Viktig information om Azure Machine Learning Python SDK

Artikel
10/21/2024

I den här artikeln får du lära dig mer om Azure Machine Learning Python SDK-versioner. Det fullständiga SDK-referensinnehållet finns på Azure Machine Learnings huvudreferenssida för SDK för Python .

RSS-feed: Få ett meddelande när den här sidan uppdateras genom att kopiera och klistra in följande URL i feedläsaren: https://video2.skills-academy.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2024-10-18

Azure Machine Learning SDK för Python v1.58.0

Stöd för Python 3.11

2024-08-05

Azure Machine Learning SDK för Python v1.57.0

AutoML stöder scikit-learn version 1.5.1

2024-04-29

Azure Machine Learning SDK för Python v1.56.0

azureml-core
azureml-defaults
- Stötte på azureml-inference-server-http-pin till 1.0.0 i azureml-defaults.
azureml-interpret
- uppdaterat azureml-interpret-paketet till interpret-community 0.31.*
azureml-responsibleai
- uppdaterade gemensamma miljö- och azureml-responsibleai-paket till raiwidgets och responsibleai 0.33.0
- Öka responsibleai- och fairlearn-beroendeversioner

2024-01-29

Azure Machine Learning SDK för Python v1.55.0

azureml-core
azureml-defaults
- Stötte på azureml-inference-server-http-pin till 1.0.0 i azureml-defaults.
azureml-interpret
- uppdaterat azureml-interpret-paketet till interpret-community 0.31.*
azureml-responsibleai
- uppdaterade gemensamma miljö- och azureml-responsibleai-paket till raiwidgets och responsibleai 0.33.0
- Öka responsibleai- och fairlearn-beroendeversioner

2023-11-13

azureml-automl-core, azureml-automl-runtime, azureml-contrib-automl-dnn-forecasting, azureml-train-automl-client, azureml-train-automl-runtime, azureml-training-tabular
- statsmodels, pandas och scipy uppgraderades till versionerna 1.13, 1.3.5 och 1.10.1 – fbprophet 0.7.1 ersattes av profeten 1.1.4 Vid inläsning av en modell i en lokal miljö bör versionerna av dessa paket matcha vad modellen tränades på.
azureml-core, azureml-pipeline-core, azureml-pipeline-steps
- AzureML-Pipeline – Lägg till en varning för parametern init_scripts i Databricks-steget och varna dig för den kommande utfasningen.
azureml-interpret
- uppdaterat azureml-interpret-paketet till interpret-community 0.30.*
azureml-mlflow
- feat: Lägg till AZUREML_BLOB_MAX_SINGLE_PUT_SIZE för att kontrollera storleken i byte av uppladdningssegment. Om du sänker detta från standardvärdet (64*1024*1024 som är 64 MB) kan du åtgärda problem där skrivåtgärder misslyckas på grund av tidsgränser.
- Stöd för att ladda upp och ladda ned modeller från AzureML-register är för närvarande experimentellt
- Lägga till stöd för användare som vill ladda ned eller ladda upp en modell från AML-register

2023-08-21

Azure Machine Learning SDK för Python v1.53.0

azureml-automl-core
- Stöd för funktioner/regressorer som är kända vid tidpunkten för prognosen i AutoML-prognostiserade TCN-modeller.
azureml-automl-dnn-vision
- Aktivera flaggor för log_training_metrics och log_validation_loss för automl-objektidentifiering och instanssegmentering
azureml-contrib-automl-dnn-forecasting
- Stöd för funktioner/regressorer som är kända vid tidpunkten för prognosen i AutoML-prognostiserade TCN-modeller.
azureml-core
- Python 3.7 nådde livets slut den 27 juni 2023. Därför kommer 3.7 att vara inaktuell i azureml-core från och med oktober 2023 och azureml-core kommer att avsluta supporten för 3.7 i februari 2024.
azureml-mlflow
- Korrigering för inläsning av modeller med MLflow load_model API:er när du skickar en AzureML-URI
azureml-pipeline-core
- Hoppa över det underordnade körnings- och loggfelet när inläsningen av underordnad körning misslyckades (t.ex. 404) med .PipelineRun.get_pipeline_runs
- PipelineEndpoint.list introducerar en ny int-parameter max_results, som anger den maximala storleken på den returnerade listan. Standardvärdet max_results för är 100.
azureml-training-tabular
- Stöd för funktioner/regressorer som är kända vid tidpunkten för prognosen i AutoML-prognostiserade TCN-modeller.

2023-06-26

Azure Machine Learning SDK för Python v1.52.0

azureml-automl-dnn-vision
- Mlflow-signaturen för automl-modellerna för körning (äldre) har ändrats för att acceptera binära indata. Detta möjliggör batch-slutsatsdragning. Funktionen predict är bakåtkompatibel så att användarna fortfarande kan skicka base64-strängar som indata. Utdata från funktionen predict har ändrats för att ta bort det tillfälliga filnamnet och den tomma visualiserings- och attributnyckeln när modellens förklaring är n...
azureml-contrib-automl-dnn-forecasting
- Åtgärdade ett fel som orsakade fel under distribuerad TCN-träning när data består av en enda tidsserie.
azureml-interpret
- ta bort shap-pin i azureml-interpret för att uppdatera till den senaste i interpret-community
azureml-responsibleai
- uppdaterade gemensamma miljö- och azureml-responsibleai-paket till raiwidgets och responsibleai 0.28.0

2023-05-20

Azure Machine Learning SDK för Python v1.51.0

azureml-automl-core
- AutoML-prognosaktiviteten stöder nu löpande prognos och partiellt stöd för kvantilprognoser för hierarkisk tidsserie (HTS).
- Tillåt inte användning av icke-tabelldatauppsättningar till kunder för scenarier med klassificering (flera klasser och flera etiketter)
azureml-automl-dnn-nlp
- Tillåt inte användning av icke-tabelldatauppsättningar till kunder för scenarier med klassificering (flera klasser och flera etiketter)
azureml-contrib-automl-pipeline-steps
- AutoML-prognosaktiviteten stöder nu löpande prognos och partiellt stöd för kvantilprognoser för hierarkisk tidsserie (HTS).
azureml-fsspec
- Ersätter alla användarorsakade fel i MLTable & FSSpec med en anpassad UserErrorException som importerats från azureml-dataprep.
azureml-interpret
- uppdaterat azureml-interpret-paketet till interpret-community 0.29.*
azureml-pipeline-core
- Korrigeringen pipeline_version börjar inte gälla när du anropar pipeline_endpoint.submit().
azureml-train-automl-client
- AutoML-prognosaktiviteten stöder nu löpande prognos och partiellt stöd för kvantilprognoser för hierarkisk tidsserie (HTS).
azureml-train-automl-runtime
- AutoML-prognosaktiviteten stöder nu löpande prognos och partiellt stöd för kvantilprognoser för hierarkisk tidsserie (HTS).
mltable
- Fler kodningsvarianter som utf-8 nu stöds vid inläsning av MLTable-filer.
- Ersätter alla användarorsakade fel i MLTable & FSSpec med en anpassad UserErrorException som importerats från azureml-dataprep.

2023-04-10

Azure Machine Learning SDK för Python v1.50.0

azureml-contrib-automl-dnn-forecasting
- Stöd har lagts till för prognostisering vid angivna kvantantiklar för TCN-modeller.
azureml-responsibleai
- uppdaterade vanliga miljö- och azureml-responsibleai-paket till raiwidgets och responsibleai 0.26.0
azureml-train-automl-runtime
- Åtgärda MLTable-hantering för modelltestscenario
azureml-training-tabular
- Quantiles har lagts till som parameter i metoden forecast_quantile.

2023-03-01

Meddelande om att supporten för Python 3.7 i Azure Machine Learning SDK v1-paket upphör

Funktionsutfasning
- Inaktuell Python 3.7 som en körning som stöds för SDK v1-paket
  - Den 4 december 2023 slutar Azure Machine Learning officiellt att stödja Python 3.7 för SDK v1-paket och inaktuella dem som en körning som stöds. Mer information finns på vår sida om supportprincip för Azure SDK för Python-version
  - Från och med utfasningsdatumet den 4 december 2023 får Azure Machine Learning SDK v1-paketen inte längre säkerhetskorrigeringar och andra uppdateringar för Python 3.7-körningen.
  - De aktuella Python 3.7-versionerna för Azure Machine Learning SDK v1 fungerar fortfarande. Men för att fortsätta att ta emot säkerhetsuppdateringar och fortsätta att vara kvalificerade för teknisk hjälp rekommenderar Azure Machine Learning starkt att du flyttar dina skript och beroenden till en version av Python-körningen som stöds.
  - Som en körning för Azure Machine Learning SDK v1-filer rekommenderar vi att du använder Python version 3.8 eller senare.
  - Dessutom är Python 3.7-baserade Azure Machine Learning SDK v1-paket inte längre berättigade till teknisk hjälp.
  - Använd Azure Machine Learning-support för att komma i kontakt med oss om du har några problem.

2023-13-02

Azure Machine Learning SDK för Python v1.49.0

Icke-bakåtkompatibla ändringar
- Från och med v1.49.0 och senare stöds inte följande AutoML-algoritmer.
  - Regression: FastLinearRegressor, OnlineGradientDescentRegressor
  - Klassificering: AveragedPerceptronClassifier.
- Använd v1.48.0 eller lägre för att fortsätta använda dessa algoritmer.
Felkorrigeringar och förbättringar
- azureml-automl-dnn-nlp
  - Loggar för att visa de slutliga värden som tillämpas på modellen och hyperparameterinställningarna baserat på både standardvärdena och de användardefinierade.
- azureml-contrib-automl-dnn-forecasting
  - Icke-skalära mått för TCNForecaster återspeglar nu värden från den senaste epoken.
  - Prognoshorisontvisualiseringar för träningsuppsättningar och testuppsättningar är nu tillgängliga när du kör TCN-träningsexperimentet.
  - Körningar misslyckas inte längre på grund av felet "Det gick inte att beräkna TCN-mått". Varningsmeddelandet med texten "Prognostiserad måttberäkning resulterade i fel och rapporterade tillbaka sämsta resultat" loggas fortfarande. I stället genererar vi ett undantag när vi drabbas av inf/nan-valideringsförlust mer än två gånger i följd med meddelandet "Ogiltig modell, TCN-träningen konvergerade inte". Kunderna måste vara medvetna om att inlästa modeller kan returnera nan/inf-värden som förutsägelser vid slutsatsdragning efter den här ändringen.
- azureml-core
  - Skapande av Azure Machine Learning-arbetsytor använder Log Analytics-baserade Application Insights som förberedelse för utfasning av klassiska Application Insights. Användare som vill använda klassiska Application Insights-resurser kan fortfarande ange sina egna när de skapar en Azure Machine Learning-arbetsyta.
- azureml-interpret
  - uppdaterat azureml-interpret-paketet till interpret-community 0.28.*
- azureml-mlflow
  - Uppdatera azureml-mlflow-klienten med initialt stöd för MLflow 2.0
- azureml-responsibleai
  - uppdaterade azureml-responsibleai-paketet och notebook-filerna till raiwidgets och responsibleai v0.24.0
- azureml-sdk
  - azureml-sdk och azureml-train-automl-client stöder nu Python version 3.10
- azureml-train-automl-client
  - azureml-sdk och azureml-train-automl-client stöder nu Python version 3.10
- azureml-train-automl-runtime
  - Rensa bort y före träning
  - Rensa nan- eller tomma värden i målkolumnen för scenarier som inte är överordnade
  - Prognoshorisontvisualiseringar för testuppsättningar är nu tillgängliga när träningsexperimentet körs.
- azureml-train-core
  - Stöd har lagts till för kunden för att tillhandahålla anpassat körnings-ID för hyperdrive-körningar
- azureml-train-restclients-hyperdrive
  - Stöd har lagts till för kunden för att tillhandahålla anpassat körnings-ID för hyperdrive-körningar

2022-12-05

Azure Machine Learning SDK för Python v1.48.0

Icke-bakåtkompatibla ändringar
- Python 3.6-stöd har blivit inaktuellt för Azure Machine Learning SDK-paket.
Felkorrigeringar och förbättringar
- azureml-core
  - Lagringskonton som skapats som en del av skapande av arbetsytor ställer nu in offentlig blobåtkomst som ska inaktiveras som standard
- azureml-responsibleai
  - Uppdaterade azureml-responsibleai-paket och notebook-filer till raiwidgets och responsibleai-paket v0.23.0
  - Modell serialiserare och pyfunc-modell har lagts till i azureml-responsibleai-paketet för att enkelt spara och hämta modeller
- azureml-train-automl-runtime
  - Docstring har lagts till för ManyModels-parametrar och HierarchicalTimeSeries-parametrar
  - Fel där genererad kod inte tränar/testar delningar korrekt har åtgärdats.
  - En bugg som gjorde att prognosgenererade kodträningsjobb misslyckades har åtgärdats.

2022-10-25

Azure Machine Learning SDK för Python v1.47.0

azureml-automl-dnn-nlp
- Körningsändringar för AutoML NLP för att ta hänsyn till fasta träningsparametrar, som en del av den nyligen introducerade modellen svepande och hyperparameterjustering.
azureml-mlflow
- AZUREML_ARTIFACTS_DEFAULT_TIMEOUT kan användas för att styra tidsgränsen för artefaktuppladdning
azureml-train-automl-runtime
- Många modeller och hierarkisk time series-träning framtvingar nu kontroll av tidsgränsparametrar för att identifiera konflikter innan experimentet skickas för körning. Detta förhindrar experimentfel under körningen genom att skapa ett undantag innan experimentet skickas.
- Kunder kan nu styra stegstorleken när de använder rullande prognos i många modellers slutsatsdragningar.
- ManyModels-slutsatsdragning med icke-partitionerade tabelldata stöder nu forecast_quantiles.

2022-09-26

Azure Machine Learning SDK för Python v1.46.0

azureml-automl-dnn-nlp
- Kunder får inte längre ange en rad i CoNLL, som endast består av en token. Raden måste alltid vara en tom ny linje eller en med exakt en token följt av exakt ett blanksteg följt av exakt en etikett.
azureml-contrib-automl-dnn-forecasting
- Det finns ett hörnfall där exemplen reduceras till 1 efter korsvalideringsdelningen men sample_size fortfarande pekar på antalet före delningen och därför blir batch_size mer än antalet exempel i vissa fall. I den här korrigeringen initierar vi sample_size efter delningen
azureml-core
- Varning om utfasning har lagts till när slutsatsdragningskunder använder API:er för CLI/SDK v1-modelldistribution för att distribuera modeller och även när Python-versionen är 3.6 och mindre.
- Följande värden för AZUREML_LOG_DEPRECATION_WARNING_ENABLED att ändra beteendet enligt följande:
  - Standard – visar varningen när kunden använder Python 3.6 och mindre och för cli/SDK v1.
  - True – visar utfasningsvarningen för SDK v1 på azureml-sdk-paket.
  - False – inaktiverar utfasningsvarningen för SDK v1 på azureml-sdk-paket.
- Kommando som ska köras för att ange miljövariabeln för att inaktivera utfasningsmeddelandet:
  - Windows – setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"
  - Linux – export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
azureml-interpret
- uppdatera azureml-interpret-paketet till interpret-community 0.27.*
azureml-pipeline-core
- Korrigera schemats standardtidszon till UTC.
- Åtgärda felaktig återanvändning när du använder SqlDataReference i steget DataTransfer.
azureml-responsibleai
- uppdatera azureml-responsibleai-paketet och kurerade avbildningar till raiwidgets och responsibleai v0.22.0
azureml-train-automl-runtime
- Åtgärdade en bugg i genererade skript som gjorde att vissa mått inte återges korrekt i användargränssnittet.
- Många modeller stöder nu löpande prognos för slutsatsdragning.
- Stöd för att returnera toppmodeller N i scenariot Många modeller.

2022-08-29

Azure Machine Learning SDK för Python v1.45.0

azureml-automl-runtime
- En bugg där kolumnen sample_weight inte verifierades korrekt har åtgärdats.
- Den offentliga metoden rolling_forecast() har lagts till i pipelineomslutningarna för prognostisering för alla prognosmodeller som stöds. Den här metoden ersätter den inaktuella metoden rolling_evaluation().
- Ett problem har åtgärdats där AutoML Regression-uppgifter kan återgå till träningsgiltigt delning för modellutvärdering, när CV skulle ha varit ett lämpligare val.
azureml-core
- Nytt suffix för molnkonfiguration har lagts till, "aml_discovery_endpoint".
- Uppdaterade det leverantörsbaserade azure-storage-paketet från version 2 till version 12.
azureml-mlflow
- Nytt suffix för molnkonfiguration har lagts till, "aml_discovery_endpoint".
azureml-responsibleai
- uppdatera azureml-responsibleai-paketet och kurerade avbildningar till raiwidgets och responsibleai 0.21.0
azureml-sdk
- Azureml-sdk-paketet tillåter nu Python 3.9.

