BatchDeploymentOperations Třída

  • Reference

BatchDeploymentOperations.

Neměli byste vytvořit instanci této třídy přímo. Místo toho byste měli vytvořit instanci MLClient, která vytvoří instanci za vás a připojí ji jako atribut.

Dědičnost
azure.ai.ml._scope_dependent_operations._ScopeDependentOperations
BatchDeploymentOperations

Konstruktor

BatchDeploymentOperations(operation_scope: OperationScope, operation_config: OperationConfig, service_client_05_2022: AzureMachineLearningWorkspaces, all_operations: OperationsContainer, credentials: TokenCredential | None = None, **kwargs: Dict)

Parametry

operation_scope
<xref:azure.ai.ml._scope_dependent_operations.OperationScope>
Vyžadováno

Proměnné oboru pro třídy operací objektu MLClient.

operation_config
<xref:azure.ai.ml._scope_dependent_operations.OperationConfig>
Vyžadováno

Běžná konfigurace pro třídy operací objektu MLClient.

service_client_05_2022
<xref:<xref:azure.ai.ml._restclient.v2022_05_01._azure_machine_learning_workspaces. AzureMachineLearningWorkspaces>>
Vyžadováno

Klient služby umožňuje koncovým uživatelům pracovat s prostředky pracovního prostoru Azure Machine Learning.

all_operations
<xref:azure.ai.ml._scope_dependent_operations.OperationsContainer>
Vyžadováno

Všechny třídy operací objektu MLClient.

credentials
TokenCredential
výchozí hodnota: None

Přihlašovací údaje, které se mají použít k ověřování.

Metody

begin_create_or_update

Vytvořte nebo aktualizujte dávkové nasazení.
begin_delete

Odstranění dávkového nasazení
get

Získejte prostředek nasazení.
list

Vypíše prostředek nasazení.
list_jobs

Vypište úlohy v zadaném nasazení dávkového koncového bodu. To platí jenom pro dávkový koncový bod.

begin_create_or_update

Vytvořte nebo aktualizujte dávkové nasazení.

begin_create_or_update(deployment: DeploymentType, *, skip_script_validation: bool = False, **kwargs) -> LROPoller[DeploymentType]

Parametry

deployment
BatchDeployment
Vyžadováno

Entita nasazení.

Návraty

Poller ke sledování stavu operace.

Návratový typ

LROPoller[BatchDeployment]

Výjimky

ValidationException

Vyvolá se, pokud batchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

AssetException

Vyvolá se, pokud prostředky BatchDeployment (např. data, kód, model, prostředí) nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

ModelException

Vyvolá se, pokud model BatchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

Příklady

Vytvořte příklad.


   from azure.ai.ml import load_batch_deployment
   from azure.ai.ml.entities import BatchDeployment

   deployment_example = load_batch_deployment(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/deployments/batch/batch_deployment_anon_env_with_image.yaml",
       params_override=[{"name": f"deployment-{randint(0, 1000)}", "endpoint_name": endpoint_example.name}],
   )

   ml_client.batch_deployments.begin_create_or_update(deployment=deployment_example, skip_script_validation=True)

begin_delete

Odstranění dávkového nasazení

begin_delete(name: str, endpoint_name: str) -> LROPoller[None]

Parametry

name
str
Vyžadováno

Název dávkového nasazení.

endpoint_name
str
Vyžadováno

Název dávkového koncového bodu

Návraty

Poller ke sledování stavu operace.

Návratový typ

LROPoller[None]

Výjimky

ValidationException

Vyvolá se, pokud batchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

AssetException

Vyvolá se, pokud prostředky BatchDeployment (např. data, kód, model, prostředí) nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

ModelException

Vyvolá se, pokud model BatchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

Příklady

Příklad odstranění


   ml_client.batch_deployments.begin_delete(deployment_name, endpoint_name)

get

Získejte prostředek nasazení.

get(name: str, endpoint_name: str) -> BatchDeployment

Parametry

name
str
Vyžadováno

Název nasazení

endpoint_name
str
Vyžadováno

Název koncového bodu

Návraty

Entita nasazení

Návratový typ

BatchDeployment

Výjimky

ValidationException

Vyvolá se, pokud batchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

AssetException

Vyvolá se, pokud prostředky BatchDeployment (např. data, kód, model, prostředí) nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

ModelException

Vyvolá se, pokud model BatchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

Příklady

Podívejte se na příklad.


   ml_client.batch_deployments.get(deployment_name, endpoint_name)

list

Vypíše prostředek nasazení.

list(endpoint_name: str) -> ItemPaged[BatchDeployment]

Parametry

endpoint_name
str
Vyžadováno

Název koncového bodu

Návraty

Iterátor entit nasazení

Návratový typ

ItemPaged[BatchDeployment]

Výjimky

ValidationException

Vyvolá se, pokud batchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

AssetException

Vyvolá se, pokud prostředky BatchDeployment (např. data, kód, model, prostředí) nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

ModelException

Vyvolá se, pokud model BatchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

Příklady

Příklad prostředku nasazení výpisu


   ml_client.batch_deployments.list(endpoint_name)

list_jobs

Vypište úlohy v zadaném nasazení dávkového koncového bodu. To platí jenom pro dávkový koncový bod.

list_jobs(endpoint_name: str, *, name: str | None = None) -> ItemPaged[BatchJob]

Parametry

endpoint_name
str
Vyžadováno

Název koncového bodu.

name
str

(Volitelné) Název nasazení.

Návraty

Seznam úloh

Návratový typ

ItemPaged[BatchJob]

Výjimky

ValidationException

Vyvolá se, pokud batchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

AssetException

Vyvolá se, pokud prostředky BatchDeployment (např. data, kód, model, prostředí) nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

ModelException

Vyvolá se, pokud model BatchDeployment nelze úspěšně ověřit. Podrobnosti budou uvedeny v chybové zprávě.

Příklady

Příklad výpisu úloh


   ml_client.batch_deployments.list_jobs(deployment_name, endpoint_name)