core パッケージ

このパッケージには、Azure Machine Learning のコンピューティング先を管理するために使用されるクラスが含まれています。

トレーニングと展開のコンピューティング先の詳細については、「Azure Machine Learning でのコンピューティング ターゲットとは」を参照してください。

Azure Machine Learning で Web サービス エンドポイントとしてデプロイされるイメージを管理するための機能が含まれています。

このクラスは非推奨です。 代わりに Environment クラスを使用してください。

イメージは、Model、スクリプト、関連付けられているファイルを Web サービス エンドポイントまたは IoT Edge デバイスとしてデプロイするために使用されます。 このエンドポイントによって、入ってくるスコアリング要求が処理され、予測が返されます。 このパッケージの主要なクラスは、Azure Machine Learning イメージの親クラスである Image クラスと、Docker イメージや、FPGA などのプレビュー イメージの派生クラスである ContainerImage クラスです。

イメージの使用を特別に必要とするワークフローがない限り、代わりに Environment クラスを使用してイメージを定義する必要があります。 その後、 Model deploy() メソッドと共に Environment オブジェクトを使用して、モデルを Web サービスとしてデプロイできます。 Model package() メソッドを使用して、イメージまたは Dockerfile としてローカルの Docker インストール環境にダウンロードできるイメージを作成することもできます。

Model クラスの使用法の詳細については、Azure Machine Learning を使用したモデルのデプロイに関するページを参照してください。

カスタム イメージの使用の詳細については、カスタム Docker ベース イメージを使用したモデルのデプロイに関するページを参照してください。

機械学習モデルを Azure Machine Learning の Web サービス エンドポイントとしてデプロイするための機能が含まれています。

Azure Machine Learning モデルを Web サービスとしてデプロイすると、エンドポイントと REST API が作成されます。 この API にデータを送信し、モデルによって返される予測を受信できます。

Model または Image を Azure Container Instances (aci モジュール)、Azure Kubernetes Service (aks モジュール) と Azure Kubernetes Endpoint (AksEndpoint)、またはフィールド プログラマブル ゲート アレイ (FPGA) にデプロイするときに、Web サービスを作成します。 モデルを使用したデプロイは、ほとんどのユース ケースに推奨されますが、高度なユース ケースにはイメージを使用したデプロイが推奨されます。 このモジュール内のクラスでは、デプロイの両方の種類がサポートされています。

Azure Machine Learning のさまざまな種類の認証を管理するための機能が含まれています。

サポートされている認証の種類:

• 対話型のログイン - Azure Machine Learning SDK を使用する場合の既定のモード。 対話型ダイアログを使用します。
• Azure CLI - azure-cli パッケージで使用します。
• サービス プリンシパル - 自動機械学習ワークフローで使用します。
• MSI - Azure 仮想マシンなど、マネージド サービス ID 対応のアセットで使用します。
• Azure ML トークン - 送信された実行でのみ Azure ML トークンを取得するために使用されます。

これらの認証メカニズムの詳細については、https://aka.ms/aml-notebook-auth を参照してください。

Azure Machine Learning によって管理されないコンピューティング先に関する機能が含まれています。

コンピューティング先は、トレーニング コンピューティング環境を定義し、ローカルまたはクラウド内のリモート リソースのいずれかにできます。 リモート リソースを使用すると、高速 CPU と GPU の処理機能を利用して、機械学習の実験を簡単にスケールアップまたはスケールアウトできます。

Azure Machine Learning によって管理されるコンピューティング先については、ComputeTargetクラスをご覧ください。 詳細については、「Azure Machine Learning でのコンピューティング ターゲットとは」を参照してください。

Conda 環境の依存関係を管理するための機能が含まれます。

CondaDependencies クラスを使用して、既存の conda 環境ファイルを読み込み、実験が実行される新しい環境を構成および管理します。

Azure Container Registry を管理するための機能が含まれています。

Azure Machine Learning で Databricks 環境を管理するための機能が含まれます。

Azure Machine Learning で Databricks を使用する方法の詳細については、Azure Machine Learning のための開発環境の構成に関する記事をご覧ください。

Azure Machine Learning データセットとの対話を管理します。

このモジュールには、Azure Machine Learning で生データを使用する、データを管理する、データに対してアクションを実行するための機能が用意されています。 このモジュールの Dataset クラスを使用して、FileDataset と TabularDataset のサポート クラスが含まれる data パッケージの機能と共にデータセットを作成します。

