato introdotto il
timeseries
tratto in TabularDataset. Questa caratteristica consente di filtrare facilmente i timestamp sui dati di un oggetto TabularDataset, ad esempio l'acquisizione di tutti i dati tra un intervallo di tempo o i dati più recenti. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb per un notebook di esempio.Abilitazione del training con TabularDataset e FileDataset.
azureml-train-core
- Aggiunta
Nccl
eGloo
supporto in PyTorch estimator
- Aggiunta
Correzioni di bug e miglioramenti
- azureml-automl-core
- Deprecato l'impostazione AutoML 'lag_length' e LaggingTransformer.
- Correzione della convalida corretta dei dati di input se sono specificati in un formato flusso di dati
- Modificato il fit_pipeline.py per generare il file JSON del grafo e caricarlo negli artefatti.
- Rendering del grafico in
userrun
usandoCytoscape
.
- azureml-core
- È stata rivisitata la gestione delle eccezioni nel codice ADB e sono state apportate modifiche in base alla nuova gestione degli errori
- Aggiunta dell'autenticazione msi automatica per le macchine virtuali notebook.
- Corregge il bug in cui è possibile caricare modelli danneggiati o vuoti a causa di tentativi non riusciti.
- Correzione del bug in cui
DataReference
il nome cambia quando cambia laDataReference
modalità, ad esempio quando si chiamaas_upload
,as_download
oas_mount
. - Impostare
mount_point
etarget_path
facoltativo perFileDataset.mount
eFileDataset.download
. - Eccezione che non è possibile trovare la colonna timestamp viene generata se l'API relativa alla serialità temporale viene chiamata senza specificare la colonna timestamp assegnata o le colonne timestamp assegnate vengono eliminate.
- Le colonne di serie temporali devono essere assegnate con la colonna il cui tipo è Date; in caso contrario, è prevista un'eccezione
- Le colonne di serie temporali che assegnano l'API 'with_timestamp_columns' possono accettare il nome di colonna timestamp none fine/grossolano, che cancella le colonne timestamp assegnate in precedenza.
- L'eccezione verrà generata quando viene eliminata una colonna timestamp con granularità grossolana o fine con indicazione per l'utente che l'eliminazione può essere eseguita dopo aver escluso la colonna timestamp nell'elenco di eliminazione o chiamare with_time_stamp con valore Nessuno per rilasciare colonne timestamp
- L'eccezione verrà generata quando la colonna timestamp con granularità grossolana o con granularità fine non è inclusa nell'elenco mantieni colonne con indicazione per l'utente che mantenere la conservazione può essere eseguita dopo l'inclusione della colonna timestamp nell'elenco di colonne keep column o chiamare with_time_stamp con valore None per rilasciare colonne timestamp.
- Aggiunta della registrazione per le dimensioni di un modello registrato.
- azureml-explain-model
- Correzione dell'avviso stampato nella console quando il pacchetto Python "packaging" non è installato: "Uso di una versione precedente rispetto alla versione supportata di lightgbm, eseguire l'aggiornamento alla versione successiva alla versione 2.2.1"
- Correzione della spiegazione del modello di download con partizionamento orizzontale per le spiegazioni globali con molte funzionalità
- Correzione degli esempi di inizializzazione mancanti dello explainer simulato nella spiegazione dell'output
- Correzione di un errore non modificabile nelle proprietà impostate durante il caricamento con il client di spiegazione usando due tipi diversi di modelli
- È stato aggiunto un parametro get_raw per assegnare punteggi a explainer.explain() in modo che un visualizzatore di punteggio possa restituire valori sia progettati che non elaborati.
- azureml-train-automl
- Sono state introdotte API pubbliche da AutoML per le spiegazioni di supporto di
automl
spiega SDK - Modo più recente per supportare le spiegazioni autoML separando le funzionalità di AutoML e spiegando l'SDK - Supporto per spiegazioni non elaborate integrate di azureml explain SDK per i modelli AutoML. - Rimozione di azureml-defaults da ambienti di training remoti.
- Modifica del percorso predefinito dell'archivio cache da FileCacheStore in base a uno ad AzureFileCacheStore uno per AutoML nel percorso del codice di Azure Databricks.
- Correzione della convalida corretta dei dati di input se sono specificati in un formato flusso di dati
- Sono state introdotte API pubbliche da AutoML per le spiegazioni di supporto di
- azureml-train-core
Ripristino source_directory_data_store deprecazione.
Aggiunta della possibilità di eseguire l'override delle versioni dei pacchetti installate in azureml.
Aggiunta del supporto dockerfile nel
environment_definition
parametro negli strumenti di stima.Parametri di training distribuiti semplificati negli strumenti di stima.
from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
- azureml-automl-core
2019-09-09
Nuova esperienza Web (anteprima) per le aree di lavoro di Azure Machine Learning
La nuova esperienza Web consente ai data scientist e ai data engineer di completare il ciclo di vita di Machine Learning end-to-end, dalla preparazione e visualizzazione dei dati al training e alla distribuzione di modelli in un'unica posizione.
Funzionalità principali:
Usando questa nuova interfaccia di Azure Machine Learning, è ora possibile:
- Gestire i notebook o collegarsi a Jupyter
- Eseguire esperimenti di Machine Learning automatizzati
- Creare set di dati da file locali, archivi dati e file Web
- Esplorare e preparare i set di dati per la creazione di modelli
- Monitorare la deriva dei dati per i modelli
- Visualizzare le risorse recenti da un dashboard
Al momento, di questa versione, sono supportati i browser seguenti: Chrome, Firefox, Safari e Microsoft Edge Preview.
Problemi noti:
Aggiornare il browser se viene visualizzato "Si è verificato un problema! Errore durante il caricamento dei file di blocchi" quando è in corso la distribuzione.
Non è possibile eliminare o rinominare il file in Notebook e file. Durante l'anteprima pubblica, è possibile usare l'interfaccia utente di Jupyter o il terminale nella macchina virtuale notebook per eseguire operazioni di aggiornamento dei file. Poiché si tratta di un file system di rete montato, tutte le modifiche apportate nella macchina virtuale notebook vengono immediatamente riflesse nell'area di lavoro notebook.
Per connettersi tramite SSH alla macchina virtuale notebook:
- Trovare le chiavi SSH create durante l'installazione della macchina virtuale. In alternativa, trovare le chiavi nell'area di lavoro > di Azure Machine Learning aprire la scheda > Calcolo individuare La macchina virtuale notebook nell'elenco > aprire le relative proprietà: copiare le chiavi dalla finestra di dialogo.
