Köra Azure Machine Learning-pipelines i Azure Data Factory och Synapse Analytics
GÄLLER FÖR: 
Azure Data Factory Azure Synapse Analytics
Dricks
Prova Data Factory i Microsoft Fabric, en allt-i-ett-analyslösning för företag. Microsoft Fabric omfattar allt från dataflytt till datavetenskap, realtidsanalys, business intelligence och rapportering. Lär dig hur du startar en ny utvärderingsversion kostnadsfritt!
Kör dina Azure Machine Learning-pipelines som ett steg i Azure Data Factory och Synapse Analytics-pipelines. Machine Learning-aktiviteten Execute Pipeline möjliggör scenarier för batchförutsägelser, till exempel att identifiera möjliga lånestandarder, fastställa sentiment och analysera kundbeteendemönster.
Videon nedan ger en sex minuter lång introduktion och demonstration av den här funktionen.
Skapa en Machine Learning Execute Pipeline-aktivitet med användargränssnittet
Utför följande steg för att använda en Machine Learning Execute Pipeline-aktivitet i en pipeline:
Sök efter Machine Learning i fönstret Pipelineaktiviteter och dra en Machine Learning Execute Pipeline-aktivitet till pipelinearbetsytan.
Välj den nya aktiviteten Machine Learning Execute Pipeline (Kör pipeline) på arbetsytan om den inte redan är markerad och fliken Inställningar för att redigera dess information.
Välj en befintlig eller skapa en ny länkad Azure Machine Learning-tjänst och ange information om pipelinen och experimentet samt eventuella pipelineparametrar eller datasökvägstilldelningar som krävs för pipelinen.
Syntax
{
"name": "Machine Learning Execute Pipeline",
"type": "AzureMLExecutePipeline",
"linkedServiceName": {
"referenceName": "AzureMLService",
"type": "LinkedServiceReference"
},
"typeProperties": {
"mlPipelineId": "machine learning pipeline ID",
"experimentName": "experimentName",
"mlPipelineParameters": {
"mlParameterName": "mlParameterValue"
}
}
}
Typegenskaper
| Property | beskrivning | Tillåtna värden | Obligatoriskt |
|---|---|---|---|
| name | Namnet på aktiviteten i pipelinen | String | Ja |
| type | Typ av aktivitet är "AzureMLExecutePipeline" | String | Ja |
| linkedServiceName | Länkad tjänst till Azure Machine Learning | Referens för länkad tjänst | Ja |
| mlPipelineId | ID för den publicerade Azure Machine Learning-pipelinen | Sträng (eller uttryck med resultType of string) | Ja |
| experimentName | Kör historikexperimentnamnet för Machine Learning-pipelinekörningen | Sträng (eller uttryck med resultType of string) | Nej |
| mlPipelineParameters | Nyckel, Värdepar som ska skickas till den publicerade Slutpunkten för Azure Machine Learning-pipelinen. Nycklar måste matcha namnen på pipelineparametrar som definierats i den publicerade Machine Learning-pipelinen | Objekt med nyckelvärdepar (eller uttryck med resultType-objekt) | Nej |
| mlParentRunId | Det överordnade kör-ID:t för Azure Machine Learning-pipelinen | Sträng (eller uttryck med resultType of string) | Nej |
| dataPathAssignments | Ordlista som används för att ändra datavägar i Azure Machine Learning. Aktiverar växling av datasökvägar | Objekt med nyckelvärdepar | Nej |
| continueOnStepFailure | Om du vill fortsätta körningen av andra steg i Machine Learning-pipelinekörningen om ett steg misslyckas | boolean | Nej |
Kommentar
För att fylla i listrutorna i Machine Learning-pipelinens namn och ID måste användaren ha behörighet att lista ML-pipelines. Användargränssnittet anropar AzureMLService-API:er direkt med den inloggade användarens autentiseringsuppgifter. Identifieringstiden för listruteobjekten skulle vara mycket längre när du använder privata slutpunkter.
Relaterat innehåll
Se följande artiklar som förklarar hur du transformerar data på andra sätt: