steps Pacote

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML para executar um script U-SQL com o Azure Data Lake Analytics.

Contém a funcionalidade para adicionar e gerenciar uma etapa de pipeline de ML automatizada no Azure Machine Learning.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML que executa um executável do Windows no Lote do Azure.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML que executa comandos.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

Contém a funcionalidade para criar uma etapa de pipeline do Azure ML para executar um notebook do Databricks ou um script Python no DBFS.

Contém a funcionalidade para criar uma etapa de pipeline que executa um treinamento de modelo de Estimativa para Machine Learning.

Contém funtionalidade para criar e gerenciar etapas do Pipeline do Azure ML que executam o ajuste do hiperparâmetro.

Contém a funcionalidade para criar uma etapa de pipeline do Azure ML para executar um notebook Kusto.

Contém a funcionalidade para adicionar uma etapa do Pipeline do Azure Machine Learning usando uma versão existente de um módulo.

Contém funcionalidade para adicionar uma etapa do Pipeline do Azure ML para executar um trabalho de MPI para treinamento de modelo do Machine Learning.

Contém a funcionalidade para configurar um ParallelRunStep.

Contém a funcionalidade para adicionar uma etapa para executar o script do usuário no modo paralelo em vários destinos AmlCompute.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML que executa o script Python.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure ML que executa o script R.

Contém a funcionalidade para criar uma etapa do Azure ML Synapse que executa o script Python.

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

Para obter um exemplo de como usar este AdlaStep, consulte o bloco de anotações https://aka.ms/pl-adla.

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

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

Para obter um exemplo de como usar AutoMLStep, consulte o bloco de anotações https://aka.ms/pl-automl.

Inicializar um AutoMLStep.

Fornece informações sobre uma execução de experimento de ML automatizada e métodos para recuperar saídas padrão.

A classe AutoMLStepRun é usada para gerenciar, verificar o status e recuperar detalhes de execução depois que uma execução automatizada de ML é enviada em um pipeline. Além disso, essa classe pode ser usada para obter as saídas padrão da AutoMLStepStepRun classe.

Inicializar uma execução de etapa de automl.

Cria uma etapa do Pipeline do Azure ML para enviar trabalhos ao Lote do Azure.

Observação: esta etapa não dá suporte ao upload/download de diretórios e seu conteúdo.

Para obter um exemplo de como usar o AzureBatchStep, consulte o bloco de anotações https://aka.ms/pl-azbatch.

Crie uma etapa do Pipeline do Azure ML para enviar trabalhos ao Lote do Azure.

Crie uma etapa do Pipeline do Azure ML que executa um comando.

Crie uma etapa do Pipeline do Azure ML que executa um comando.

Cria uma etapa do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

O DataTransferStep dá suporte a tipos de armazenamento comuns, como o Armazenamento de Blobs do Azure e o Azure Data Lake como fontes e coletores. Para obter mais informações, consulte a seção Comentários .

Para obter um exemplo de como usar DataTransferStep, consulte o notebook https://aka.ms/pl-data-trans.

Crie uma etapa do Pipeline do Azure ML que transfere dados entre opções de armazenamento.

Cria uma etapa do Pipeline do Azure ML para adicionar um notebook do DataBricks, script Python ou JAR como um nó.

Para obter um exemplo de como usar o DatabricksStep, consulte o notebook https://aka.ms/pl-databricks.

Crie uma etapa do Pipeline do Azure ML para adicionar um notebook do DataBricks, um script Python ou o JAR como um nó.

Para obter um exemplo de como usar o DatabricksStep, consulte o notebook https://aka.ms/pl-databricks.

:p aram python_script_name:[Obrigatório] O nome de um script Python relativo a source_directory. Se o script receber entradas e saídas, elas serão passadas para o script como parâmetros. Se python_script_name for especificado, também source_directory deve ser.

Especifique exatamente um de notebook_path, python_script_pathou python_script_namemain_class_name.

Se você 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 passadas para o script como parâmetros. É assim que eles serão e você precisará analisar os argumentos em seu script para acessar os 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: a hora de expiração do token AML.
• AZUREML_RUN_ID: ID de execução do Azure Machine Learning para esta execução.
• AZUREML_ARM_SUBSCRIPTION: assinatura do Azure para seu workspace AML.
• AZUREML_ARM_RESOURCEGROUP: grupo de recursos do Azure para seu workspace do Azure Machine Learning.
• AZUREML_ARM_WORKSPACE_NAME: nome do workspace do Azure Machine Learning.
• AZUREML_ARM_PROJECT_NAME: nome do experimento do Azure Machine Learning.
• AZUREML_SERVICE_ENDPOINT: a URL do ponto de extremidade para serviços AML.
• AZUREML_WORKSPACE_ID: ID do workspace do Azure Machine Learning.
• AZUREML_EXPERIMENT_ID: ID do experimento do Azure Machine Learning.
• AZUREML_SCRIPT_DIRECTORY_NAME: caminho de diretório no DBFS em que source_directory foi copiado.

