core Paket

Dieses Paket enthält Klassen, die zum Verwalten von Computezielen in Azure Machine Learning verwendet werden.

Weitere Informationen zum Auswählen von Computezielen für Schulungen und Bereitstellung finden Sie unter Was sind Computeziele in Azure Machine Learning?

Enthält Funktionen zum Verwalten von Bildern, die als Webdienstendpunkte in Azure Machine Learning bereitgestellt werden.

Diese Klasse ist VERALTET. Verwenden Sie die Klasse Environment stattdessen.

Ein Image wird verwendet, um ein ModelSkript und zugehörige Dateien als Webdienstendpunkt oder IoT Edge-Gerät bereitzustellen. Der Endpunkt verarbeitet eingehende Bewertungsanforderungen und gibt Vorhersagen zurück. Die wichtigsten Klassen dieses Pakets sind die Image Klasse, die übergeordnete Klasse von Azure Machine Learning-Images und die abgeleitete ContainerImage Klasse für Docker-Images sowie Vorschauimages wie FPGA.

Wenn Sie nicht über einen Workflow verfügen, der speziell Bilder verwendet, sollten Sie stattdessen die Environment Klasse verwenden, um Ihr Bild zu definieren. Anschließend können Sie das Environment-Objekt mit der Modeldeploy() Methode verwenden, um das Modell als Webdienst bereitzustellen. Sie können auch die Model-Methode package() verwenden, um ein Image zu erstellen, das als Image oder als Dockerfile in Ihre lokale Docker-Installation heruntergeladen werden kann.

Informationen zur Verwendung der Model-Klasse finden Sie unter Bereitstellen von Modellen mit Azure Machine Learning.

Informationen zur Verwendung von benutzerdefinierten Images finden Sie unter Bereitstellen eines Modells mithilfe eines benutzerdefinierten Docker-Basisimages.

Enthält Funktionen zum Bereitstellen von Machine Learning-Modellen als Webdienstendpunkte in Azure Machine Learning.

Durch die Bereitstellung eines Azure Machine Learning-Modells als Webdienst wird ein Endpunkt und eine REST-API erstellt. Sie können Daten an diese API senden und die vom Modell zurückgegebene Vorhersage empfangen.

Sie erstellen einen Webdienst, wenn Sie ein Model oder Image in Azure Container Instances (aci Modul), Azure Kubernetes Service (aks Modul) und Azure Kubernetes Endpoint (AksEndpoint) oder field-programmable Gate Arrays (FPGA) bereitstellen. Die Bereitstellung mit einem Modell wird für die meisten Anwendungsfälle empfohlen, während die Bereitstellung mit einem Image für erweiterte Anwendungsfälle empfohlen wird. Beide Bereitstellungstypen werden in den Klassen in diesem Modul unterstützt.

Enthält Funktionen zum Verwalten verschiedener Authentifizierungstypen in Azure Machine Learning.

Unterstützte Authentifizierungstypen:

• Interaktive Anmeldung – Der Standardmodus bei Verwendung des Azure Machine Learning SDK. Verwendet ein interaktives Dialogfeld.
• Azure CLI – Zur Verwendung mit dem Azure-cli-Paket .
• Dienstprinzipal – Zur Verwendung mit automatisierten Machine Learning-Workflows.
• MSI – Für die Verwendung mit verwalteten Dienstidentitäts-fähigen Ressourcen wie z. B. mit einem virtuellen Azure-Computer.
• Azure ML-Token – Wird nur zum Abrufen von Azure ML-Token für übermittelte Ausführungen verwendet.

Weitere Informationen zu diesen Authentifizierungsmechanismen finden Sie unter https://aka.ms/aml-notebook-auth.

Enthält Funktionen für Computeziele, die nicht von Azure Machine Learning verwaltet werden.