データセットの使用を開始するには、「データセットの追加と登録に関する記事を参照してください。

Azure Machine Learning でデータストアを管理するための機能が含まれています。

Azure Machine Learning で再現可能な環境を作成および管理するための機能が含まれています。

ローカルと分散クラウドの開発環境を切り替えるときに、管理された環境を最小限の手動構成で再現できるよう、ソフトウェアの依存関係を管理する方法が環境によって提供されます。 環境では、Python パッケージ、環境変数、スクリプトのトレーニングとスコアリングのためのソフトウェア設定、および、Python、Spark、または Docker 上のランタイムをカプセル化します。 Azure Machine Learning を使用したトレーニングとデプロイのために環境を使用する方法の詳細については、再利用可能な環境の作成と管理に関するページを参照してください。

Azure Machine Learning で実験を送信し、実験履歴を管理するために使用される機能が含まれます。

Azure Machine Learning ワークスペースに関連付けられた Key Vault 内のシークレットを管理するための機能が含まれています。

このモジュールには、ワークスペースに関連付けられた Azure Key Vault のシークレットの追加、取得、削除、一覧表示のための便利なメソッドが含まれています。

AML ワークスペース内でリンクされたサービスを作成および管理するための機能が含まれています。

Azure Machine Learning で機械学習モデルを管理するための機能が含まれています。

Model クラスを使用すると、次の主要タスクを実行できます。

• ご自身のモデルをワークスペースに登録する
• ご自身のモデルをプロファイルしてデプロイ要件を理解する
• ご自身のモデルを Docker で使用できるようにパッケージ化する
• ご自身のモデルを Web サービスとして推論エンドポイントにデプロイする

モデルの使用方法の詳細については、「Azure Machine Learning のしくみ: アーキテクチャと概念」を参照してください。

Azure プライベート エンドポイントを定義および構成するための機能が含まれています。

Azure Machine Learning でモデルをプロファイリングするための機能が含まれています。

Azure Machine Learning エンティティのリソース構成を管理するための機能が含まれます。

Azure Machine Learning で実験のメトリックと成果物を管理するための機能が含まれています。

Azure Machine Learning 内の実験実行の構成を管理するための機能が含まれています。

このモジュール内の主要なクラスは RunConfiguration です。これにより、指定されたコンピューティング先でトレーニング実行を送信するために必要な情報がカプセル化されます。 構成には、既存の Python 環境を使用するかどうかや、仕様から構築される Conda 環境を使用するかどうかなど、広範な動作の定義セットが含まれます。

モジュールのその他の構成クラスには RunConfiguration からアクセスします。

Azure Machine Learning で送信されたトレーニング実行を管理するための機能が含まれています。

Azure Machine Learning でトレーニング実行を送信するための構成を管理する機能が含まれています。

ログの詳細レベルを指定するためのクラスが含まれています。

Azure Machine Learning のトップレベルのリソースであるワークスペースを管理するための機能が含まれています。

このモジュールには、Workspace クラスとそのメソッドおよび属性が含まれており、コンピューティング先、環境、データ ストア、実験、モデルなど、機械学習の成果物を管理できます。 ワークスペースは Azure サブスクリプションとリソース グループに関連付けられ、課金の主な手段です。 ワークスペースでは、保存されているすべての機械学習データに対して、Azure Resource Manager ロールベースのアクセス制御 (RBAC) とリージョン アフィニティをサポートしています。

Azure Machine Learning によって管理されるすべてのコンピューティング先の抽象親クラス。

コンピューティング ターゲットとは、トレーニング スクリプトを実行したり、サービスのデプロイをホストしたりする、指定されたコンピューティング リソース/環境のことです。 この場所は、ローカル コンピューターでも、クラウドベースのコンピューティング リソースでもかまいません。 詳細については、「Azure Machine Learning でのコンピューティング ターゲットとは」を参照してください。

Class ComputeTarget コンストラクター。

指定されたワークスペースに関連付けられている Compute オブジェクトのクラウド表現を取得します。 取得した Compute オブジェクトの特定の型に対応する子クラスのインスタンスを返します。

Azure Container Registry への接続を定義します。

クラス ContainerRegistry コンストラクター。

Azure Machine Learning 内でデータを探索、変換、管理するためのリソースを表します。

データセットは、Datastore内またはパブリック Web URL の背後にあるデータへの参照です。

このクラスで非推奨のメソッドについては、改善された API のAbstractDatasetクラスを確認してください。

次のデータセットの種類がサポートされています。

• TabularDataset は、指定されたファイルまたはファイルのリストを解析することで作成されたデータを表形式で表します。

• FileDataset は、データストア内またはパブリック URL からの 1 つまたは複数のファイルを参照します。

データセットの使用を開始するには、 データセットの追加と登録に関する記事を参照するか、ノートブックの https://aka.ms/tabulardataset-samplenotebook と https://aka.ms/filedataset-samplenotebookを参照してください。