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

Quando você estiver executando um script Python de seu computador local no Databricks usando parâmetros source_directory DatabricksStep e python_script_nameo source_directory for copiado para o DBFS e o caminho do diretório no DBFS será passado como um parâmetro para o script quando ele iniciar a execução. Esse parâmetro é rotulado como –AZUREML_SCRIPT_DIRECTORY_NAME. Você precisa prefixá-lo com a cadeia de caracteres "dbfs:/" ou "/dbfs/" para acessar o diretório no DBFS.

DEPRECADO. Cria uma etapa de pipeline a ser executada Estimator para o treinamento do modelo do Azure ML.

Crie uma etapa do Pipeline do Azure ML para executar o treinamento de modelo do Estimador para Machine Learning.

DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento de ML em pipelines com CommandStep.

Cria uma etapa do Pipeline do Azure ML para executar o ajuste de hiperparâmetro para treinamento de modelo do Machine Learning.

Para obter um exemplo de como usar o HyperDriveStep, consulte o bloco de anotações https://aka.ms/pl-hyperdrive.

Crie uma etapa do Pipeline do Azure ML para executar o ajuste de hiperparâmetro para treinamento de modelo do Machine Learning.

Gerencie, verifique o status e recupere os detalhes da execução de uma etapa de HyperDriveStep pipeline.

O HyperDriveStepRun fornece a funcionalidade com HyperDriveRun o suporte adicional de StepRun. A classe HyperDriveStepRun permite que você gerencie, verifique o status e recupere os detalhes de execução para a execução do HyperDrive e cada uma de suas execuções filho geradas. A classe StepRun permite que você faça isso depois que a execução do pipeline pai for enviada e o pipeline tiver enviado a execução da etapa.

Inicialize um HyperDriveStepRun.

O HyperDriveStepRun fornece a funcionalidade com HyperDriveRun o suporte adicional de StepRun. A classe HyperDriveRun permite que você gerencie, verifique o status e recupere os detalhes de execução para a execução do HyperDrive e cada uma de suas execuções filho geradas. A classe StepRun permite que você faça isso depois que a execução do pipeline pai for enviada e o pipeline tiver enviado a execução da etapa.

O KustoStep habilita a funcionalidade de executar consultas Kusto em um cluster Kusto de destino no Azure ML Pipelines.

Inicializar KustoStep.

Cria uma etapa 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 usados em diferentes cenários de machine learning e por usuários diferentes. Para usar uma versão específica de um módulo em um pipeline, crie um ModuleStep. Um ModuleStep é uma etapa no pipeline que usa um existente ModuleVersion.

Para obter um exemplo de como usar ModuleStep, consulte o bloco de anotações https://aka.ms/pl-modulestep.

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

Cria uma etapa de pipeline do Azure ML para executar um trabalho de MPI.

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

Crie uma etapa de pipeline do Azure ML para executar um trabalho de MPI.

DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar o treinamento distribuído em pipelines com CommandStep.

Define a configuração de um ParallelRunStep objeto.

Para obter um exemplo de como usar ParallelRunStep, consulte o bloco de anotações https://aka.ms/batch-inference-notebooks.

Para obter o guia de solução de problemas, consulte https://aka.ms/prstsg. Você pode encontrar mais referências lá.

Inicialize o objeto de configuração.

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

Para obter um exemplo de como usar ParallelRunStep, consulte o bloco de anotações https://aka.ms/batch-inference-notebooks.

Para obter o guia de solução de problemas, consulte https://aka.ms/prstsg. Você pode encontrar mais referências lá.

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

Para obter um exemplo de como usar ParallelRunStep, consulte o link https://aka.ms/batch-inference-notebooksdo bloco de anotações.

Cria uma etapa do Pipeline do Azure ML que executa o script Python.

Para obter um exemplo de como usar PythonScriptStep, consulte o bloco de anotações https://aka.ms/pl-get-started.

Crie uma etapa do Pipeline do Azure ML que executa o script Python.

Cria uma etapa do Pipeline do Azure ML que executa o script R.

Crie uma etapa do Pipeline do Azure ML que executa o script R.

DEPRECADO. Use o CommandStep em vez disso. Para obter um exemplo , consulte Como executar scripts R em pipelines com CommandStep.

Cria uma etapa do Azure ML Synapse que envia e executa o script Python.

Crie uma etapa do Pipeline do Azure ML que executa o trabalho do Spark no pool do Synapse Spark.