Computeziele definieren Ihre Schulungsberechnungsumgebung und können entweder lokal oder Remoteressourcen in der Cloud sein. Mithilfe von Remoteressourcen können Sie Ihr Machine Learning-Experiment ganz einfach skalieren oder skalieren, indem Sie die beschleunigten CPU- und GPU-Verarbeitungsfunktionen nutzen.

Informationen zu Computezielen, die von Azure Machine Learning verwaltet werden, finden Sie im ComputeTarget Kurs. Weitere Informationen finden Sie unter Was sind Computeziele in Azure Machine Learning?

Enthält Funktionen zum Verwalten von Conda-Umgebungsabhängigkeiten.

Verwenden Sie die CondaDependencies Klasse, um vorhandene Conda-Umgebungsdateien zu laden und neue Umgebungen zu konfigurieren und zu verwalten, in denen Experimente ausgeführt werden.

Enthält Funktionen zum Verwalten einer Azure-Containerregistrierung.

Enthält Funktionen zum Verwalten von Databricks-Umgebungen in Azure Machine Learning.

Weitere Informationen zum Arbeiten mit Databricks in Azure Machine Learning finden Sie unter Konfigurieren einer Entwicklungsumgebung für Azure Machine Learning.

Verwaltet die Interaktion mit Azure Machine Learning-Datasets.

Dieses Modul bietet Funktionen zum Verbrauch von Rohdaten, zum Verwalten von Daten und zum Ausführen von Aktionen für Daten in Azure Machine Learning. Verwenden Sie die Dataset Klasse in diesem Modul, um Datasets zusammen mit der Funktionalität im data Paket zu erstellen, die die unterstützenden Klassen FileDataset und TabularDataset.

Informationen zu den ersten Schritten mit Datasets finden Sie im Artikel "Hinzufügen und Registrieren von Datasets".

Enthält Funktionen zum Verwalten von Datenspeichern in Azure Machine Learning.

Enthält Funktionen zum Erstellen und Verwalten reproduzierbarer Umgebungen in Azure Machine Learning.

Umgebungen bieten eine Möglichkeit zum Verwalten von Softwareabhängigkeiten, sodass kontrollierte Umgebungen mit minimaler manueller Konfiguration reproduzierbar sind, während Sie zwischen lokalen und verteilten Cloudentwicklungsumgebungen wechseln. Eine Umgebung kapselt Python-Pakete, Umgebungsvariablen, Softwareeinstellungen für Schulungs- und Bewertungsskripts und Laufzeiten auf Python, Spark oder Docker. Weitere Informationen zur Verwendung von Umgebungen für Schulungen und Bereitstellungen mit Azure Machine Learning finden Sie unter Erstellen und Verwalten wiederverwendbarer Umgebungen.

Enthält Funktionen zum Übermitteln von Experimenten und zum Verwalten des Experimentverlaufs in Azure Machine Learning.

Enthält Funktionen zum Verwalten von geheimen Schlüsseln im Key Vault, der einem Azure Machine Learning-Arbeitsbereich zugeordnet ist.

Dieses Modul enthält Komfortmethoden zum Hinzufügen, Abrufen, Löschen und Auflisten von geheimen Schlüsseln aus dem Azure Key Vault , der einem Arbeitsbereich zugeordnet ist.

Enthält Funktionen zum Erstellen und Verwalten von verknüpften Diensten im AML-Arbeitsbereich.

Enthält Funktionen zum Verwalten von Machine Learning-Modellen in Azure Machine Learning.

Mit der Model Klasse können Sie die folgenden Hauptaufgaben ausführen:

• Registrieren Ihres Modells mit einem Arbeitsbereich
• Profil Ihres Modells zum Verständnis der Bereitstellungsanforderungen
• Packen Ihres Modells für die Verwendung mit Docker
• Bereitstellen ihres Modells auf einen Ableitungsendpunkt als Webdienst

Weitere Informationen zur Verwendung von Modellen finden Sie unter Funktionsweise von Azure Machine Learning: Architektur und Konzepte.

Enthält Funktionen zum Definieren und Konfigurieren von Azure Private EndPoints.