- Importare tali chiavi SSH pubbliche e private nel computer locale.
- Usarli per connettersi tramite SSH alla macchina virtuale notebook.
2019-09-03
Azure Machine Learning SDK per Python v1.0.60
Nuove funzionalità
- È stato introdotto FileDataset, che fa riferimento a uno o più file negli archivi dati o negli URL pubblici. I file possono essere di qualsiasi formato. FileDataset consente di scaricare o montare i file nel calcolo.
- Aggiunta del supporto Yaml della pipeline per PythonScript Step, Adla Step, Databricks Step, DataTransferStep e AzureBatch Step
Correzioni di bug e miglioramenti
azureml-automl-core
- AutoArima è ora una pipeline suggerita solo per l'anteprima.
- Miglioramento della segnalazione degli errori per la previsione.
- Miglioramento della registrazione usando eccezioni personalizzate anziché generiche nelle attività di previsione.
- Rimosso il controllo sul max_concurrent_iterations in modo che sia minore del numero totale di iterazioni.
- I modelli AutoML restituiscono ora AutoMLExceptions
- Questa versione migliora le prestazioni di esecuzione delle esecuzioni locali di Machine Learning automatizzate.
azureml-core
- Introdurre Dataset.get_all(area di lavoro), che restituisce un dizionario di
TabularDataset
oggetti eFileDataset
con chiave in base al nome della registrazione.
workspace = Workspace.from_config() all_datasets = Dataset.get_all(workspace) mydata = all_datasets['my-data']
Introdurre
parition_format
come argomento eDataset.Tabular.from_delimited_files
Dataset.Tabular.from_parquet.files
. Le informazioni sulla partizione di ogni percorso dati vengono estratte in colonne in base al formato specificato. '{column_name}' crea una colonna stringa e '{column_name:aaaa/MM/dd/HH/mm/ss}' crea una colonna datetime, dove 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per estrarre anno, mese, giorno, ora, minuto e secondo per il tipo datetime. Il partition_format deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato il percorso '.. /USA/2019/01/01/data.csv' in cui la partizione è per paese/area geografica e ora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' crea una colonna stringa 'Country' con valore 'USA' e colonna datetime 'PartitionDate' con valore '2019-01-01'.workspace = Workspace.from_config() all_datasets = Dataset.get_all(workspace) mydata = all_datasets['my-data']
Introdurre
partition_format
come argomento eDataset.Tabular.from_delimited_files
Dataset.Tabular.from_parquet.files
. Le informazioni sulla partizione di ogni percorso dati vengono estratte in colonne in base al formato specificato. '{column_name}' crea una colonna stringa e '{column_name:aaaa/MM/dd/HH/mm/ss}' crea una colonna datetime, dove 'aaaa', 'MM', 'dd', 'HH', 'mm' e 'ss' vengono usati per estrarre anno, mese, giorno, ora, minuto e secondo per il tipo datetime. Il partition_format deve iniziare dalla posizione della prima chiave di partizione fino alla fine del percorso del file. Ad esempio, dato il percorso '.. /USA/2019/01/01/data.csv' in cui la partizione è per paese/area geografica e ora, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' crea una colonna stringa 'Country' con valore 'USA' e colonna datetime 'PartitionDate' con valore '2019-01-01'.to_csv_files
I metodi eto_parquet_files
sono stati aggiunti aTabularDataset
. Questi metodi consentono la conversione tra unTabularDataset
oggetto e unFileDataset
convertendo i dati in file del formato specificato.Accedere automaticamente al Registro immagini di base quando si salva un Dockerfile generato da Model.package().
"gpu_support" non è più necessario; AML ora rileva e usa automaticamente l'estensione nvidia docker quando è disponibile. Verrà rimosso in una versione futura.
Aggiunta del supporto per creare, aggiornare e usare PipelineDrafts.
Questa versione migliora le prestazioni di esecuzione delle esecuzioni locali di Machine Learning automatizzate.
Gli utenti possono eseguire query sulle metriche dalla cronologia di esecuzione in base al nome.
Miglioramento della registrazione usando eccezioni personalizzate anziché generiche nelle attività di previsione.
- Introdurre Dataset.get_all(area di lavoro), che restituisce un dizionario di
azureml-explain-model
- Aggiunta feature_maps parametro al nuovo MimicWrapper, che consente agli utenti di ottenere spiegazioni di funzionalità non elaborate.
- I caricamenti dei set di dati sono ora disattivati per impostazione predefinita per il caricamento della spiegazione e possono essere riabilitato con upload_datasets=True
- Aggiunta dei parametri di filtro "is_law" all'elenco di spiegazioni e alle funzioni di download.
- Aggiunge il metodo
get_raw_explanation(feature_maps)
agli oggetti spiegazione globale e locale. - Aggiunta del controllo della versione a lightgbm con avviso stampato se la versione supportata è riportata di seguito
- Utilizzo ottimizzato della memoria durante l'invio in batch di spiegazioni
- I modelli AutoML restituiscono ora AutoMLExceptions
azureml-pipeline-core
- Aggiunta del supporto per creare, aggiornare e usare PipelineDrafts: può essere usato per gestire le definizioni di pipeline modificabili e usarle in modo interattivo per l'esecuzione
azureml-train-automl
- Funzionalità creata per installare versioni specifiche di pytorch con supporto per GPU v1.1.0, cuda toolkit 9.0, pytorch-transformers, che è necessario per abilitare BERT/ XLNet nell'ambiente di runtime Python remoto.
azureml-train-core
- Errore anticipato di alcuni errori di definizione dello spazio degli iperparametri direttamente nell'SDK anziché sul lato server.
Azure Machine Learning Data Prep SDK v1.1.14
- Correzioni di bug e miglioramenti
- È stata abilitata la scrittura in ADLS/ADLSGen2 usando il percorso non elaborato e le credenziali.
- Correzione di un bug che causava
include_path=True
il mancato funzionamento di .read_parquet
- Correzione
to_pandas_dataframe()
dell'errore causato dall'eccezione "Valore della proprietà non valido: hostSecret". - Correzione di un bug per cui i file non potevano essere letti in DBFS in modalità Spark.
