core Paquet

Ce package contient des classes utilisées pour gérer les cibles de calcul dans Azure Machine Learning.

Pour plus d’informations sur le choix des cibles de calcul pour l’entraînement et le déploiement, consultez Quelles sont les cibles de calcul dans Azure Machine Learning ?

Contient des fonctionnalités de gestion des images déployées en tant que points de terminaison de service web dans Azure Machine Learning.

Cette classe est DÉCONSEILLÉE. Utilisez plutôt la classe Environment.

Une image est utilisée pour déployer un fichier, un Modelscript et des fichiers associés en tant que point de terminaison de service web ou appareil IoT Edge. Le point de terminaison gère les demandes de scoring entrantes et les prédictions de retour. Les classes clés de ce package sont la Image classe, la classe parente des images Azure Machine Learning et la classe dérivée ContainerImage pour Les images Docker, ainsi que les images en préversion comme FPGA.

Sauf si vous disposez d’un flux de travail qui nécessite spécifiquement l’utilisation d’images, vous devez utiliser plutôt la Environment classe pour définir votre image. Vous pouvez ensuite utiliser l’objet Environnement avec la Modeldeploy() méthode pour déployer le modèle en tant que service web. Vous pouvez également utiliser la méthode Model package() pour créer une image qui peut être téléchargée sur votre installation Docker locale en tant qu’image ou en tant que fichier Dockerfile.

Pour plus d’informations sur l’utilisation de la classe Model, consultez Déployer des modèles avec Azure Machine Learning.

Pour plus d’informations sur l’utilisation d’images personnalisées, consultez Déployer un modèle à l’aide d’une image de base Docker personnalisée.

Contient des fonctionnalités pour déployer des modèles Machine Learning en tant que points de terminaison de service web dans Azure Machine Learning.

Le déploiement d’un modèle Azure Machine Learning en tant que service web crée un point de terminaison et une API REST. Vous pouvez envoyer des données à cette API et recevoir la prédiction retournée par le modèle.

Vous créez un service web lorsque vous déployez un Model ou Image vers Azure Container Instances (aci module), Azure Kubernetes Service (aks module) et Azure Kubernetes Endpoint (AksEndpoint) ou des tableaux de porte programmables (FPGA). Le déploiement à l’aide d’un modèle est recommandé pour la plupart des cas d’usage, tandis que le déploiement à l’aide d’une image est recommandé pour les cas d’usage avancés. Les deux types de déploiement sont pris en charge dans les classes de ce module.

Contient des fonctionnalités permettant de gérer différents types d’authentification dans Azure Machine Learning.

Types d’authentification pris en charge :

• Connexion interactive : mode par défaut lors de l’utilisation du Kit de développement logiciel (SDK) Azure Machine Learning. Utilise une boîte de dialogue interactive.
• Azure CLI : pour une utilisation avec le package azure-cli .
• Principal de service : pour une utilisation avec des flux de travail Machine Learning automatisés.
• MSI : pour une utilisation avec des ressources managed Service Identity, comme avec une machine virtuelle Azure.
• Jeton Azure ML : utilisé pour acquérir des jetons Azure ML pour les exécutions envoyées uniquement.

Pour en savoir plus sur ces mécanismes d’authentification, consultez https://aka.ms/aml-notebook-auth.

Contient des fonctionnalités pour les cibles de calcul non gérées par Azure Machine Learning.

Les cibles de calcul définissent votre environnement de calcul d’entraînement et peuvent être des ressources locales ou distantes dans le cloud. Les ressources distantes vous permettent d’effectuer facilement un scale-up ou un scale-out de votre expérimentation de Machine Learning en tirant parti des fonctionnalités de traitement processeur et GPU accélérées.

Pour plus d’informations sur les cibles de calcul gérées par Azure Machine Learning, consultez la ComputeTarget classe. Pour plus d’informations, consultez Quelles sont les cibles de calcul dans Azure Machine Learning ?

Contient des fonctionnalités permettant de gérer les dépendances d’environnement conda.

