core 套件

此套件包含用來管理 Azure 機器學習 中計算目標的類別。

如需選擇定型和部署計算目標的詳細資訊，請參閱什麼是 Azure 機器學習 中的計算目標？

包含用來管理在 Azure 機器學習 中部署為 Web 服務端點的映像的功能。

這個類別已被取代。 請改用 Environment 類別。

映像可用來將 、腳本和相關聯的檔案部署 Model為 Web 服務端點或 IoT Edge 裝置。 端點會處理傳入評分要求並傳回預測。 此套件的主要類別是 Image 類別、Azure 機器學習 映像的父類別，以及 Docker 映像的衍生ContainerImage類別，以及 FPGA 等預覽映像。

除非您有特別需要使用影像的工作流程，否則您應該改用 類別 Environment 來定義影像。 然後，您可以使用 Environment 物件搭配 Model deploy() 方法，將模型部署為 Web 服務。 您也可以使用 Model package() 方法來建立映像，以映像或 Dockerfile 的形式下載到本機 Docker 安裝。

如需使用 Model 類別的資訊，請參閱使用 Azure 機器學習 部署模型。

如需使用自定義映像的詳細資訊，請參閱 使用自定義 Docker 基底映射部署模型。

包含在 Azure 機器學習 中將機器學習模型部署為 Web 服務端點的功能。

將 Azure 機器學習 模型部署為 Web 服務會建立端點和 REST API。 您可以將數據傳送至此 API，並接收模型傳回的預測。

當您部署 Model 或 Image 至 Azure 容器執行個體 （模組）、Azure Kubernetes Service （aciaks模組） 和 Azure Kubernetes 端點 （AksEndpoint） 或現場可程式化網關數位 （FPGA） 時，您會建立 Web 服務。 在大部分的使用案例中，建議使用模型進行部署，而使用映像進行部署則建議用於進階使用案例。 此課程模組的類別支援這兩種類型的部署。

包含在 Azure 機器學習 中管理不同類型的驗證的功能。

支援的驗證類型：

• 互動式登入 - 使用 Azure 機器學習 SDK 時的預設模式。 使用互動式對話。
• Azure CLI - 與 azure-cli 套件搭配使用。
• 服務主體 - 用於自動化機器學習工作流程。
• MSI - 用於已啟用受控服務識別的資產，例如搭配 Azure 虛擬機使用。
• Azure ML 令牌 - 僅用於取得提交執行的 Azure ML 令牌。

若要深入瞭解這些驗證機制，請參閱 https://aka.ms/aml-notebook-auth。

包含 Azure 機器學習 未管理的計算目標功能。

計算目標會定義您的定型計算環境，而且可以是雲端中的本機或遠端資源。 遠端資源可讓您利用加速的CPU和 GPU 處理功能，輕鬆地相應增加或相應放大機器學習實驗。

如需 Azure 機器學習 所管理之計算目標的資訊，請參閱 類別ComputeTarget。 如需詳細資訊，請參閱什麼是 Azure 機器學習 中的計算目標？

包含管理 conda 環境相依性的功能。

使用 類別 CondaDependencies 來載入現有的 conda 環境檔案，並設定和管理實驗執行的新環境。

包含管理 Azure Container Registry 的功能。

包含在 Azure 機器學習 中管理 Databricks 環境的功能。

如需在 Azure 機器學習 中使用 Databricks 的詳細資訊，請參閱設定 Azure 機器學習 的開發環境。

管理與 Azure 機器學習 數據集的互動。

此課程模組提供取用原始數據、管理數據，以及對 Azure 機器學習 中的數據執行動作的功能。 Dataset使用此課程模組中的 類別來建立資料集以及套件中的data功能，其中包含支援的類別FileDataset和 TabularDataset。

若要開始使用數據集，請參閱新增和註冊數據集一文。

包含在 Azure 機器學習 中管理資料存放區的功能。

包含在 Azure 機器學習 中建立和管理可重現環境的功能。

環境可讓您管理軟體相依性，以便在本機和分散式雲端開發環境之間移動時，以最少的手動設定重現受控制的環境。 環境會封裝 Python 套件、環境變數、用於定型和評分腳本的軟體設定，以及在 Python、Spark 或 Docker 上執行時間。 如需使用環境搭配 Azure 機器學習 定型和部署的詳細資訊，請參閱建立和管理可重複使用的環境。

包含用來在 Azure 機器學習 中提交實驗和管理實驗歷程記錄的功能。

包含用來管理與 Azure 機器學習 工作區相關聯之 金鑰保存庫 中秘密的功能。

本課程模組包含從與工作區相關聯的 Azure 金鑰保存庫 新增、擷取、刪除和列出秘密的便利方法。

包含在 AML 工作區中建立和管理連結服務的功能。

包含在 Azure 機器學習 中管理機器學習模型的功能。

使用 類別 Model ，您可以完成下列主要工作：

• 向工作區註冊您的模型
• 分析模型以瞭解部署需求
• 封裝您的模型以搭配 Docker 使用
• 將您的模型部署至推斷端點作為 Web 服務

如需模型使用方式的詳細資訊，請參閱 Azure 機器學習 的運作方式：架構和概念。

包含定義及設定 Azure Private EndPoints 的功能。

包含 Azure 機器學習 中分析模型的功能。

包含管理 Azure 機器學習 實體資源設定的功能。

包含在 Azure 機器學習 中管理實驗計量和成品的功能。

包含在 Azure 機器學習 中管理實驗執行組態的功能。

本課程模組中的索引鍵類別是 RunConfiguration，其會封裝在指定計算目標上提交定型執行所需的資訊。 此組態包含一組廣泛的行為定義，例如要使用現有的 Python 環境，或使用從規格建置的 Conda 環境。