Enthält Funktionen für Profilerstellungsmodelle in Azure Machine Learning.

Enthält Funktionen zum Verwalten der Ressourcenkonfiguration für Azure Machine Learning-Entitäten.

Enthält Funktionen zum Verwalten von Experimentmetriken und Artefakten in Azure Machine Learning.

Enthält Funktionen zum Verwalten der Konfiguration von Experimentläufen in Azure Machine Learning.

Die Schlüsselklasse in diesem Modul ist RunConfiguration, die Informationen kapselt, die zum Übermitteln einer Schulung für ein angegebenes Computeziel erforderlich sind. Die Konfiguration enthält eine vielzahl von Verhaltensdefinitionen, z. B. ob sie eine vorhandene Python-Umgebung verwenden oder eine Conda-Umgebung verwenden möchten, die aus einer Spezifikation erstellt wurde.

Auf andere Konfigurationsklassen im Modul wird über RunConfiguration zugegriffen.

Enthält Funktionen zum Verwalten übermittelter Schulungen in Azure Machine Learning.

Enthält Funktionen zum Verwalten der Konfiguration für die Übermittlung von Schulungsläufen in Azure Machine Learning.

Enthält eine Klasse zum Angeben der Protokollierungsdetailseite.

Enthält Funktionen zum Verwalten eines Arbeitsbereichs, der Ressource der obersten Ebene in Azure Machine Learning.

Dieses Modul enthält die Workspace Klasse und die zugehörigen Methoden und Attribute, mit denen Sie Machine Learning-Artefakte wie Computeziele, Umgebungen, Datenspeicher, Experimente und Modelle verwalten können. Ein Arbeitsbereich ist an ein Azure-Abonnement und eine Ressourcengruppe gebunden und ist die primäre Möglichkeit für die Abrechnung. Arbeitsbereiche unterstützen die rollenbasierte Zugriffssteuerung (RBAC) und die Regionsaffinität von Azure Resource Manager für alle im Arbeitsbereich gespeicherten Machine Learning-Daten.

Abstrakte übergeordnete Klasse für alle Computeziele, die von Azure Machine Learning verwaltet werden.

Ein Computeziel ist eine festgelegte Computeressource/Umgebung, in der Sie Ihr Schulungsskript ausführen oder die Dienstbereitstellung hosten. Hierbei kann es sich um Ihren lokalen Computer oder eine cloudbasierte Computeressource handeln. Weitere Informationen finden Sie unter Was sind Computeziele in Azure Machine Learning?

Class ComputeTarget-Konstruktor.

Rufen Sie eine Clouddarstellung eines Compute-Objekts ab, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Gibt eine Instanz einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Compute-Objekts entspricht.

Definiert eine Verbindung mit einer Azure-Containerregistrierung.

KlassencontainerRegistry-Konstruktor.

Stellt eine Ressource zum Untersuchen, Transformieren und Verwalten von Daten in Azure Machine Learning dar.

Ein Dataset ist ein Verweis auf Daten in einer Datastore oder hinter öffentlichen Web-URLs.

Wenn Methoden in dieser Klasse veraltet sind, überprüfen AbstractDataset Sie bitte die Klasse auf die verbesserten APIs.

Die folgenden Datasetstypen werden unterstützt:

• TabularDataset stellt Daten in einem tabellarischen Format dar, das durch Analysieren der bereitgestellten Datei oder Liste von Dateien erstellt wird.

• FileDataset verweisen auf einzelne oder mehrere Dateien in Datenspeichern oder aus öffentlichen URLs.

Informationen zu den ersten Schritten mit Datasets finden Sie im Artikel "Hinzufügen und Registrieren von Datasets" oder in den Notizbüchern und https://aka.ms/tabulardataset-samplenotebook-Notizbüchernhttps://aka.ms/filedataset-samplenotebook.

Initialisieren Sie das Dataset-Objekt.

Verwenden Sie die Get-Methode, um ein Dataset abzurufen, das bereits im Arbeitsbereich registriert wurde.