Utilisez la CondaDependencies classe pour charger des fichiers d’environnement conda existants et configurer et gérer de nouveaux environnements dans lesquels les expériences s’exécutent.

Contient des fonctionnalités pour la gestion d’un registre de conteneurs Azure.

Contient des fonctionnalités de gestion des environnements Databricks dans Azure Machine Learning.

Pour plus d’informations sur l’utilisation de Databricks dans Azure Machine Learning, consultez Configurer un environnement de développement pour Azure Machine Learning.

Gère l’interaction avec les jeux de données Azure Machine Learning.

Ce module fournit des fonctionnalités permettant de consommer des données brutes, de gérer les données et d’effectuer des actions sur les données dans Azure Machine Learning. Utilisez la Dataset classe de ce module pour créer des jeux de données avec les fonctionnalités du data package, qui contient les classes FileDataset de prise en charge et TabularDataset.

Pour commencer à utiliser des jeux de données, consultez l’article Ajouter et inscrire des jeux de données.

Contient des fonctionnalités de gestion des magasins de données dans Azure Machine Learning.

Contient des fonctionnalités permettant de créer et de gérer des environnements reproductibles dans Azure Machine Learning.

Les environnements offrent un moyen de gérer la dépendance logicielle afin que les environnements contrôlés soient reproductibles avec une configuration manuelle minimale lorsque vous passez d’environnements de développement cloud locaux et distribués. Un environnement encapsule les packages Python, les variables d’environnement, les paramètres logiciels pour l’entraînement et les scripts de scoring, et exécute des heures sur Python, Spark ou Docker. Pour plus d’informations sur l’utilisation d’environnements pour l’entraînement et le déploiement avec Azure Machine Learning, consultez Créer et gérer des environnements réutilisables.

Contient les fonctionnalités utilisées pour envoyer des expériences et gérer l’historique des expériences dans Azure Machine Learning.

Contient des fonctionnalités de gestion des secrets dans le coffre de clés associé à un espace de travail Azure Machine Learning.

Ce module contient des méthodes pratiques pour ajouter, récupérer, supprimer et répertorier des secrets à partir d’Azure Key Vault associé à un espace de travail.

Contient des fonctionnalités permettant de créer et de gérer le service lié dans l’espace de travail AML.

Contient des fonctionnalités de gestion des modèles Machine Learning dans Azure Machine Learning.

Avec la Model classe, vous pouvez effectuer les tâches principales suivantes :

• inscrire votre modèle auprès d’un espace de travail
• profilez votre modèle pour comprendre les exigences de déploiement
• empaqueter votre modèle à utiliser avec Docker
• déployer votre modèle sur un point de terminaison d’inférence en tant que service web

Pour plus d’informations sur l’utilisation des modèles, consultez Fonctionnement d’Azure Machine Learning : Architecture et concepts.

Contient des fonctionnalités permettant de définir et de configurer des points de terminaison privés Azure.

Contient des fonctionnalités pour les modèles de profilage dans Azure Machine Learning.

Contient des fonctionnalités de gestion de la configuration des ressources pour les entités Azure Machine Learning.

Contient des fonctionnalités de gestion des métriques et artefacts d’expérience dans Azure Machine Learning.

Contient des fonctionnalités permettant de gérer la configuration des exécutions d’expériences dans Azure Machine Learning.

La classe clé de ce module est RunConfiguration, qui encapsule les informations nécessaires pour envoyer une exécution d’entraînement sur une cible de calcul spécifiée. La configuration inclut un large ensemble de définitions de comportement, telles que l’utilisation d’un environnement Python existant ou l’utilisation d’un environnement Conda généré à partir d’une spécification.

D’autres classes de configuration du module sont accessibles via RunConfiguration.

Contient les fonctionnalités de gestion des exécutions d’entraînement soumises dans Azure Machine Learning.

Contient des fonctionnalités permettant de gérer la configuration de l’envoi d’exécutions d’entraînement dans Azure Machine Learning.