模組中的其他組態類別可透過 RunConfiguration 存取。

包含在 Azure 機器學習 中管理提交訓練執行的功能。

包含在 Azure 機器學習 中管理提交定型回合的組態的功能。

包含指定記錄詳細數據層級的類別。

包含管理工作區的功能，也就是 Azure 機器學習 中的最上層資源。

本課程模組包含 Workspace 類別及其方法和屬性，可讓您管理機器學習成品，例如計算目標、環境、數據存放區、實驗和模型。 工作區會系結至 Azure 訂用帳戶和資源群組，而且是計費的主要方式。 工作區針對儲存在工作區內的所有機器學習數據，支援 Azure Resource Manager 角色型訪問控制 （RBAC） 和區域親和性。

Azure 所管理之所有計算目標的抽象父類別 機器學習。

計算目標是您執行定型腳本或裝載服務部署的指定計算資源/環境。 此位置可能是本機電腦或雲端式計算資源。 如需詳細資訊，請參閱什麼是 Azure 機器學習 中的計算目標？

類別 ComputeTarget 建構函式。

擷取與所提供工作區相關聯的 Compute 物件的雲端表示法。 傳回對應至所擷取之 Compute 物件特定型別之子類別的實例。

定義與 Azure Container Registry 的連線。

類別 ContainerRegistry 建構函式。

代表在 Azure 機器學習 中探索、轉換和管理數據的資源。

數據集是公用 Web URL 或後方的數據的 Datastore 參考。

針對此類別中已被取代的方法，請檢查 AbstractDataset 類別是否有改良的 API。

支援下列資料集型態：

• TabularDataset 表示透過剖析所提供檔案或檔案清單所建立之表格式的數據。

• FileDataset 會參考數據存放區或公用 URL 中的單一或多個檔案。

若要開始使用資料集，請參閱新增和註冊資料集一文，或查看筆記本https://aka.ms/tabulardataset-samplenotebook和 https://aka.ms/filedataset-samplenotebook。

初始化 Dataset 物件。

若要取得已向工作區註冊的數據集，請使用 get 方法。

表示 Azure 機器學習 記憶體帳戶的記憶體抽象概念。

數據存放區會連結至工作區，並用來將連線資訊儲存至 Azure 記憶體服務，因此您可以依名稱參考它們，而不需要記住用來連線到記憶體服務的連線資訊和秘密。

可註冊為數據存放區的支援的 Azure 記憶體服務範例如下：

• Azure Blob 容器

• Azure 檔案共用

• Azure Data Lake

• Azure Data Lake Gen2

• Azure SQL Database

• 適用於 PostgreSQL 的 Azure 資料庫

• Databricks 檔案系統

• 適用於 MySQL 的 Azure 資料庫

使用此類別來執行管理作業，包括緩存器、清單、取得和移除資料存放區。 每個服務的數據存放區都是使用 register* 這個類別的方法所建立。 使用資料存放區來存取數據時，您必須具有存取該數據的許可權，這取決於向數據存放區註冊的認證。

如需數據存放區的詳細資訊，以及如何在機器學習中使用數據存放區，請參閱下列文章：

• 存取 Azure 儲存體服務中的資料

• 使用估算器使用 Azure 機器學習 定型模型

• 建立及執行機器學習管線

依名稱取得數據存放區。 此呼叫會對數據存放區服務提出要求。

為機器學習實驗設定可重現的 Python 環境。

環境會定義機器學習實驗中使用的 Python 套件、環境變數和 Docker 設定，包括數據準備、定型和部署至 Web 服務。 環境是在 Azure 機器學習 Workspace中管理和建立版本。 您可以更新現有的環境，並擷取要重複使用的版本。 環境專屬於其建立的工作區，且無法跨不同的工作區使用。

如需環境的詳細資訊，請參閱 建立和管理可重複使用的環境。

類別環境建構函式。

代表在 Azure 機器學習 中建立和使用實驗的主要進入點。

實驗是代表多個模型執行之試用版的容器。

實驗建構函式。

定義 Azure 機器學習 Images 的抽象父類別。

這個類別已被取代。 請改用 Environment 類別。

影像建構函式。

這個類別已被取代。 請改用 Environment 類別。

影像建構函式是用來擷取與所提供工作區相關聯之 Image 物件的雲端表示法。 會傳回對應至所擷取 Image 物件之特定型別之子類別的實例。

管理與 Azure 機器學習 工作區相關聯的 Azure 金鑰保存庫 中儲存的秘密。

每個 Azure 機器學習 工作區都有相關聯的 Azure 金鑰保存庫。 Keyvault 類別是 Azure 金鑰保存庫 的簡化包裝函式，可讓您管理密鑰保存庫中的秘密，包括設定、擷取、刪除和列出秘密。 使用 Keyvault 類別安全地將秘密傳遞至遠端執行，而不會以純文字公開敏感性資訊。

