steps Pacote

Contém funcionalidades para criar um passo do Pipeline do Azure ML para executar um script U-SQL com o Azure Data Lake Analytics.

Contém funcionalidades para adicionar e gerir um passo de pipeline de ML automatizado no Azure Machine Learning.

Contém funcionalidades para criar um passo do Pipeline do Azure ML que executa um executável do Windows no Azure Batch.

Contém funcionalidades para criar um passo do Pipeline do Azure ML que executa comandos.

Contém funcionalidades para criar um passo do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

Contém funcionalidades para criar um passo de pipeline do Azure ML para executar um bloco de notas do Databricks ou um script python no DBFS.

Contém funcionalidades para criar um passo de pipeline que executa uma preparação de modelos do Estimador para Machine Learning.

Contém funtionalidade para criar e gerir os passos do Pipeline do Azure ML que executam a otimização do hiperparâmetros.

Contém funcionalidades para criar um passo de pipeline do Azure ML para executar um bloco de notas do Kusto.

Contém funcionalidades para adicionar um passo do Pipeline do Azure Machine Learning com uma versão existente de um Módulo.

Contém funcionalidades para adicionar um passo do Pipeline do Azure ML para executar uma tarefa de MPI para a preparação de modelos do Machine Learning.

Contém a funcionalidade para configurar um ParallelRunStep.

Contém funcionalidades para adicionar um passo para executar o script de utilizador no modo paralelo em vários destinos AmlCompute.

Contém funcionalidades para criar um passo do Pipeline do Azure ML que executa o script python.

Contém funcionalidades para criar um passo do Pipeline do Azure ML que executa o script R.

Contém funcionalidades para criar um passo do Synapse do Azure ML que executa o script python.

Cria um passo do Pipeline do Azure ML para executar um script U-SQL com o Azure Data Lake Analytics.

Para obter um exemplo de utilização deste AdlaStep, consulte o bloco de notas https://aka.ms/pl-adla.

Crie um passo do Pipeline do Azure ML para executar um script U-SQL com o Azure Data Lake Analytics.

Cria um passo do Pipeline do Azure ML que encapsula uma execução de ML automatizada.

Para obter um exemplo de utilização do AutoMLStep, consulte o bloco de notas https://aka.ms/pl-automl.

Inicialize um AutoMLStep.

Fornece informações sobre uma execução de experimentação de ML automatizada e métodos para obter saídas predefinidas.

A classe AutoMLStepRun é utilizada para gerir, verificar o estado e obter detalhes de execução assim que uma execução de ML automatizada for submetida num pipeline. Além disso, esta classe pode ser utilizada para obter as saídas predefinidas da AutoMLStepStepRun classe.

Inicialize uma execução de passo automl.

Cria um passo do Pipeline do Azure ML para submeter tarefas para Azure Batch.

Nota: este passo não suporta o carregamento/transferência de diretórios e respetivos conteúdos.

Para obter um exemplo de utilização do AzureBatchStep, consulte o bloco de notas https://aka.ms/pl-azbatch.

Crie um passo do Pipeline do Azure ML para submeter tarefas para Azure Batch.

Crie um passo do Pipeline do Azure ML que execute um comando.

Crie um passo do Pipeline do Azure ML que execute um comando.

Cria um passo do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

DataTransferStep suporta tipos de armazenamento comuns, como Armazenamento de Blobs do Azure e Azure Data Lake como origens e sinks. Para obter mais informações, consulte a secção Observações .

Para obter um exemplo de utilização de DataTransferStep, consulte o bloco de notas https://aka.ms/pl-data-trans.

Crie um passo do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

Cria um passo do Pipeline do Azure ML para adicionar um bloco de notas do DataBricks, script python ou JAR como um nó.

Para obter um exemplo de utilização do DatabricksStep, consulte o bloco de notas https://aka.ms/pl-databricks.

Crie um passo do Pipeline do Azure ML para adicionar um bloco de notas do DataBricks, script python ou JAR como um nó.

Para obter um exemplo de utilização do DatabricksStep, consulte o bloco de notas https://aka.ms/pl-databricks.

:p aram python_script_name:[Obrigatório] O nome de um script python relativo a source_directory. Se o script utilizar entradas e saídas, estas serão transmitidas para o script como parâmetros. Se python_script_name for especificado, tem de source_directory ser também.

Especifique exatamente um de notebook_path, python_script_path, python_script_nameou main_class_name.

Se especificar um objeto DataReference como entrada com data_reference_name=input1 e um objeto PipelineData como saída com name=output1, as entradas e saídas serão transmitidas para o script como parâmetros. É assim que serão e terá de analisar os argumentos no script para aceder aos caminhos de cada entrada e saída: "-input1", "wasbs://test@storagename.blob.core.windows.net/test","-output1", "wasbs://test@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d22b81a2/output1"

Além disso, os seguintes parâmetros estarão disponíveis no script:

• AZUREML_RUN_TOKEN: o token AML para autenticação com o Azure Machine Learning.
• AZUREML_RUN_TOKEN_EXPIRY: o tempo de expiração do token AML.
• AZUREML_RUN_ID: ID de Execução do Azure Machine Learning para esta execução.
• AZUREML_ARM_SUBSCRIPTION: subscrição do Azure para a área de trabalho do AML.
• AZUREML_ARM_RESOURCEGROUP: grupo de recursos do Azure para a área de trabalho do Azure Machine Learning.
• AZUREML_ARM_WORKSPACE_NAME: Nome da área de trabalho do Azure Machine Learning.
• AZUREML_ARM_PROJECT_NAME: nome da experimentação do Azure Machine Learning.
• AZUREML_SERVICE_ENDPOINT: o URL do ponto final dos serviços AML.
• AZUREML_WORKSPACE_ID: ID da área de trabalho do Azure Machine Learning.
• AZUREML_EXPERIMENT_ID: ID da experimentação do Azure Machine Learning.
• AZUREML_SCRIPT_DIRECTORY_NAME: caminho do diretório no DBFS onde source_directory foi copiado.