Contient une classe pour spécifier le niveau de détail de journalisation.

Contient des fonctionnalités pour la gestion d’un espace de travail, la ressource de niveau supérieur dans Azure Machine Learning.

Ce module contient la Workspace classe et ses méthodes et attributs qui vous permettent de gérer des artefacts Machine Learning tels que des cibles de calcul, des environnements, des magasins de données, des expériences et des modèles. Un espace de travail est lié à un abonnement Azure et à un groupe de ressources, et constitue le principal moyen de facturation. Les espaces de travail prennent en charge le contrôle d’accès en fonction du rôle Azure Resource Manager (RBAC) et l’affinité de région pour toutes les données de Machine Learning enregistrées dans l’espace de travail.

Classe parente abstraite pour toutes les cibles de calcul gérées par Azure Machine Learning.

Une cible de calcul est une ressource/un environnement de calcul désigné où vous exécutez votre script d’entraînement ou hébergez votre déploiement de service. Cet emplacement peut être votre machine locale ou une ressource de calcul basée sur le cloud. Pour plus d’informations, consultez Quelles sont les cibles de calcul dans Azure Machine Learning ?

Constructeur ComputeTarget de classe.

Récupérez une représentation cloud d’un objet Compute associé à l’espace de travail fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Compute récupéré.

Définit une connexion à un registre de conteneurs Azure.

Constructeur ContainerRegistry de classe.

Représente une ressource permettant d’explorer, de transformer et de gérer des données dans Azure Machine Learning.

Un jeu de données est une référence aux données dans des Datastore URL web publiques ou derrière.

Pour les méthodes déconseillées dans cette classe, vérifiez AbstractDataset la classe pour connaître les API améliorées.

Les types de jeux de données suivants sont pris en charge :

• TabularDataset représente les données dans un format tabulaire créé en analysant le fichier ou la liste de fichiers fournis.

• FileDataset référence des fichiers uniques ou multiples dans des magasins de données ou à partir d’URL publiques.

Pour bien démarrer avec les jeux de données, consultez l’article Ajouter et inscrire des jeux de données, ou consultez les notebooks https://aka.ms/tabulardataset-samplenotebook et https://aka.ms/filedataset-samplenotebook.

Initialisez l’objet Dataset.

Pour obtenir un jeu de données qui a déjà été inscrit auprès de l’espace de travail, utilisez la méthode get.

Représente une abstraction de stockage sur un compte de stockage Azure Machine Learning.

Les magasins de données sont attachés à des espaces de travail et sont utilisés pour stocker les informations de connexion aux services de stockage Azure afin de pouvoir les référencer par nom et ne pas avoir besoin de mémoriser les informations de connexion et le secret utilisé pour se connecter aux services de stockage.

Voici quelques exemples de services de stockage Azure pris en charge qui peuvent être inscrits en tant que magasins de données :

• Conteneur d’objets blob Azure

• Partage de fichiers Azure

• Azure Data Lake

• Azure Data Lake Gen2

• Azure SQL Database

• Azure Database pour PostgreSQL

• Système de fichiers Databricks

• Azure Database pour MySQL

Utilisez cette classe pour effectuer des opérations de gestion, notamment l’inscription, la liste, l’obtention et la suppression de magasins de données. Les magasins de données pour chaque service sont créés avec les register* méthodes de cette classe. Lorsque vous utilisez un magasin de données pour accéder aux données, vous devez avoir l’autorisation d’accéder à ces données, qui dépendent des informations d’identification inscrites auprès du magasin de données.

Pour plus d’informations sur les magasins de données et leur utilisation dans le Machine Learning, consultez les articles suivants :

• Accéder aux données dans les services de stockage Azure

• Entraîner des modèles avec Azure Machine Learning à l’aide de l’estimateur

• Créer et exécuter des pipelines Machine Learning

Obtenez un magasin de données par nom. Cet appel effectue une demande au service de magasin de données.

Configure un environnement Python reproductible pour les expériences machine learning.