19-08-2019
Azure Machine Learning SDK per Python v1.0.57
Nuove funzionalità
- Abilitata
TabularDataset
per l'utilizzo da AutomatedML. Per altre informazioni suTabularDataset
, visitarehttps://aka.ms/azureml/howto/createdatasets.
- Abilitata
Correzioni di bug e miglioramenti
- azure-cli-ml
- È ora possibile aggiornare il certificato TLS/SSL per l'endpoint di assegnazione dei punteggi distribuito nel cluster del servizio Azure Kubernetes sia per il certificato generato da Microsoft che per il certificato del cliente.
- azureml-automl-core
- È stato risolto un problema in AutoML per cui le righe con etichette mancanti non venivano rimosse correttamente.
- Miglioramento della registrazione degli errori in AutoML; I messaggi di errore completi verranno ora sempre scritti nel file di log.
- AutoML ha aggiornato l'aggiunta del pacchetto per includere
azureml-defaults
,azureml-explain-model
eazureml-dataprep
. AutoML non avvisa più in caso di mancata corrispondenza del pacchetto (ad eccezione delazureml-train-automl
pacchetto). - È stato risolto un problema per
timeseries
cui le divisioni cv sono di dimensioni diverse, causando l'esito negativo del calcolo del bin. - Quando si esegue l'iterazione ensemble per il tipo di training Cross-Validation, se si è verificato un problema durante il download dei modelli sottoposti a training sull'intero set di dati, si verificava una incoerenza tra i pesi del modello e i modelli che venivano inseriti nell'ensemble di voto.
- È stato risolto l'errore, generato durante il training e/o le etichette di convalida (y e y_valid) sotto forma di dataframe pandas, ma non come matrice numpy.
- È stato risolto il problema relativo alle attività di previsione quando None veniva rilevato nelle colonne booleane delle tabelle di input.
- Consenti agli utenti di AutoML di eliminare le serie di training che non sono sufficienti durante la previsione. - Consente agli utenti di AutoML di eliminare grani dal set di test che non esiste nel set di training durante la previsione.
- azureml-core
- Correzione del problema relativo all'ordinamento dei parametri blob_cache_timeout.
- Aggiunta di tipi di eccezione di adattamento esterno e trasformazione in errori di sistema.
- Aggiunta del supporto per i segreti di Key Vault per le esecuzioni remote. Aggiungere una
azureml.core.keyvault.Keyvault
classe per aggiungere, ottenere ed elencare i segreti dall'insieme di credenziali delle chiavi associato all'area di lavoro. Le operazioni supportate sono:- azureml.core.workspace.Workspace.get_default_keyvault()
- azureml.core.keyvault.Keyvault.set_secret(name, value)
- azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
- azureml.core.keyvault.Keyvault.get_secret(nome)
- azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
- azureml.core.keyvault.Keyvault.list_secrets()
- Altri metodi per ottenere l'insieme di credenziali delle chiavi predefinite e ottenere segreti durante l'esecuzione remota:
- azureml.core.workspace.Workspace.get_default_keyvault()
- azureml.core.run.Run.get_secret(nome)
- azureml.core.run.Run.get_secrets(secrets_list)
- Aggiunta di altri parametri di override per il comando dell'interfaccia della riga di comando submit-hyperdrive.
- Migliorare l'affidabilità delle chiamate API espandendo i tentativi alle eccezioni comuni della libreria delle richieste.
- Aggiungere il supporto per l'invio di esecuzioni da un'esecuzione inviata.
- Correzione del problema di token di firma di accesso condiviso in scadenza in FileWatcher, che causava l'interruzione del caricamento dei file dopo la scadenza del token iniziale.
- Supporto per l'importazione di file CSV/tsv HTTP nel set di dati Python SDK.
- Deprecato il metodo Workspace.setup(). Il messaggio di avviso visualizzato agli utenti suggerisce invece di usare create() o get()/from_config().
- Aggiunta Environment.add_private_pip_wheel(), che consente di caricare pacchetti
whl
Python personalizzati privati nell'area di lavoro e di usarli in modo sicuro per compilare/materializzare l'ambiente. - È ora possibile aggiornare il certificato TLS/SSL per l'endpoint di assegnazione dei punteggi distribuito nel cluster del servizio Azure Kubernetes sia per il certificato generato da Microsoft che per il certificato del cliente.
- azureml-explain-model
- Aggiunta del parametro per aggiungere un ID modello alle spiegazioni al caricamento.
- Aggiunta dell'assegnazione
is_raw
di tag alle spiegazioni in memoria e caricamento. - Aggiunta del supporto e dei test di pytorch per il pacchetto azureml-explain-model.
- azureml-opendatasets
- Supporto per il rilevamento e la registrazione dell'ambiente di test automatico.
- Aggiunta di classi per ottenere la popolazione degli Stati Uniti per contea e zip.
- azureml-pipeline-core
- Aggiunta della proprietà label alle definizioni di porta di input e output.
- azureml-telemetry
- Correzione di una configurazione di telemetria non corretta.
- azureml-train-automl
- Correzione del bug in cui si verificava un errore di installazione, l'errore non viene registrato nel campo "errori" per l'esecuzione dell'installazione e pertanto non è stato archiviato nell'esecuzione padre "errori".
- È stato risolto un problema in AutoML per cui le righe con etichette mancanti non venivano rimosse correttamente.
- Consenti agli utenti autoML di eliminare le serie di training che non sono sufficienti durante la previsione.
- Consentire agli utenti di AutoML di eliminare grani dal set di test che non esiste nel set di training durante la previsione.
- AutoMLStep passa ora la
automl
configurazione al back-end per evitare eventuali problemi relativi a modifiche o aggiunte di nuovi parametri di configurazione. - AutoML Data Guardrail è ora disponibile in anteprima pubblica. L'utente visualizzerà un report di Data Guardrail (per le attività di classificazione/regressione) dopo il training e sarà anche in grado di accedervi tramite l'API SDK.
- azureml-train-core
- Aggiunta del supporto di torch 1.2 in PyTorch Estimator.
- azureml-widgets
- Miglioramento dei grafici a matrice di confusione per il training della classificazione.
- azure-cli-ml
Azure Machine Learning Data Prep SDK v1.1.12
Nuove funzionalità
- Gli elenchi di stringhe possono ora essere passati come input ai
read_*
metodi.