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

Quando está a executar um script python a partir do seu computador local no Databricks com os parâmetros source_directory DatabricksStep e python_script_name, o seu source_directory é copiado para o DBFS e o caminho do diretório no DBFS é transmitido como um parâmetro para o script quando inicia a execução. Este parâmetro é rotulado como –AZUREML_SCRIPT_DIRECTORY_NAME. Tem de o prefixar com a cadeia "dbfs:/" ou "/dbfs/" para aceder ao diretório no DBFS.

PRETERIDO. Cria um passo de pipeline para ser executado Estimator para a preparação do modelo do Azure ML.

Crie um passo do Pipeline do Azure ML para executar a preparação de modelos do Estimador para Machine Learning.

PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja Como executar a preparação de ML em pipelines com CommandStep.

Cria um passo do Pipeline do Azure ML para executar o tunning de hiperparâmetros para a preparação de modelos do Machine Learning.

Para obter um exemplo de utilização do HyperDriveStep, consulte o bloco de notas https://aka.ms/pl-hyperdrive.

Crie um passo do Pipeline do Azure ML para executar o tunning de hiperparâmetros para a preparação de modelos do Machine Learning.

Faça a gestão, verifique o estado e obtenha os detalhes de execução de um HyperDriveStep passo de pipeline.

HyperDriveStepRun fornece a funcionalidade de HyperDriveRun com o suporte adicional de StepRun. A classe HyperDriveStepRun permite-lhe gerir, verificar o estado e obter os detalhes de execução da execução do HyperDrive e cada uma das execuções subordinadas geradas. A classe StepRun permite-lhe fazê-lo assim que a execução do pipeline principal for submetida e o pipeline tiver submetido a execução do passo.

Inicializar um HyperDriveStepRun.

HyperDriveStepRun fornece a funcionalidade de HyperDriveRun com o suporte adicional de StepRun. A classe HyperDriveRun permite-lhe gerir, verificar o estado e obter os detalhes de execução da execução do HyperDrive e cada uma das execuções subordinadas geradas. A classe StepRun permite-lhe fazê-lo assim que a execução do pipeline principal for submetida e o pipeline tiver submetido a execução do passo.

O KustoStep permite a funcionalidade de executar consultas Kusto num cluster kusto de destino nos Pipelines do Azure ML.

Inicialize KustoStep.

Cria um passo de pipeline do Azure Machine Learning para executar uma versão específica de um Módulo.

Module os objetos definem cálculos reutilizáveis, como scripts ou executáveis, que podem ser utilizados em diferentes cenários de machine learning e por utilizadores diferentes. Para utilizar uma versão específica de um Módulo num pipeline, crie um ModuleStep. Um ModuleStep é um passo no pipeline que utiliza um .ModuleVersion

Para obter um exemplo de utilização do ModuleStep, consulte o bloco de notas https://aka.ms/pl-modulestep.

Crie um passo de pipeline do Azure ML para executar uma versão específica de um Módulo.

Cria um passo de pipeline do Azure ML para executar uma tarefa de MPI.

Para obter um exemplo de utilização do MpiStep, consulte o bloco de notas https://aka.ms/pl-style-trans.

Crie um passo de pipeline do Azure ML para executar uma tarefa de MPI.

PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja Como executar a preparação distribuída em pipelines com CommandStep.

Define a configuração de um ParallelRunStep objeto.

Para obter um exemplo de utilização de ParallelRunStep, veja o bloco de notas https://aka.ms/batch-inference-notebooks.

Para obter o guia de resolução de problemas, consulte https://aka.ms/prstsg. Pode encontrar mais referências.

Inicialize o objeto de configuração.

Cria um passo do Pipeline do Azure Machine Learning para processar grandes quantidades de dados de forma assíncrona e paralela.

Para obter um exemplo de utilização de ParallelRunStep, veja o bloco de notas https://aka.ms/batch-inference-notebooks.

Para obter o guia de resolução de problemas, consulte https://aka.ms/prstsg. Pode encontrar mais referências.

Crie um passo do Pipeline do Azure ML para processar grandes quantidades de dados de forma assíncrona e paralela.

Para obter um exemplo de utilização de ParallelRunStep, veja a ligação do bloco de notas https://aka.ms/batch-inference-notebooks.

Cria um passo do Pipeline do Azure ML que executa o script python.

Para obter um exemplo de utilização do PythonScriptStep, consulte o bloco de notas https://aka.ms/pl-get-started.

Crie um passo do Pipeline do Azure ML que execute o script python.

Cria um passo do Pipeline do Azure ML que executa o script R.

Crie um passo do Pipeline do Azure ML que execute o script R.

PRETERIDO. Em vez disso, utilize o CommandStep . Para obter um exemplo, veja Como executar scripts R em pipelines com CommandStep.

Cria um passo do Synapse do Azure ML que submete e executa o script python.

Crie um passo do Pipeline do Azure ML que executa a tarefa do Spark no conjunto spark do synapse.