Dataset オブジェクトを初期化します。

ワークスペースに既に登録されているデータセットを取得するには、get メソッドを使用します。

Azure Machine Learning ストレージ アカウントに対するストレージの抽象化を表します。

データストアはワークスペースにアタッチされ、Azure Storage サービスへの接続情報を格納するために使用されます。これにより、名前で参照することができ、ストレージ サービスへの接続に使用される接続情報とシークレットを記憶する必要がなくなります。

データストアとして登録できるサポート対象の Azure Storage サービスの例は次のとおりです。

• Azure BLOB コンテナー

• Azure ファイル共有

• Azure Data Lake

• Azure Data Lake Gen2

• Azure SQL データベース

• Azure Database for PostgreSQL

• Databricks ファイル システム

• Azure Database for MySQL

このクラスを使用して、データストアの登録、一覧表示、取得、削除などの管理操作を実行します。 各サービス用のデータストアは、このクラスのregister*メソッドを使用して作成されます。 データストアを使用してデータにアクセスする場合、そのデータにアクセスする権限が必要です。権限は、データストアに登録されている資格情報に依存します。

データストアの詳細および機械学習での使用方法については、次の記事を参照してください。

• Azure ストレージ サービスのデータにアクセスする

• 推定器を使用して Azure Machine Learning を使用してモデルをトレーニングする

• 機械学習パイプラインを作成して実行する

名前を指定してデータストアを取得します。 この呼び出しにより、データストア サービスに要求が行われます。

機械学習実験用の再現可能な Python 環境を構成します。

環境では、データ準備、トレーニング、Web サービスへのデプロイなどの機械学習実験で使用される Python パッケージ、環境変数、Docker 設定が定義されます。 環境は、Azure Machine Learning Workspace で管理およびバージョン管理されます。 既存の環境の更新や、再利用するバージョンの取得が可能です。 環境は、それらが作成されたワークスペースでのみ使用でき、別のワークスペースで使用することはできません。

環境の詳細については、再利用可能な環境の作成と管理に関するページを参照してください。

クラス環境コンストラクター。

Azure Machine Learning で実験を作成および操作するためのメイン エントリ ポイントを表します。

実験は、複数のモデルの実行を表す "試験" のコンテナーです。

実験コンストラクター。

Azure Machine Learning イメージの抽象親クラスを定義します。

このクラスは非推奨です。 代わりに Environment クラスを使用してください。

イメージ コンストラクター。

このクラスは非推奨です。 代わりに Environment クラスを使用してください。

イメージ コンストラクターは、指定されたワークスペースに関連付けられている Image オブジェクトのクラウド表現を取得するために使用されます。 取得した Image オブジェクトの特定の型に対応する子クラスのインスタンスを返します。

Azure Machine Learning ワークスペースに関連付けられた Azure Key Vault に保存されているシークレットを管理します。

各 Azure Machine Learning ワークスペースに、Azure Key Vaultが関連付けられています。 Keyvault クラスは、Azure Key Vault のシンプルなラッパーです。これにより、シークレットの設定、取得、削除、一覧表示など、キーコンテナー内のシークレットを管理できます。 Keyvault クラスを使用して、機密情報をクリア テキストで公開することなく、シークレットをリモート実行に安全に渡します。

詳細については、トレーニングの実行でのシークレットの使用に関する記事を参照してください。

クラス Keyvault コンストラクター。

AML ワークスペースと Azure 上の他のサービスとの間のリンクを管理するためのリソースを定義します。

LinkedService オブジェクトを初期化します。

機械学習トレーニングの結果を表します。

"モデル" は、Azure Machine Learning トレーニングの Run または Azure の外部にある他のモデル トレーニング プロセスの結果です。 モデルは、生成方法に関係なく、ワークスペースに登録でき、名前とバージョンで表されます。 Model クラスを使用すると、Docker で使用するモデルをパッケージ化し、推論要求に使用できるリアルタイム エンドポイントとしてデプロイできます。

モデルの作成、管理、使用方法を示すエンドツーエンドのチュートリアルについては、Azure Machine Learning での MNIST データと scikit-learn を使用した画像分類モデルのトレーニングに関する記事をご覧ください。

モデル コンストラクター。

Model コンストラクターは、指定されたワークスペースに関連付けられた Model オブジェクトのクラウド表現を取得するために使用されます。 名前または ID を指定する必要があります。