- Gli elenchi di stringhe possono ora essere passati come input ai
Correzioni di bug e miglioramenti
- Le prestazioni di
read_parquet
sono state migliorate durante l'esecuzione in Spark. - È stato risolto un problema a causa del quale
column_type_builder
non è riuscito in una singola colonna con formati di data ambigui.
- Le prestazioni di
Portale di Azure
- Funzionalità di anteprima
- Il flusso di file di log e output è ora disponibile per le pagine dei dettagli dell'esecuzione. Il flusso dei file viene aggiornato in tempo reale quando l'interruttore di anteprima è attivato.
- La possibilità di impostare la quota a livello di area di lavoro viene rilasciata in anteprima. Le quote AmlCompute vengono allocate a livello di sottoscrizione, ma ora è possibile distribuire tale quota tra le aree di lavoro e allocarla per la condivisione e la governance equa. Fare clic sul pannello Utilizzo e quote nella barra di spostamento sinistra dell'area di lavoro e selezionare la scheda Configura quote . È necessario essere un amministratore della sottoscrizione per poter impostare le quote a livello di area di lavoro perché si tratta di un'operazione tra aree di lavoro.
2019-08-05
Azure Machine Learning SDK per Python v1.0.55
Nuove funzionalità
- L'autenticazione basata su token è ora supportata per le chiamate effettuate all'endpoint di assegnazione dei punteggi distribuito nel servizio Azure Kubernetes. Continuiamo a supportare l'autenticazione basata su chiave corrente e gli utenti possono usare uno di questi meccanismi di autenticazione alla volta.
- Possibilità di registrare un archivio BLOB che si trova dietro la rete virtuale (VNet) come archivio dati.
Correzioni di bug e miglioramenti
- azureml-automl-core
- Corregge un bug in cui le dimensioni di convalida per le divisioni CV sono ridotte e generano grafici stimati non corretti e veri per la regressione e la previsione.
- La registrazione delle attività di previsione sulle esecuzioni remote è stata migliorata, ora l'utente viene fornito un messaggio di errore completo se l'esecuzione non è riuscita.
- Correzione degli errori di se il flag di
Timeseries
pre-elaborazione è True. - Sono stati resi più interattivi alcuni messaggi di errore di convalida dei dati di previsione.
- Riduzione del consumo di memoria delle esecuzioni autoML eliminando e/o caricando in modo differito i set di dati, in particolare tra i set di dati generati da processi
- azureml-contrib-explain-model
- Aggiunta del flag model_task agli strumenti di spiegazione per consentire all'utente di eseguire l'override della logica di inferenza automatica predefinita per il tipo di modello
- Modifiche ai widget: viene installato automaticamente con
contrib
, non piùnbextension
installazione/abilitazione - Spiegazione del supporto con importanza della funzionalità globale (ad esempio, Permutative) - Modifiche al dashboard: - Plot box e plot di violini oltre a tracciare
beeswarm
nella pagina di riepilogo - Riprendering più veloce delbeeswarm
tracciato sul dispositivo di scorrimento "Top -k" - Messaggio utile che spiega come viene calcolato top-k - Messaggi personalizzabili utili al posto dei grafici quando i dati non forniti
- azureml-core
- Aggiunta del metodo Model.package() per creare immagini Docker e Dockerfile che incapsulano modelli e le relative dipendenze.
- Sono stati aggiornati i servizi Web locali per accettare InferenceConfigs contenenti oggetti Environment.
- Correzione di Model.register() che produce modelli non validi quando '.' (per la directory corrente) viene passato come parametro model_path.
- Aggiungere Run.submit_child, la funzionalità rispecchia Experiment.submit specificando l'esecuzione come padre dell'esecuzione figlio inviata.
- Supportare le opzioni di configurazione da Model.register in Run.register_model.
- Possibilità di eseguire processi JAR in un cluster esistente.
- Supportare ora i parametri instance_pool_id e cluster_log_dbfs_path.
- Aggiunta del supporto per l'uso di un oggetto Environment durante la distribuzione di un modello in un servizio Web. L'oggetto Environment può ora essere fornito come parte dell'oggetto InferenceConfig.
- Aggiungere il mapping appinsifht per le nuove aree - centralus - westus - northcentralus
- Aggiunta della documentazione per tutti gli attributi in tutte le classi dell'archivio dati.
- Aggiunta del parametro blob_cache_timeout a
Datastore.register_azure_blob_container
. - Aggiunta di metodi save_to_directory e load_from_directory ad azureml.core.environment.Environment.
- Aggiunti i comandi "az ml environment download" e "az ml environment register" all'interfaccia della riga di comando.
- Aggiunta del metodo Environment.add_private_pip_wheel.
- azureml-explain-model
- Aggiunta del rilevamento del set di dati a Spiegazioni tramite il servizio Set di dati (anteprima).
- Riduzione delle dimensioni batch predefinite durante lo streaming di spiegazioni globali da 10.000 a 100.
- Aggiunta di model_task flag agli strumenti di spiegazione per consentire all'utente di eseguire l'override della logica di inferenza automatica predefinita per il tipo di modello.
- azureml-mlflow
- Correzione del bug in mlflow.azureml.build_image in cui le directory nidificate vengono ignorate.
- azureml-pipeline-steps
- Aggiunta della possibilità di eseguire processi JAR nel cluster Azure Databricks esistente.
- Aggiunta del supporto instance_pool_id e dei parametri cluster_log_dbfs_path per il passaggio DatabricksStep.
- Aggiunta del supporto per i parametri della pipeline nel passaggio DatabricksStep.
- azureml-train-automl
- Aggiunta
docstrings
per i file correlati a Ensemble. - Documentazione aggiornata a una lingua più appropriata per
max_cores_per_iteration
emax_concurrent_iterations
- La registrazione delle attività di previsione sulle esecuzioni remote è stata migliorata, ora l'utente viene fornito un messaggio di errore completo se l'esecuzione non è riuscita.
- Rimosso get_data dal notebook della pipeline
automlstep
. dataprep
Supporto avviato inautomlstep
.
- Aggiunta
- azureml-automl-core
Azure Machine Learning Data Prep SDK v1.1.10
- Nuove funzionalità
- È ora possibile richiedere di eseguire controlli specifici (ad esempio, istogramma, grafico a dispersione e così via) in colonne specifiche.
- Aggiunta di un argomento parallelizzare a
append_columns
. Se True, i dati vengono caricati in memoria ma l'esecuzione viene eseguita in parallelo; se False, l'esecuzione è in streaming ma a thread singolo.