2022-08-01

Azure Machine Learning SDK för Python v1.44.0

azureml-automl-dnn-nlp
- Viktad noggrannhet och Matthews korrelationskoefficient (MCC) är inte längre ett mått som visas på beräknade mått för NLP Multilabel-klassificering.
azureml-automl-dnn-vision
- Skapa användarfel när ogiltigt anteckningsformat anges
azureml-cli-common
- V1 CLI-beskrivningen har uppdaterats
azureml-contrib-automl-dnn-forecasting
- Åtgärdade problemen "Det gick inte att beräkna TCN-mått" som orsakades för TCNForecaster när olika tidsserier i valideringsdatauppsättningen har olika längd.
- ID-identifiering för automatisk tidsserie har lagts till för DNN-prognosmodeller som TCNForecaster.
- Åtgärdade ett fel med PrognosTCN-modellen där valideringsdata kunde skadas under vissa omständigheter när användaren angav verifieringsuppsättningen.
azureml-core
- Tillåt inställning av en timeout_seconds parameter vid nedladdning av artefakter från en körning
- Varningsmeddelande har lagts till – Azure Machine Learning CLI v1 dras tillbaka 2025-09-. Användare rekommenderas att använda CLI v2.
- Åtgärda överföring till icke-AmlComputes som utlöser undantag.
- Docker-kontextstöd har lagts till för miljöer
azureml-interpret
- Öka numpy-versionen för AutoML-paket
azureml-pipeline-core
- Åtgärda regenerate_outputs=Sant börjar inte gälla när pipelinen skickas.
azureml-train-automl-runtime
- Öka numpy-versionen för AutoML-paket
- Aktivera kodgenerering för vision och nlp
- Ursprungliga kolumner där korn skapas läggs till som en del av predictions.csv

2022-07-21

Meddelande om att supporten för Python 3.6 i Azure Machine Learning SDK v1-paket upphör

Funktionsutfasning
- Inaktuell Python 3.6 som en körning som stöds för SDK v1-paket
  - Den 5 december 2022 kommer Azure Machine Learning att inaktuella Python 3.6 som en körning som stöds, vilket formellt avslutar vårt Python 3.6-stöd för SDK v1-paket.
  - Från utfasningsdatumet den 5 december 2022 tillämpar Azure Machine Learning inte längre säkerhetskorrigeringar och andra uppdateringar av Python 3.6-körningen som används av Azure Machine Learning SDK v1-paket.
  - De befintliga Azure Machine Learning SDK v1-paketen med Python 3.6 fortsätter fortfarande att köras. Azure Machine Learning rekommenderar dock starkt att du migrerar dina skript och beroenden till en Python-körningsversion som stöds så att du fortsätter att få säkerhetskorrigeringar och är berättigad till teknisk support.
  - Vi rekommenderar att du använder Python 3.8-versionen som en körning för Azure Machine Learning SDK v1-paket.
  - Dessutom är Azure Machine Learning SDK v1-paket med Python 3.6 inte längre berättigade till teknisk support.
  - Om du har några frågor kontaktar du oss via AML-supporten.

2022-06-27

azureml-automl-dnn-nlp
- Ta bort dubblettetikettkolumnen från förutsägelser för flera etiketter
azureml-contrib-automl-pipeline-steps
- Många modeller har nu möjlighet att generera förutsägelseutdata även i csv-format. – Många modellers förutsägelser innehåller nu kolumnnamn i utdatafilen i csv-filformat.
azureml-core
- ADAL-autentisering är nu inaktuell och alla autentiseringsklasser använder nu MSAL-autentisering. Installera azure-cli>=2.30.0 för att använda MSAL-baserad autentisering när du använder klassen AzureCliAuthentication.
- Korrigering har lagts till för att tvinga miljöregistrering när Environment.build(workspace). Korrigeringen löser förvirringen i den senaste miljön som skapats i stället för den som efterfrågas när miljön klonas eller ärvs från en annan instans.
- SDK-varningsmeddelande om att starta om beräkningsinstansen före den 31 maj 2022 om den skapades före den 19 september 2021
azureml-interpret
- Azureml-interpret-paketet har uppdaterats till interpret-community 0.26.*
- I azureml-interpret-paketet lägger du till möjligheten att hämta råa och konstruerade funktionsnamn från bedömningsförklararen. Lägg också till exempel i notebook-filen för bedömning för att hämta funktionsnamn från bedömningsförklararen och lägga till dokumentation om råa och konstruerade funktionsnamn.
azureml-mlflow
- azureml-core som ett beroende av azureml-mlflow har tagits bort. – MLflow-projekt och lokala distributioner kräver azureml-core och måste installeras separat.
- Lägga till stöd för att skapa slutpunkter och distribuera till dem via MLflow-klientprogrammet.
azureml-responsibleai
- Uppdaterade azureml-responsibleai-paket- och miljöbilder till den senaste versionen av responsibleai och raiwidgets 0.19.0
azureml-train-automl-client
- Nu stöds OutputDatasetConfig som indata för MM/HTS-pipelineverktyget. Mappningarna är: 1) OutputTabularDatasetConfig –> behandlas som opartitionerad tabelldatauppsättning. 2) OutputFileDatasetConfig –> behandlas som en inlämnad datauppsättning.
azureml-train-automl-runtime
- Dataverifiering har lagts till som kräver att antalet minoritetsklassexempel i datamängden ska vara minst lika mycket som antalet begärda CV-vikningar.
- Automatisk konfiguration av parametrar för korsvalidering är nu tillgänglig för AutoML-prognostiseringsuppgifter. Användarna kan nu ange "automatiskt" för n_cross_validations och cv_step_size eller lämna dem tomma, och AutoML tillhandahåller dessa konfigurationer som baserar sig på dina data. Den här funktionen stöds dock inte för närvarande när TCN är aktiverat.
- Prognosparametrar i många modeller och hierarkiska tidsserier kan nu skickas via objekt i stället för att använda enskilda parametrar i ordlistan.
- Aktiverade slutpunkter för prognosmodeller med stöd för kvantantiles som ska användas i Power BI.
- AutoML scipy-beroendet har uppdaterats till 1.5.3 från 1.5.2

2022-04-25

Azure Machine Learning SDK för Python v1.41.0

Varning om icke-bakåtkompatibel ändring

Den här icke-bakåtkompatibla ändringen kommer från juniversionen av azureml-inference-server-http. azureml-inference-server-http I juniversionen (v0.9.0) tas Python 3.6-stödet bort. Eftersom azureml-defaults är beroende av sprids azureml-inference-server-httpden här ändringen till azureml-defaults. Om du inte använder azureml-defaults för slutsatsdragning kan du använda azureml-core eller andra Azure Machine Learning SDK-paket direkt i stället för att installera azureml-defaults.

azureml-automl-dnn-nlp
- Aktivera funktionen för långintervallstext som standard.
azureml-automl-dnn-vision
- Ändra klassen ObjectAnnotation från objekt till "dataobjekt".
azureml-core
- Den här versionen uppdaterar Keyvault-klassen som används av kunder så att de kan ange nyckelvalvsinnehållstypen när de skapar en hemlighet med hjälp av SDK:et. Den här versionen uppdaterar även SDK:n så att den innehåller en ny funktion som gör det möjligt för kunder att hämta värdet för innehållstypen från en specifik hemlighet.
azureml-interpret
- uppdaterat azureml-interpret-paketet till interpret-community 0.25.0
azureml-pipeline-core
- Skriv inte ut körningsinformation längre om pipeline_run.wait_for_completion med show_output=False
azureml-train-automl-runtime
- Åtgärdar ett fel som skulle göra att kodgenereringen misslyckas när paketet azureml-contrib-automl-dnn-forecasting finns i träningsmiljön.
- Åtgärda fel när du använder en testdatauppsättning utan en etikettkolumn med AutoML-modelltestning.

2022-03-28

Azure Machine Learning SDK för Python v1.40.0

azureml-automl-dnn-nlp
- Vi gör funktionen Long Range Text valfri och endast om kunderna uttryckligen väljer den, med hjälp av kwarg"-enable_long_range_text
- Lägga till dataverifieringslager för klassificeringsscenario med flera klasser, som tillämpar samma basklass som multilabel för vanliga valideringar och en härledd klass för mer aktivitetsspecifika dataverifieringskontroller.
azureml-automl-dnn-vision
- Åtgärda KeyError vid beräkning av klassvikter.
azureml-contrib-reinforcementlearning
- SDK-varningsmeddelande för kommande utfasning av RL-tjänsten
azureml-core
- - Returnera loggar för körningar som gick igenom vår nya körning när du anropade någon av funktionen hämta loggar i körningsobjektet, inklusive run.get_details, run.get_all_logsosv.
- Experimentell metod Datastore.register_onpremises_hdfs har lagts till för att tillåta användare att skapa datalager som pekar på lokala HDFS-resurser.
- Uppdatera CLI-dokumentationen i hjälpkommandot
azureml-interpret
- För azureml-interpret-paketet tar du bort shap-stiftet med paketeringsuppdateringen. Ta bort numba- och numpy-stiftet efter CE env-uppdateringen.
azureml-mlflow
- Bugfix för MLflow-distributionsklienten run_local misslyckas när konfigurationsobjektet inte angavs.
azureml-pipeline-steps
- Ta bort bruten länk för inaktuell pipeline-EstimatorStep
azureml-responsibleai
- uppdatera azureml-responsibleai-paketet till raiwidgets och responsibleai 0.17.0-versionen
azureml-train-automl-runtime
- Kodgenerering för automatiserad ML stöder nu ForecastTCN-modeller (experimentell).
- Modeller som skapas via kodgenerering har nu alla mått som beräknas som standard (förutom normaliserat genomsnittligt absolut fel, normaliserat absolut medianfel, normaliserad RMSE och normaliserad RMSLE när det gäller prognosmodeller). Listan över mått som ska beräknas kan ändras genom att redigera returvärdet get_metrics_names()för . Korsvalidering används nu som standard för prognosmodeller som skapats via kodgenerering.
azureml-training-tabular
- Listan över mått som ska beräknas kan ändras genom att redigera returvärdet get_metrics_names()för . Korsvalidering används nu som standard för prognosmodeller som skapats via kodgenerering.
- Konvertera decimaltyp y-test till flyttal så att måttberäkning kan fortsätta utan fel.

2022-02-28

Azure Machine Learning SDK för Python v1.39.0

azureml-automl-core
- Åtgärda felaktigt formulär som visas i PBI för integrering med AutoML-regressionsmodeller
- Om du lägger till min-label-classes kontrollerar du båda klassificeringsuppgifterna (flera klasser och flera etiketter). Det utlöser ett fel för kundens körning om det unika antalet klasser i datauppsättningen för indataträning är färre än 2. Det är meningslöst att köra klassificering på färre än två klasser.
azureml-automl-runtime
- Konvertera decimaltyp y-test till flyttal så att måttberäkning kan fortsätta utan fel.
- AutoML-träning stöder numpy version 1.8.
azureml-contrib-automl-dnn-forecasting
- En bugg har åtgärdats i TCNForecaster-modellen där inte alla träningsdata skulle användas när inställningarna för korsvalidering angavs.
- TCNForecaster wrappers prognosmetod som skadade förutsägelser om slutsatsdragningstid. Ett problem har också åtgärdats där prognosmetoden inte skulle använda de senaste kontextdata i tränings giltiga scenarier.
azureml-interpret
- För azureml-interpret-paketet tar du bort shap-stiftet med paketeringsuppdateringen. Ta bort numba- och numpy-stiftet efter CE env-uppdateringen.
azureml-responsibleai
- azureml-responsibleai-paket till raiwidgets och responsibleai 0.17.0-versionen
azureml-synapse
- Åtgärda problemet med att den magiska widgeten har försvunnit.
azureml-train-automl-runtime
- Uppdatera AutoML-beroenden för att stödja Python 3.8. Den här ändringen bryter kompatibiliteten med modeller som tränats med SDK 1.37 eller senare på grund av att nyare Pandas-gränssnitt sparas i modellen.
- AutoML-träning stöder numpy version 1.19
- Åtgärda AutoML-återställningsindexlogik för ensemblemodeller i automl_setup_model_explanations API
- I AutoML använder du lightgbm surrogatmodell i stället för linjär surrogatmodell för glesa fall efter den senaste uppgraderingen av lightgbm-versionen
- Alla interna mellanliggande artefakter som skapas av AutoML lagras nu transparent på den överordnade körningen (i stället för att skickas till standardlagringsplatsen för arbetsytans blob). Användare bör kunna se artefakterna som AutoML genererar under outputs/ katalogen på den överordnade körningen.

2022-01-24

Azure Machine Learning SDK för Python v1.38.0

azureml-automl-core
- Stöd för Tabnet Regressor och Tabnet Classifier i AutoML
- Spara datatransformator i överordnade körningsutdata, som kan återanvändas för att producera samma funktionaliserade datauppsättning, som användes under experimentkörningen
- Stöd för att hämta primära mått för prognostiseringsaktivitet i get_primary_metrics API.
- Namn på den andra valfria parametern i v2-bedömningsskript som GlobalParameters
azureml-automl-dnn-vision
- Bedömningsmåtten har lagts till i måttgränssnittet
azureml-automl-runtime
- Felkorrigering för fall där algoritmnamnet för NimbusML-modeller kan visas som tomma strängar, antingen i ML Studio eller på konsolens utdata.
azureml-core
- Parametern blobfuse_enabled har lagts till i azureml.core.webservice.aks.AksWebservice.deploy_configuration. När den här parametern är sann laddas modeller och bedömningsfiler ned med blobfuse i stället för bloblagrings-API:et.
azureml-interpret
- Azureml-interpret har uppdaterats till interpret-community 0.24.0
- I azureml-interpret update scoring explainer to support latest version of lightgbm with sparse TreeExplainer
- Uppdatera azureml-interpret till interpret-community 0.23.*
azureml-pipeline-core
- Lägg till anteckningar i pipelinedata, rekommendera användaren att använda pipelineutdatauppsättningen i stället.
azureml-pipeline-steps
- Lägg till environment_variables i ParallelRunConfig, körningsmiljövariabler kan skickas av den här parametern och anges på den process där användarskriptet körs.
azureml-train-automl-client
- Stöd för Tabnet Regressor och Tabnet Classifier i AutoML
azureml-train-automl-runtime
- Spara datatransformator i överordnade körningsutdata, som kan återanvändas för att producera samma funktionaliserade datauppsättning, som användes under experimentkörningen
azureml-train-core
- Aktivera stöd för tidig avslutning för Bayesian-optimering i Hyperdrive
- Bayesian- och GridParameterSampling-objekt kan nu vidarebefordra egenskaper

2021-12-13

Azure Machine Learning SDK för Python v1.37.0

Icke-bakåtkompatibla ändringar
- azureml-core
  - Från och med version 1.37.0 använder Azure Machine Learning SDK MSAL som underliggande autentiseringsbibliotek. MSAL använder autentiseringsflödet Azure Active Directory (Azure AD) v2.0 för att tillhandahålla fler funktioner och öka säkerheten för tokencache. Mer information finns i Översikt över Microsoft Authentication Library (MSAL).
  - Uppdatera AML SDK-beroenden till den senaste versionen av Azure Resource Management Client Library for Python (azure-mgmt-resource>=15.0.0,20.0.0<) och anta track2 SDK.
  - Från och med version 1.37.0 bör azure-ml-cli-tillägget vara kompatibelt med den senaste versionen av Azure CLI >=2.30.0.
  - När du använder Azure CLI i en pipeline, som Azure DevOps, kontrollerar du att alla uppgifter/faser använder versioner av Azure CLI ovan v2.30.0 för MSAL-baserade Azure CLI. Azure CLI 2.30.0 är inte bakåtkompatibel med tidigare versioner och genererar ett fel när inkompatibla versioner används. Om du vill använda Azure CLI-autentiseringsuppgifter med Azure Machine Learning SDK bör Azure CLI installeras som pip-paket.
Felkorrigeringar och förbättringar
- azureml-core
  - Instanstyper har tagits bort från det anslutna arbetsflödet för Kubernetes-beräkning. Instanstyper kan nu konfigureras direkt i Kubernetes-klustret. Mer information finns i aka.ms/amlarc/doc.
- azureml-interpret
  - har uppdaterat azureml-interpret till interpret-community 0.22.*
- azureml-pipeline-steps
  - En bugg har åtgärdats där experimentets "platshållare" kan skapas när en pipeline skickas med autoMLStep.
- azureml-responsibleai
  - uppdatera azureml-responsibleai- och beräkningsinstansmiljön till versionen responsibleai och raiwidgets 0.15.0
  - uppdatera azureml-responsibleai-paketet till senaste responsibleai 0.14.0.
- azureml-tensorboard
  - Nu kan du använda Tensorboard(runs, use_display_name=True) för att montera TensorBoard-loggarna i mappar med namnet efter run.display_name/run.id i stället för run.id.
- azureml-train-automl-client
  - En bugg har åtgärdats där experimentets "platshållare" kan skapas när en pipeline skickas med autoMLStep.
  - Uppdatera AutoMLConfig test_data och test_size dokument så att de återspeglar förhandsgranskningsstatus.
- azureml-train-automl-runtime
  - Ny funktion har lagts till som gör det möjligt för användare att skicka tidsserieintervall med ett unikt värde.
  - I vissa scenarier kan en AutoML-modell förutsäga NaN. De rader som motsvarar dessa NaN-förutsägelser tas bort från testdatauppsättningar och förutsägelser innan mätvärden beräknas i testkörningar.