Un environnement définit les packages Python, les variables d’environnement et les paramètres Docker utilisés dans les expériences de Machine Learning, notamment dans la préparation des données, l’entraînement et le déploiement sur un service web. Un environnement est géré et versionné dans Azure Machine Learning Workspace. Vous pouvez mettre à jour un environnement existant et récupérer une version à réutiliser. Les environnements sont exclusifs à l’espace de travail dans lequel ils sont créés et ne peuvent pas être utilisés dans différents espaces de travail.

Pour plus d’informations sur les environnements, consultez Créer et gérer des environnements réutilisables.

Constructeur d’environnement de classe.

Représente le point d’entrée principal pour la création et l’utilisation d’expériences dans Azure Machine Learning.

Une expérience est un conteneur d’essais qui représentent plusieurs exécutions de modèle.

Constructeur d’expérience.

Définit la classe parente abstraite pour Les images Azure Machine Learning.

Cette classe est DÉCONSEILLÉE. Utilisez plutôt la classe Environment.

Constructeur d’image.

Cette classe est DÉCONSEILLÉE. Utilisez plutôt la classe Environment.

Le constructeur d’image est utilisé pour récupérer une représentation cloud d’un objet Image associé à l’espace de travail fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Image récupéré.

Gère les secrets stockés dans Azure Key Vault associé à un espace de travail Azure Machine Learning.

Chaque espace de travail Azure Machine Learning a un coffre de clés Azure associé. La classe KeyVault est un wrapper simplifié d’Azure Key Vault qui vous permet de gérer les secrets dans le coffre de clés, notamment le paramètre, la récupération, la suppression et la description des secrets. Utilisez la classe Keyvault pour transmettre des secrets à des exécutions à distance en toute sécurité sans exposer des informations sensibles en clair.

Pour plus d’informations, consultez Utilisation des secrets dans les exécutions d’entraînement.

Constructeur Keyvault de classe.

Définit une ressource permettant de gérer la liaison entre l’espace de travail AML et d’autres services sur Azure.

Initialisez l’objet LinkedService.

Représente le résultat de l’apprentissage automatique.

Un modèle est le résultat d’une formation Run Azure Machine Learning ou d’un autre processus d’entraînement de modèle en dehors d’Azure. Quel que soit le mode de production du modèle, il peut être inscrit dans un espace de travail, où il est représenté par un nom et une version. Avec la classe Model, vous pouvez empaqueter des modèles à utiliser avec Docker et les déployer en tant que point de terminaison en temps réel qui peut être utilisé pour les demandes d’inférence.

Pour obtenir un didacticiel de bout en bout montrant comment les modèles sont créés, gérés et consommés, consultez Entraîner le modèle de classification d’images avec des données MNIST et scikit-learn à l’aide d’Azure Machine Learning.

Constructeur de modèle.

Le constructeur model est utilisé pour récupérer une représentation cloud d’un objet Model associé à l’espace de travail fourni. Doit fournir le nom ou l’ID.

Définit un point de terminaison privé pour la gestion des connexions de point de terminaison privé associées à un espace de travail Azure ML.

Initialisez PrivateEndPoint.

Définit la configuration d’un point de terminaison privé Azure.

Azure Private Endpoint est une interface réseau qui vous connecte en privé et en toute sécurité à un espace de travail Azure ML avec Private Link.

Initialisez PrivateEndPointConfig.

Définit la classe de base pour toutes les exécutions d’expériences Azure Machine Learning.

Une exécution représente une seule version d’évaluation d’une expérience. Les exécutions sont utilisées pour surveiller l’exécution asynchrone d’une version d’évaluation, des métriques de journal et stocker la sortie de la version d’évaluation, et pour analyser les résultats et accéder aux artefacts générés par la version d’évaluation.

Les objets d’exécution sont créés lorsque vous envoyez un script pour entraîner un modèle dans de nombreux scénarios différents dans Azure Machine Learning, notamment les exécutions HyperDrive, les exécutions de pipeline et les exécutions AutoML. Un objet Run est également créé lorsque vous submit ou start_logging avec la Experiment classe.