2019-07-23
Azure Machine Learning SDK per Python v1.0.53
Nuove funzionalità
- Machine Learning automatizzato supporta ora il training di modelli ONNX nella destinazione di calcolo remota
- Azure Machine Learning offre ora la possibilità di riprendere il training da un'esecuzione, un checkpoint o file di modello precedenti.
- Informazioni su come usare gli estimator per riprendere il training da un'esecuzione precedente
Correzioni di bug e miglioramenti
- azure-cli-ml
- I comandi dell'interfaccia della riga di comando "model deploy" e "service update" accettano ora parametri, file di configurazione o una combinazione dei due. I parametri hanno la precedenza sugli attributi nei file.
- La descrizione del modello può ora essere aggiornata dopo la registrazione
- azureml-automl-core
- Aggiornare la dipendenza NimbusML alla versione 1.2.0 (ultima versione).
- Aggiunta del supporto per gli estimator e le pipeline di NimbusML da usare all'interno degli estimatori AutoML.
- Correzione di un bug nella procedura di selezione ensemble che stava aumentando inutilmente l'ensemble risultante anche se i punteggi sono rimasti costanti.
- Abilitare il riutilizzo di alcune caratteristiche tra divisioni CV per le attività di previsione. In questo modo si accelera il runtime dell'installazione eseguita approssimativamente da un fattore di n_cross_validations per le caratteristiche costose, ad esempio ritardi e finestre in sequenza.
- Risoluzione di un problema se il timeout non è compreso nell'intervallo di tempo supportato da Pandas. Viene ora generata un'eccezione DataException se l'ora è minore di pd. Timestamp.min o maggiore di pd. Timestamp.max
- La previsione consente ora frequenze diverse nei set di training e test, se possono essere allineate. Ad esempio, "trimestrale a partire da gennaio" e "trimestrale a partire da ottobre" può essere allineato.
- La proprietà "parameters" è stata aggiunta a TimeSeriesTransformer.
- Rimuovere le classi di eccezioni precedenti.
- Nelle attività di previsione il
target_lags
parametro accetta ora un singolo valore intero o un elenco di numeri interi. Se è stato specificato l'intero, viene creato un solo ritardo. Se viene specificato un elenco, vengono acquisiti i valori univoci dei ritardi. target_lags=[1, 2, 2, 4] crea ritardi di uno, due e quattro punti. - Correzione del bug relativo alla perdita di tipi di colonne dopo la trasformazione (bug collegato);
- In
model.forecast(X, y_query)
consentire y_query essere un tipo di oggetto contenente Nessuno all'inizio (#459519). - Aggiungere i valori previsti all'output
automl
- azureml-contrib-datadrift
- Miglioramenti al notebook di esempio, incluso il passaggio ad azureml-opendatasets anziché azureml-contrib-opendatasets e miglioramenti delle prestazioni durante l'arricchimento dei dati
- azureml-contrib-explain-model
- Argomento delle trasformazioni fisse per lo strumento di spiegazione LIME per l'importanza della funzionalità non elaborata nel pacchetto azureml-contrib-explain-model
- Aggiunta di segmentazioni alle spiegazioni delle immagini nello strumento di spiegazione delle immagini per il pacchetto AzureML-contrib-explain-model
- Aggiungere il supporto scipy sparse per LimeExplainer
- Aggiunta
batch_size
per simulare la spiegazione quandoinclude_local=False
, per lo streaming di spiegazioni globali in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel
- azureml-contrib-featureengineering
- Correzione per la chiamata di set_featurizer_timeseries_params(): modifica del tipo di valore dict e controllo null - Aggiungi notebook per
timeseries
l'elemento featurizer - Aggiornare la dipendenza NimbusML alla versione 1.2.0 (ultima versione).
- Correzione per la chiamata di set_featurizer_timeseries_params(): modifica del tipo di valore dict e controllo null - Aggiungi notebook per
- azureml-core
- Aggiunta della possibilità di collegare archivi dati DBFS nell'interfaccia della riga di comando di Azure Machine Learning
- Correzione del bug relativo al caricamento dell'archivio dati in cui viene creata una cartella vuota se
target_path
avviata con/
- Correzione del
deepcopy
problema in ServicePrincipalAuthentication. - Aggiunti i comandi "az ml environment show" e "az ml environment list" all'interfaccia della riga di comando.
- Gli ambienti supportano ora la specifica di un base_dockerfile come alternativa a un base_image già compilato.
- L'impostazione RunConfiguration non usata auto_prepare_environment è stata contrassegnata come deprecata.
- La descrizione del modello può ora essere aggiornata dopo la registrazione
- Correzione di bug: l'eliminazione del modello e dell'immagine fornisce ora altre informazioni sul recupero di oggetti upstream che dipendono da essi se l'eliminazione non riesce a causa di una dipendenza upstream.
- Correzione del bug che stampava la durata vuota per le distribuzioni che si verificano durante la creazione di un'area di lavoro per alcuni ambienti.
- Eccezioni di errore migliorate per la creazione dell'area di lavoro. In modo che gli utenti non visualizzino "Impossibile creare l'area di lavoro. Impossibile trovare..." come messaggio e visualizzare invece l'errore di creazione effettivo.
- Aggiungere il supporto per l'autenticazione basata su token nei servizi Web del servizio Azure Kubernetes.
- Aggiungere
get_token()
un metodo agliWebservice
oggetti . - Aggiunta del supporto dell'interfaccia della riga di comando per gestire i set di dati di Machine Learning.
Datastore.register_azure_blob_container
facoltativamente, accetta ora unblob_cache_timeout
valore (in secondi) che configura i parametri di montaggio di blobfuse per abilitare la scadenza della cache per questo archivio dati. Il valore predefinito non è un timeout, ad esempio quando un BLOB viene letto, rimane nella cache locale fino al termine del processo. La maggior parte dei processi preferisce questa impostazione, ma alcuni processi devono leggere più dati da un set di dati di grandi dimensioni rispetto ai nodi. Per questi processi, l'ottimizzazione di questo parametro consente di avere esito positivo. Prestare attenzione durante l'ottimizzazione di questo parametro: l'impostazione del valore troppo basso può comportare prestazioni scarse, perché i dati usati in un periodo potrebbero scadere prima di essere usati di nuovo. Tutte le letture vengono eseguite dall'archiviazione BLOB o dalla rete anziché dalla cache locale, che influiscono negativamente sui tempi di training.- La descrizione del modello può ora essere aggiornata correttamente dopo la registrazione
- L'eliminazione del modello e dell'immagine fornisce ora altre informazioni sugli oggetti upstream che dipendono da essi, causando l'esito negativo dell'eliminazione
- Migliorare l'utilizzo delle risorse delle esecuzioni remote usando azureml.mlflow.