Stellt eine Speicherstraktion über ein Azure Machine Learning-Speicherkonto dar.

Datenspeicher sind an Arbeitsbereiche angefügt und werden verwendet, um Verbindungsinformationen mit Azure-Speicherdiensten zu speichern, damit Sie nach Namen darauf verweisen können und sich nicht mehr an die Verbindungsinformationen und den geheimen Schlüssel erinnern müssen, die für die Verbindung mit den Speicherdiensten verwendet werden.

Beispiele für unterstützte Azure-Speicherdienste, die als Datenspeicher registriert werden können, sind:

• Azure-Blobcontainer

• Azure-Dateifreigabe

• Azure Data Lake

• Azure Data Lake Gen2

• Azure SQL-Datenbank

• Azure-Datenbank für PostgreSQL

• Databricks-Dateisystem

• Azure-Datenbank für MySQL

Verwenden Sie diese Klasse, um Verwaltungsvorgänge auszuführen, einschließlich Register, Liste, Abrufen und Entfernen von Datenspeichern. Datenspeicher für jeden Dienst werden mit den register* Methoden dieser Klasse erstellt. Wenn Sie einen Datenspeicher für den Zugriff auf Daten verwenden, müssen Sie über die Berechtigung zum Zugreifen auf diese Daten verfügen, was von den anmeldeinformationen abhängt, die im Datenspeicher registriert sind.

Weitere Informationen zu Datenspeichern und deren Verwendung in maschinellem Lernen finden Sie in den folgenden Artikeln:

• Zugreifen auf Daten in Azure Storage-Diensten

• Trainieren von Modellen mit Azure Machine Learning mithilfe von Schätzer

• Erstellen und Ausführen von Machine Learning-Pipelines mit dem Azure Machine Learning SDK

Rufen Sie einen Datenspeicher anhand des Namens ab. Dieser Aufruf sendet eine Anforderung an den Datenspeicherdienst.

Konfiguriert eine reproduzierbare Python-Umgebung für Machine Learning-Experimente.

Eine Umgebung definiert Python-Pakete, Umgebungsvariablen und Docker-Einstellungen, die in Machine Learning-Experimenten verwendet werden, einschließlich der Datenvorbereitung, Schulung und Bereitstellung in einem Webdienst. Eine Umgebung wird in einem Azure Machine Learning Workspaceverwaltet und versioniert. Sie können eine vorhandene Umgebung aktualisieren und eine Version abrufen, um sie wiederzuverwenden. Umgebungen sind exklusiv für den Arbeitsbereich, in dem sie erstellt werden, und können nicht in verschiedenen Arbeitsbereichen verwendet werden.

Weitere Informationen zu Umgebungen finden Sie unter Erstellen und Verwalten wiederverwendbarer Umgebungen.

Class Environment-Konstruktor.

Stellt den Haupteinstiegspunkt zum Erstellen und Arbeiten mit Experimenten in Azure Machine Learning dar.

Ein Experiment ist ein Container mit Testversionen , die mehrere Modellausführungen darstellen.

Experiment-Konstruktor.

Definiert die abstrakte übergeordnete Klasse für Azure Machine Learning Images.

Diese Klasse ist VERALTET. Verwenden Sie die Klasse Environment stattdessen.

Bildkonstruktor.

Diese Klasse ist VERALTET. Verwenden Sie die Klasse Environment stattdessen.

Der Bildkonstruktor wird verwendet, um eine Clouddarstellung eines Image-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Gibt eine Instanz einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Image-Objekts entspricht.

Verwaltet geheime Schlüssel, die im Azure Key Vault gespeichert sind, der einem Azure Machine Learning-Arbeitsbereich zugeordnet ist.