2021-11-08

Azure Machine Learning SDK för Python v1.36.0

Felkorrigeringar och förbättringar
- azureml-automl-dnn-vision
  - Rensat mindre stavfel på vissa felmeddelanden.
- azureml-contrib-reinforcementlearning
  - Sändning av Reinforcement Learning-körningar som använder simulatorer stöds inte längre.
- azureml-core
  - Stöd har lagts till för partitionerad premiumblob.
  - Det går inte längre att ange icke-offentliga moln för hanterad identitetsautentisering.
  - Användaren kan migrera AKS-webbtjänsten till onlineslutpunkten och distributionen, som hanteras av CLI (v2).
  - Instanstypen för träningsjobb på Kubernetes-beräkningsmål kan nu anges via en RunConfiguration-egenskap: run_config.kubernetescompute.instance_type.
- azureml-defaults
  - Redundanta beroenden som gunicorn och werkzeug har tagits bort
- azureml-interpret
  - azureml-interpret-paketet har uppdaterats till 0.21.* version av interpret-community
- azureml-pipeline-steps
  - Föråldra MpiStep till förmån för att använda CommandStep för att köra ML-träning (inklusive distribuerad träning) i pipelines.
- azureml-train-automl-rutime
  - Uppdatera utdataformatdokumenten för AutoML-modelltestförutsägelser.
  - Docstring-beskrivningar har lagts till för naive-, seasonalnaive-, genomsnitts- och seasonalAverage-prognosmodellen.
  - Funktionaliseringssammanfattning lagras nu som en artefakt på körningen (sök efter en fil med namnet "featurization_summary.json" under utdatamappen)
  - Aktivera kategoriindikatorstöd för Tabnet Learner.
  - Lägg till parametern downsample till automl_setup_model_explanations så att användarna kan få förklaringar av alla data utan att dela upp genom att ange att den här parametern ska vara false.

2021-10-11

Azure Machine Learning SDK för Python v1.35.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Aktivera beräkning av binära mått
- azureml-contrib-fairness
  - Förbättra felmeddelandet vid misslyckad nedladdning av instrumentpanelen
- azureml-core
  - Bugg vid att ange icke-offentliga moln för hanterad identitetsautentisering har lösts.
  - Dataset.File.upload_directory() och Dataset.Tabular.register_pandas_dataframe() experimentella flaggor tas nu bort.
  - Experimentella flaggor tas nu bort i metoden partition_by() i klassen TabularDataset.
- azureml-pipeline-steps
  - Experimentella flaggor tas nu bort för parametern partition_keys för klassen ParallelRunConfig.
- azureml-interpret
  - azureml-interpret-paketet har uppdaterats till intepret-community 0.20.*
- azureml-mlflow
  - Gjorde det möjligt att logga artefakter och bilder med MLflow med hjälp av underkataloger
- azureml-responsibleai
  - Förbättra felmeddelandet vid misslyckad nedladdning av instrumentpanelen
- azureml-train-automl-client
  - Stöd har lagts till för uppgifter för visuellt innehåll som bildklassificering, objektidentifiering och instanssegmentering. Detaljerad dokumentation finns på: Konfigurera AutoML för att träna modeller för visuellt innehåll med Python (v1).
  - Aktivera beräkning av binära mått
- azureml-train-automl-runtime
  - Lägg till TCNForecaster-stöd för modelltestkörningar.
  - Uppdatera modelltestet predictions.csv utdataformat. Utdatakolumnerna innehåller nu de ursprungliga målvärdena och funktionerna, som skickades in till testkörningen. Detta kan inaktiveras genom att ange test_include_predictions_only=True i AutoMLConfig eller genom att ange include_predictions_only=True i ModelProxy.test(). Om användaren har begärt att endast inkludera förutsägelser ser utdataformatet ut som (prognostisering är samma som regression): Klassificering => [förutsagda värden] [sannolikheter] Regression => [förutsagda värden] annars (standard): Klassificering => [ursprungliga testdataetiketter] [förutsagda värden] [sannolikheter] [funktioner] Regression => [ursprungliga testdataetiketter] [förutsagda värden] [funktioner] [predicted values] Kolumnnamnet = [label column name] + "_predicted". Kolumnnamnen [probabilities] = [class name] + "_predicted_proba". Om ingen målkolumn skickades som indata till testkörningen finns den [original test data labels] inte i utdata.

2021-09-07

Azure Machine Learning SDK för Python v1.34.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Stöd har lagts till för att anpassa en tidigare tränad prognostiseringspipeline.
  - Möjlighet att få förutsägelser om träningsdata (förutsägelse i exemplet) för prognostisering har lagts till.
- azureml-automl-runtime
  - Lägg till stöd för att returnera förutsagda sannolikheter från en distribuerad slutpunkt för en AutoML-klassificerarmodell.
  - Lade till ett prognosalternativ för användare för att ange att alla förutsägelser ska vara heltal.
  - Målkolumnnamnet har tagits bort från att ingå i funktionsnamnen för modellförklaring för lokala experiment med training_data_label_column_name
  - som datamängdsindata.
  - Stöd har lagts till för att anpassa en tidigare tränad prognostiseringspipeline.
  - Möjlighet att få förutsägelser om träningsdata (förutsägelse i exemplet) för prognostisering har lagts till.
- azureml-core
  - Stöd har lagts till för att ange dataströmkolumntyp, montera och ladda ned dataströmskolumner i tabelldatauppsättningen.
  - Nya valfria fält har lagts till i Kubernetes.attach_configuration(identity_type=None, identity_ids=None) som gör det möjligt att ansluta KubernetesCompute med antingen SystemAssigned eller UserAssigned identity. Nya identitetsfält ingår när du anropar print(compute_target) eller compute_target.serialize(): identity_type, identity_id, principal_id och tenant_id/client_id.
- azureml-dataprep
  - Stöd har lagts till för att ange datamängdstyp för datamängden i datatabellen. stöd har lagts till för att montera och ladda ned dataströmkolumner i tabelldatauppsättningen.
- azureml-defaults
  - Beroendet azureml-inference-server-http==0.3.1 har lagts till i azureml-defaults.
- azureml-mlflow
  - Tillåt sidnumrering av list_experiments API genom att lägga till max_results och page_token valfria params. Dokumentation finns i MLflows officiella dokument.
- azureml-sdk
  - Ersatte beroendet av inaktuella paket (azureml-train) i azureml-sdk.
  - Lägga till azureml-responsibleai i azureml-sdk-extrafunktioner
- azureml-train-automl-client
  - Exponera parametrarna test_data och test_size i AutoMLConfig. Dessa parametrar kan användas för att automatiskt starta en testkörning när modellträningsfasen har slutförts. Testkörningen beräknar förutsägelser med hjälp av den bästa modellen och genererar mått givet dessa förutsägelser.

2021-08-24

Användargränssnitt för Azure Machine Learning-experimentering

Kör Ta bort
- Kör Ta bort är en ny funktion som gör att användare kan ta bort en eller flera körningar från sin arbetsyta.
- Den här funktionen kan hjälpa användarna att minska lagringskostnaderna och hantera lagringskapaciteten genom att regelbundet ta bort körningar och experiment direkt från användargränssnittet.
Batch Avbryt körning
- Batch Cancel Run är nya funktioner som gör att användare kan välja en eller flera körningar att avbryta från sin körningslista.
- Den här funktionen kan hjälpa användare att avbryta flera köade körningar och frigöra utrymme i klustret.

2021-08-18

Användargränssnitt för Azure Machine Learning-experimentering

Kör visningsnamn
- Körningsvisningsnamnet är ett nytt, redigerbart och valfritt visningsnamn som kan tilldelas till en körning.
- Det här namnet kan hjälpa dig med att mer effektivt spåra, organisera och identifiera körningarna.
- Kör visningsnamnet är standardformatet adjective_noun_guid (exempel: awesome_watch_2i3uns).
- Det här standardnamnet kan redigeras till ett mer anpassningsbart namn. Detta kan redigeras från sidan Kör information i Azure Machine Learning-studio användargränssnittet.

2021-08-02

Azure Machine Learning SDK för Python v1.33.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Förbättrad felhantering kring XGBoost-modellhämtning.
  - Möjligheten att konvertera förutsägelserna från flyttal till heltal för prognostiserings- och regressionsaktiviteter har lagts till.
  - Standardvärdet har uppdaterats för enable_early_stopping i AutoMLConfig till True.
- azureml-automl-runtime
  - Möjligheten att konvertera förutsägelserna från flyttal till heltal för prognostiserings- och regressionsaktiviteter har lagts till.
  - Standardvärdet har uppdaterats för enable_early_stopping i AutoMLConfig till True.
- azureml-contrib-automl-pipeline-steps
  - Hierarkisk tidsserie (HTS) är aktiverad för prognostisering av uppgifter via pipelines.
  - Lägg till stöd för tabelldatauppsättning för slutsatsdragning
  - Anpassad sökväg kan anges för slutsatsdragningsdata
- azureml-contrib-reinforcementlearning
  - Vissa egenskaper i azureml.core.environment.DockerSection är inaktuella, till exempel egenskaper som shm_size används av Ray-arbetare i förstärkningsinlärningsjobb. Den här egenskapen kan nu anges i azureml.contrib.train.rl.WorkerConfiguration stället.
- azureml-core
  - En hyperlänk har åtgärdats i ScriptRunConfig.distributed_job_config dokumentationen
  - Azure Machine Learning-beräkningskluster kan nu skapas på en annan plats än arbetsytans plats. Detta är användbart för att maximera inaktiv kapacitetsallokering och hantera kvotanvändning på olika platser utan att behöva skapa fler arbetsytor bara för att använda kvot och skapa ett beräkningskluster på en viss plats. Mer information finns i Skapa ett Azure Machine Learning-beräkningskluster.
  - Lade till display_name som ett föränderligt namnfält för Kör-objekt.
  - Datauppsättningen from_files stöder nu överhoppning av datatillägg för stora indata
- azureml-dataprep
  - En bugg där to_dask_dataframe skulle misslyckas på grund av ett konkurrenstillstånd har åtgärdats.
  - Datauppsättningen from_files stöder nu överhoppning av datatillägg för stora indata
- azureml-defaults
  - Vi tar bort beroendet azureml-model-management-sdk==1.0.1b6.post1 från azureml-defaults.
- azureml-interpret
  - har uppdaterat azureml-interpret till interpret-community 0.19.*
- azureml-pipeline-core
  - Hierarkisk tidsserie (HTS) är aktiverad för prognostisering av uppgifter via pipelines.
- azureml-train-automl-client
  - Växla till att använda Blob Store för cachelagring i automatiserad ML.
  - Hierarkisk tidsserie (HTS) är aktiverad för prognostisering av uppgifter via pipelines.
  - Förbättrad felhantering kring XGBoost-modellhämtning.
  - Standardvärdet har uppdaterats för enable_early_stopping i AutoMLConfig till True.
- azureml-train-automl-runtime
  - Växla till att använda Blob Store för cachelagring i automatiserad ML.
  - Hierarkisk tidsserie (HTS) är aktiverad för prognostisering av uppgifter via pipelines.
  - Standardvärdet har uppdaterats för enable_early_stopping i AutoMLConfig till True.

2021-07-06

Azure Machine Learning SDK för Python v1.32.0

Felkorrigeringar och förbättringar
- azureml-core
  - Exponera diagnos av arbetsytans hälsa i SDK/CLI
- azureml-defaults
  - Beroende har lagts opencensus-ext-azure==1.0.8 till i azureml-defaults
- azureml-pipeline-core
  - AutoMLStep har uppdaterats för att använda fördefinierade avbildningar när miljön för jobböverföring matchar standardmiljön
- azureml-responsibleai
  - Ny felanalysklient har lagts till för att ladda upp, ladda ned och lista felanalysrapporter
  - Se till att raiwidgets paketen responsibleai är versionssynkroniseringar
- azureml-train-automl-runtime
  - Ange den tid som allokeras till dynamisk sökning över olika funktionaliseringsstrategier till högst en fjärdedel av den totala tidsgränsen för experiment

2021-06-21

Azure Machine Learning SDK för Python v1.31.0

Felkorrigeringar och förbättringar
- azureml-core
  - Förbättrad dokumentation för plattformsegenskap i miljöklassen
  - Ändrad standardtid för AML-beräkningsnodens nedskalningstid från 120 sekunder till 1 800 sekunder
  - Standardfelsökningslänken som visas på portalen har uppdaterats för felsökning av misslyckade körningar till: https://aka.ms/azureml-run-troubleshooting
- azureml-automl-runtime
  - Datarensning: Exempel med målvärden i [None, "", "nan", np.nan] tas bort före funktionalisering och/eller modellträning
- azureml-interpret
  - Förhindra fel i tömningsaktivitetskö på azure machine learning-fjärrkörningar som använder ExplanationClient genom att öka tidsgränsen
- azureml-pipeline-core
  - Lägg till jar-parameter i synapse-steget
- azureml-train-automl-runtime
  - Åtgärda skyddsräcken med hög kardinalitet så att de är mer anpassade till dokument

2021-06-07

Azure Machine Learning SDK för Python v1.30.0

Felkorrigeringar och förbättringar
- azureml-core
  - Fäst beroendet ruamel-yaml på < 0.17.5 som en icke-bakåtkompatibel ändring släpptes i 0.17.5.
  - aml_k8s_config -egenskapen ersätts med namespaceparametrarna , default_instance_typeoch instance_types för KubernetesCompute attach.
  - Synkroniseringsnycklarna för arbetsytan har ändrats till en tidskrävande åtgärd.
- azureml-automl-runtime
  - Problem där körningar med stordata kan misslyckas med Elements of y_test cannot be NaNhar åtgärdats.
- azureml-mlflow
  - PLUGIN-buggfix för MLFlow-distribution för modeller utan signatur.
- azureml-pipeline-steps
  - ParallelRunConfig: uppdateringsdokument för process_count_per_node.
- azureml-train-automl-runtime
  - Stöd för anpassade definierade quantiles under MM-slutsatsdragning
  - Stöd för forecast_quantiles under batchinferens.
- azureml-contrib-automl-pipeline-steps
  - Stöd för anpassade definierade quantiles under MM-slutsatsdragning
  - Stöd för forecast_quantiles under batchinferens.

2021-05-25

Tillkännagivande av CLI (v2) för Azure Machine Learning

Tillägget ml till Azure CLI är nästa generations gränssnitt för Azure Machine Learning. Med det här tillägget kan du träna och distribuera modeller från kommandoraden med funktioner som påskyndar upp- och utskalningen av databearbetningen samtidigt som modellens livscykel spåras. Installera och konfigurera CLI (v2).

Azure Machine Learning SDK för Python v1.29.0

Felkorrigeringar och förbättringar
- Icke-bakåtkompatibla ändringar
  - Stöd för Python 3.5 har tagits bort.
- azureml-automl-runtime
  - En bugg där STLFeaturizer misslyckades om tidsserielängden var kortare än säsongsvariationen har åtgärdats. Det här felet visas som en IndexError. Ärendet hanteras nu utan fel, även om den säsongsbaserade komponenten i STL bara består av nollor i det här fallet.
- azureml-contrib-automl-dnn-vision
  - Lade till en metod för batchinferens med filsökvägar.
- azureml-contrib-gbdt
  - Azureml-contrib-gbdt-paketet har blivit inaktuellt och kanske inte får framtida uppdateringar och tas bort helt från distributionen.
- azureml-core
  - Korrigerad förklaring av parametern create_if_not_exists i Datastore.register_azure_blob_container.
  - Exempelkoden har lagts till i klassen DatasetConsumptionConfig.
  - Stöd har lagts till för steg som en alternativ axel för skalära måttvärden i run.log()
- azureml-dataprep
  - Begränsa den tillåtna partitionsstorleken till _with_partition_size() 2 GB
- azureml-interpret
  - uppdatera azureml-interpret till den senaste versionen av interpret-core-paketet
  - Stödet för SHAP DenseData har tagits bort, vilket har upphört i SHAP 0.36.0.
  - Aktivera ExplanationClient för att ladda upp till ett angivet datalager för en användare.
- azureml-mlflow
  - Flytta azureml-mlflow till mlflow-skinny för att minska beroendeavtrycket samtidigt som du behåller fullständigt plugin-stöd
- azureml-pipeline-core
  - PipelineParameter-kodexemplet uppdateras i referensdokumentet för att använda rätt parameter.