- azureml-explain-model
- Argomento delle trasformazioni fisse per lo strumento di spiegazione LIME per l'importanza della funzionalità non elaborata nel pacchetto azureml-contrib-explain-model
- aggiungere il supporto scipy sparse per LimeExplainer
- aggiunto il wrapper di spiegazione lineare della forma e un altro livello allo spiegatore tabulare per spiegare i modelli lineari
- per lo strumento di spiegazione simulato nella libreria dei modelli, correzione dell'errore quando include_local=False per l'input di dati di tipo sparse
- aggiungere i valori previsti all'output
automl
- correzione dell'importanza della funzionalità di permutazione quando gli argomenti delle trasformazioni forniti per ottenere l'importanza della funzionalità non elaborata
- aggiunta
batch_size
per simulare la spiegazione quandoinclude_local=False
, per lo streaming di spiegazioni globali in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel - per la libreria di spiegazioni del modello, gli strumenti di spiegazione blackbox fissi in cui è necessario l'input del frame di dati pandas per la stima
- Correzione di un bug in cui
explanation.expected_values
a volte restituirebbe un float anziché un elenco con un float.
- azureml-mlflow
- Migliorare le prestazioni di mlflow.set_experiment(experiment_name)
- Correzione di un bug in uso di InteractiveLoginAuthentication per mlflow tracking_uri
- Migliorare l'utilizzo delle risorse delle esecuzioni remote usando azureml.mlflow.
- Migliorare la documentazione del pacchetto azureml-mlflow
- Bug patch in cui mlflow.log_artifacts("my_dir") salva gli artefatti invece
my_dir/<artifact-paths>
di<artifact-paths>
- azureml-opendatasets
- Aggiunta
pyarrow
diopendatasets
a versioni precedenti (<0.14.0) a causa del problema di memoria appena introdotto. - Spostare azureml-contrib-opendatasets in azureml-opendatasets.
- Consentire la registrazione delle classi di set di dati aperti nell'area di lavoro di Azure Machine Learning e usare facilmente le funzionalità del set di dati AML.
- Migliorare NoaaIsdWeather arricchire significativamente le prestazioni in versione non SPARK.
- Aggiunta
- azureml-pipeline-steps
- L'archivio dati DBFS è ora supportato per input e output in DatabricksStep.
- Documentazione aggiornata per il passaggio di Azure Batch relativo a input/output.
- In AzureBatchStep è stato modificato delete_batch_job_after_finish valore predefinito su true.
- azureml-telemetry
- Spostare azureml-contrib-opendatasets in azureml-opendatasets.
- Consentire la registrazione delle classi di set di dati aperti nell'area di lavoro di Azure Machine Learning e usare facilmente le funzionalità del set di dati AML.
- Migliorare NoaaIsdWeather arricchire significativamente le prestazioni in versione non SPARK.
- azureml-train-automl
- Aggiornata la documentazione su get_output per riflettere il tipo restituito effettivo e fornire altre note sul recupero delle proprietà della chiave.
- Aggiornare la dipendenza NimbusML alla versione 1.2.0 (ultima versione).
- aggiungere i valori previsti all'output
automl
- azureml-train-core
- Le stringhe vengono ora accettate come destinazione di calcolo per l'ottimizzazione automatica degli iperparametri
- L'impostazione RunConfiguration non usata auto_prepare_environment è stata contrassegnata come deprecata.
- azure-cli-ml
Azure Machine Learning Data Prep SDK v1.1.9
Nuove funzionalità
- Aggiunta del supporto per la lettura di un file direttamente da un URL HTTP o HTTPS.
Correzioni di bug e miglioramenti
- Messaggio di errore migliorato quando si tenta di leggere un set di dati Parquet da un'origine remota (che non è attualmente supportata).
- Correzione di un bug durante la scrittura nel formato di file Parquet in ADLS Gen 2 e l'aggiornamento del nome del contenitore ADLS Gen 2 nel percorso.
09-07-2019
Interfaccia visiva grafica
- Funzionalità di anteprima
- Aggiunta del modulo "Esegui script R" nell'interfaccia visiva.
Azure Machine Learning SDK per Python v1.0.48
Nuove funzionalità
- azureml-opendatasets
- azureml-contrib-opendatasets è ora disponibile come azureml-opendatasets. Il pacchetto precedente può ancora funzionare, ma è consigliabile usare azureml-opendatasets per migliorare le funzionalità e i miglioramenti più avanzati.
- Questo nuovo pacchetto consente di registrare set di dati aperti come set di dati nell'area di lavoro di Azure Machine Learning e di usare le funzionalità offerte dal set di dati.
- Include anche funzionalità esistenti, ad esempio l'utilizzo di set di dati aperti come dataframe Pandas/SPARK e join di posizione per alcuni set di dati, ad esempio meteo.
- azureml-opendatasets
Funzionalità di anteprima
- HyperDriveConfig può ora accettare l'oggetto pipeline come parametro per supportare l'ottimizzazione degli iperparametri tramite una pipeline.
Correzioni di bug e miglioramenti
- azureml-train-automl
- Correzione del bug relativo alla perdita di tipi di colonne dopo la trasformazione.
- Correzione del bug per consentire a y_query di essere un tipo di oggetto contenente Nessuno all'inizio.
- È stato risolto il problema nella procedura di selezione ensemble che stava aumentando inutilmente l'ensemble risultante anche se i punteggi sono rimasti costanti.
- Correzione del problema relativo all'autorizzazione list_models e al blocco delle impostazioni di list_models in AutoMLStep.
- È stato risolto il problema che impediva l'uso della pre-elaborazione quando AutoML veniva usato nel contesto delle pipeline di Azure Machine Learning.
- azureml-opendatasets
- Spostato azureml-contrib-opendatasets in azureml-opendatasets.
- È consentito registrare le classi di set di dati aperte nell'area di lavoro di Azure Machine Learning e usare facilmente le funzionalità del set di dati AML.
