steps Pacote

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

Contém a funcionalidade para adicionar e gerenciar uma etapa de pipeline de ML automatizado 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 Azure ML Pipeline que executa comandos.

Contém a funcionalidade para criar uma etapa do Pipeline do Azure Machine Learning que transfere dados entre as 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 Avaliador do modelo de Machine Learning.

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

Contém a funcionalidade para criar uma etapa do pipeline do Azure Machine Learning para executar um notebook do Kusto.

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

Contém a funcionalidade para adicionar uma etapa de pipeline do Azure ML para executar um trabalho de MPI para treinamento do modelo de machine learning.

Contém funcionalidade para configurar um ParallelRunStep.

Contém a funcionalidade para adicionar uma etapa para executar o script de usuário no modo paralelo em vários destinos de 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 Synapse do Azure ML que executa o script Python.

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

Para obter um exemplo de como usar esse AdlaStep, confira o notebook 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 de ML automatizado.

Para obter um exemplo de como usar o AutoMLStep, confira o notebook https://aka.ms/pl-automl.

Inicialize um AutoMLStep.

Fornece informações sobre a execução de um experimento de ML automatizado e métodos para recuperar as saídas padrão.

A classe AutoMLStepRun é usada para gerenciar, verificar o status e recuperar detalhes da execução quando uma execução de ML automatizado é enviada em um pipeline. Além disso, essa classe pode ser usada para obter as saídas padrão do AutoMLStep por meio da classe StepRun.

Inicializar uma execução de etapa de automl.

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

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

Para obter um exemplo de AzureBatchStep, confira o notebook https://aka.ms/pl-azbatch.

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

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

Criar uma etapa de pipeline do Azure ML que executa um comando.

Cria uma etapa do pipeline do Azure Machine Learning que transfere dados entre as opções de armazenamento.

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

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

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

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

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

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

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

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

Especifique exatamente um dos notebook_path, python_script_path, python_script_name ou main_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. Elas terão esta aparência e você precisará analisar os argumentos no 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 do AML para autenticação com o Azure Machine Learning.
• AZUREML_RUN_TOKEN_EXPIRY: a hora de expiração do token do AML.
• AZUREML_RUN_ID: ID de execução do Azure Machine Learning para esta execução.
• AZUREML_ARM_SUBSCRIPTION: assinatura do Azure para o workspace do AML.
• AZUREML_ARM_RESOURCEGROUP: grupo de recursos do Azure para o 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 do 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 do 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 no computador local no Databricks usando os parâmetros DatabricksStep source_directory e python_script_name, o source_directory será copiado para o DBFS e o caminho do diretório no DBFS será passado como parâmetro para o script, quando começar a execução. Esse parâmetro é identificado como – AZUREML_SCRIPT_DIRECTORY_NAME. Você precisa usar o prefixo com a cadeia de caracteres "dbfs:/" ou "/dbfs/" para acessar o diretório no DBFS.

PRETERIDO. Cria uma etapa de pipeline para executar Estimator para o treinamento do modelo do Azure ML.

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

PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, confira Como executar o treinamento de ML em pipelines com CommandStep.

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

Para obter um exemplo de uso do HyperDriveStep, consulte o notebook 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 de execução para uma etapa de pipelineHyperDriveStep.

O HyperDriveStepRun fornece a funcionalidade de HyperDriveRun com o suporte adicional de StepRun. A classe HyperDriveStepRun permite que você gerencie, verifique o status e recupere os detalhes da execução do HyperDrive e cada uma das 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 de HyperDriveRun com o suporte adicional de StepRun. A classe HyperDriveRun permite gerenciar, marcar status e recuperar 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 execução de consultas do Kusto em um cluster do Kusto de destino nos pipelines do Azure ML.

Inicialize KustoStep.

Cria uma etapa de pipeline de Azure Machine Learning para executar uma versão específica de um módulo.

os objetos Module definem cálculos reutilizáveis, como scripts ou executáveis, que podem ser usados em diferentes cenários de aprendizado de máquina 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 ModuleVersion existente.

Para obter um exemplo de como usar o ModuleStep, confira o notebook 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 como usar o MpiStep, confira o notebook https://aka.ms/pl-style-trans.

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

PRETERIDO. Em vez disso, use CommandStep. Para obter um exemplo, consulte Como executar o treinamento distribuído em pipelines com CommandStep.

Define a configuração para um objeto ParallelRunStep.

Para obter um exemplo de uso do ParallelRunStep, confira o https://aka.ms/batch-inference-notebooks do notebook.

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

Inicialize o objeto de configuração.

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

Para obter um exemplo de uso do ParallelRunStep, confira o https://aka.ms/batch-inference-notebooks do notebook.

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

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 notebook .

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

Para obter um exemplo de como usar PythonScriptStep, confira o notebook 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.

PRETERIDO. Em vez disso, use CommandStep. 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 Spark do Synapse.