2021-05-10

Azure Machine Learning SDK för Python v1.28.0

Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - Förbättrat AutoML-bedömningsskript för att göra det konsekvent med designern
  - Korrigeringsfel där prognostisering med Prophet-modellen skulle utlösa ett fel med en "saknad kolumn" om den tränades på en tidigare version av SDK: et.
  - ARIMAX-modellen har lagts till i de offentliga modelllistorna som stöds av prognostisering i AutoML SDK. Här är ARIMAX en regression med ARIMA-fel och ett specialfall av de överföringsfunktionsmodeller som utvecklats av Box och Jenkins. En diskussion om hur de två metoderna skiljer sig åt finns i ARIMAX-modellens röra. Till skillnad från resten av de multivariatmodeller som använder autogenererade, tidsberoende funktioner (timme på dagen, dagen på året och så vidare) i AutoML använder den här modellen endast funktioner som tillhandahålls av användaren, och det gör det enkelt att tolka koefficienter.
- azureml-contrib-datauppsättning
  - Uppdaterad dokumentationsbeskrivning med indikation på att libfuse ska installeras när monteringen används.
- azureml-core
  - Standardvärdet för cpu-kuraterad avbildning är nu mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04. GPU-standardbilden är nu mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
  - Run.fail() är nu inaktuell, använd Run.tag() för att markera körningen som misslyckad eller använd Run.cancel() för att markera körningen som avbruten.
  - Uppdaterad dokumentation med en anteckning om att libfuse ska installeras när du monterar en fildatauppsättning.
  - Lägg till stöd för experimentella register_dask_dataframe() i tabelldatauppsättningen.
  - Stöd för DatabricksStep med Azure Blob/ADL-S som indata/utdata och exponera parametern permit_cluster_restart så att kunden kan avgöra om AML kan starta om klustret när i/o-åtkomstkonfigurationen behöver läggas till i klustret
- azureml-dataset-runtime
  - azureml-dataset-runtime stöder nu versioner av pyarrow < 4.0.0
- azureml-mlflow
  - Stöd har lagts till för distribution till Azure Machine Learning via vårt MLFlow-plugin-program.
- azureml-pipeline-steps
  - Stöd för DatabricksStep med Azure Blob/ADL-S som indata/utdata och exponera parametern permit_cluster_restart så att kunden kan avgöra om AML kan starta om klustret när i/o-åtkomstkonfigurationen behöver läggas till i klustret
- azureml-synapse
  - Aktivera målgrupp i msi-autentisering
- azureml-train-automl-client
  - Ändrad länk har lagts till för beräkningsmåldokumentet

2021-04-19

Azure Machine Learning SDK för Python v1.27.0

Felkorrigeringar och förbättringar
- azureml-core
  - Lade till möjligheten att åsidosätta standardvärdet för timeout för artefaktöverföring via miljövariabeln "AZUREML_ARTIFACTS_DEFAULT_TIMEOUT".
  - En bugg har åtgärdats där docker-inställningarna i Miljöobjektet på ScriptRunConfig inte respekteras.
  - Tillåt partitionering av en datauppsättning när du kopierar den till ett mål.
  - Lade till ett anpassat läge i OutputDatasetConfig för att aktivera överföring av skapade datauppsättningar i pipelines via en länkfunktion. Dessa stödförbättringar har gjorts för att aktivera tabellpartitionering för PRS.
  - En ny KubernetesCompute-beräkningstyp har lagts till i azureml-core.
- azureml-pipeline-core
  - Lägga till ett anpassat läge i OutputDatasetConfig och göra det möjligt för en användare att passera genom skapade datauppsättningar i pipelines via en länkfunktion. Mål för filsökväg stöder platshållare. Dessa stöder de förbättringar som gjorts för att aktivera tabellpartitionering för PRS.
  - Tillägg av ny KubernetesCompute-beräkningstyp till azureml-core.
- azureml-pipeline-steps
  - Tillägg av ny KubernetesCompute-beräkningstyp till azureml-core.
- azureml-synapse
  - Uppdatera url för Spark-användargränssnittet i widgeten för azureml synapse
- azureml-train-automl-client
  - STL-funktionaliseraren för prognostiseringsaktiviteten använder nu en mer robust säsongsidentifiering baserat på tidsseriens frekvens.
- azureml-train-core
  - Ett fel har åtgärdats där docker-inställningarna i miljöobjektet inte respekteras.
  - Tillägg av ny KubernetesCompute-beräkningstyp till azureml-core.

2021-04-05

Azure Machine Learning SDK för Python v1.26.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Åtgärdade ett problem där Naive-modeller rekommenderas i AutoMLStep-körningar och misslyckas med funktioner för fördröjning eller rullande fönster. Dessa modeller rekommenderas inte när målfördröjningar eller målrullningsfönsterstorlek anges.
  - Konsolens utdata ändrades när en AutoML-körning skulle skickas för att visa en portallänk till körningen.
- azureml-core
  - HDFS-läge har lagts till i dokumentationen.
  - Stöd har lagts till för att förstå fildatauppsättningspartitioner baserat på globstruktur.
  - Stöd har lagts till för att uppdatera containerregistret som är associerat med Azure Machine Learning Workspace.
  - Inaktuella miljöattribut under DockerSection – "enabled", "shared_volume" och "arguments" är en del av DockerConfiguration i RunConfiguration nu.
  - Uppdaterad dokumentation om CLI-kloning av pipeline
  - Portal-URI:er har uppdaterats för att inkludera klientorganisation för autentisering
  - Experimentnamnet har tagits bort från körnings-URI:er för att undvika omdirigeringar
  - Experiment-URO har uppdaterats för att använda experiment-ID.
  - Felkorrigeringar för att ansluta fjärrberäkning med Azure Machine Learning CLI.
  - Portal-URI:er har uppdaterats för att inkludera klientorganisation för autentisering.
  - Experiment-URI har uppdaterats för att använda experiment-ID.
- azureml-interpret
  - azureml-interpret har uppdaterats för att använda interpret-community 0.17.0
- azureml-opendatasets
  - Validering av startdatum och slutdatum och felindikering om det inte är datetime-typ.
- azureml-parallel-run
  - [Experimentell funktion] Lägg till partition_keys parametern i ParallelRunConfig, om den anges, partitioneras indatauppsättningarna i mini-batchar av de nycklar som anges av den. Det kräver att alla indatauppsättningar partitioneras.
- azureml-pipeline-steps
  - Bugfix – stöd för path_on_compute vid överföring av datauppsättningskonfiguration som nedladdning.
  - Inaktuell RScriptSteg till förmån för att använda CommandStep för att köra R-skript i pipelines.
  - Inaktuell EstimatorSteg till förmån för att använda CommandStep för att köra ML-träning (inklusive distribuerad träning) i pipelines.
- azureml-sdk
  - Uppdatera python_requires till < 3.9 för azureml-sdk
- azureml-train-automl-client
  - Konsolens utdata ändrades när en AutoML-körning skulle skickas för att visa en portallänk till körningen.
- azureml-train-core
  - Inaktuella DockerSection-attributen "enabled", "shared_volume" och "arguments" för att använda DockerConfiguration med ScriptRunConfig.
  - Använda Azure Open Datasets för MNIST-datauppsättning
  - Hyperdrive-felmeddelanden har uppdaterats.

2021-03-22

Azure Machine Learning SDK för Python v1.25.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Konsolens utdata ändrades när en AutoML-körning skulle skickas för att visa en portallänk till körningen.
- azureml-core
  - Börjar stödja uppdatering av containerregister för arbetsyta i SDK och CLI
  - Inaktuella DockerSection-attributen "enabled", "shared_volume" och "arguments" för att använda DockerConfiguration med ScriptRunConfig.
  - Uppdaterad dokumentation om CLI-kloning av pipeline
  - Portal-URI:er har uppdaterats för att inkludera klientorganisation för autentisering
  - Experimentnamnet har tagits bort från körnings-URI:er för att undvika omdirigeringar
  - Experiment-URO har uppdaterats för att använda experiment-ID.
  - Felkorrigeringar för att ansluta fjärrberäkning med az CLI
  - Portal-URI:er har uppdaterats för att inkludera klientorganisation för autentisering.
  - Stöd har lagts till för att förstå fildatauppsättningspartitioner baserat på globstruktur.
- azureml-interpret
  - azureml-interpret har uppdaterats för att använda interpret-community 0.17.0
- azureml-opendatasets
  - Validering av startdatum och slutdatum och felindikering om det inte är datetime-typ.
- azureml-pipeline-core
  - Bugfix – stöd för path_on_compute vid överföring av datauppsättningskonfiguration som nedladdning.
- azureml-pipeline-steps
  - Bugfix – stöd för path_on_compute vid överföring av datauppsättningskonfiguration som nedladdning.
  - Inaktuell RScriptSteg till förmån för att använda CommandStep för att köra R-skript i pipelines.
  - Inaktuell EstimatorSteg till förmån för att använda CommandStep för att köra ML-träning (inklusive distribuerad träning) i pipelines.
- azureml-train-automl-runtime
  - Konsolens utdata ändrades när en AutoML-körning skulle skickas för att visa en portallänk till körningen.
- azureml-train-core
  - Inaktuella DockerSection-attributen "enabled", "shared_volume" och "arguments" för att använda DockerConfiguration med ScriptRunConfig.
  - Använda Azure Open Datasets för MNIST-datauppsättning
  - Hyperdrive-felmeddelanden har uppdaterats.

2021-03-31

Azure Machine Learning-studio Notebooks-upplevelse (marsuppdatering)

Nya funktioner
- Rendera CSV/TSV. Användare kan rendera och TSV/CSV-fil i rutnätsformat för enklare dataanalys.
- SSO-autentisering för beräkningsinstans. Användarna kan nu enkelt autentisera alla nya beräkningsinstanser direkt i notebook-användargränssnittet, vilket gör det enklare att autentisera och använda Azure SDK:er direkt i Azure Machine Learning.
- Beräkningsinstansmått. Användarna kan visa beräkningsmått som CPU-användning och minne via terminalen.
- Filinformation. Användarna kan nu se filinformation inklusive den senaste ändrade tiden och filstorleken genom att klicka på de tre punkterna bredvid en fil.
Felkorrigeringar och förbättringar
- Förbättrade sidinläsningstider.
- Förbättrad prestanda.
- Förbättrad hastighet och kerneltillförlitlighet.
- Få vertikala fastigheter genom att permanent flytta upp notebook-filfönstret.
- Länkar kan nu klickas i Terminal
- Förbättrad Intellisense-prestanda

2021-03-08

Azure Machine Learning SDK för Python v1.24.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Bakåtkompatibla importer har tagits bort från azureml.automl.core.shared. Det gick inte att hitta modulens fel i azureml.automl.core.shared namnområdet genom att importera från azureml.automl.runtime.shared.
- azureml-contrib-automl-dnn-vision
  - Yolo-modell för exponerad objektidentifiering.
- azureml-contrib-datauppsättning
  - Funktioner har lagts till för att filtrera tabelldatauppsättningar efter kolumnvärden och fildatauppsättningar efter metadata.
- azureml-contrib-fairness
  - Inkludera JSON-schema i hjulet för azureml-contrib-fairness
- azureml-contrib-mir
  - Med inställningen show_output true när du distribuerar modeller spelas inferenskonfigurationen och distributionskonfigurationen upp igen innan begäran skickas till servern.
- azureml-core
  - Funktioner har lagts till för att filtrera tabelldatauppsättningar efter kolumnvärden och fildatauppsättningar efter metadata.
  - Tidigare var det möjligt för användare att skapa etableringskonfigurationer för ComputeTargets som inte uppfyllde kraven på lösenordsstyrka för admin_user_password fältet (det vill säga att de måste innehålla minst 3 av följande: En gemen bokstav, en versal bokstav, en siffra och ett specialtecken från följande uppsättning: \`~!@#$%^&*()=+_[]{}|;:./'",<>?). Om användaren skapade en konfiguration med ett svagt lösenord och körde ett jobb med den konfigurationen skulle jobbet misslyckas vid körning. Nu utlöser anropet till AmlCompute.provisioning_configuration ett ComputeTargetException med ett tillhörande felmeddelande som förklarar kraven på lösenordsstyrka.
  - Dessutom var det också möjligt att i vissa fall ange en konfiguration med ett negativt antal maximala noder. Det går inte längre att göra detta. AmlCompute.provisioning_configuration Genererar nu ett ComputeTargetException om max_nodes argumentet är ett negativt heltal.
  - Med inställningen show_output till True när du distribuerar modeller visas inferenskonfiguration och distributionskonfiguration.
  - Med inställningen show_output true när du väntar på att modelldistributionen ska slutföras visas distributionsåtgärdens förlopp.
  - Tillåt kundens angivna Azure Machine Learning-autentiseringskonfigurationskatalog via miljövariabeln: AZUREML_AUTH_CONFIG_DIR
  - Tidigare var det möjligt att skapa en etableringskonfiguration med minsta antal noder mindre än det maximala antalet noder. Jobbet skulle köras men misslyckas vid körning. Den här buggen har nu åtgärdats. Om du nu försöker skapa en etableringskonfiguration med min_nodes < max_nodes SDK:et genereras en ComputeTargetException.
- azureml-interpret
  - fix explanation dashboard not showing aggregate feature importances for sparse engineered explanations
  - optimerad minnesanvändning av ExplanationClient i azureml-interpret-paketet
- azureml-train-automl-client
  - Åtgärdat show_output=False för att returnera kontrollen till användaren när den körs med spark.

2021-02-28

Azure Machine Learning-studio Notebooks Experience (uppdatering i februari)

Nya funktioner
- Intern terminal (GA). Användarna har nu åtkomst till en integrerad terminal och Git-åtgärd via den integrerade terminalen.
- Notebook-kodfragment (förhandsversion). Vanliga Azure Machine Learning-kodutdrag är nu tillgängliga till hands. Navigera till kodfragmentpanelen, som är tillgänglig via verktygsfältet, eller aktivera kodfragmentmenyn i kod med ctrl + blanksteg.
- Kortkommandon. Fullständig paritet med kortkommandon i Jupyter.
- Ange cellparametrar. Visar användare vilka celler i en notebook-fil som är parameterceller och kan köra parametriserade notebook-filer via Papermill på beräkningsinstansen.
- Terminal- och Kernel-sessionshanterare: Användarna kan hantera alla kernel- och terminalsessioner som körs på deras beräkning.
- Delningsknapp. Användare kan nu dela valfri fil i Utforskaren för notebook-filen genom att högerklicka på filen och använda resursknappen.
Felkorrigeringar och förbättringar
- Förbättrade sidinläsningstider
- Förbättrad prestanda
- Förbättrad hastighet och kerneltillförlitlighet
- Snurrande hjul har lagts till för att visa förloppet för alla pågående beräkningsinstansåtgärder.
- Högerklicka i Utforskaren. Om du högerklickar på en fil öppnas nu filåtgärder.

