Command Classe

clear() -> None.  Remove all items from D.

copy() -> a shallow copy of D

Despeja o conteúdo do trabalho em um arquivo no formato YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parâmetros

Exceções

Gerado se dest for um caminho de arquivo e o arquivo já existir.

Gerado se dest for um arquivo aberto e o arquivo não for gravável.

Crie um novo dicionário com chaves de iteráveis e valores definidos como valor.

fromkeys(value=None, /)

Parâmetros

Retornará o valor da chave se a chave estiver no dicionário, caso contrário, padrão.

get(key, default=None, /)

Parâmetros

items() -> a set-like object providing a view on D's items

keys() -> a set-like object providing a view on D's keys

Se a chave não for encontrada, retorne o padrão, se for dado; caso contrário, gere um KeyError.

pop(k, [d]) -> v, remove specified key and return the corresponding value.

Remova e retorne um par (chave, valor) como uma tupla de 2.

Os pares são retornados na ordem LIFO (última entrada, primeiro a sair). Aciona KeyError se o dict estiver vazio.

popitem()

Defina limites para Command.

set_limits(*, timeout: int, **kwargs) -> None

Parâmetros

Exemplos

Definir um limite de tempo limite de 10 segundos em um Comando.

   from azure.ai.ml import Input, Output, command

   command_node = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

   command_node.set_limits(timeout=10)

Defina QueueSettings para o trabalho.

set_queue_settings(*, job_tier: str | None = None, priority: str | None = None) -> None

Parâmetros

Exemplos

Definindo configurações de fila em um Comando.

   from azure.ai.ml import Input, Output, command

   command_node = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

   command_node.set_queue_settings(job_tier="standard", priority="medium")

Defina recursos para Command.

set_resources(*, instance_type: str | List[str] | None = None, instance_count: int | None = None, locations: List[str] | None = None, properties: Dict | None = None, docker_args: str | None = None, shm_size: str | None = None, **kwargs) -> None

Parâmetros

Exemplos

Definindo recursos em um Comando.

   from azure.ai.ml import Input, Output, command

   command_node = command(
       environment="AzureML-sklearn-1.0-ubuntu20.04-py38-cpu:33",
       command='echo "hello world"',
       distribution={"type": "Pytorch", "process_count_per_instance": 2},
       inputs={
           "training_data": Input(type="uri_folder"),
           "max_epochs": 20,
           "learning_rate": 1.8,
           "learning_rate_schedule": "time-based",
       },
       outputs={"model_output": Output(type="uri_folder")},
   )

   command_node.set_resources(
       instance_count=1,
       instance_type="STANDARD_D2_v2",
       properties={"key": "new_val"},
       shm_size="3g",
   )

Insira a chave com um valor padrão se a chave não estiver no dicionário.

Retorne o valor da chave se a chave estiver no dicionário, caso contrário, padrão.

setdefault(key, default=None, /)

Parâmetros

Transforma o comando em um nó de varredura com configuração de execução de varredura extra. O componente de comando no nó de comando atual será usado como componente de avaliação. Um nó de comando pode varrer várias vezes e o nó de varredura gerado compartilhará o mesmo componente de avaliação.

sweep(*, primary_metric: str, goal: str, sampling_algorithm: str = 'random', compute: str | None = None, max_concurrent_trials: int | None = None, max_total_trials: int | None = None, timeout: int | None = None, trial_timeout: int | None = None, early_termination_policy: EarlyTerminationPolicy | str | None = None, search_space: Dict[str, Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform] | None = None, identity: ManagedIdentityConfiguration | AmlTokenConfiguration | UserIdentityConfiguration | None = None, queue_settings: QueueSettings | None = None, job_tier: str | None = None, priority: str | None = None) -> Sweep

Parâmetros

Retornos

Um nó De varredura com o componente do nó de Comando atual como seu componente de avaliação.

Tipo de retorno

Exemplos

Criando um nó De varredura de um trabalho de comando.

   from azure.ai.ml import command

   job = command(
       inputs=dict(kernel="linear", penalty=1.0),
       compute=cpu_cluster,
       environment=f"{job_env.name}:{job_env.version}",
       code="./scripts",
       command="python scripts/train.py --kernel $kernel --penalty $penalty",
       experiment_name="sklearn-iris-flowers",
   )

