steps Pacchetto

Contiene funzionalità per creare un passaggio di Azure ML Pipeline per eseguire uno script U-SQL con Azure Data Lake Analytics.

Contiene funzionalità per l'aggiunta e la gestione di un passaggio automatico della pipeline ml in Azure Machine Learning.

Contiene funzionalità per creare un passaggio di Azure ML Pipeline che esegue un eseguibile di Windows in Azure Batch.

Contiene funzionalità per creare un passaggio di Azure ML Pipeline che esegue i comandi.

Contiene funzionalità per creare un passaggio di Azure ML Pipeline che trasferisce i dati tra le opzioni di archiviazione.

Contiene funzionalità per creare un passaggio della pipeline di Azure ML per eseguire un notebook di Databricks o uno script Python in DBFS.

Contiene funzionalità per creare un passaggio della pipeline che esegue un training del modello di Stima per Machine Learning.

Contiene funtionality per la creazione e la gestione dei passaggi di Azure ML Pipeline che eseguono l'ottimizzazione degli iperparametri.

Contiene funzionalità per creare un passaggio della pipeline di Azure ML per eseguire un notebook Kusto.

Contiene funzionalità per aggiungere un passaggio della pipeline di Azure Machine Learning usando una versione esistente di un modulo.

Contiene funzionalità per aggiungere un passaggio di Azure ML Pipeline per eseguire un processo MPI per il training del modello di Machine Learning.

Contiene la funzionalità per la configurazione di un oggetto ParallelRunStep.

Contiene la funzionalità per aggiungere un passaggio per eseguire lo script utente in modalità parallela su più destinazioni AmlCompute.

Contiene la funzionalità per creare un passaggio della pipeline di Azure ML che esegue lo script Python.

Contiene funzionalità per creare un passaggio della pipeline di Azure ML che esegue lo script R.

Contiene la funzionalità per creare un passaggio di Azure ML Synapse che esegue lo script Python.

Crea un passaggio di Azure ML Pipeline per eseguire uno script U-SQL con Azure Data Lake Analytics.

Per un esempio di uso di adlaStep, vedere il notebook https://aka.ms/pl-adla.

Creare un passaggio di Azure ML Pipeline per eseguire uno script U-SQL con Azure Data Lake Analytics.

Crea un passaggio di Azure ML Pipeline che incapsula un'esecuzione automatica di Machine Learning.

Per un esempio di uso di AutoMLStep, vedere il notebook https://aka.ms/pl-automl.

Inizializzare un'istruzione AutoMLStep.

Fornisce informazioni su un'esecuzione e metodi automatizzati dell'esperimento ml per il recupero degli output predefiniti.

La classe AutoMLStepRun viene usata per gestire, controllare lo stato e recuperare i dettagli dell'esecuzione dopo l'invio di un'esecuzione automatica di ML in una pipeline. Questa classe può inoltre essere usata per ottenere gli output predefiniti della AutoMLStep classe tramite la StepRun classe .

Inizializzare un passaggio automl.

Crea un passaggio di Azure ML Pipeline per l'invio di processi a Azure Batch.

Nota: questo passaggio non supporta il caricamento/download delle directory e il relativo contenuto.

Per un esempio di uso di AzureBatchStep, vedere il notebook https://aka.ms/pl-azbatch.

Creare un passaggio di Azure ML Pipeline per inviare processi a Azure Batch.

Creare un passaggio di Azure ML Pipeline che esegue un comando.

Creare un passaggio di Azure ML Pipeline che esegue un comando.

Crea un passaggio di Azure ML Pipeline che trasferisce i dati tra le opzioni di archiviazione.

DataTransferStep supporta tipi di archiviazione comuni, ad esempio Archiviazione BLOB di Azure e Azure Data Lake come origini e sink. Per altre informazioni, vedere la sezione Osservazioni .

Per un esempio di uso di DataTransferStep, vedere il notebook https://aka.ms/pl-data-trans.