2021-02-16

Azure Machine Learning SDK för Python v1.23.0

Felkorrigeringar och förbättringar
- azureml-core
  - [Experimentell funktion] Lägga till stöd för att länka synapse-arbetsytan till AML som en länkad tjänst
  - [Experimentell funktion] Lägga till stöd för att bifoga Synapse Spark-pool i AML som en beräkning
  - [Experimentell funktion] Lägg till stöd för identitetsbaserad dataåtkomst. Användare kan registrera datalager eller datauppsättningar utan att ange autentiseringsuppgifter. I sådana fall används användarnas Azure AD-token eller hanterade identitet för beräkningsmål för autentisering. Mer information finns i Ansluta till lagring med hjälp av identitetsbaserad dataåtkomst.
- azureml-pipeline-steps
  - [Experimentell funktion] Lägga till stöd för SynapseSparkStep
- azureml-synapse
  - [Experimentell funktion] Lägg till stöd för spark-magi för att köra interaktiva sessioner i Synapse Spark-poolen.
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - I den här uppdateringen har vi lagt till holt winters exponentiell utjämning till prognosverktygslådan för AutoML SDK. Med tanke på en tidsserie väljs den bästa modellen av AICc (Korrigerade Akaikes informationskriterium) och returneras.
  - AutoML genererar nu två loggfiler i stället för en. Logginstruktioner går till det ena eller det andra beroende på vilken process logginstruktionen genererades i.
  - Ta bort onödig förutsägelse i exemplet under modellträningen med korsvalidering. Detta kan minska modellträningstiden i vissa fall, särskilt för prognosmodeller för tidsserier.
- azureml-contrib-fairness
  - Lägg till ett JSON-schema för instrumentpanelenDictionary-uppladdningar.
- azureml-contrib-interpret
  - azureml-contrib-interpret README uppdateras för att återspegla att paketet tas bort i nästa uppdatering efter att ha varit inaktuellt sedan oktober, använd azureml-interpret-package i stället
- azureml-core
  - Tidigare var det möjligt att skapa en etableringskonfiguration med minsta antal noder mindre än det maximala antalet noder. Detta har nu åtgärdats. Om du nu försöker skapa en etableringskonfiguration med min_nodes < max_nodes SDK:et genereras en ComputeTargetException.
  - Åtgärdar bugg i wait_for_completion i AmlCompute, vilket gjorde att funktionen returnerade kontrollflödet innan åtgärden faktiskt slutfördes
  - Run.fail() är nu inaktuell, använd Run.tag() för att markera körningen som misslyckad eller använd Run.cancel() för att markera körningen som avbruten.
  - Visa felmeddelandet "Miljönamn förväntades str, {} hittades" när det angivna miljönamnet inte är en sträng.
- azureml-train-automl-client
  - En bugg som förhindrade att AutoML-experiment som utfördes på Azure Databricks-kluster avbröts har åtgärdats.

2021-02-09

Azure Machine Learning SDK för Python v1.22.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - En bugg har åtgärdats där ett extra pip-beroende lades till i conda yml-filen för visionsmodeller.
- azureml-automl-runtime
  - En bugg har åtgärdats där klassiska prognosmodeller (till exempel AutoArima) kunde ta emot träningsdata där rader med imputerade målvärden inte fanns. Detta bröt mot datakontraktet för dessa modeller. * Åtgärdade olika buggar med fördröjning efter förekomst-beteende i tidsserie-fördröjningsoperatorn. Tidigare har åtgärden fördröjning efter förekomst inte markerat alla imputerade rader korrekt och skulle därför inte alltid generera rätt förekomstfördröjningsvärden. Vissa kompatibilitetsproblem har också åtgärdats mellan fördröjningsoperatorn och den rullande fönsteroperatorn med beteendet lag-by-occurrence. Detta resulterade tidigare i att operatorn för rullande fönster släppte några rader från träningsdata som den annars skulle använda.
- azureml-core
  - Lägger till stöd för tokenautentisering av målgrupp.
  - Lägg till process_count i PyTorchConfiguration för att stödja PyTorch-jobb med flera processer.
- azureml-pipeline-steps
  - CommandStep nu GA och inte längre experimentell.
  - ParallelRunConfig: lägg till argument allowed_failed_count och allowed_failed_percent för att kontrollera feltröskelvärdet på mini batchnivå. Feltröskelvärdet har tre varianter nu:
    - error_threshold – antalet tillåtna mini batch-objekt som inte tillåts.
    - allowed_failed_count – antalet tillåtna misslyckade minibatch;
    - allowed_failed_percent – procentandelen tillåtna misslyckade minibatch.
    Ett jobb stoppas om det överskrider någon av dem. error_threshold krävs för att hålla den bakåtkompatibel. Ange värdet till -1 för att ignorera det.
  - Hanteringen av blanksteg har åtgärdats i AutoMLStegnamn.
  - ScriptRunConfig stöds nu av HyperDriveStep
- azureml-train-core
  - HyperDrive-körningar som anropas från en ScriptRun betraktas nu som en underordnad körning.
  - Lägg till process_count i PyTorchConfiguration för att stödja PyTorch-jobb med flera processer.
- azureml-widgets
  - Lägg till widgeten ParallelRunStepDetails för att visualisera status för en ParallelRunStep.
  - Gör att hyperdrive-användare kan se en axel i diagrammet parallella koordinater som visar det måttvärde som motsvarar varje uppsättning hyperparametrar för varje underordnad körning.

2021-01-31

Azure Machine Learning-studio Notebooks Experience (uppdatering i januari)

Nya funktioner
- Ursprunglig Markdown-redigerare i Azure Machine Learning. Användare kan nu återge och redigera markdown-filer internt i Azure Machine Learning-studio.
- Kör knapp för skript (.py, . R och .sh). Användare kan nu enkelt köra Python-, R- och Bash-skript i Azure Machine Learning
- Variabelutforskaren. Utforska innehållet i variabler och dataramar i en popup-panel. Användare kan enkelt kontrollera datatyp, storlek och innehåll.
- Innehållsförteckning. Navigera till avsnitt i anteckningsboken, som anges av Markdown-rubriker.
- Exportera notebook-filen som Latex/HTML/Py. Skapa lätt att dela notebook-filer genom att exportera till LaTex, HTML eller .py
- Intellicode. ML-baserade resultat ger en förbättrad intelligent automatisk komplettering.
Felkorrigeringar och förbättringar
- Förbättrade sidinläsningstider
- Förbättrad prestanda
- Förbättrad hastighet och kerneltillförlitlighet

2021-01-25

Azure Machine Learning SDK för Python v1.21.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Cli-hjälptexten har åtgärdats när AmlCompute används med användartilldelad identitet
- azureml-contrib-automl-dnn-vision
  - Distributions- och nedladdningsknappar blir synliga för AutoML-visionskörningar och modeller kan distribueras eller laddas ned på liknande sätt som andra AutoML-körningar. Det finns två nya filer (scoring_file_v_1_0_0.py och conda_env_v_1_0_0.yml) som innehåller ett skript för att köra slutsatsdragning och en yml-fil för att återskapa conda-miljön. Filen model.pth har också bytt namn för att använda tillägget ".pt".
- azureml-core
  - MSI-stöd för azure-cli-ml
  - Stöd för användartilldelad hanterad identitet.
  - Med den här ändringen bör kunderna kunna tillhandahålla en användartilldelad identitet som kan användas för att hämta nyckeln från kundens nyckelvalv för kryptering i vila.
  - åtgärda row_count=0 för profilen för stora filer – åtgärda fel vid dubbel konvertering för avgränsade värden med blankstegsutfyllnad
  - Ta bort experimentell flagga för ga för utdatauppsättning
  - Uppdatera dokumentation om hur du hämtar en viss version av en modell
  - Tillåt uppdatering av arbetsyta för åtkomst i blandat läge i privat länk
  - Korrigering för att ta bort en annan registrering i datalager för funktionen återuppta körning
  - Stöd för CLI/SDK har lagts till för uppdatering av den primära användartilldelade arbetsytans identitet
- azureml-interpret
  - har uppdaterat azureml-interpret till interpret-community 0.16.0
  - minnesoptimeringar för förklaringsklienten i azureml-interpret
- azureml-train-automl-runtime
  - Aktiverad strömning för ADB-körningar
- azureml-train-core
  - Korrigering för att ta bort en annan registrering i datalager för funktionen återuppta körning
- azureml-widgets
  - Kunder bör inte se ändringar i befintlig körningsdatavisualisering med hjälp av widgeten och har nu stöd om de vill använda villkorsstyrda hyperparametrar.
  - Användarkörningswidgeten innehåller nu en detaljerad förklaring till varför en körning är i kötillstånd.

2021-01-11

Azure Machine Learning SDK för Python v1.20.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - framework_version har lagts till i OptimizationConfig. Den används när modellen registreras med ramverket MULTI.
- azureml-contrib-optimization
  - framework_version har lagts till i OptimizationConfig. Den används när modellen registreras med ramverket MULTI.
- azureml-pipeline-steps
  - Introduktion till CommandStep, som skulle ta kommandot att bearbeta. Kommandot kan innehålla körbara filer, gränssnittskommandon, skript osv.
- azureml-core
  - Nu har arbetsytans skapande stöd för användartilldelad identitet. Lägga till uai-stöd från SDK/CLI
  - Åtgärdat problem med service.reload() för att hämta ändringar på score.py i lokal distribution.
  - run.get_details() har ett extra fält med namnet "submittedBy", som visar författarens namn för den här körningen.
  - Dokumentation om redigerad Model.register-metod för att nämna hur du registrerar modell från körning direkt
  - Problem med ändringshantering av IOT-Server-anslutning har åtgärdats.

2020-12-31

Azure Machine Learning-studio Notebooks Experience (uppdatering i december)

Nya funktioner
- Sök efter användarfilnamn. Användarna kan nu söka i alla filer som sparats på en arbetsyta.
- Stöd för Markdown sida vid sida per notebook-cell. I en notebook-cell kan användarna nu ha möjlighet att visa renderad markdown- och markdown-syntax sida vid sida.
- Cellstatusfält. Statusfältet anger vilket tillstånd en kodcell finns i, om en cellkörning lyckades och hur lång tid det tog att köra.
Felkorrigeringar och förbättringar
- Förbättrade sidinläsningstider
- Förbättrad prestanda
- Förbättrad hastighet och kerneltillförlitlighet

2020-12-07

Azure Machine Learning SDK för Python v1.19.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Experimentellt stöd har lagts till för testdata till AutoMLStep.
  - Den inledande grundläggande implementeringen av funktionen för inmatning av testuppsättningar har lagts till.
  - Flyttade referenser till sklearn.externals.joblib för att vara direkt beroende av joblib.
  - introducera en ny AutoML-aktivitetstyp av "image-instance-segmentation".
- azureml-automl-runtime
  - Den inledande grundläggande implementeringen av funktionen för inmatning av testuppsättningar har lagts till.
  - När alla strängar i en textkolumn har en längd på exakt ett tecken fungerar inte TfIdf word-gram featurizer eftersom dess tokenizer ignorerar strängarna med färre än två tecken. Den aktuella kodändringen gör att AutoML kan hantera det här användningsfallet.
  - introducera en ny AutoML-aktivitetstyp av "image-instance-segmentation".
- azureml-contrib-automl-dnn-nlp
  - Initial PR för nytt dnn-nlp-paket
- azureml-contrib-automl-dnn-vision
  - introducera en ny AutoML-aktivitetstyp av "image-instance-segmentation".
- azureml-contrib-automl-pipeline-steps
  - Det här nya paketet ansvarar för att skapa de steg som krävs för många modellers tränings-/slutsatsdragningsscenario. – Den flyttar även koden train/inference till azureml.train.automl.runtime-paketet så att eventuella framtida korrigeringar blir automatiskt tillgängliga via utvalda miljöversioner.
- azureml-contrib-datauppsättning
  - introducera en ny AutoML-aktivitetstyp av "image-instance-segmentation".
- azureml-core
  - Den inledande grundläggande implementeringen av funktionen för inmatning av testuppsättningar har lagts till.
  - Åtgärda xref-varningarna för dokumentation i azureml-core-paketet
  - Doc-strängkorrigeringar för funktionen Kommandostöd i SDK
  - Lägga till kommandoegenskap i RunConfiguration. Funktionen gör det möjligt för användare att köra ett faktiskt kommando eller körbara filer på beräkningen via Azure Machine Learning SDK.
  - Användare kan ta bort ett tomt experiment med tanke på ID:t för experimentet.
- azureml-dataprep
  - Stöd för datauppsättningar har lagts till för Spark som skapats med Scala 2.12. Detta lägger till det befintliga 2.11-stödet.
- azureml-mlflow
  - AzureML-MLflow lägger till säkra skydd i fjärrskript för att undvika tidig avslutning av inskickade körningar.
- azureml-pipeline-core
  - En bugg har åtgärdats när en standardpipeline för pipelineslutpunkten skapades via användargränssnittet har åtgärdats
- azureml-pipeline-steps
  - Experimentellt stöd har lagts till för testdata till AutoMLStep.
- azureml-tensorboard
  - Åtgärda xref-varningarna för dokumentation i azureml-core-paketet
- azureml-train-automl-client
  - Experimentellt stöd har lagts till för testdata till AutoMLStep.
  - Den inledande grundläggande implementeringen av funktionen för inmatning av testuppsättningar har lagts till.
  - introducera en ny AutoML-aktivitetstyp av "image-instance-segmentation".
- azureml-train-automl-runtime
  - Den inledande grundläggande implementeringen av funktionen för inmatning av testuppsättningar har lagts till.
  - Åtgärda beräkningen av de råa förklaringarna för den bästa AutoML-modellen om AutoML-modellerna tränas med hjälp av validation_size inställning.
  - Flyttade referenser till sklearn.externals.joblib för att vara direkt beroende av joblib.
- azureml-train-core
  - HyperDriveRun.get_children_sorted_by_primary_metric() bör slutföras snabbare nu
  - Förbättrad felhantering i HyperDrive SDK.
  - Inaktuella alla skattningsklasser till förmån för att använda ScriptRunConfig för att konfigurera experimentkörningar. Inaktuella klasser omfattar:
    - MMLBase
    - Estimator
    - PyTorch
    - TensorFlow
    - Chainer
    - SKLearn
  - Inaktuell användning av Nccl och Gloo som giltiga indatatyper för Estimator-klasser till förmån för att använda PyTorchConfiguration med ScriptRunConfig.
  - Inaktuell användning av Mpi som en giltig indatatyp för Estimator-klasser till förmån för att använda MpiConfiguration med ScriptRunConfig.
  - Lägga till kommandoegenskap för att köra konfigurationen. Funktionen gör det möjligt för användare att köra ett faktiskt kommando eller körbara filer på beräkningen via Azure Machine Learning SDK.
  - Inaktuella alla skattningsklasser till förmån för att använda ScriptRunConfig för att konfigurera experimentkörningar. Inaktuella klasser omfattar: + MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn
  - Inaktuell användning av Nccl och Gloo som en giltig typ av indata för skattningsklasser till förmån för att använda PyTorchConfiguration med ScriptRunConfig.
  - Inaktuell användning av Mpi som en giltig typ av indata för Estimator-klasser till förmån för att använda MpiConfiguration med ScriptRunConfig.

2020-11-30

Azure Machine Learning-studio Notebooks Experience (uppdatering i november)

Nya funktioner
- Intern terminal. Användarna har nu åtkomst till en integrerad terminal och Git-åtgärd via den integrerade terminalen.
- Duplicerad mapp
- Kostnadsberäkning för listrutan Beräkning
- Offline-beräknings-Pylance
Felkorrigeringar och förbättringar
- Förbättrade sidinläsningstider
- Förbättrad prestanda
- Förbättrad hastighet och kerneltillförlitlighet
- Stor filuppladdning. Nu kan du ladda upp filen >95 mb

2020-11-09

Azure Machine Learning SDK för Python v1.18.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Förbättrad hantering av korta tidsserier genom att tillåta utfyllnad av dem med gaussiskt brus.
- azureml-automl-runtime
  - Kasta ConfigException om en DateTime-kolumn har värdet OutOfBoundsDatetime
  - Förbättrad hantering av korta tidsserier genom att tillåta utfyllnad av dem med gaussiskt brus.
  - Se till att varje textkolumn kan använda char-gram-transformering med n-gramintervallet baserat på längden på strängarna i textkolumnen
  - Ge rådata för funktionsförklaringar för bästa läge för AutoML-experiment som körs på användarens lokala beräkning
- azureml-core
  - Fäst paketet: pyjwt för att undvika att dra in inbrytningar i kommande versioner.
  - När du skapar ett experiment returneras det aktiva eller senast arkiverade experimentet med samma förnamn om det finns ett sådant experiment eller ett nytt experiment.
  - Om du anropar get_experiment efter namn returneras det aktiva eller senast arkiverade experimentet med det förnamnet.
  - Användare kan inte byta namn på ett experiment när de återaktiverar det.
  - Förbättrat felmeddelande för att inkludera potentiella korrigeringar när en datauppsättning felaktigt skickas till ett experiment (till exempel ScriptRunConfig).
  - Förbättrad dokumentation för OutputDatasetConfig.register_on_complete att inkludera beteendet för vad som händer när namnet redan finns.
  - Om du anger indata- och utdatanamn för datauppsättningar som kan kollidera med vanliga miljövariabler resulterar det nu i en varning
  - Återanvänd parameter grant_workspace_access vid registrering av datalager. Ställ in den på True för att komma åt data bakom virtuella nätverk från Machine Learning Studio. Läs mer
  - Det länkade tjänst-API:et förfinas. I stället för att tillhandahålla resurs-ID har vi tre separata parametrar sub_id, rg och namn som definierats i konfigurationen.
  - För att göra det möjligt för kunder att själv lösa problem med tokenskada aktiverar du synkronisering av arbetsytetoken som en offentlig metod.
  - Den här ändringen gör att en tom sträng kan användas som ett värde för en script_param
- azureml-train-automl-client
  - Förbättrad hantering av korta tidsserier genom att tillåta utfyllnad av dem med gaussiskt brus.
- azureml-train-automl-runtime
  - Kasta ConfigException om en DateTime-kolumn har värdet OutOfBoundsDatetime
  - Stöd har lagts till för att tillhandahålla råa funktionsförklaringar för bästa modell för AutoML-experiment som körs på användarens lokala beräkning
  - Förbättrad hantering av korta tidsserier genom att tillåta utfyllnad av dem med gaussiskt brus.
- azureml-train-core
  - Den här ändringen gör att en tom sträng kan användas som ett värde för en script_param
- azureml-train-restclients-hyperdrive
  - README har ändrats för att ge mer kontext
- azureml-widgets
  - Lägg till strängstöd för diagram/parallellkoordinatbibliotek för widget.

