dsl Paquet

Référence

Fonctions

pipeline

Générez un pipeline qui contient tous les nœuds de composants définis dans cette fonction.

pipeline(func: Callable[[P], T] | None = None, *, name: str | None = None, version: str | None = None, display_name: str | None = None, description: str | None = None, experiment_name: str | None = None, tags: Dict[str, str] | None = None, **kwargs) -> Callable[[Callable[[P], T]], Callable[[P], PipelineJob]] | Callable[[P], PipelineJob]

Paramètres

func: FunctionType

valeur par défaut: None

Fonction de pipeline utilisateur à décorer.

name: str

Le nom du composant de pipeline est défini par défaut sur nom de la fonction.

version: str

La version du composant de pipeline est définie par défaut sur « 1 ».

display_name: str

Le nom d’affichage du composant de pipeline est défini par défaut sur le nom de la fonction.

description: str

Description du pipeline généré.

experiment_name: str

Nom de l’expérience sous laquelle le travail sera créé, si Aucun est fourni, l’expérience est définie sur le répertoire actif.

tags: dict[str, str]

Balises du composant de pipeline.

kwargs: dict

Dictionnaire des paramètres de configuration supplémentaires.

Retours

Vous pouvez soit utiliser

Un décorateur, si func est Aucun
Le func décoré

Type de retour

Union[ Callable[[Callable], Callable[…, ~PipelineJob]], Callable[<xref:P>, ~PipelineJob]]

Exemples

Montre comment créer un pipeline à l’aide de cet élément décoratif.


   from azure.ai.ml import load_component
   from azure.ai.ml.dsl import pipeline

   component_func = load_component(
       source="./sdk/ml/azure-ai-ml/tests/test_configs/components/helloworld_component.yml"
   )

   # Define a pipeline with decorator
   @pipeline(name="sample_pipeline", description="pipeline description")
   def sample_pipeline_func(pipeline_input1, pipeline_input2):
       # component1 and component2 will be added into the current pipeline
       component1 = component_func(component_in_number=pipeline_input1, component_in_path=uri_file_input)
       component2 = component_func(component_in_number=pipeline_input2, component_in_path=uri_file_input)
       # A decorated pipeline function needs to return outputs.
       # In this case, the pipeline has two outputs: component1's output1 and component2's output1,
       # and let's rename them to 'pipeline_output1' and 'pipeline_output2'
       return {
           "pipeline_output1": component1.outputs.component_out_path,
           "pipeline_output2": component2.outputs.component_out_path,
       }

   # E.g.: This call returns a pipeline job with nodes=[component1, component2],
   pipeline_job = sample_pipeline_func(
       pipeline_input1=1.0,
       pipeline_input2=2.0,
   )
   ml_client.jobs.create_or_update(pipeline_job, experiment_name="pipeline_samples", compute="cpu-cluster")

Partager via