core Paquete

Este paquete contiene clases que se usan para administrar destinos de proceso en Azure Machine Learning.

Para más información sobre cómo elegir destinos de proceso para el entrenamiento y la implementación, consulte ¿Qué son los destinos de proceso en Azure Machine Learning?

Contiene funcionalidad para administrar imágenes que se implementan como puntos de conexión de servicio web en Azure Machine Learning.

Esta clase está EN DESUSO. Use la clase Environment en su lugar.

Una imagen se usa para implementar un Model, script y archivos asociados como un punto de conexión de servicio web o un dispositivo IoT Edge. El punto de conexión controla las solicitudes de puntuación entrantes y devuelve predicciones. Las clases clave de este paquete son la Image clase, la clase primaria de imágenes de Azure Machine Learning y la clase derivada ContainerImage para imágenes de Docker, así como imágenes en versión preliminar como FPGA.

A menos que tenga un flujo de trabajo que requiera específicamente el uso de imágenes, debe usar la clase para definir la Environment imagen. A continuación, puede usar el objeto Environment con el Modeldeploy() método para implementar el modelo como un servicio web. También puede usar el método Model package() para crear una imagen que se pueda descargar en la instalación local de Docker como una imagen o como dockerfile.

Para obtener información sobre el uso de la clase Model, consulte Implementación de modelos con Azure Machine Learning.

Para obtener información sobre el uso de imágenes personalizadas, consulte Implementación de un modelo mediante una imagen base personalizada de Docker.

Contiene funcionalidad para implementar modelos de aprendizaje automático como puntos de conexión de servicio web en Azure Machine Learning.

La implementación de un modelo de Azure Machine Learning como servicio web crea un punto de conexión y una API REST. Puede enviar datos a esta API y recibir la predicción devuelta por el modelo.

Puede crear un servicio web al implementar o ModelImage en Azure Container Instances (aci módulo), Azure Kubernetes Service (aks módulo) y punto de conexión de Azure Kubernetes (AksEndpoint) o matrices de puertas programables de campo (FPGA). Se recomienda la implementación mediante un modelo para la mayoría de los casos de uso, mientras que la implementación mediante una imagen se recomienda para casos de uso avanzados. Ambos tipos de implementación se admiten en las clases de este módulo.

Contiene funcionalidad para administrar diferentes tipos de autenticación en Azure Machine Learning.

Tipos de autenticación compatibles:

• Inicio de sesión interactivo: modo predeterminado al usar el SDK de Azure Machine Learning. Usa un cuadro de diálogo interactivo.
• CLI de Azure: para su uso con el paquete azure-cli .
• Entidad de servicio: para su uso con flujos de trabajo de aprendizaje automático automatizados.
• MSI: para su uso con recursos habilitados para Managed Service Identity, como con una máquina virtual de Azure.
• Token de Azure ML: se usa para adquirir tokens de Azure ML solo para ejecuciones enviadas.

Para más información sobre estos mecanismos de autenticación, consulte https://aka.ms/aml-notebook-auth.

Contiene la funcionalidad de los destinos de proceso no administrados por Azure Machine Learning.

Los destinos de proceso definen el entorno de proceso de entrenamiento y pueden ser recursos locales o remotos en la nube. Los recursos remotos le permiten escalar verticalmente o escalar horizontalmente fácilmente la experimentación con el aprendizaje automático aprovechando las funcionalidades aceleradas de procesamiento de CPU y GPU.

Para obtener información sobre los destinos de proceso administrados por Azure Machine Learning, consulte la ComputeTarget clase . Para más información, consulte ¿Qué son los destinos de proceso en Azure Machine Learning?

Contiene la funcionalidad para administrar las dependencias del entorno de Conda.

Use la CondaDependencies clase para cargar los archivos de entorno de Conda existentes y configurar y administrar nuevos entornos en los que se ejecutan los experimentos.

Contiene la funcionalidad para administrar una instancia de Azure Container Registry.

Contiene funcionalidad para administrar entornos de Databricks en Azure Machine Learning.

Para más información sobre cómo trabajar con Databricks en Azure Machine Learning, consulte Configuración de un entorno de desarrollo para Azure Machine Learning.

Administra la interacción con los conjuntos de datos de Azure Machine Learning.

Este módulo proporciona funcionalidad para consumir datos sin procesar, administrar datos y realizar acciones en los datos de Azure Machine Learning. Use la Dataset clase de este módulo para crear conjuntos de datos junto con la funcionalidad del data paquete, que contiene las clases auxiliares FileDataset y TabularDataset.

Para empezar a trabajar con conjuntos de datos, consulte el artículo Agregar y registrar conjuntos de datos.

Contiene funcionalidad para administrar almacenes de datos en Azure Machine Learning.

Contiene funcionalidad para crear y administrar entornos reproducibles en Azure Machine Learning.