2020-11-05

Dataetiketter för segmentering av bildinstanser (polygonanteckning) (förhandsversion)

Projekttypen för bildinstanssegmentering (polygonanteckningar) i dataetiketter är nu tillgänglig, så att användarna kan rita och kommentera med polygoner runt konturen av objekten i bilderna. Användare kan tilldela en klass och en polygon till varje objekt som är av intresse i en bild.

Läs mer om segmenteringsetiketter för bildinstanser.

2020-10-26

Azure Machine Learning SDK för Python v1.17.0

nya exempel
- En ny communitydriven lagringsplats med exempel finns på https://github.com/Azure/azureml-examples
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Ett problem har åtgärdats där get_output kan generera en XGBoostError.
- azureml-automl-runtime
  - Tids-/kalenderbaserade funktioner som skapats av AutoML har nu prefixet.
  - En IndexError har åtgärdats under träning av StackEnsemble för klassificeringsdatauppsättningar med ett stort antal klasser och undersampling aktiverat.
  - Ett problem där VotingRegressor-förutsägelser kan vara felaktiga efter att modellen har konfigurerats om har åtgärdats.
- azureml-core
  - Mer information har lagts till om relationen mellan AKS-distributionskonfiguration och Azure Kubernetes Service-begrepp.
  - Stöd för miljöklientetiketter. Användaren kan märka miljöer och referera till dem efter etikett.
- azureml-dataprep
  - Bättre felmeddelande när du använder Spark som för närvarande inte stöds med Scala 2.12.
- azureml-explain-model
  - Azureml-explain-model-paketet är officiellt inaktuellt
- azureml-mlflow
  - Löste en bugg i mlflow.projects.run mot azureml-serverdelen där slutförandetillståndet inte hanterades korrekt.
- azureml-pipeline-core
  - Lägg till stöd för att skapa, lista och hämta pipelineschema baserat på en pipelineslutpunkt.
  - Förbättrade dokumentationen för PipelineData.as_dataset med ett ogiltigt användningsexempel – Om du använder PipelineData.as_dataset felaktigt resulterar det nu i att en ValueException genereras
  - Ändrade notebook-filen för HyperDriveStep-pipelines för att registrera den bästa modellen i en PipelineStep direkt efter HyperDriveStep-körningen.
- azureml-pipeline-steps
  - Ändrade notebook-filen för HyperDriveStep-pipelines för att registrera den bästa modellen i en PipelineStep direkt efter HyperDriveStep-körningen.
- azureml-train-automl-client
  - Ett problem har åtgärdats där get_output kan generera en XGBoostError.

Azure Machine Learning-studio Notebooks Experience (oktoberuppdatering)

Nya funktioner
- Fullständigt stöd för virtuellt nätverk
- Fokusläge
- Spara anteckningsböcker Ctrl-S
- Radnummer
Felkorrigeringar och förbättringar
- Förbättrad hastighet och kerneltillförlitlighet
- Jupyter Widget UI-uppdateringar

2020-10-12

Azure Machine Learning SDK för Python v1.16.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - AKSWebservice och AKSEndpoints stöder nu processor- och minnesresursgränser på poddnivå. Dessa valfria gränser kan användas genom att ange --cpu-cores-limit och --memory-gb-limit flaggor i tillämpliga CLI-anrop
- azureml-core
  - Fästa större versioner av direktberoenden av azureml-core
  - AKSWebservice och AKSEndpoints stöder nu processor- och minnesresursgränser på poddnivå. Mer information om Kubernetes-resurser och -gränser
  - Uppdaterade run.log_table för att tillåta att enskilda rader loggas.
  - Statisk metod Run.get(workspace, run_id) har lagts till för att endast hämta en körning med hjälp av en arbetsyta
  - Instansmetoden Workspace.get_run(run_id) har lagts till för att hämta en körning på arbetsytan
  - Introduktion till kommandoegenskapen i körningskonfigurationen, som gör det möjligt för användare att skicka kommando i stället för skript och argument.
- azureml-interpret
  - fast förklaringsklient is_raw flaggbeteende i azureml-interpret
- azureml-sdk
  - azureml-sdk stöder officiellt Python 3.8.
- azureml-train-core
  - Lägga till TensorFlow 2.3-kuraterad miljö
  - Introduktion till kommandoegenskapen i körningskonfigurationen, som gör det möjligt för användare att skicka kommando i stället för skript och argument.
- azureml-widgets
  - Omdesignat gränssnitt för skriptkörningswidget.

2020-09-28

Azure Machine Learning SDK för Python v1.15.0

Felkorrigeringar och förbättringar
- azureml-contrib-interpret
  - LIME-förklaringen har flyttats från azureml-contrib-interpret till interpret-community-paket och bildförklarare som tagits bort från azureml-contrib-interpret-package
  - visualiseringsinstrumentpanelen har tagits bort från azureml-contrib-interpret-package, förklaringsklienten har flyttats till azureml-interpret-paketet och föråldrats i azureml-contrib-interpret-package och notebook-filer har uppdaterats för att återspegla förbättrat API
  - åtgärda pypi-paketbeskrivningar för azureml-interpret, azureml-explain-model, azureml-contrib-interpret och azureml-tensorboard
- azureml-contrib-notebook
  - Fäst nbcovert-beroendet på < 6 så att pappersverket 1.x fortsätter att fungera.
- azureml-core
  - Parametrar har lagts till i konstruktorn TensorflowConfiguration och MpiConfiguration för att möjliggöra en mer effektiviserad initiering av klassattributen utan att användaren behöver ange varje enskilt attribut. En PyTorchConfiguration-klass har lagts till för att konfigurera distribuerade PyTorch-jobb i ScriptRunConfig.
  - Fäst versionen av azure-mgmt-resource för att åtgärda autentiseringsfelet.
  - Stöd för triton ingen koddistribution
  - utdatakataloger som anges i Run.start_logging() spåras nu när de körs i interaktiva scenarier. De spårade filerna visas i ML Studio när de anropar Run.complete()
  - Filkodning kan nu anges när datauppsättningen skapas med Dataset.Tabular.from_delimited_files och Dataset.Tabular.from_json_lines_files genom att argumentet skickas encoding . Kodningarna som stöds är "utf8", "iso88591", "latin1", "ascii", utf16", "utf32", "utf8bom" och "windows1252".
  - Felkorrigering när miljöobjekt inte skickas till ScriptRunConfig-konstruktorn.
  - Run.cancel() har uppdaterats så att en lokal körning från en annan dator kan avbrytas.
- azureml-dataprep
  - Problem med att montera tidsgränser för datauppsättningar har åtgärdats.
- azureml-explain-model
  - åtgärda pypi-paketbeskrivningar för azureml-interpret, azureml-explain-model, azureml-contrib-interpret och azureml-tensorboard
- azureml-interpret
  - visualiseringsinstrumentpanelen har tagits bort från azureml-contrib-interpret-package, förklaringsklienten har flyttats till azureml-interpret-paketet och föråldrats i azureml-contrib-interpret-package och notebook-filer har uppdaterats för att återspegla förbättrat API
  - azureml-interpret-paketet har uppdaterats till beroende av interpret-community 0.15.0
  - åtgärda pypi-paketbeskrivningar för azureml-interpret, azureml-explain-model, azureml-contrib-interpret och azureml-tensorboard
- azureml-pipeline-core
  - Ett pipelineproblem har åtgärdats där OutputFileDatasetConfig systemet kan sluta svara närregister_on_complete anropas med parametern name inställd på ett befintligt datauppsättningsnamn.
- azureml-pipeline-steps
  - Inaktuella databricks notebook-filer har tagits bort.
- azureml-tensorboard
  - åtgärda pypi-paketbeskrivningar för azureml-interpret, azureml-explain-model, azureml-contrib-interpret och azureml-tensorboard
- azureml-train-automl-runtime
  - visualiseringsinstrumentpanelen har tagits bort från azureml-contrib-interpret-package, förklaringsklienten har flyttats till azureml-interpret-paketet och föråldrats i azureml-contrib-interpret-package och notebook-filer har uppdaterats för att återspegla förbättrat API
- azureml-widgets
  - visualiseringsinstrumentpanelen har tagits bort från azureml-contrib-interpret-package, förklaringsklienten har flyttats till azureml-interpret-paketet och föråldrats i azureml-contrib-interpret-package och notebook-filer har uppdaterats för att återspegla förbättrat API

2020-09-21

Azure Machine Learning SDK för Python v1.14.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Rutnätsprofilering har tagits bort från SDK och stöds inte längre.
- azureml-accel-models
  - azureml-accel-models-package har nu stöd för TensorFlow 2.x
- azureml-automl-core
  - Felhantering har lagts till i get_output för fall då lokala versioner av Pandas/sklearn inte matchar de som används under träningen
- azureml-automl-runtime
  - En bugg har åtgärdats där AutoArima-iterationer skulle misslyckas med en PredictionException och meddelandet : "Tyst fel inträffade under förutsägelsen."
- azureml-cli-common
  - Rutnätsprofilering har tagits bort från SDK och stöds inte längre.
- azureml-contrib-server
  - Uppdatera beskrivningen av paketet för översiktssidan för pypi.
- azureml-core
  - Rutnätsprofilering har tagits bort från SDK:n och stöds inte längre.
  - Minska antalet felmeddelanden när hämtningen av arbetsytan misslyckas.
  - Visa inte varning när det inte går att hämta metadata
  - Nytt Kusto-steg och Kusto Compute Target.
  - Uppdatera dokumentet för sku-parametern. Ta bort sku i arbetsytans uppdateringsfunktioner i CLI och SDK.
  - Uppdatera beskrivningen av paketet för översiktssidan för pypi.
  - Uppdaterad dokumentation för Azure Machine Learning-miljöer.
  - Exponera inställningar för tjänsthanterade resurser för AML-arbetsyta i SDK.
- azureml-dataprep
  - Aktivera körningsbehörighet för filer för montering av datauppsättningar.
- azureml-mlflow
  - Uppdaterad Dokumentation om Azure Machine Learning MLflow och notebook-exempel
  - Nytt stöd för MLflow-projekt med Azure Machine Learning-serverdelen
  - Stöd för MLflow-modellregister
  - Azure RBAC-stöd har lagts till för AzureML-MLflow-åtgärder
- azureml-pipeline-core
  - Förbättrade dokumentationen för PipelineOutputFileDataset.parse_*-metoderna.
  - Nytt Kusto-steg och Kusto Compute Target.
  - Tillhandahållen Swaggerurl-egenskap för pipeline-slutpunktsentitet via den användaren kan se schemadefinitionen för publicerad pipelineslutpunkt.
- azureml-pipeline-steps
  - Nytt Kusto-steg och Kusto Compute Target.
- azureml-telemetri
  - Uppdatera beskrivningen av paketet för översiktssidan för pypi.
- azureml-train
  - Uppdatera beskrivningen av paketet för översiktssidan för pypi.
- azureml-train-automl-client
  - Felhantering har lagts till i get_output för fall då lokala versioner av Pandas/sklearn inte matchar de som används under träningen
- azureml-train-core
  - Uppdatera beskrivningen av paketet för översiktssidan för pypi.

2020-08-31

Azure Machine Learning SDK för Python v1.13.0

Förhandsversionsfunktioner
- azureml-core Med den nya funktionen för utdatauppsättningar kan du skriva tillbaka till molnlagring, inklusive Blob, ADLS Gen 1, ADLS Gen 2 och FileShare. Du kan konfigurera var du vill mata ut data, hur du matar ut data (via montering eller uppladdning), om du vill registrera utdata för framtida återanvändning och delning och skicka mellanliggande data mellan pipelinesteg sömlöst. Detta möjliggör reproducerbarhet, delning, förhindrar duplicering av data och resulterar i kostnadseffektivitet och produktivitetsvinster. Lär dig hur du använder den
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Lade till validated_{platform}_requirements.txt fil för att fästa alla pip-beroenden för AutoML.
  - Den här versionen stöder modeller som är större än 4 GB.
  - Uppgraderade AutoML-beroenden: scikit-learn (nu 0.22.1), pandas (nu 0.25.1) numpy (nu 1.18.2).
- azureml-automl-runtime
  - Ange horovod för text-DNN för att alltid använda fp16-komprimering.
  - Den här versionen stöder modeller som är större än 4 GB.
  - Ett problem har åtgärdats där AutoML misslyckas med ImportError: det går inte att importera namnet RollingOriginValidator.
  - Uppgraderade AutoML-beroenden: scikit-learn (nu 0.22.1), pandas (nu 0.25.1) numpy (nu 1.18.2).
- azureml-contrib-automl-dnn-forecasting
  - Uppgraderade AutoML-beroenden: scikit-learn (nu 0.22.1), pandas (nu 0.25.1) numpy (nu 1.18.2).
- azureml-contrib-fairness
  - Ange en kort beskrivning för azureml-contrib-fairness.
- azureml-contrib-pipeline-steps
  - Ett meddelande som anger att det här paketet är inaktuellt har lagts till och användaren bör använda azureml-pipeline-steps i stället.
- azureml-core
  - Kommandot listnyckel har lagts till för arbetsytan.
  - Lägg till parametern taggar i Workspace SDK och CLI.
  - Åtgärdade felet där det inte går att skicka en underordnad körning med Datauppsättningen på grund av TypeError: can't pickle _thread.RLock objects.
  - Lägga till page_count standard/dokumentation för modelllistan().
  - Ändra CLI&SDK för att ta adbworkspace-parametern och Lägg till adb lin/unlink-löpare för arbetsytan.
  - Åtgärda bugg i Dataset.update som gjorde att den senaste datauppsättningsversionen uppdaterades, inte versionen av datauppsättningsuppdateringen anropades.
  - Åtgärda bugg i Dataset.get_by_name som skulle visa taggarna för den senaste datauppsättningsversionen även när en specifik äldre version hämtades.
- azureml-interpret
  - Lade till sannolikhetsutdata till shap scoring explainers i azureml-interpret baserat på shap_values_output parameter från den ursprungliga förklaringen.
- azureml-pipeline-core
  - Förbättrad PipelineOutputAbstractDataset.registerdokumentation.
- azureml-train-automl-client
  - Uppgraderade AutoML-beroenden: scikit-learn (nu 0.22.1), pandas (nu 0.25.1) numpy (nu 1.18.2).
- azureml-train-automl-runtime
  - Uppgraderade AutoML-beroenden: scikit-learn (nu 0.22.1), pandas (nu 0.25.1) numpy (nu 1.18.2).
- azureml-train-core
  - Användarna måste nu ange ett giltigt hyperparameter_sampling arg när de skapar en HyperDriveConfig. Dessutom har dokumentationen för HyperDriveRunConfig redigerats för att informera användarna om utfasningen av HyperDriveRunConfig.
  - Återställa Standardversionen för PyTorch till 1.4.
  - Lägga till PyTorch 1.6 - TensorFlow 2.2-bilder och en kuraterad miljö.

Azure Machine Learning-studio Notebooks Experience (augustiuppdatering)

Nya funktioner
- Landningssida för ny komma igång
Förhandsversionsfunktioner
- Samla in funktionen i Notebooks. Med funktionen Samla in kan användarna nu enkelt rensa notebook-filer med, Gather använder en automatiserad beroendeanalys av din notebook-fil, vilket säkerställer att den viktiga koden behålls, men tar bort eventuella irrelevanta delar.
Felkorrigeringar och förbättringar
- Förbättrad hastighet och tillförlitlighet
- Buggar i mörkt läge har åtgärdats
- Rullningsbuggar för utdata har åtgärdats
- Exempelsökning söker nu efter allt innehåll i alla filer i lagringsplatsen för Azure Machine Learning-exempelanteckningsböcker
- Flerrads-R-celler kan nu köras
- "Jag litar på innehållet i den här filen" kontrolleras nu automatiskt efter första gången
- Förbättrad dialogruta för konfliktlösning med det nya alternativet "Gör en kopia"

2020-08-17

Azure Machine Learning SDK för Python v1.12.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Lägg till parametrarna image_name och image_label i Model.package() för att aktivera namnbyte på den skapade paketbilden.
- azureml-automl-core
  - AutoML genererar en ny felkod från dataprep när innehållet ändras under läsningen.
- azureml-automl-runtime
  - Aviseringar har lagts till för användaren när data innehåller saknade värden men funktionalisering är inaktiverat.
  - Fasta fel vid underordnade körningar när data innehåller nan och funktionalisering är inaktiverat.
  - AutoML genererar en ny felkod från dataprep när innehållet ändras under läsningen.
  - Normalisering har uppdaterats för prognostiseringsmått som ska ske efter kornighet.
  - Förbättrad beräkning av prognosberäkning när återblicksfunktioner inaktiveras.
  - Fast bool sparse-matrishantering vid beräkningsförklaringar efter AutoML.
- azureml-core
  - En ny metod run.get_detailed_status() visar nu den detaljerade förklaringen av aktuell körningsstatus. Den visar för närvarande bara en förklaring av Queued status.
  - Lägg till parametrarna image_name och image_label i Model.package() för att aktivera namnbyte på den skapade paketbilden.
  - Ny metod set_pip_requirements() för att ange hela pip-avsnittet samtidigt CondaDependencies .
  - Aktivera registrering av ADLS Gen2-datalager utan autentiseringsuppgifter.
  - Förbättrat felmeddelande vid försök att ladda ned eller montera en felaktig datamängdstyp.
  - Uppdatera tidsseriedatauppsättningens filterexempelanteckningsbok med fler exempel på partition_timestamp som ger filteroptimering.
  - Ändra SDK och CLI för att acceptera subscriptionId, resourceGroup, workspaceName, peConnectionName som parametrar i stället för ArmResourceId när du tar bort en privat slutpunktsanslutning.
  - Experimentell dekoratör visar klassnamn för enklare identifiering.
  - Beskrivningar av tillgångar i modeller genereras inte längre automatiskt baserat på en körning.
- azureml-datadrift
  - Markera create_from_model API i DataDriftDetector som inaktuellt.
- azureml-dataprep
  - Förbättrat felmeddelande vid försök att ladda ned eller montera en felaktig datamängdstyp.
- azureml-pipeline-core
  - Ett fel har åtgärdats vid deserialisering av pipelinediagram som innehåller registrerade datamängder.
- azureml-pipeline-steps
  - RScriptStep stöder RSection från azureml.core.environment.
  - Tog bort parametern passthru_automl_config från det offentliga API:et AutoMLStep och konverterade den till en intern parameter.
- azureml-train-automl-client
  - Lokal asynkron, hanterad miljö körs från AutoML. Alla lokala körningar körs i miljön som körningen startades från.
  - Problem med ögonblicksbilder vid sändning av AutoML körs utan skript som tillhandahålls av användaren.
  - Fel vid underordnad körning har åtgärdats när data innehåller nan och funktionalisering är inaktiverat.
- azureml-train-automl-runtime
  - AutoML genererar en ny felkod från dataprep när innehållet ändras under läsningen.
  - Problem med ögonblicksbilder vid sändning av AutoML körs utan skript som tillhandahålls av användaren.
  - Fel vid underordnad körning har åtgärdats när data innehåller nan och funktionalisering är inaktiverat.
- azureml-train-core
  - Stöd har lagts till för att ange pip-alternativ (till exempel --extra-index-url) i pip-kravfilen som skickas till en via-parameter Estimator pip_requirements_file .

2020-08-03

Azure Machine Learning SDK för Python v1.11.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Åtgärda modellramverk och modellramverk som inte har skickats i körningsobjektet i cli-modellregistreringssökvägen
  - Åtgärda KOMMANDOT CLI amlcompute identity show för att visa klientorganisations-ID och huvudnamns-ID
- azureml-train-automl-client
  - Lade till get_best_child () i AutoMLRun för att hämta den bästa underordnade körningen för en AutoML-körning utan att ladda ned den associerade modellen.
  - ModelProxy-objekt har lagts till som gör att förutsäga eller prognos kan köras i en fjärrträningsmiljö utan att ladda ned modellen lokalt.
  - Ohanterade undantag i AutoML pekar nu på en HTTP-sida med kända problem, där mer information om felen finns.
- azureml-core
  - Modellnamn kan vara 255 tecken långa.
  - Environment.get_image_details() returnerade objekttypen har ändrats. DockerImageDetails klass ersatt dict, bildinformation är tillgängliga från de nya klassegenskaperna. Ändringarna är bakåtkompatibla.
  - Åtgärda fel för Environment.from_pip_requirements() för att bevara beroendestrukturen
  - Ett fel har åtgärdats där log_list skulle misslyckas om en int och double fanns med i samma lista.
  - När du aktiverar privat länk på en befintlig arbetsyta bör du tänka på att om det finns beräkningsmål som är associerade med arbetsytan fungerar inte dessa mål om de inte ligger bakom samma virtuella nätverk som arbetsytans privata slutpunkt.
  - Har gjorts as_named_input valfritt när du använder datauppsättningar i experiment och lagt till as_mount och as_download till FileDataset. Indatanamnet genereras automatiskt om as_mount eller as_download anropas.
- azureml-automl-core
  - Ohanterade undantag i AutoML pekar nu på en HTTP-sida med kända problem, där mer information om felen finns.
  - Lade till get_best_child () i AutoMLRun för att hämta den bästa underordnade körningen för en AutoML-körning utan att ladda ned den associerade modellen.
  - ModelProxy-objekt har lagts till som gör att förutsäga eller prognos kan köras i en fjärrträningsmiljö utan att ladda ned modellen lokalt.
- azureml-pipeline-steps
  - Lade till enable_default_model_output och enable_default_metrics_output flaggor i AutoMLStep. Dessa flaggor kan användas för att aktivera/inaktivera standardutdata.

2020-07-20

Azure Machine Learning SDK för Python v1.10.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - När du använder AutoML skapas den automatiskt om en sökväg skickas till AutoMLConfig-objektet och den inte redan finns.
  - Användarna kan nu ange en tidsseriefrekvens för prognostiseringsuppgifter med hjälp av parametern freq .
- azureml-automl-runtime
  - När du använder AutoML skapas den automatiskt om en sökväg skickas till AutoMLConfig-objektet och den inte redan finns.
  - Användarna kan nu ange en tidsseriefrekvens för prognostiseringsuppgifter med hjälp av parametern freq .
  - AutoML-prognos har nu stöd för löpande utvärdering, vilket gäller för användningsfallet att längden på en test- eller valideringsuppsättning är längre än indatahorisonten och kända y_pred värde används som prognoskontext.
- azureml-core
  - Varningsmeddelanden skrivs ut om inga filer laddades ned från datalagringen under en körning.
  - Dokumentation har lagts Datastore.register_azure_sql_database methodtill för skip_validation i .
  - Användare måste uppgradera till SDK v1.10.0 eller senare för att skapa en automatiskt godkänd privat slutpunkt. Detta inkluderar notebook-resursen som kan användas bakom det virtuella nätverket.
  - Exponera NotebookInfo som svar på get-arbetsytan.
  - Ändringar för att få anrop för att lista beräkningsmål och få beräkningsmålet att lyckas på en fjärrkörning. SDK-funktioner för att hämta beräkningsmål och lista beräkningsmål för arbetsytor fungerar nu i fjärrkörningar.
  - Lägg till utfasningsmeddelanden i klassbeskrivningarna för azureml.core.image-klasser.
  - Skapa undantag och rensa arbetsytan och beroende resurser om det inte går att skapa en privat slutpunkt för arbetsytan.
  - Stöd för SKU-uppgradering av arbetsytor i arbetsyteuppdateringsmetod.
- azureml-datadrift
  - Uppdatera matplotlib-versionen från 3.0.2 till 3.2.1 för att stödja Python 3.8.
- azureml-dataprep
  - Stöd har lagts till för webb-URL-datakällor med Range eller Head begäran.
  - Förbättrad stabilitet för montering och nedladdning av fildatauppsättningar.
- azureml-train-automl-client
  - Problem som rör borttagning av RequirementParseError från setuptools har åtgärdats.
  - Använd docker i stället för conda för lokala körningar som skickas med hjälp av "compute_target='local'"
  - Den iterationsvaraktighet som skrivs ut till konsolen har korrigerats. Tidigare skrevs iterationsvaraktigheten ibland ut som körningens sluttid minus tiden då körningen skapades. Den har korrigerats till lika med körningens sluttid minus körningens starttid.
  - När du använder AutoML skapas den automatiskt om en sökväg skickas till AutoMLConfig-objektet och den inte redan finns.
  - Användarna kan nu ange en tidsseriefrekvens för prognostiseringsuppgifter med hjälp av parametern freq .
- azureml-train-automl-runtime
  - Förbättrade konsolutdata när de bästa modellförklaringarna misslyckas.
  - Indataparametern har bytt namn till "blocked_models" för att ta bort en känslig term.
    - Indataparametern har bytt namn till "allowed_models" för att ta bort en känslig term.
  - Användarna kan nu ange en tidsseriefrekvens för prognostiseringsuppgifter med hjälp av parametern freq .

2020-07-06

Azure Machine Learning SDK för Python v1.9.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Ersatte get_model_path() med AZUREML_MODEL_DIR miljövariabel i autogenererat autogenererat bedömningsskript för AutoML. Dessutom har telemetri lagts till för att spåra fel under init().
  - Möjligheten att ange som en del av AutoMLConfig har tagits enable_cache bort
  - En bugg har åtgärdats där körningar kan misslyckas med tjänstfel under specifika prognoskörningar
  - Förbättrad felhantering kring specifika modeller under get_output
  - Anrop till fitted_model.fit(X, y) för klassificering med y-transformator har åtgärdats
  - Aktiverad anpassad fyllningsimputer för vidarebefordran för prognostiseringsuppgifter
  - En ny ForecastingParameters-klass används i stället för prognostiseringsparametrar i diktatformat
  - Förbättrad autodetection för målfördröjning
  - Begränsad tillgänglighet för distribuerad funktionalisering med flera noder och flera gpu:er har lagts till med BERT
- azureml-automl-runtime
  - Profeten gör nu additiv säsongsmodellering i stället för multiplicativ.
  - Åtgärdat problemet när korta korn, med frekvenser som skiljer sig från de långa kornen resulterar i misslyckade körningar.
- azureml-contrib-automl-dnn-vision
  - Samla in system-/gpu-statistik och logggenomsnitt för träning och bedömning
- azureml-contrib-mir
  - Stöd har lagts till för flaggan enable-app-insights i ManagedInferencing
- azureml-core
  - En valideringsparameter för dessa API:er genom att tillåta att valideringen hoppas över när datakällan inte är tillgänglig från den aktuella beräkningen.
    - TabularDataset.time_before(end_time, include_boundary=True, validate=True)
    - TabularDataset.time_after(start_time, include_boundary=True, validate=True)
    - TabularDataset.time_recent(time_delta, include_boundary=True, validate=True)
    - TabularDataset.time_between(start_time, end_time, include_boundary=True, validate=True)
  - Stöd för ramverksfiltrering har lagts till för modelllistan och NCD AutoML-exempel har lagts till i notebook-filen igen
  - För Datastore.register_azure_blob_container och Datastore.register_azure_file_share (endast alternativ som stöder SAS-token) har vi uppdaterat dokumentsträngarna för fältet så att de sas_token innehåller minimikrav för behörigheter för vanliga läs- och skrivscenarier.
  - Inaktuell _with_auth param i ws.get_mlflow_tracking_uri()
- azureml-mlflow
  - Lägg till stöd för att distribuera lokala file:// modeller med AzureML-MLflow
  - Inaktuell _with_auth param i ws.get_mlflow_tracking_uri()
- azureml-opendatasets
  - Nyligen publicerade Covid-19-spårningsdatauppsättningar är nu tillgängliga med SDK
- azureml-pipeline-core
  - Logga ut varning när "azureml-defaults" inte ingår som en del av pip-dependency
  - Förbättra återgivningen av anteckningar.
  - Stöd har lagts till för citerade radbrytningar vid parsning av avgränsade filer till PipelineOutputFileDataset.
  - Klassen PipelineDataset är inaktuell. Mer information finns i https://aka.ms/dataset-deprecation. Läs mer om hur du använder datauppsättning med pipeline i https://aka.ms/pipeline-with-dataset.
- azureml-pipeline-steps
  - Dokumentet uppdateras till azureml-pipeline-steps.
  - Stöd har lagts load_yaml() till i ParallelRunConfig för användare för att definiera miljöer infogade med resten av konfigurationen eller i en separat fil
- azureml-train-automl-client.
  - Möjligheten att ange som en del av AutoMLConfig har tagits enable_cache bort
- azureml-train-automl-runtime
  - Den begränsade tillgängligheten för distribuerad funktionalisering med flera noder och flera gpu:er har lagts till med BERT.
  - Felhantering har lagts till för inkompatibla paket i ADB-baserade automatiserade maskininlärningskörningar.
- azureml-widgets
  - Doc-uppdateringar av azureml-widgets.

2020-06-22

Azure Machine Learning SDK för Python v1.8.0

Förhandsversionsfunktioner
- azureml-contrib-fairness Paketet azureml-contrib-fairness ger integrering mellan rättvisebedömning med öppen källkod och åtgärdspaketet Fairlearn och Azure Machine Learning-studio. I synnerhet gör paketet det möjligt att ladda upp instrumentpaneler för utvärdering av modellens rättvisa som en del av en Azure Machine Learning-körning och visas i Azure Machine Learning-studio
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Stöd för att hämta loggar för init-container.
  - Nya CLI-kommandon har lagts till för att hantera ComputeInstance
- azureml-automl-core
  - Användare kan nu aktivera stackensemb iteration för Time Series-uppgifter med en varning om att det potentiellt kan överanpassas.
  - Lade till en ny typ av användarfel som utlöses om innehållet i cachelagringsplatsen har manipulerats
- azureml-automl-runtime
  - Svepning av klassbalansering är inte längre aktiverat om användaren inaktiverar funktionalisering.
- azureml-contrib-notebook
  - Doc-förbättringar av azureml-contrib-notebook-paketet.
- azureml-contrib-pipeline-steps
  - Doc-förbättringar av paketet azureml-contrib--pipeline-steps.
- azureml-core
  - Lägg till set_connection, get_connection, list_connections, delete_connection funktioner som kunden kan använda för arbetsyteanslutningsresurs
  - Dokumentationsuppdateringar för paketet azureml-coore/azureml.exceptions.
  - Dokumentationsuppdateringar för azureml-core-paketet.
  - Dokumentet uppdateras till klassen ComputeInstance.
  - Doc-förbättringar av azureml-core/azureml.core.compute-paketet.
  - Dokumentförbättringar för webbtjänstrelaterade klasser i azureml-core.
  - Stöd för användarvalt datalager för lagring av profileringsdata
  - Expandera och page_count egenskap har lagts till för modelllistans API
  - Ett fel har åtgärdats där borttagningen av egenskapen overwrite gör att den skickade körningen misslyckas med deserialiseringsfel.
  - Korrigerade inkonsekvent mappstruktur vid nedladdning eller montering av en FileDataset som refererar till en enda fil.
  - Att läsa in en datamängd med parquet-filer to_spark_dataframe är nu snabbare och stöder alla parquet- och Spark SQL-datatyper.
  - Stöd för att hämta loggar för init-container.
  - AutoML-körningar markeras nu som underordnad körning av Parallell körningssteg.
- azureml-datadrift
  - Doc-förbättringar av azureml-contrib-notebook-paketet.
- azureml-dataprep
  - Att läsa in en datamängd med parquet-filer to_spark_dataframe är nu snabbare och stöder alla parquet- och Spark SQL-datatyper.
  - Bättre minneshantering för OutOfMemory-problem för to_pandas_dataframe.
- azureml-interpret
  - Uppgraderade azureml-interpret för att använda interpret-community version 0.12.*
- azureml-mlflow
  - Doc-förbättringar av azureml-mlflow.
  - Lägger till stöd för AML-modellregister med MLFlow.
- azureml-opendatasets
  - Stöd har lagts till för Python 3.8
- azureml-pipeline-core
  - Uppdaterade PipelineDatasetdokumentationen för att klargöra att det är en intern klass.
  - ParallelRunStep uppdaterar för att acceptera flera värden för ett argument, till exempel: "--group_column_names", "Col1", "Col2", "Col3"
  - Tog bort passthru_automl_config krav för mellanliggande dataanvändning med AutoMLStep i Pipelines.
- azureml-pipeline-steps
  - Doc-förbättringar av paketet azureml-pipeline-steps.
  - Tog bort passthru_automl_config krav för mellanliggande dataanvändning med AutoMLStep i Pipelines.
- azureml-telemetri
  - Doc-förbättringar av azureml-telemetri.
- azureml-train-automl-client
  - En bugg som anropats experiment.submit() två gånger på ett AutoMLConfig objekt har åtgärdats och resulterat i ett annat beteende.
  - Användare kan nu aktivera stackensemb iteration för Time Series-uppgifter med en varning om att det potentiellt kan överanpassas.
  - Ändrade AutoML-körningsbeteendet för att skapa UserErrorException om tjänsten utlöser användarfel
  - Åtgärdar ett fel som gjorde att azureml_automl.log inte genererades eller saknade loggar när ett AutoML-experiment utfördes på ett fjärrberäkningsmål.
  - För klassificeringsdatauppsättningar med obalanserade klasser tillämpar vi viktutjämning, om funktionssoparen fastställer att viktutjämning förbättrar klassificeringsuppgiftens prestanda med ett visst tröskelvärde för undersamplade data.
  - AutoML-körningar markeras nu som underordnad körning av Parallell körningssteg.
- azureml-train-automl-runtime
  - Ändrade AutoML-körningsbeteendet för att skapa UserErrorException om tjänsten utlöser användarfel
  - AutoML-körningar markeras nu som underordnad körning av Parallell körningssteg.