Jeder Azure Machine Learning-Arbeitsbereich verfügt über einen zugeordneten Azure Key Vault. Die Keyvault-Klasse ist ein vereinfachter Wrapper des Azure Key Vault, mit dem Sie geheime Schlüssel im Schlüsseltresor verwalten können, einschließlich Einstellung, Abrufen, Löschen und Auflisten geheimer Schlüssel. Verwenden Sie die Keyvault-Klasse, um geheime Schlüssel an Remoteausführungen sicher zu übergeben, ohne vertrauliche Informationen im Klartext verfügbar zu machen.

Weitere Informationen finden Sie unter Verwenden von geheimen Schlüsseln in Schulungsläufen.

Class Keyvault-Konstruktor.

Definiert eine Ressource zum Verwalten der Verknüpfung zwischen AML-Arbeitsbereichen und anderen Diensten in Azure.

Initialisieren des LinkedService-Objekts.

Stellt das Ergebnis der maschinellen Lernschulung dar.

Ein Modell ist das Ergebnis einer Azure Machine Learning-Schulung Run oder eines anderen Modellschulungsprozesses außerhalb von Azure. Unabhängig davon, wie das Modell erstellt wird, kann es in einem Arbeitsbereich registriert werden, in dem es durch einen Namen und eine Version dargestellt wird. Mit der Model-Klasse können Sie Modelle für die Verwendung mit Docker packen und als Echtzeitendpunkt bereitstellen, der für Rückschlussanforderungen verwendet werden kann.

Ein end-to-End-Lernprogramm, das zeigt, wie Modelle erstellt, verwaltet und genutzt werden, finden Sie unter Trainieren des Bildklassifizierungsmodells mit MNIST-Daten und Scikit-Learn mithilfe von Azure Machine Learning.

Modellkonstruktor.

Der Model-Konstruktor wird verwendet, um eine Clouddarstellung eines Model-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Muss entweder Name oder ID angeben.

Definiert einen privaten Endpunkt zum Verwalten privater Endpunktverbindungen, die einem Azure ML-Arbeitsbereich zugeordnet sind.

Initialisieren Sie PrivateEndPoint.

Definiert die Konfiguration für ein privates Azure EndPoint.

Azure Private Endpoint ist eine Netzwerkschnittstelle, die Sie privat und sicher mit einem Azure ML-Arbeitsbereich mit privatem Link verbindet.

Initialize PrivateEndPointConfig.

Definiert die Basisklasse für alle Ausführungen des Azure Machine Learning-Experiments.

Eine Ausführung stellt eine einzelne Testversion eines Experiments dar. Die Ausführung wird verwendet, um die asynchrone Ausführung einer Testversion zu überwachen, Metriken zu protokollieren und die Ausgabe der Testversion zu speichern und Ergebnisse und Zugriffsartefakte zu analysieren, die von der Testversion generiert werden.

Run objects are created when you submit a script to train a model in many different scenarios in Azure Machine Learning, including HyperDrive runs, Pipeline runs, and AutoML runs. Ein Run-Objekt wird auch erstellt, wenn Sie submit oder start_logging die Klasse verwenden Experiment .

Informationen zu den ersten Schritten mit Experimenten und Läufen finden Sie unter

• Erstellen und Verwalten von Umgebungen für Schulungen und Bereitstellung

• Verwalten von Ausführungsläufen

Initialisieren Sie das Run-Objekt.

Stellt die Konfiguration für Experimentläufe dar, die auf unterschiedliche Computeziele in Azure Machine Learning abzielen.

Das RunConfiguration -Objekt kapselt die informationen, die zum Übermitteln einer Schulung in einem Experiment erforderlich sind. In der Regel erstellen Sie kein RunConfiguration-Objekt direkt, sondern rufen ein Objekt aus einer Methode ab, die es zurückgibt, z. B. die submit Methode der Experiment Klasse.

RunConfiguration ist eine Basisumgebungskonfiguration, die auch in anderen Arten von Konfigurationsschritten verwendet wird, die von der Art der Ausführung abhängen, die Sie auslösen. Wenn Sie beispielsweise ein PythonScriptStepObjekt einrichten, können Sie auf das RunConfiguration-Objekt des Schritts zugreifen und Conda-Abhängigkeiten konfigurieren oder auf die Umgebungseigenschaften für die Ausführung zugreifen.