Los entornos proporcionan una manera de administrar la dependencia de software para que los entornos controlados sean reproducibles con una configuración manual mínima a medida que se mueve entre entornos de desarrollo en la nube locales y distribuidos. Un entorno encapsula paquetes de Python, variables de entorno, configuración de software para scripts de entrenamiento y puntuación y tiempos de ejecución en Python, Spark o Docker. Para más información sobre el uso de entornos para el entrenamiento y la implementación con Azure Machine Learning, consulte Creación y administración de entornos reutilizables.

Contiene la funcionalidad que se usa para enviar experimentos y administrar el historial de experimentos en Azure Machine Learning.

Contiene funcionalidad para administrar secretos en Key Vault asociados a un área de trabajo de Azure Machine Learning.

Este módulo contiene métodos útiles para agregar, recuperar, eliminar y enumerar secretos de Azure Key Vault asociados a un área de trabajo.

Contiene la funcionalidad para crear y administrar el servicio vinculado en el área de trabajo de AML.

Contiene funcionalidad para administrar modelos de Machine Learning en Azure Machine Learning.

Con la Model clase , puede realizar las siguientes tareas principales:

• registrar el modelo con un área de trabajo
• generar perfiles del modelo para comprender los requisitos de implementación
• empaquetar el modelo para su uso con Docker
• implementar el modelo en un punto de conexión de inferencia como servicio web

Para más información sobre cómo se usan los modelos, consulte Funcionamiento de Azure Machine Learning: Arquitectura y conceptos.

Contiene funcionalidad para definir y configurar puntos de conexión privados de Azure.

Contiene la funcionalidad de los modelos de generación de perfiles en Azure Machine Learning.

Contiene funcionalidad para administrar la configuración de recursos para las entidades de Azure Machine Learning.

Contiene funcionalidad para administrar métricas y artefactos de experimentos en Azure Machine Learning.

Contiene funcionalidad para administrar la configuración de las ejecuciones de experimentos en Azure Machine Learning.

La clase de clave de este módulo es RunConfiguration, que encapsula la información necesaria para enviar una ejecución de entrenamiento en un destino de proceso especificado. La configuración incluye un amplio conjunto de definiciones de comportamiento, como si se debe usar un entorno de Python existente o usar un entorno de Conda creado a partir de una especificación.

Se accede a otras clases de configuración del módulo a través de RunConfiguration.

Contiene la funcionalidad para administrar las ejecuciones de entrenamiento enviadas en Azure Machine Learning.

Contiene funcionalidad para administrar la configuración para enviar ejecuciones de entrenamiento en Azure Machine Learning.

Contiene la clase para especificar el nivel de detalle de registro.

Contiene funcionalidad para administrar un área de trabajo, el recurso de nivel superior de Azure Machine Learning.

Este módulo contiene la Workspace clase y sus métodos y atributos que le permiten administrar artefactos de aprendizaje automático, como destinos de proceso, entornos, almacenes de datos, experimentos y modelos. Un área de trabajo está vinculada a una suscripción y un grupo de recursos de Azure, y es el medio principal para la facturación. Las áreas de trabajo admiten el control de acceso basado en rol (RBAC) de Azure Resource Manager y la afinidad de región para todos los datos de aprendizaje automático guardados en el área de trabajo.

Clase primaria abstracta para todos los destinos de proceso administrados por Azure Machine Learning.

Un destino de proceso es un recurso o entorno de proceso designado en el que se ejecuta el script de entrenamiento o se hospeda la implementación del servicio. Esta ubicación puede ser su equipo local o un recurso de proceso en la nube. Para más información, consulte ¿Qué son los destinos de proceso en Azure Machine Learning?

Constructor ComputeTarget de clase.

Recupere una representación en la nube de un objeto Compute asociado al área de trabajo proporcionada. Devuelve una instancia de una clase secundaria correspondiente al tipo específico del objeto Compute recuperado.

Define una conexión a una instancia de Azure Container Registry.

Constructor ContainerRegistry de clase.

Representa un recurso para explorar, transformar y administrar datos en Azure Machine Learning.

Un conjunto de datos es una referencia a los datos de una Datastore dirección URL web pública o detrás de ellos.

Para los métodos en desuso en esta clase, compruebe la AbstractDataset clase para ver las API mejoradas.

Se admiten los siguientes tipos de conjuntos de datos:

• TabularDataset representa los datos en un formato tabular creado mediante el análisis del archivo o la lista de archivos proporcionados.

• FileDataset hace referencia a uno o varios archivos en almacenes de datos o desde direcciones URL públicas.

Para empezar a trabajar con conjuntos de datos, consulte el artículo Agregar y registrar conjuntos de datos, o vea los cuadernos https://aka.ms/tabulardataset-samplenotebook y https://aka.ms/filedataset-samplenotebook.

