Biblioteca de clientes do Pacote do Azure ML para Python – versão 1.12.1

  • Artigo

Estamos felizes em apresentar o GA do SDK do Python v2 do Azure Machine Learning. O SDK do Python v2 apresenta novos recursos do SDK, como trabalhos locais autônomos, componentes reutilizáveis para pipelines e inferência online/em lote gerenciada. O SDK do Python v2 permite que você passe de tarefas simples para complexas de forma fácil e incremental. Isso é habilitado usando um modelo de objeto comum que traz reutilização de conceito e consistência de ações em várias tarefas. O SDK v2 compartilha sua base com a CLI v2, que também é GA.

Código-fonte | Pacote (PyPI) | Pacote (Conda) | Documentação | de referência da APIDocumentação do produto | Amostras

Esse pacote foi testado com Python 3.7, 3.8, 3.9 e 3.10.

Para obter um conjunto mais completo de bibliotecas do Azure, consulte https://aka.ms/azsdk/python/all

Introdução

Pré-requisitos

Instalar o pacote

Instale a biblioteca de clientes do Azure ML para Python com pip:

pip install azure-ai-ml
pip install azure-identity

Autenticar o cliente

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

Principais conceitos

O SDK do Python v2 do Azure Machine Learning vem com muitos novos recursos, como trabalhos locais autônomos, componentes reutilizáveis para pipelines e inferência online/em lote gerenciada. O SDK v2 traz consistência e facilidade de uso em todos os ativos da plataforma. O SDK do Python v2 oferece os seguintes recursos:

  • Executar Trabalhos Autônomos – execute uma atividade discreta de ML como Trabalho. Esse trabalho pode ser executado localmente ou na nuvem. Atualmente, damos suporte aos seguintes tipos de trabalhos:
    • Comando – execute um comando (Python, R, Comando do Windows, Shell do Linux etc.)
    • Varredura – executar uma varredura de hiperparâmetro no comando
  • Executar vários trabalhos usando nossos pipelines aprimorados
    • Executar uma série de comandos costurados em um pipeline (Novo)
    • Componentes – executar pipelines usando componentes reutilizáveis (Novo)
  • Usar seus modelos para inferência online gerenciada (novo)
  • Usar seus modelos para inferência em lote gerenciada
  • Gerenciar recursos de AML – workspace, computação, armazenamentos de dados
  • Gerenciar ativos AML – Conjuntos de dados, ambientes, modelos
  • AutoML – execute o treinamento autônomo do AutoML para várias tarefas ml:
    • Classificação (dados tabulares)
    • Regressão (dados tabulares)
    • Previsão de série temporal (dados tabulares)
    • Classificação de imagem (várias classes) (Novo)
    • Classificação de imagem (vários rótulos) (Novo)
    • Detecção de objeto de imagem (novo)
    • Segmentação de instância de imagem (novo)
    • Classificação de texto NLP (várias classes) (Novo)
    • Classificação de texto NLP (vários rótulos) (Novo)
    • NER (Reconhecimento de Entidade Nomeada) de Texto NLP (Novo)

Exemplos

Solução de problemas

Geral

Os clientes do Azure ML geram exceções definidas no Azure Core.

from azure.core.exceptions import HttpResponseError

try:
    ml_client.compute.get("cpu-cluster")
except HttpResponseError as error:
    print("Request failed: {}".format(error.message))

Registro em log

Essa biblioteca usa a biblioteca de log padrão para registro em log. As informações básicas sobre sessões HTTP (URLs, cabeçalhos etc.) são registradas no nível info.

O log detalhado no nível de DEBUG, incluindo corpos de solicitação/resposta e cabeçalhos não redigidos, pode ser habilitado em um cliente com o logging_enable argumento .

Confira a documentação completa de registro em log do SDK com exemplos aqui.

Telemetria

O SDK do Python do Azure ML inclui um recurso de telemetria que coleta dados de uso e falha sobre o SDK e os envia à Microsoft quando você usa o SDK apenas em um Jupyter Notebook. A telemetria não será coletada para qualquer uso do SDK do Python fora de uma Jupyter Notebook.

Os dados de telemetria ajudam a equipe do SDK a entender como o SDK é usado para que ele possa ser aprimorado e as informações sobre falhas ajudam a equipe a resolve problemas e corrigir bugs. O recurso de telemetria do SDK está habilitado por padrão para uso de Jupyter Notebook e não pode ser habilitado para cenários não Jupyter. Para recusar o recurso de telemetria em um cenário jupyter, passe enable_telemetry=False ao construir o objeto MLClient.

Próximas etapas

Contribuição

Este projeto aceita contribuições e sugestões. A maioria das contribuições exige que você concorde com um CLA (Contrato de Licença do Colaborador) declarando que você tem o direito de nos conceder, e de fato concede, os direitos de usar sua contribuição. Para obter detalhes, visite cla.microsoft.com.

Quando você envia uma solicitação de pull, um bot do CLA determina automaticamente se você precisa fornecer um CLA e preencher a PR corretamente (por exemplo, rótulo, comentário). Basta seguir as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios que usam nosso CLA.

Este projeto adotou o Código de Conduta de Software Livre da Microsoft. Para obter mais informações, confira as Perguntas frequentes sobre o Código de Conduta ou contate opencode@microsoft.com para enviar outras perguntas ou comentários.