   # we can reuse an existing Command Job as a function that we can apply inputs to for the sweep configurations
   from azure.ai.ml.sweep import Uniform

   job_for_sweep = job(
       kernel=Uniform(min_value=0.0005, max_value=0.005),
       penalty=Uniform(min_value=0.9, max_value=0.99),
   )

   from azure.ai.ml.sweep import BanditPolicy

   sweep_job = job_for_sweep.sweep(
       sampling_algorithm="random",
       primary_metric="best_val_acc",
       goal="Maximize",
       max_total_trials=8,
       max_concurrent_trials=4,
       early_termination_policy=BanditPolicy(slack_factor=0.15, evaluation_interval=1, delay_evaluation=10),
   )

Se E estiver presente e tiver um método .keys(), o fará: para k em E: D[k] = E[k] Se E estiver presente e não tiver um método .keys(), o fará: para k, v em E: D[k] = v Em ambos os casos, isso é seguido por: para k em F: D[k] = F[k]

update([E], **F) -> None.  Update D from dict/iterable E and F.

values() -> an object providing a view on D's values

O caminho base do recurso.

Retornos

O caminho base do recurso.

Tipo de retorno

O código-fonte para executar o trabalho.

Tipo de retorno

Define o comando a ser executado.

Tipo de retorno

A ID ou instância do componente de comando ou trabalho a ser executado para a etapa.

Retornos

A ID ou instância do componente de comando ou trabalho a ser executado para a etapa.

Tipo de retorno

O contexto de criação do recurso.

Retornos

Os metadados de criação para o recurso.

Tipo de retorno

A configuração do trabalho ou componente de comando distribuído.

Retornos

A configuração para trabalhos distribuídos.

Tipo de retorno

A ID do recurso.

Retornos

A ID global do recurso, uma ID do ARM (Resource Manager do Azure).

Tipo de retorno

A identidade que o trabalho usará durante a execução na computação.

Retornos

A identidade que o trabalho usará durante a execução na computação.

Tipo de retorno

Obtenha as entradas para o objeto .

Retornos

Um dicionário que contém as entradas para o objeto .

Tipo de retorno

Arquivos de saída do trabalho.

Retornos

O dicionário de nomes de log e URLs.

Tipo de retorno

Obtenha o nome do nó.

Retornos

O nome do nó.

Tipo de retorno

Obter as saídas do objeto .

Retornos

Um dicionário que contém as saídas para o objeto .

Tipo de retorno

Parâmetros do MLFlow a serem registrados durante o trabalho.

Retornos

Os parâmetros do MLFlow a serem registrados durante o trabalho.

Tipo de retorno

As configurações de fila para o componente de comando ou trabalho.

Retornos

As configurações de fila para o componente de comando ou trabalho.

Tipo de retorno

A configuração de recurso de computação para o componente de comando ou trabalho.

Tipo de retorno

Os serviços interativos para o nó.

Esse é um parâmetro experimental e pode ser alterado a qualquer momento. Consulte https://aka.ms/azuremlexperimental para obter mais informações.

Tipo de retorno

O status do trabalho.

Os valores comuns retornados incluem "Running", "Completed" e "Failed". Todos os valores possíveis são:

• NotStarted - Esse é um estado temporário em que os objetos Run do lado do cliente estão antes do envio à nuvem.

• Starting – A Execução começou a ser processada na nuvem. O chamador tem uma ID de execução neste ponto.

• Provisionamento – a computação sob demanda está sendo criada para um determinado envio de trabalho.

• Preparando – o ambiente de execução está sendo preparado e está em um dos dois estágios:

  • Build de imagem do Docker

  • conda environment setup

• Enfileirado – o trabalho está na fila no destino de computação. Por exemplo, no BatchAI, o trabalho está em um estado enfileirado

  enquanto aguarda que todos os nós solicitados estejam prontos.

• Em execução – o trabalho começou a ser executado no destino de computação.

• Finalização – a execução do código do usuário foi concluída e a execução está em estágios de pós-processamento.

• CancelRequested – O cancelamento foi solicitado para o trabalho.

• Concluído – a execução foi concluída com êxito. Isso inclui a execução e a execução do código do usuário

  estágios de pós-processamento.

• Failed – A execução falhou. Normalmente, a propriedade de Erro em uma execução fornecerá detalhes sobre o motivo.

• Canceled – Segue uma solicitação de cancelamento e indica que a execução foi cancelada com êxito.

• NotResponding – Para execuções que têm Pulsações habilitadas, nenhuma pulsação foi enviada recentemente.

Retornos

Status do trabalho.

Tipo de retorno

Ponto de extremidade do Estúdio do Azure ML.

Retornos

A URL para a página de detalhes do trabalho.

Tipo de retorno

O tipo do trabalho.

Retornos

O tipo do trabalho.

Tipo de retorno