- NoaaIsdWeather migliorato migliora significativamente le prestazioni in versione non SPARK.
- azureml-explain-model
- Documentazione online aggiornata per gli oggetti di interpretazione.
- Aggiunta
batch_size
per simulare la spiegazione quandoinclude_local=False
, per lo streaming di spiegazioni globali in batch per migliorare il tempo di esecuzione di DecisionTreeExplainableModel per la libreria di spiegazioni del modello. - È stato risolto il problema per cui
explanation.expected_values
a volte restituiva un oggetto float anziché un elenco con un oggetto float. - Aggiunta dei valori previsti all'output
automl
per la spiegazione simulata nella libreria dei modelli di spiegazione. - Correzione dell'importanza della funzionalità di permutazione quando gli argomenti delle trasformazioni forniti per ottenere l'importanza della funzionalità non elaborata.
- azureml-core
- Aggiunta della possibilità di collegare archivi dati DBFS nell'interfaccia della riga di comando di Azure Machine Learning.
- È stato risolto il problema relativo al caricamento dell'archivio dati in cui viene creata una cartella vuota se
target_path
avviata con/
. - Confronto abilitato di due set di dati.
- L'eliminazione di modelli e immagini fornisce ora altre informazioni sul recupero di oggetti upstream che dipendono da essi se l'eliminazione non riesce a causa di una dipendenza upstream.
- Deprecato l'impostazione RunConfiguration inutilizzata in auto_prepare_environment.
- azureml-mlflow
- Miglioramento dell'utilizzo delle risorse delle esecuzioni remote che usano azureml.mlflow.
- È stata migliorata la documentazione del pacchetto azureml-mlflow.
- Risolto il problema per cui mlflow.log_artifacts("my_dir") salvava gli artefatti in "my_dir/artifact-paths" anziché "artifact-paths".
- azureml-pipeline-core
- Il parametro hash_paths per tutti i passaggi della pipeline è deprecato e verrà rimosso in futuro. Per impostazione predefinita, il contenuto del source_directory viene sottoposto a hashing (ad eccezione dei file elencati in
.amlignore
o.gitignore
) - Miglioramento continuo di Module e ModuleStep per supportare moduli specifici del tipo di calcolo, per preparare l'integrazione di RunConfiguration e altre modifiche per sbloccare l'utilizzo di moduli specifici del tipo di calcolo nelle pipeline.
- Il parametro hash_paths per tutti i passaggi della pipeline è deprecato e verrà rimosso in futuro. Per impostazione predefinita, il contenuto del source_directory viene sottoposto a hashing (ad eccezione dei file elencati in
- azureml-pipeline-steps
- AzureBatchStep: documentazione migliorata sugli input/output.
- AzureBatchStep: modificata delete_batch_job_after_finish valore predefinito su true.
- azureml-train-core
- Le stringhe vengono ora accettate come destinazione di calcolo per l'ottimizzazione automatica degli iperparametri.
- Deprecato l'impostazione RunConfiguration inutilizzata in auto_prepare_environment.
- Parametri
conda_dependencies_file_path
deprecati epip_requirements_file_path
rispettivamente a favore diconda_dependencies_file
epip_requirements_file
.
- azureml-opendatasets
- Migliorare NoaaIsdWeather arricchire significativamente le prestazioni in versione non SPARK.
- azureml-train-automl
2019-04-26
Azure Machine Learning SDK per Python v1.0.33 rilasciato.
- I modelli accelerati hardware di Azure Machine Learning in FPGA sono disponibili a livello generale.
- È ora possibile usare il pacchetto azureml-accel-models per:
- Eseguire il training dei pesi di una rete neurale profonda supportata (ResNet 50, ResNet 152, DenseNet-121, VGG-16 e SSD-VGG)
- Usare l'apprendimento per il trasferimento con la rete neurale profonda supportata
- Registrare il modello con il servizio Di gestione modelli e inserire in contenitori il modello
- Distribuire il modello in una macchina virtuale di Azure con un FPGA in un cluster servizio Azure Kubernetes del servizio Azure Kubernetes
- Distribuire il contenitore in un dispositivo server Azure Stack Edge
- Assegnare un punteggio ai dati con l'endpoint gRPC con questo esempio
- È ora possibile usare il pacchetto azureml-accel-models per:
Machine Learning automatizzato
Sweep delle funzionalità per abilitare l'aggiunta dinamica per l'ottimizzazione featurizers delle prestazioni. Nuovo featurizers: incorporamenti di lavoro, peso delle prove, codifiche di destinazione, codifica della destinazione del testo, distanza del cluster
Smart CV per gestire divisioni di training/valide all'interno di MACHINE Learning automatizzato
Poche modifiche all'ottimizzazione della memoria e miglioramento delle prestazioni di runtime
Miglioramento delle prestazioni nella spiegazione del modello
Conversione del modello ONNX per l'esecuzione locale
Aggiunta del supporto per il sottocampionamento
Arresto intelligente quando non sono definiti criteri di uscita
Insiemi impilati
Previsione di una serie temporale
- Nuova funzione predict forecast
- È ora possibile usare la convalida incrociata dell'origine in sequenza mobile sui dati delle serie temporali
- Nuove funzionalità aggiunte per configurare i ritardi delle serie temporali
- Nuove funzionalità aggiunte per supportare le funzionalità di aggregazione delle finestre in sequenza
- Nuovo rilevamento delle festività e funzionalità quando il codice paese/area geografica è definito nelle impostazioni dell'esperimento
Azure Databricks
- Abilitazione della previsione delle serie temporali e della funzionalità di spiegazione/interpretazione del modello
- È ora possibile annullare e riprendere (continuare) esperimenti di Machine Learning automatizzati
- Aggiunta del supporto per l'elaborazione multicore
MLOps
Distribuzione locale e debug per i contenitori di assegnazione dei punteggi
È ora possibile distribuire un modello di Machine Learning in locale e scorrere rapidamente il file di assegnazione dei punteggi e le dipendenze per assicurarsi che si comportino come previsto.Introdotto InferenceConfig & Model.deploy()
La distribuzione del modello supporta ora la specifica di una cartella di origine con uno script di immissione, uguale a runconfig. Inoltre, la distribuzione dei modelli è stata semplificata in un singolo comando.Rilevamento dei riferimenti Git
I clienti hanno richiesto per qualche tempo funzionalità di integrazione Git di base, in quanto consente di mantenere un audit trail completo. È stato implementato il rilevamento tra le entità principali in Azure Machine Learning per i metadati correlati a Git (repository, commit, stato pulito). Queste informazioni verranno raccolte automaticamente dall'SDK e dall'interfaccia della riga di comando.Servizio di profilatura e convalida del modello
I clienti spesso lamentano la difficoltà di ridimensionare correttamente il calcolo associato al servizio di inferenza. Con il servizio di profilatura del modello, il cliente può fornire input di esempio e vengono profilato 16 configurazioni di CPU/memoria diverse per determinare il ridimensionamento ottimale per la distribuzione.Usare un'immagine di base personalizzata per l'inferenza
Un altro reclamo comune era la difficoltà di passare dalla sperimentazione alla condivisione re di inferenza delle dipendenze. Con la nuova funzionalità di condivisione delle immagini di base, è ora possibile riutilizzare le immagini di base della sperimentazione, le dipendenze e tutte per l'inferenza. Ciò dovrebbe velocizzare le distribuzioni e ridurre il divario tra l'interno e il ciclo esterno.Miglioramento dell'esperienza di generazione dello schema Swagger
Il metodo di generazione di swagger precedente era soggetto a errori e impossibile da automatizzare. È disponibile un nuovo modo in linea di generare schemi swagger da qualsiasi funzione Python tramite decorator. Questo codice è open source e il protocollo di generazione dello schema non è associato alla piattaforma Azure Machine Learning.L'interfaccia della riga di comando di Azure Machine Learning è disponibile a livello generale
I modelli possono ora essere distribuiti con un singolo comando dell'interfaccia della riga di comando. È stato ottenuto un feedback comune dei clienti che nessuno distribuisce un modello di Machine Learning da un notebook di Jupyter. La documentazione di riferimento dell'interfaccia della riga di comando è stata aggiornata.