Creare un passaggio di Azure ML Pipeline che trasferisce i dati tra le opzioni di archiviazione.

Crea un passaggio di Azure ML Pipeline per aggiungere un notebook di DataBricks, uno script Python o un file JAR come nodo.

Per un esempio di uso di DatabricksStep, vedere il notebook https://aka.ms/pl-databricks.

Creare un passaggio di Azure ML Pipeline per aggiungere un notebook di DataBricks, uno script Python o JAR come nodo.

Per un esempio di uso di DatabricksStep, vedere il notebook https://aka.ms/pl-databricks.

:p aram python_script_name:[Obbligatorio] Nome di uno script Python relativo a source_directory. Se lo script accetta input e output, questi verranno passati allo script come parametri. Se python_script_name è specificato, source_directory deve essere troppo.

Specificare esattamente uno di notebook_path, python_script_path, python_script_nameo main_class_name.

Se si specifica un oggetto DataReference come input con data_reference_name=input1 e un oggetto PipelineData come output con name=output1, gli input e gli output verranno passati allo script come parametri. Si tratta di un aspetto simile al seguente e sarà necessario analizzare gli argomenti nello script per accedere ai percorsi di ogni input e output: "-input1","wasbs://test@storagename.blob.core.windows.net/test","-output1", "wasbs://test@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d2b81a2/output1"

Inoltre, i parametri seguenti saranno disponibili nello script:

• AZUREML_RUN_TOKEN: token AML per l'autenticazione con Azure Machine Learning.
• AZUREML_RUN_TOKEN_EXPIRY: ora di scadenza del token AML.
• AZUREML_RUN_ID: ID esecuzione di Azure Machine Learning per questa esecuzione.
• AZUREML_ARM_SUBSCRIPTION: sottoscrizione di Azure per l'area di lavoro AML.
• AZUREML_ARM_RESOURCEGROUP: gruppo di risorse di Azure per l'area di lavoro di Azure Machine Learning.
• AZUREML_ARM_WORKSPACE_NAME: nome dell'area di lavoro di Azure Machine Learning.
• AZUREML_ARM_PROJECT_NAME: nome dell'esperimento di Azure Machine Learning.
• AZUREML_SERVICE_ENDPOINT: URL dell'endpoint per i servizi AML.
• AZUREML_WORKSPACE_ID: ID dell'area di lavoro di Azure Machine Learning.
• AZUREML_EXPERIMENT_ID: ID dell'esperimento di Azure Machine Learning.
• AZUREML_SCRIPT_DIRECTORY_NAME: percorso della directory in DBFS in cui è stato copiato source_directory.

  (This parameter is only populated when `python_script_name` is used.  See more details below.)

Quando si esegue uno script Python dal computer locale in Databricks usando i parametri source_directory DatabricksStep e python_script_name, il source_directory viene copiato in DBFS e il percorso della directory in DBFS viene passato come parametro allo script quando inizia l'esecuzione. Questo parametro viene etichettato come –AZUREML_SCRIPT_DIRECTORY_NAME. È necessario prefissirlo con la stringa "dbfs:/" o "/dbfs/" per accedere alla directory in DBFS.

DEPRECATO. Crea un passaggio della pipeline da eseguire Estimator per il training del modello di Azure ML.

Creare un passaggio di Azure ML Pipeline per eseguire il training del modello di Stima per Machine Learning.

DEPRECATO. Usare invece.CommandStep Per un esempio, vedere Come eseguire il training ml nelle pipeline con CommandStep.

Crea un passaggio di Azure ML Pipeline per eseguire la tunning dell'iperparametro per il training del modello di Machine Learning.

Per un esempio di uso di HyperDriveStep, vedere il notebook https://aka.ms/pl-hyperdrive.

Creare un passaggio di Azure ML Pipeline per eseguire la tunning di iperparametri per il training del modello di Machine Learning.

Gestire, controllare lo stato e recuperare i dettagli dell'esecuzione per un HyperDriveStep passaggio della pipeline.