Azure ML ワークスペースに関連付けられているプライベート エンドポイント接続を管理するためのプライベート エンドポイントを定義します。

PrivateEndPoint を初期化します。

Azure プライベート エンドポイントの構成を定義します。

Azure プライベート エンドポイントは、Private Link を使用して Azure ML ワークスペースにプライベートかつ安全に接続するネットワーク インターフェイスです。

PrivateEndPointConfig を初期化します。

すべての Azure Machine Learning の実験の実行に関する基底クラスを定義します。

実行は、実験の 1 つの試行を表します。 実行は、試行の非同期実行をモニターし、メトリックをログ記録し、試行の出力を保存したり、試行によって生成された結果の分析や成果物へのアクセスを行ったりするために使用されます。

Run オブジェクトは、HyperDrive の実行、パイプライン実行、AutoML の実行などの、Azure Machine Learning のさまざまなシナリオでモデルをトレーニングするスクリプトを送信する際に作成されます。 Experiment クラスで submit または start_logging を使用する場合も、Run オブジェクトが作成されます。

実験と実行の使用を開始するには、以下を参照してください

• トレーニングとデプロイのための環境の作成と管理

• 実行を管理する方法

Run オブジェクトを初期化します。

Azure Machine Learning の異なるコンピューティング先をターゲットとする実験実行の構成を表します。

RunConfiguration オブジェクトにより、実験でトレーニング実行を送信するために必要な情報がカプセル化されます。 通常、RunConfiguration オブジェクトは、直接作成するのではなく、Experiment クラスの submit メソッドなど、そのオブジェクトを返すメソッドから取得します。

RunConfiguration は、トリガーする実行の種類に応じて、他の種類の構成ステップでも使用される基本環境構成です。 たとえば、PythonScriptStep を設定するときに、ステップの RunConfiguration オブジェクトにアクセスして、Conda 依存関係を構成したり、実行の環境プロパティにアクセスしたりすることができます。

実行構成の例については、モデルをトレーニングするためのコンピューティング先の選択と使用に関するページを参照してください。

既定の設定で RunConfiguration を初期化します。

送信されたトレーニング実行を管理するためのプログラムによるアクセスを提供します。

ScriptRunConfig を使用して送信された実行は、実験の 1 つの試行を表します。 実行を送信すると、ScriptRun オブジェクトが返されます。これを使用して、実行の非同期実行を監視し、メトリックをログに記録し、実行の出力を保存できます。さらに、結果を分析し、実行によって生成された成果物にアクセスできます。

実験と ScriptRunConf の使用を開始するには、以下を参照してください

• トレーニングとデプロイのための環境の作成と管理

• 実行を管理する方法

Class ScriptRun コンストラクター。

Azure Machine Learning でトレーニング実行を送信するための構成情報を表します。

ScriptRunConfig は、スクリプト、コンピューティング先、環境、分散ジョブ固有の構成など、Azure ML 内での実行の送信に必要な構成情報をまとめてパッケージ化します。

スクリプト実行が構成され、submit を使用して送信されると、ScriptRunが返されます。

クラス ScriptRunConfig コンストラクター。

Synapse ワークスペースをリンクするために、リンクされたサービス構成を定義します。

SynapseWorkspaceLinkedServiceConfiguration オブジェクトを初期化します。

Azure Machine Learning で Web サービス エンドポイントとしてモデルをデプロイするための基本機能を定義します。

Webservice コンストラクターは、指定したワークスペースに関連付けられている Webservice オブジェクトのクラウド表現を取得するために使用されます。 取得した Webservice オブジェクトの特定の型に対応する子クラスのインスタンスを返します。 Webservice クラスを使用すると、Model または Image オブジェクトから機械学習モデルをデプロイできます。

Webservice の操作の詳細については、Azure Machine Learning でのモデルのデプロイに関するページを参照してください。

Web サービス インスタンスを初期化します。

Web サービス コンストラクターは、指定されたワークスペースに関連付けられている Web サービス オブジェクトのクラウド表現を取得します。 取得した Web サービス オブジェクトの特定の型に対応する子クラスのインスタンスが返されます。

トレーニングおよびデプロイの成果物を管理するための Azure Machine Learning リソースを定義します。

ワークスペースは、Azure Machine Learning での機械学習のための基本的なリソースです。 ワークスペースを使用して、機械学習モデルを実験、トレーニング、デプロイします。 各ワークスペースは、Azure サブスクリプションとリソース グループに関連付けられており、SKU が関連付けられています。

ワークスペースの詳細については、以下を参照してください。

• Azure Machine Learning ワークスペースとは

• ワークスペースへのアクセスの管理

既存の Azure Machine Learning ワークスペースを読み込むクラス ワークスペース コンストラクター。

指定されたファイルにデバッグ ログを出力します。