Inicialice el objeto Dataset.

Para obtener un conjunto de datos que ya se ha registrado en el área de trabajo, use el método get.

Representa una abstracción de almacenamiento a través de una cuenta de almacenamiento de Azure Machine Learning.

Los almacenes de datos se adjuntan a áreas de trabajo y se usan para almacenar información de conexión a los servicios de almacenamiento de Azure para que pueda hacer referencia a ellos por nombre y no es necesario recordar la información de conexión y el secreto usados para conectarse a los servicios de almacenamiento.

Algunos ejemplos de servicios de Almacenamiento de Azure admitidos que se pueden registrar como almacenes de datos son:

• Contenedor de blobs de Azure

• Recurso compartido de archivos de Azure

• Azure Data Lake

• Azure Data Lake Gen2

• Azure SQL Database

• Base de Datos de Azure para PostgreSQL

• Sistema de archivos de Databricks

• Base de Datos Azure para MySQL

Use esta clase para realizar operaciones de administración, como registrar, enumerar, obtener y quitar almacenes de datos. Los almacenes de datos de cada servicio se crean con los register* métodos de esta clase. Al usar un almacén de datos para acceder a los datos, debe tener permiso para acceder a esos datos, que depende de las credenciales registradas en el almacén de datos.

Para obtener más información sobre los almacenes de datos y cómo se pueden usar en el aprendizaje automático, consulte los artículos siguientes:

• Acceso a los datos en los servicios de almacenamiento de Azure

• Entrenamiento de modelos con Azure Machine Learning mediante el estimador

• Creación y ejecución de canalizaciones de aprendizaje automático

Obtenga un almacén de datos por nombre. Esta llamada realizará una solicitud al servicio de almacén de datos.

Configura un entorno de Python reproducible para experimentos de aprendizaje automático.

Un entorno define paquetes de Python, variables de entorno y configuración de Docker que se usan en experimentos de aprendizaje automático, incluida la preparación, el entrenamiento y la implementación de datos en un servicio web. Un entorno se administra y tiene versiones en una instancia de Azure Machine Learning Workspace. Puede actualizar un entorno existente y recuperar una versión para reutilizarla. Los entornos son exclusivos del área de trabajo en la que se crean y no se pueden usar en distintas áreas de trabajo.

Para obtener más información sobre los entornos, consulte Creación y administración de entornos reutilizables.

Constructor de entorno de clase.

Representa el punto de entrada principal para crear y trabajar con experimentos en Azure Machine Learning.

Un experimento es un contenedor de pruebas que representan varias ejecuciones de modelos.

Constructor de experimentos.

Define la clase primaria abstracta para Imágenes de Azure Machine Learning.

Esta clase está EN DESUSO. Use la clase Environment en su lugar.

Constructor de imagen.

Esta clase está EN DESUSO. Use la clase Environment en su lugar.

El constructor image se usa para recuperar una representación en la nube de un objeto Image asociado al área de trabajo proporcionada. Devolverá una instancia de una clase secundaria correspondiente al tipo específico del objeto Image recuperado.

Administra los secretos almacenados en Azure Key Vault asociados a un área de trabajo de Azure Machine Learning.

Cada área de trabajo de Azure Machine Learning tiene una instancia de Azure Key Vault asociada. La clase Keyvault es un contenedor simplificado de Azure Key Vault que permite administrar secretos en el almacén de claves, incluida la configuración, la recuperación, eliminación y enumeración de secretos. Use la clase Keyvault para pasar secretos a ejecuciones remotas de forma segura sin exponer información confidencial en texto no cifrado.

Para obtener más información, consulte Uso de secretos en ejecuciones de entrenamiento.

Constructor keyvault de clase.

Define un recurso para administrar la vinculación entre el área de trabajo de AML con otros servicios en Azure.

Inicialice el objeto LinkedService.

Representa el resultado del entrenamiento de aprendizaje automático.

Un modelo es el resultado de un entrenamiento Run de Azure Machine Learning o de algún otro proceso de entrenamiento de modelos fuera de Azure. Independientemente de cómo se genera el modelo, se puede registrar en un área de trabajo, donde se representa mediante un nombre y una versión. Con la clase Model, puede empaquetar modelos para su uso con Docker e implementarlos como un punto de conexión en tiempo real que se puede usar para las solicitudes de inferencia.

Para ver un tutorial completo que muestra cómo se crean, administran y consumen los modelos, consulte Entrenamiento del modelo de clasificación de imágenes con datos MNIST y scikit-learn mediante Azure Machine Learning.

Constructor de modelos.

El constructor Model se usa para recuperar una representación en la nube de un objeto Model asociado al área de trabajo proporcionada. Debe proporcionar el nombre o el identificador.

Define un punto de conexión privado para administrar conexiones de punto de conexión privado asociadas a un área de trabajo de Azure ML.