HyperDriveStepRun offre la funzionalità di HyperDriveRun con il supporto aggiuntivo di StepRun. La classe HyperDriveStepRun consente di gestire, controllare lo stato e recuperare i dettagli di esecuzione per l'esecuzione di HyperDrive e ognuna delle esecuzioni figlio generate. La classe StepRun consente di eseguire questa operazione una volta inviata l'esecuzione della pipeline padre e la pipeline ha inviato l'esecuzione del passaggio.

Inizializzare un hyperDriveStepRun.

HyperDriveStepRun offre la funzionalità di HyperDriveRun con il supporto aggiuntivo di StepRun. La classe HyperDriveRun consente di gestire, controllare lo stato e recuperare i dettagli dell'esecuzione dell'esecuzione di HyperDrive e ognuna delle esecuzioni figlio generate. La classe StepRun consente di eseguire questa operazione una volta inviata l'esecuzione della pipeline padre e la pipeline ha inviato l'esecuzione del passaggio.

KustoStep consente di eseguire query Kusto in un cluster Kusto di destinazione in Azure ML Pipelines.

Inizializzare KustoStep.

Crea un passaggio della pipeline di Azure Machine Learning per eseguire una versione specifica di un modulo.

Module gli oggetti definiscono calcoli riutilizzabili, ad esempio script o eseguibili, che possono essere usati in diversi scenari di Machine Learning e da utenti diversi. Per usare una versione specifica di un modulo in una pipeline, creare un ModuloStep. Un ModuloStep è un passaggio nella pipeline che usa un oggetto esistente ModuleVersion.

Per un esempio di uso di ModuleStep, vedere il notebook https://aka.ms/pl-modulestep.

Creare un passaggio della pipeline di Azure ML per eseguire una versione specifica di un modulo.

Crea un passaggio della pipeline di Azure ML per eseguire un processo MPI.

Per un esempio di uso di MpiStep, vedere il notebook https://aka.ms/pl-style-trans.

Creare un passaggio della pipeline di Azure ML per eseguire un processo MPI.

DEPRECATO. Usare invece .CommandStep Per un esempio, vedere Come eseguire il training distribuito nelle pipeline con CommandStep.

Definisce la configurazione per un ParallelRunStep oggetto .

Per un esempio di uso di ParallelRunStep, vedere il notebook https://aka.ms/batch-inference-notebooks.

Per la guida alla risoluzione dei problemi, vedere https://aka.ms/prstsg. È possibile trovare altri riferimenti in questa posizione.

Inizializzare l'oggetto config.

Crea un passaggio della pipeline di Azure Machine Learning per elaborare grandi quantità di dati in modo asincrono e in parallelo.

Per un esempio di uso di ParallelRunStep, vedere il notebook https://aka.ms/batch-inference-notebooks.

Per la guida alla risoluzione dei problemi, vedere https://aka.ms/prstsg. È possibile trovare altri riferimenti in questa posizione.

Creare un passaggio della pipeline di Azure ML per elaborare grandi quantità di dati in modo asincrono e in parallelo.

Per un esempio di uso di ParallelRunStep, vedere il collegamento https://aka.ms/batch-inference-notebooksdel notebook .

Crea un passaggio della pipeline di Azure ML che esegue lo script Python.

Per un esempio di uso di PythonScriptStep, vedere il notebook https://aka.ms/pl-get-started.

Creare un passaggio della pipeline di Azure ML che esegue lo script Python.

Crea un passaggio della pipeline di Azure ML che esegue lo script R.

Creare un passaggio della pipeline di Azure ML che esegue lo script R.

DEPRECATO. Usare invece .CommandStep Per un esempio, vedere Come eseguire script R nelle pipeline con CommandStep.

Crea un passaggio di Azure ML Synapse che invia ed esegue script Python.

Creare un passaggio della pipeline di Azure ML che esegue il processo Spark nel pool di spark synapse.