Pour commencer à utiliser des expériences et des exécutions, consultez

• Créer et gérer des environnements pour la formation et le déploiement

• Comment gérer les exécutions

Initialisez l’objet Run.

Représente la configuration des exécutions d’expériences ciblant différentes cibles de calcul dans Azure Machine Learning.

L’objet RunConfiguration encapsule les informations nécessaires pour soumettre une exécution d’entraînement dans une expérience. En règle générale, vous ne créez pas directement un objet RunConfiguration, mais obtenez-en un à partir d’une méthode qui la retourne, telle que la submit méthode de la Experiment classe.

RunConfiguration est une configuration d’environnement de base qui est également utilisée dans d’autres types d’étapes de configuration qui dépendent du type d’exécution que vous déclenchez. Par exemple, lors de la configuration d’un PythonScriptStep, vous pouvez accéder à l’objet RunConfiguration de l’étape et configurer les dépendances Conda ou accéder aux propriétés d’environnement pour l’exécution.

Pour obtenir des exemples de configurations d’exécution, consultez Sélectionner et utiliser une cible de calcul pour entraîner votre modèle.

Initialisez une RunConfiguration avec les paramètres par défaut.

Fournit un accès programmatique pour la gestion des exécutions d’entraînement soumises.

Une exécution envoyée avec ScriptRunConfig représente une seule version d’évaluation dans une expérience. L’envoi de l’exécution retourne un objet ScriptRun, qui peut être utilisé pour surveiller l’exécution asynchrone de l’exécution, consigner les métriques et stocker la sortie de l’exécution, et analyser les résultats et accéder aux artefacts générés par l’exécution.

Pour commencer à utiliser des expériences et ScriptRunConf, consultez

• Créer et gérer des environnements pour la formation et le déploiement

• Comment gérer les exécutions

Constructeur ScriptRun de classe.

Représente les informations de configuration pour envoyer une exécution d’entraînement dans Azure Machine Learning.

Un ScriptRunConfig regroupe les informations de configuration nécessaires pour envoyer une exécution dans Azure ML, notamment le script, la cible de calcul, l’environnement et toutes les configurations spécifiques aux travaux distribués.

Une fois qu’une exécution de script est configurée et envoyée avec , submitun ScriptRun script est retourné.

Constructeur ScriptRunConfig de classe.

Définit une configuration de service lié pour lier un espace de travail synapse.

Initialisez l’objet SynapseWorkspaceLinkedServiceConfiguration.

Définit la fonctionnalité de base pour le déploiement de modèles en tant que points de terminaison de service web dans Azure Machine Learning.

Le constructeur webservice est utilisé pour récupérer une représentation cloud d’un objet Webservice associé à l’espace de travail fourni. Retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Webservice récupéré. La classe Webservice permet de déployer des modèles Machine Learning à partir d’un ou Model d’un Image objet.

Pour plus d’informations sur l’utilisation de Webservice, consultez Déployer des modèles avec Azure Machine Learning.

Initialisez l’instance webservice.

Le constructeur Webservice récupère une représentation cloud d’un objet Webservice associé à l’espace de travail fourni. Elle retourne une instance d’une classe enfant correspondant au type spécifique de l’objet Webservice récupéré.

Définit une ressource Azure Machine Learning pour la gestion des artefacts d’apprentissage et de déploiement.

Un espace de travail est une ressource fondamentale pour le Machine Learning dans Azure Machine Learning. Vous utilisez un espace de travail pour expérimenter, entraîner et déployer des modèles Machine Learning. Chaque espace de travail est lié à un abonnement Azure et à un groupe de ressources et possède une référence SKU associée.

Pour plus d’informations sur les espaces de travail, consultez :

• Qu’est-ce qu’un espace de travail Azure Machine Learning ?

• Gérer l’accès à un espace de travail

Constructeur d’espace de travail de classe pour charger un espace de travail Azure Machine Learning existant.

Dirige les journaux de débogage vers un fichier spécifié.