Inicialice PrivateEndPoint.

Define la configuración de un punto de conexión privado de Azure.

El punto de conexión privado de Azure es una interfaz de red que le conecta de forma privada y segura a un área de trabajo de Azure ML con Private Link.

Inicialice PrivateEndPointConfig.

Define la clase base para todas las ejecuciones de experimentos de Azure Machine Learning.

Una ejecución representa una sola versión de prueba de un experimento. Las ejecuciones se usan para supervisar la ejecución asincrónica de una prueba, las métricas de registro y la salida de la prueba, y para analizar los resultados y acceder a los artefactos generados por la prueba.

Los objetos de ejecución se crean al enviar un script para entrenar un modelo en muchos escenarios diferentes de Azure Machine Learning, incluidas las ejecuciones de HyperDrive, las ejecuciones de canalización y las ejecuciones de AutoML. También se crea un objeto Run cuando se usa submit o start_logging con la Experiment clase .

Para empezar a trabajar con experimentos y ejecuciones, consulte

• Creación y administración de entornos para el entrenamiento y la implementación

• Administración de ejecuciones

Inicialice el objeto Run.

Representa la configuración de las ejecuciones de experimentos que tienen como destino distintos destinos de proceso en Azure Machine Learning.

El objeto RunConfiguration encapsula la información necesaria para enviar una ejecución de entrenamiento en un experimento. Normalmente, no creará un objeto RunConfiguration directamente, sino que obtendrá uno de un método que lo devuelva, como el submit método de la Experiment clase .

RunConfiguration es una configuración de entorno base que también se usa en otros tipos de pasos de configuración que dependen del tipo de ejecución que se está desencadenando. Por ejemplo, al configurar un PythonScriptStep, puede acceder al objeto RunConfiguration del paso y configurar las dependencias de Conda o acceder a las propiedades del entorno para la ejecución.

Para obtener ejemplos de configuraciones de ejecución, consulte Selección y uso de un destino de proceso para entrenar el modelo.

Inicialice un RunConfiguration con la configuración predeterminada.

Proporciona acceso mediante programación para administrar las ejecuciones de entrenamiento enviadas.

Una ejecución enviada con ScriptRunConfig representa una sola versión de prueba en un experimento. El envío de la ejecución devuelve un objeto ScriptRun, que se puede usar para supervisar la ejecución asincrónica de la ejecución, registrar métricas y almacenar la salida de la ejecución, y analizar los resultados y acceder a los artefactos generados por la ejecución.

Para empezar a trabajar con experimentos y ScriptRunConf, consulte

• Creación y administración de entornos para el entrenamiento y la implementación

• Administración de ejecuciones

Constructor ScriptRun de clase.

Representa información de configuración para enviar una ejecución de entrenamiento en Azure Machine Learning.

Un scriptRunConfig empaqueta la información de configuración necesaria para enviar una ejecución en Azure ML, incluido el script, el destino de proceso, el entorno y las configuraciones específicas del trabajo distribuido.

Una vez configurada y enviada una ejecución de script con submit, se devuelve .ScriptRun

Constructor De clase ScriptRunConfig.

Define una configuración de servicio vinculado para vincular el área de trabajo de Synapse.

Inicialice el objeto SynapseWorkspaceLinkedServiceConfiguration.

Define la funcionalidad base para implementar modelos como puntos de conexión de servicio web en Azure Machine Learning.

El constructor de servicios web se usa para recuperar una representación en la nube de un objeto de servicio web asociado al área de trabajo proporcionada. Devuelve una instancia de una clase secundaria correspondiente al tipo específico del objeto Webservice recuperado. La clase Webservice permite implementar modelos de aprendizaje automático desde un Model objeto o Image .

Para más información sobre cómo trabajar con el servicio web, consulte Implementación de modelos con Azure Machine Learning.

Inicialice la instancia del servicio web.

El constructor de servicios web recupera una representación en la nube de un objeto de servicio web asociado al área de trabajo proporcionada. Devolverá una instancia de una clase secundaria correspondiente al tipo específico del objeto Webservice recuperado.

Define un recurso de Azure Machine Learning para administrar artefactos de entrenamiento e implementación.

Un área de trabajo es un recurso fundamental para el aprendizaje automático en Azure Machine Learning. Use un área de trabajo para experimentar, entrenar e implementar modelos de aprendizaje automático. Cada área de trabajo está asociada a una suscripción de Azure y a un grupo de recursos, y tiene una SKU asociada.

Para obtener más información sobre las áreas de trabajo, consulte:

• ¿Qué es un área de trabajo de Azure Machine Learning?

• Administración del acceso a un área de trabajo

Constructor de área de trabajo de clase para cargar un área de trabajo de Azure Machine Learning existente.

Dirige los registros de depuración a un archivo especificado.