ComputeTarget Classe

Attachez un objet de calcul à un espace de travail à l’aide du nom et des informations de configuration spécifiés.

static attach(workspace, name, attach_configuration)

Paramètres

Retours

Exceptions

Remarques

Le type d’objet à transmettre au paramètre attach_configuration est un objet ComputeTargetAttachConfiguration construit à l’aide de la fonction attach_configuration sur l’une des classes enfants de ComputeTarget.

L’exemple suivant montre comment attacher un compte ADLA à un espace de travail à l’aide de la méthode attach_configuration d’AdlaCompute.

   adla_compute_name = 'testadl' # Name to associate with new compute in workspace

   # ADLA account details needed to attach as compute to workspace
   adla_account_name = "<adla_account_name>" # Name of the Azure Data Lake Analytics account
   adla_resource_group = "<adla_resource_group>" # Name of the resource group which contains this account

   try:
       # check if already attached
       adla_compute = AdlaCompute(ws, adla_compute_name)
   except ComputeTargetException:
       print('attaching adla compute...')
       attach_config = AdlaCompute.attach_configuration(resource_group=adla_resource_group, account_name=adla_account_name)
       adla_compute = ComputeTarget.attach(ws, adla_compute_name, attach_config)
       adla_compute.wait_for_completion()

   print("Using ADLA compute:{}".format(adla_compute.cluster_resource_id))
   print("Provisioning state:{}".format(adla_compute.provisioning_state))
   print("Provisioning errors:{}".format(adla_compute.provisioning_errors))

Un exemple complet est disponible sur https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-use-adla-as-compute-target.ipynb

Approvisionnez un objet de calcul en spécifiant un type de calcul et une configuration associée.

Cette méthode crée une nouvelle cible de calcul plutôt que d’en attacher une existante.

static create(workspace, name, provisioning_configuration)

Paramètres

Retours

Exceptions

Remarques

Le type d’objet approvisionné est déterminé par la configuration de l’approvisionnement fournie.

Dans l’exemple suivant, une cible de calcul persistante approvisionnée par AmlCompute est créée. Dans cet exemple, le paramètre provisioning_configuration est de type AmlComputeProvisioningConfiguration.

   from azureml.core.compute import ComputeTarget, AmlCompute
   from azureml.core.compute_target import ComputeTargetException

   # Choose a name for your CPU cluster
   cpu_cluster_name = "cpu-cluster"

   # Verify that cluster does not exist already
   try:
       cpu_cluster = ComputeTarget(workspace=ws, name=cpu_cluster_name)
       print('Found existing cluster, use it.')
   except ComputeTargetException:
       compute_config = AmlCompute.provisioning_configuration(vm_size='STANDARD_D2_V2',
                                                              max_nodes=4)
       cpu_cluster = ComputeTarget.create(ws, cpu_cluster_name, compute_config)

   cpu_cluster.wait_for_completion(show_output=True)

Un exemple complet est disponible sur https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/training/train-on-amlcompute/train-on-amlcompute.ipynb

Supprimez l’objet de calcul de l’espace de travail associé.

Cette méthode abstraite est implémentée par les classes enfants de ComputeTarget.

abstract delete()

Exceptions

Remarques

Si cet objet a été créé via Azure Machine Learning, les objets cloud correspondants seront également supprimés. Si cet objet a été créé en externe et attaché uniquement à l’espace de travail, cette méthode déclenche une exception et aucune modification n’est apportée.

Convertissez un objet JSON en objet de calcul.

abstract static deserialize(workspace, object_dict)

Paramètres

Retours

Exceptions

Remarques

Lève une ComputeTargetException si l’espace de travail fourni n’est pas l’espace de travail associé au calcul.

Détachez l’objet de calcul de l’espace de travail associé.

Cette méthode abstraite est implémentée par les classes enfants de ComputeTarget. Les objets cloud sous-jacents ne sont pas supprimés, seule leur association est supprimée.

abstract detach()

Exceptions

Récupérez l’état d’approvisionnement actuel de l’objet de calcul.

get_status()

Retours

Exceptions

Remarques

Les valeurs renvoyées sont répertoriées dans la référence de l’API REST Azure pour ProvisioningState.

Répertoriez tous les objets ComputeTarget de l’espace de travail.

Renvoie une liste d’objets enfants instanciés correspondant au type spécifique d’objet de calcul. Les objets sont des enfants de ComputeTarget.

static list(workspace)

Paramètres

Retours

Exceptions

Effectuer une mise à jour sur place des propriétés de l’objet.

Mettez à jour les propriétés en fonction de l’état actuel de l’objet cloud correspondant. Cela est utile pour l’interrogation manuelle de l’état de calcul.

Cette méthode abstraite est implémentée par les classes enfants de ComputeTarget.

abstract refresh_state()

Exceptions

Convertissez cet objet de calcul en dictionnaire JSON sérialisé.

abstract serialize()

Retours

Exceptions

Attendez la fin de l’opération d’approvisionnement actuelle sur le cluster.

Cette méthode retourne une ComputeTargetException si un problème survient lors de l’interrogation de l’objet de calcul.

wait_for_completion(show_output=False, is_delete_operation=False)

Paramètres

Exceptions