Beispiele für Ausführungskonfigurationen finden Sie unter Auswählen und Verwenden eines Computeziels zum Trainieren Ihres Modells.

Initialisieren Sie eine RunConfiguration mit den Standardeinstellungen.

Stellt programmgesteuerten Zugriff zum Verwalten von übermittelten Schulungsläufen bereit.

Eine eingereichte Ausführung stellt ScriptRunConfig eine einzelne Testversion in einem Experiment dar. Das Übermitteln der Ausführung gibt ein ScriptRun-Objekt zurück, das verwendet werden kann, um die asynchrone Ausführung der Ausführung zu überwachen, Metriken zu protokollieren und die Ausgabe der Ausführung zu speichern, sowie Ergebnisse und Zugriffsartefakte zu analysieren, die von der Ausführung generiert werden.

Informationen zu den ersten Schritten mit Experimenten und ScriptRunConf finden Sie unter

• Erstellen und Verwalten von Umgebungen für Schulungen und Bereitstellung

• Verwalten von Ausführungsläufen

Class ScriptRun-Konstruktor.

Stellt Konfigurationsinformationen zum Übermitteln einer Schulung in Azure Machine Learning dar.

Ein ScriptRunConfig packt die Konfigurationsinformationen zusammen, die zum Übermitteln einer Ausführung in Azure ML erforderlich sind, einschließlich des Skripts, des Computeziels, der Umgebung und aller verteilten auftragsspezifischen Konfigurationen.

Sobald ein Skript ausgeführt und mit dem submitSkript übermittelt wurde, wird eine ScriptRun zurückgegeben.

Class ScriptRunConfig-Konstruktor.

Definiert eine Konfiguration des verknüpften Diensts zum Verknüpfen des Synapse-Arbeitsbereichs.

Initialisieren Sie das SynapseWorkspaceLinkedServiceConfiguration-Objekt.

Definiert die Basisfunktionalität für die Bereitstellung von Modellen als Webdienstendpunkte in Azure Machine Learning.

Webservice-Konstruktor wird verwendet, um eine Clouddarstellung eines Webservice-Objekts abzurufen, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Gibt eine Instanz einer untergeordneten Klasse zurück, die dem spezifischen Typ des abgerufenen Webservice-Objekts entspricht. Die Webservice-Klasse ermöglicht die Bereitstellung von Machine Learning-Modellen aus einem Model oder Image einem Objekt.

Weitere Informationen zum Arbeiten mit Webservice finden Sie unter Bereitstellen von Modellen mit Azure Machine Learning.

Initialisieren Sie die Webservice-Instanz.

Der Webservice-Konstruktor ruft eine Clouddarstellung eines Webservice-Objekts ab, das dem bereitgestellten Arbeitsbereich zugeordnet ist. Es wird eine Instanz einer untergeordneten Klasse zurückgegeben, die dem spezifischen Typ des abgerufenen Webservice-Objekts entspricht.

Definiert eine Azure Machine Learning-Ressource zum Verwalten von Schulungs- und Bereitstellungsartefakten.

Ein Arbeitsbereich ist eine grundlegende Ressource für maschinelles Lernen in Azure Machine Learning. Sie verwenden einen Arbeitsbereich, um Machine Learning-Modelle zu experimentieren, zu trainieren und bereitzustellen. Jeder Arbeitsbereich ist an ein Azure-Abonnement und eine Ressourcengruppe gebunden und verfügt über eine zugeordnete SKU.

Weitere Informationen zu Arbeitsbereichen finden Sie unter:

• Was ist ein Azure Machine Learning-Arbeitsbereich?

• Verwalten des Zugriffs auf einen Arbeitsbereich

Class Workspace-Konstruktor zum Laden eines vorhandenen Azure Machine Learning Workspace.

Leitet Debugprotokolle an eine angegebene Datei weiter.