2019-04-22
Azure Machine Learning SDK per Python v1.0.30 rilasciato.
PipelineEndpoint
È stato introdotto per aggiungere una nuova versione di una pipeline pubblicata mantenendo lo stesso endpoint.
15-04-2019
Portale di Azure
- È ora possibile inviare nuovamente uno script esistente in un cluster di calcolo remoto esistente.
- È ora possibile eseguire una pipeline pubblicata con nuovi parametri nella scheda Pipeline.
- I dettagli dell'esecuzione supportano ora un nuovo visualizzatore di file snapshot. È possibile visualizzare uno snapshot della directory quando è stata inviata un'esecuzione specifica. È anche possibile scaricare il notebook inviato per avviare l'esecuzione.
- È ora possibile annullare le esecuzioni padre dal portale di Azure.
2019-04-08
Azure Machine Learning SDK per Python v1.0.23
- Nuove funzionalità
- Azure Machine Learning SDK supporta ora Python 3.7.
- Gli estimatori DNN di Azure Machine Learning offrono ora il supporto predefinito per più versioni. Ad esempio,
TensorFlow
estimator accetta ora unframework_version
parametro e gli utenti possono specificare la versione '1.10' o '1.12'. Per un elenco delle versioni supportate dalla versione corrente dell'SDK, chiamareget_supported_versions()
sulla classe framework desiderata (ad esempio,TensorFlow.get_supported_versions()
). Per un elenco delle versioni supportate dalla versione più recente dell'SDK, vedere la documentazione di DNN Estimator.
25-03-2019
Azure Machine Learning SDK per Python v1.0.21
- Nuove funzionalità
- Il metodo azureml.core.Run.create_children consente la creazione a bassa latenza di più esecuzioni figlio con una singola chiamata.
2019-03-11
Azure Machine Learning SDK per Python v1.0.18
- Modifiche
- Il pacchetto azureml-tensorboard sostituisce azureml-contrib-tensorboard.
- Con questa versione, è possibile configurare un account utente nel cluster di calcolo gestito (amlcompute) durante la creazione. A tale scopo, è possibile passare queste proprietà nella configurazione del provisioning. Per altri dettagli, vedere la documentazione di riferimento dell'SDK.
Azure Machine Learning Data Prep SDK v1.0.17
Nuove funzionalità
- Supporta ora l'aggiunta di due colonne numeriche per generare una colonna risultante usando il linguaggio delle espressioni.
Correzioni di bug e miglioramenti
- Miglioramento della documentazione e del controllo dei parametri per random_split.
27-02-2019
Azure Machine Learning Data Prep SDK v1.0.16
- Correzione di bug
- Correzione di un problema di autenticazione dell'entità servizio causato da una modifica dell'API.
2019-02-25
Azure Machine Learning SDK per Python v1.0.17
Nuove funzionalità
- Azure Machine Learning offre ora il supporto di prima classe per il framework Chainer DNN più diffuso. L'uso di
Chainer
utenti di classi può eseguire facilmente il training e la distribuzione di modelli Chainer.- Informazioni su come eseguire l'ottimizzazione degli iperparametri con Chainer usando HyperDrive
- Le pipeline di Azure Machine Learning hanno aggiunto la possibilità di attivare un'esecuzione della pipeline in base alle modifiche dell'archivio dati. Il notebook di pianificazione della pipeline viene aggiornato per presentare questa funzionalità.
- Azure Machine Learning offre ora il supporto di prima classe per il framework Chainer DNN più diffuso. L'uso di
Correzioni di bug e miglioramenti
- È stato aggiunto il supporto nelle pipeline di Azure Machine Learning per impostare la proprietà source_directory_data_store su un archivio dati desiderato (ad esempio un archivio BLOB) in RunConfigurations fornito a PythonScriptStep. Per impostazione predefinita, i passaggi usano l'archivio file di Azure come archivio dati di backup, che possono verificarsi problemi di limitazione quando viene eseguito un numero elevato di passaggi contemporaneamente.
Portale di Azure
- Nuove funzionalità
- Nuova esperienza di trascinamento e rilascio dell'editor di tabelle per i report. Gli utenti possono trascinare una colonna dall'area della tabella in cui verrà visualizzata un'anteprima della tabella. Le colonne possono essere riorganiizzate.
- Nuovo visualizzatore di file di log
- Collegamenti a esecuzioni di esperimenti, calcolo, modelli, immagini e distribuzioni dalla scheda attività
Passaggi successivi
Leggere la panoramica di Azure Machine Learning.