如需詳細資訊，請參閱 在定型回合中使用秘密。

類別 Keyvault 建構函式。

定義資源，以管理 AML 工作區與 Azure 上其他服務之間的連結。

初始化 LinkedService 物件。

表示機器學習訓練的結果。

模型是 Azure Machine Learning 定Run型或 Azure 外部的一些其他模型定型程序的結果。 不論模型如何產生，都可以在工作區中註冊，其中的名稱和版本代表該模型。 使用 Model 類別，您可以封裝模型以搭配 Docker 使用，並將其部署為可用於推斷要求的即時端點。

如需示範模型建立、管理和取用方式的端對端教學課程，請參閱使用 Azure 機器學習 使用 MNIST 數據和 scikit-learn 來定型影像分類模型。

模型建構函式。

模型建構函式是用來擷取與所提供工作區相關聯之 Model 物件的雲端表示法。 必須提供名稱或識別碼。

定義私人端點，以管理與 Azure ML 工作區相關聯的私人端點連線。

初始化 PrivateEndPoint。

定義 Azure Private EndPoint 的組態。

Azure 私人端點 是一種網路介面，可讓您私下且安全地連線到具有 Private Link 的 Azure ML 工作區。

初始化 PrivateEndPointConfig。

定義所有 Azure 機器學習 實驗執行的基類。

執行代表實驗的單一試用版。 執行可用來監視試用版的異步執行、記錄計量和儲存試用版輸出，以及分析試用版所產生的結果和存取成品。

當您提交腳本以在 Azure 機器學習 的許多不同案例中定型模型時，會建立執行物件，包括 HyperDrive 執行、管線執行和 AutoML 執行。 當您 submit 或 start_logging 搭配 Experiment 類別時，也會建立 Run 物件。

若要開始使用實驗和執行，請參閱

• 建立和管理用於定型和部署的環境

• 如何管理執行

初始化 Run 物件。

代表以 Azure 機器學習 中不同計算目標為目標之實驗執行的組態。

RunConfiguration 物件會封裝在實驗中提交定型回合所需的資訊。 一般而言，您不會直接建立 RunConfiguration 物件，而是從傳回它的方法取得一個物件，例如 submit 類別的 Experiment 方法。

RunConfiguration 是基底環境組態，也用於其他類型的組態步驟，視您要觸發的執行類型而定。 例如，設定 時 PythonScriptStep，您可以存取步驟的 RunConfiguration 物件，並設定 Conda 相依性，或存取執行的環境屬性。

如需執行組態的範例，請參閱 選取並使用計算目標來定型模型。

使用預設設定初始化 RunConfiguration。

提供程式設計存取來管理提交的定型執行。

提交的 ScriptRunConfig 執行代表實驗中的單一試用版。 提交回合會傳回 ScriptRun 物件，可用來監視執行的異步執行、記錄計量和儲存執行輸出，以及分析執行所產生的結果和存取成品。

若要開始使用實驗和 ScriptRunConf，請參閱

• 建立和管理用於定型和部署的環境

• 如何管理執行

類別 ScriptRun 建構函式。

表示在 Azure 機器學習 中提交定型回合的組態資訊。

ScriptRunConfig 會將提交 Azure ML 中執行所需的設定資訊封裝在一起，包括腳本、計算目標、環境，以及任何分散式作業特定設定。

設定並提交文稿後，會傳submitScriptRun回 。

類別 ScriptRunConfig 建構函式。

定義連結 synapse 工作區的連結服務組態。

初始化 SynapseWorkspaceLinkedServiceConfiguration 物件。

定義在 Azure 機器學習 中將模型部署為 Web 服務端點的基本功能。

Webservice 建構函式可用來擷取與所提供工作區相關聯的Webservice對象的雲端表示法。 傳回對應至所擷取之 Webservice 物件特定型別之子類別的實例。 Webservice 類別允許從 Model 或 Image 物件部署機器學習模型。

如需使用 Webservice 的詳細資訊，請參閱使用 Azure 機器學習 部署模型。

初始化 Webservice 實例。

Webservice 建構函式會擷取與所提供工作區相關聯的Webservice對象的雲端表示法。 它會傳回對應至所擷取之Webservice物件特定型別之子類別的實例。

定義 Azure 機器學習 資源來管理定型和部署成品。

工作區是 Azure 機器學習 中機器學習的基本資源。 您可以使用工作區來實驗、定型和部署機器學習模型。 每個工作區都會系結至 Azure 訂用帳戶和資源群組，並具有相關聯的 SKU。

如需工作區的詳細資訊，請參閱：

• 什麼是 Azure 機器學習 工作區？

• 管理工作區的存取權

類別工作區建構函式，以載入現有的 Azure 機器學習 Workspace。

將偵錯記錄導向至指定的檔案。