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

Estamos entusiasmados por apresentar o GA do SDK Python v2 do Azure Machine Learning. O SDK Python v2 introduz novas funcionalidades do SDK, como tarefas locais autónomas, componentes reutilizáveis para pipelines e inferências geridas online/batch. O SDK Python v2 permite-lhe passar de tarefas simples para complexas de forma fácil e incremental. Isto é ativado através de um modelo de objeto comum que traz reutilização de conceitos e consistência de ações em várias tarefas. O SDK v2 partilha a sua base com a CLI v2, que também é GA.

Código fonte | Pacote (PyPI) | Pacote (Conda) | Documentação | de referência da APIDocumentação do | produtoExemplos

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

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

Introdução

Pré-requisitos

Instalar o pacote

Instale a biblioteca de cliente 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
)

Conceitos-chave

O SDK Python v2 do Azure Machine Learning inclui muitas funcionalidades novas, como tarefas locais autónomas, componentes reutilizáveis para pipelines e inferência online/batch gerida. O SDK v2 traz consistência e facilidade de utilização em todos os recursos da plataforma. O SDK Python v2 oferece as seguintes capacidades:

  • Executar Tarefas Autónomas - execute uma atividade de ML discreta como Tarefa. Esta tarefa pode ser executada localmente ou na cloud. Atualmente, suportamos os seguintes tipos de tarefas:
    • Comando - execute um comando (Python, R, Comando do Windows, Shell do Linux, etc.)
    • Varrer - execute uma varredura de hiperparâmetros no comando
  • Executar várias tarefas com os nossos Pipelines melhorados
    • Executar uma série de comandos cosidos num pipeline (Novo)
    • Componentes – executar pipelines com componentes reutilizáveis (Novo)
  • Utilizar os seus modelos para inferência do Managed Online (Novo)
  • Utilizar os seus modelos para inferência de lotes geridos
  • Gerir recursos do AML – área de trabalho, computação, arquivos de dados
  • Gerir recursos do AML – Conjuntos de dados, ambientes, modelos
  • AutoML – execute a preparação autónoma de AutoML para várias tarefas ml:
    • Classificação (dados tabulares)
    • Regressão (dados tabulares)
    • Previsão de Série temporal (dados tabulares)
    • Classificação de Imagens (Multiclasse) (Novo)
    • Classificação de Imagens (Várias Etiquetas) (Nova)
    • Deteção de Objetos de Imagem (Novo)
    • Segmentação de Instância de Imagem (Nova)
    • Classificação de Texto NLP (Multiclasse) (Novo)
    • Classificação de Texto NLP (Várias Etiquetas) (Nova)
    • NlP Text Named Entity Recognition (NER) (Novo)

Exemplos

Resolução 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))

Registo

Esta biblioteca utiliza a biblioteca de registos padrão para registo. As informações básicas sobre sessões HTTP (URLs, cabeçalhos, etc.) são registadas ao nível da INFORMAÇÃO.

O registo de nível de DEBUG detalhado, incluindo os corpos de pedido/resposta e os cabeçalhos não retotados, pode ser ativado num cliente com o logging_enable argumento .

Veja a documentação completa do registo do SDK com exemplos aqui.

Telemetria

O SDK Python do Azure ML inclui uma funcionalidade de telemetria que recolhe dados de utilização e falha sobre o SDK e os envia para a Microsoft quando utiliza o SDK apenas num Jupyter Notebook. A telemetria não será recolhida para qualquer utilização do SDK Python fora de um Jupyter Notebook.

Os dados telemétricos ajudam a equipa do SDK a compreender como o SDK é utilizado para que possa ser melhorado e as informações sobre falhas ajudam a equipa a resolver problemas e a corrigir erros. A funcionalidade de telemetria do SDK está ativada por predefinição para Jupyter Notebook utilização e não pode ser ativada para cenários não Jupyter. Para optar ativamente por não participar na funcionalidade de telemetria num cenário do Jupyter, transmita enable_telemetry=False ao construir o objeto MLClient.

Passos seguintes

Contribuir

Agradecemos todas as contribuições e sugestões para este projeto. A maioria das contribuições requerem que celebre um Contrato de Licença de Contribuição (CLA) no qual se declare que tem o direito de conceder e que, na verdade, concede-nos os direitos para utilizar a sua contribuição. Para obter detalhes, visite cla.microsoft.com.

Quando submete um pedido Pull, um bot do CLA determina automaticamente se tem de fornecer um CLA e decorar o PR de forma adequada (por exemplo, etiqueta, comentário). Só tem de seguir as instruções fornecidas pelo bot. Apenas terá de fazer isto uma vez em todos os repositórios com o nosso CLA.

Este projeto adotou o Microsoft Open Source Code of Conduct (Código de Conduta do Microsoft Open Source). Para obter mais informações, consulte as FAQ do Código de Conduta ou contacte opencode@microsoft.com com quaisquer perguntas ou comentários adicionais.