2020-06-08

Azure Machine Learning SDK för Python v1.7.0

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Slutfört borttagningen av modellprofilering från mir contrib genom att rensa CLI-kommandon och paketberoenden, modellprofilering är tillgänglig i grunden.
  - Uppgraderar den lägsta Azure CLI-versionen till 2.3.0
- azureml-automl-core
  - Bättre undantagsmeddelande om funktionaliseringssteget fit_transform() på grund av anpassade transformeringsparametrar.
  - Lägg till stöd för flera språk för transformeringsmodeller för djupinlärning, till exempel BERT i automatiserad ML.
  - Ta bort inaktuell lag_length parameter från dokumentationen.
  - Dokumentationen om prognosparametrar förbättrades. Parametern lag_length är inaktuell.
- azureml-automl-runtime
  - Åtgärdade felet som uppstod när en kategorisk kolumn är tom under prognos-/testtiden.
  - Åtgärda körningsfelen när återblicksfunktionerna är aktiverade och data innehåller korta korn.
  - Åtgärdade problemet med felmeddelandet för duplicerat tidsindex när fördröjningar eller rullande fönster var inställda på "auto".
  - Åtgärdat problemet med Prophet- och Arima-modeller på datauppsättningar som innehåller återblicksfunktionerna.
  - Stöd har lagts till för datum före 1677-09-21 eller efter 2262-04-11 i andra kolumner än datumtid i prognosuppgifterna. Förbättrade felmeddelanden.
  - Dokumentationen om prognosparametrar förbättrades. Parametern lag_length är inaktuell.
  - Bättre undantagsmeddelande om funktionaliseringssteget fit_transform() på grund av anpassade transformeringsparametrar.
  - Lägg till stöd för flera språk för transformeringsmodeller för djupinlärning, till exempel BERT i automatiserad ML.
  - Cacheåtgärder som resulterar i vissa OSErrors genererar användarfel.
  - Kontroller har lagts till för att säkerställa att tränings- och valideringsdata har samma antal och uppsättning kolumner
  - Åtgärdat problem med autogenererat AutoML-bedömningsskript när data innehåller citattecken
  - Aktivera förklaringar för AutoML Prophet- och ensemblemodeller som innehåller Profetens modell.
  - Ett nytt kundproblem avslöjade en bugg på livewebbplatsen där vi loggar meddelanden längs Class-Balancing-Sweeping även när logiken för klassutjämning inte är korrekt aktiverad. Ta bort loggarna/meddelandena med den här PR:en.
- azureml-cli-common
  - Slutfört borttagningen av modellprofilering från mir contrib genom att rensa CLI-kommandon och paketberoenden. Modellprofilering är tillgänglig i grunden.
- azureml-contrib-reinforcementlearning
  - Verktyg för belastningstestning
- azureml-core
  - Dokumentationsändringar på Script_run_config.py
  - Åtgärdar ett fel med att skriva ut utdata från körningens cli-submit-pipeline
  - Dokumentationsförbättringar för azureml-core/azureml.data
  - Åtgärdar problem med att hämta lagringskonto med hjälp av kommandot hdfs getconf
  - Förbättrad dokumentation om register_azure_blob_container och register_azure_file_share
- azureml-datadrift
  - Förbättrad implementering för inaktivering och aktivering av övervakare av datamängdsdrift
- azureml-interpret
  - Som förklaringsklient tar du bort NaN eller Infs före json-serialisering vid uppladdning från artefakter
  - Uppdatera till den senaste versionen av interpret-community för att förbättra minnesfel för globala förklaringar med många funktioner och klasser
  - Lägg till true_ys valfri parameter för förklaringsuppladdning för att aktivera fler funktioner i studiogränssnittet
  - Förbättra prestanda för download_model_explanations() och list_model_explanations()
  - Små justeringar av notebook-filer för att underlätta felsökning
- azureml-opendatasets
  - azureml-opendatasets behöver azureml-dataprep version 1.4.0 eller senare. Varning har lagts till om lägre version identifieras
- azureml-pipeline-core
  - Med den här ändringen kan användaren ange en valfri runconfig till moduleVersion när den anropar modulen. Publish_python_script.
  - Aktivera nodkonto kan vara en pipelineparameter i ParallelRunStep i azureml.pipeline.steps
- azureml-pipeline-steps
  - Med den här ändringen kan användaren ange en valfri runconfig till moduleVersion när den anropar modulen. Publish_python_script.
- azureml-train-automl-client
  - Lägg till stöd för flera språk för transformeringsmodeller för djupinlärning, till exempel BERT i automatiserad ML.
  - Ta bort inaktuell lag_length parameter från dokumentationen.
  - Dokumentationen om prognosparametrar förbättrades. Parametern lag_length är inaktuell.
- azureml-train-automl-runtime
  - Aktivera förklaringar för AutoML Prophet- och ensemblemodeller som innehåller Profetens modell.
  - Dokumentationsuppdateringar för azureml-train-automl-*-paket.
- azureml-train-core
  - Stöd för TensorFlow version 2.1 i PyTorch Estimator
  - Förbättringar av azureml-train-core-paketet.

2020-05-26

Azure Machine Learning SDK för Python v1.6.0

Nya funktioner
- azureml-automl-runtime
  - AutoML-prognos har nu stöd för kunder som prognostiseras utanför den fördefinierade maxhorisonten utan att träna om modellen. När prognosmålet är längre in i framtiden än den angivna maximala horisonten pekar funktionen forecast() fortfarande ut förutsägelser till det senare datumet med hjälp av ett rekursivt åtgärdsläge. Illustrationen av den nya funktionen finns i avsnittet "Prognostisering längre än den maximala horisonten" i notebook-filen "forecasting-forecast-function" i mappen.
- azureml-pipeline-steps
  - ParallelRunStep släpps nu och är en del av paketet azureml-pipeline-steps . Befintlig ParallelRunStep i azureml-contrib-pipeline-steps-package är inaktuell. Ändringar från den offentliga förhandsversionen:
    - Den run_max_try valfria konfigurerbara parametern har lagts till för att styra maxanrop för att köra -metoden för en viss batch. Standardvärdet är 3.
    - Inga PipelineParameters genereras automatiskt längre. Följande konfigurerbara värden kan anges som PipelineParameter explicit.
      - mini_batch_size
      - node_count
      - process_count_per_node
      - logging_level
      - run_invocation_timeout
      - run_max_try
    - Standardvärdet för process_count_per_node ändras till 1. Användaren bör justera det här värdet för bättre prestanda. Bästa praxis är att ange som antalet GPU- eller CPU-noder.
    - ParallelRunStep matar inte in några paket, användaren måste inkludera paketen azureml-core och azureml-dataprep[pandas, fuse] i miljödefinitionen. Om anpassad docker-avbildning används med user_managed_dependencies måste användaren installera conda på avbildningen.
Icke-bakåtkompatibla ändringar
- azureml-pipeline-steps
  - Inaktuell användning av azureml.dprep.Dataflow som en giltig typ av indata för AutoMLConfig
- azureml-train-automl-client
  - Inaktuell användning av azureml.dprep.Dataflow som en giltig typ av indata för AutoMLConfig
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Åtgärdade felet där en varning kan skrivas ut under get_output den där användaren uppmanades att nedgradera klienten.
  - Mac har uppdaterats för att förlita sig på cudatoolkit=9.0 eftersom det inte är tillgängligt i version 10 ännu.
  - Ta bort begränsningar för profet- och xgboost-modeller när de tränas på fjärrberäkning.
  - Förbättrad loggning i AutoML
  - Felhanteringen för anpassad funktionalisering i prognostiseringsaktiviteter förbättrades.
  - Funktioner har lagts till för att tillåta användare att inkludera fördröjda funktioner för att generera prognoser.
  - Uppdaterar felmeddelandet för att visa användarfel på rätt sätt.
  - Stöd för cv_split_column_names som ska användas med training_data
  - Uppdatera loggning av undantagsmeddelandet och spårningsmeddelandet.
- azureml-automl-runtime
  - Aktivera skyddsräcken för prognostisering av saknade värdeimputationer.
  - Förbättrad loggning i AutoML
  - Detaljerad felhantering för dataförberedelser har lagts till
  - Ta bort begränsningar för profet- och xgboost-modeller när de tränas på fjärrberäkning.
  - azureml-train-automl-runtime och azureml-automl-runtime har uppdaterade beroenden för pytorch, scipyoch cudatoolkit. vi stöder pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1och cudatoolkit==10.1.243.
  - Felhanteringen för anpassad funktionalisering i prognostiseringsaktiviteter förbättrades.
  - Mekanismen för frekvensidentifiering av prognostiseringsdatauppsättningar förbättrades.
  - Problem med profetmodellträning på vissa datauppsättningar har åtgärdats.
  - Den automatiska identifieringen av maxhorisonten under prognostisering har förbättrats.
  - Funktioner har lagts till för att tillåta användare att inkludera fördröjda funktioner för att generera prognoser.
  - Lägger till funktioner i prognosfunktionen för att göra det möjligt att tillhandahålla prognoser utanför den tränade horisonten utan att träna om prognosmodellen.
  - Stöd för cv_split_column_names som ska användas med training_data
- azureml-contrib-automl-dnn-forecasting
  - Förbättrad loggning i AutoML
- azureml-contrib-mir
  - Stöd har lagts till för Windows-tjänster i ManagedInferencing
  - Ta bort gamla MIR-arbetsflöden som attach MIR compute, SingleModelMirWebservice class – Rensa modellprofilering som placeras i contrib-mir-paketet
- azureml-contrib-pipeline-steps
  - Mindre korrigering för YAML-stöd
  - ParallelRunStep släpps till Allmän tillgänglighet – azureml.contrib.pipeline.steps har ett utfasningsmeddelande och flyttas till azureml.pipeline.steps
- azureml-contrib-reinforcementlearning
  - Testverktyg för RL-belastning
  - RL-skattaren har smarta standardvärden
- azureml-core
  - Ta bort gamla MIR-arbetsflöden som attach MIR compute, SingleModelMirWebservice class – Rensa modellprofilering som placeras i contrib-mir-paketet
  - Den information som angavs för användaren i profileringsfelet har åtgärdats: det inkluderade begärande-ID:t och omformulerade meddelandet så att det var mer meningsfullt. Lade till nytt profileringsarbetsflöde för profileringslöpare
  - Förbättrad feltext i datamängdens körningsfel.
  - Cli-stöd för privat arbetsyta har lagts till.
  - Lade till en valfri parameter invalid_lines som Dataset.Tabular.from_json_lines_files gör det möjligt att ange hur rader som innehåller ogiltig JSON ska hanteras.
  - Vi kommer att ta bort den körningsbaserade skapandet av beräkning i nästa version. Vi rekommenderar att du skapar ett verkligt Amlcompute-kluster som ett beständigt beräkningsmål och använder klusternamnet som beräkningsmål i körningskonfigurationen. Se exempelanteckningsboken här: aka.ms/amlcomputenb
  - Förbättrade felmeddelanden i datauppsättningskörningsfel.
- azureml-dataprep
  - Varnade för att uppgradera pyarrow-versionen mer explicit.
  - Förbättrad felhantering och meddelande som returnerades vid fel vid körning av dataflöde.
- azureml-interpret
  - Dokumentationen uppdateras till azureml-interpret-paketet.
  - Paket och notebook-filer för tolkning har åtgärdats för att vara kompatibla med den senaste sklearn-uppdateringen
- azureml-opendatasets
  - returnera Ingen när inga data returneras.
  - Förbättra prestanda för to_pandas_dataframe.
- azureml-pipeline-core
  - Snabbkorrigering för ParallelRunStep där inläsning från YAML bröts
  - ParallelRunStep släpps till Allmän tillgänglighet – azureml.contrib.pipeline.steps har ett utfasningsmeddelande och går över till azureml.pipeline.steps – nya funktioner är: 1. Datauppsättningar som PipelineParameter 2. Ny parameter run_max_retry 3. Konfigurerbart append_row utdatafilnamn
- azureml-pipeline-steps
  - Inaktuellt azureml.dprep.Dataflow som en giltig typ för indata.
  - Snabbkorrigering för ParallelRunStep där inläsning från YAML bröts
  - ParallelRunStep släpps till Allmän tillgänglighet – azureml.contrib.pipeline.steps har ett utfasningsmeddelande och flyttas till azureml.pipeline.steps – nya funktioner är:
    - Datauppsättningar som PipelineParameter
    - Ny parameter run_max_retry
    - Konfigurerbart append_row utdatafilnamn
- azureml-telemetri
  - Uppdatera loggning av undantagsmeddelandet och spårningsmeddelandet.
- azureml-train-automl-client
  - Förbättrad loggning i AutoML
  - Uppdaterar felmeddelandet för att visa användarfel på rätt sätt.
  - Stöd för cv_split_column_names som ska användas med training_data
  - Inaktuellt azureml.dprep.Dataflow som en giltig typ för indata.
  - Mac har uppdaterats för att förlita sig på cudatoolkit=9.0 eftersom det inte är tillgängligt i version 10 ännu.
  - Ta bort begränsningar för profet- och xgboost-modeller när de tränas på fjärrberäkning.
  - azureml-train-automl-runtime och azureml-automl-runtime har uppdaterade beroenden för pytorch, scipyoch cudatoolkit. vi stöder pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1och cudatoolkit==10.1.243.
  - Funktioner har lagts till för att tillåta användare att inkludera fördröjda funktioner för att generera prognoser.
- azureml-train-automl-runtime
  - Förbättrad loggning i AutoML
  - Detaljerad felhantering för dataförberedelser har lagts till
  - Ta bort begränsningar för profet- och xgboost-modeller när de tränas på fjärrberäkning.
  - azureml-train-automl-runtime och azureml-automl-runtime har uppdaterade beroenden för pytorch, scipyoch cudatoolkit. vi stöder pytorch==1.4.0nu , scipy>=1.0.0,<=1.3.1och cudatoolkit==10.1.243.
  - Uppdaterar felmeddelandet för att visa användarfel på rätt sätt.
  - Stöd för cv_split_column_names som ska användas med training_data
- azureml-train-core
  - En ny uppsättning HyperDrive-specifika undantag har lagts till. azureml.train.hyperdrive genererar nu detaljerade undantag.
- azureml-widgets
  - Azure Machine Learning Widgets visas inte i JupyterLab

2020-05-11

Azure Machine Learning SDK för Python v1.5.0

Nya funktioner
- Förhandsversionsfunktioner
  - azureml-contrib-reinforcementlearning
    - Azure Machine Learning släpper förhandsversionsstöd för förstärkningsinlärning med hjälp av Ray-ramverket. Möjliggör ReinforcementLearningEstimator utbildning av förstärkningsinlärningsagenter i GPU- och CPU-beräkningsmål i Azure Machine Learning.
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Åtgärdar en varningslogg som lämnats kvar av misstag i min tidigare PR. Loggen användes för felsökning och lämnades av misstag kvar.
  - Felkorrigering: Informera klienter om partiella fel under profilering
- azureml-automl-core
  - Påskynda Prophet/AutoArima-modellen i AutoML-prognostisering genom att aktivera parallell anpassning för tidsserierna när datauppsättningar har flera tidsserier. För att kunna dra nytta av den här nya funktionen rekommenderar vi att du anger "max_cores_per_iteration = -1" (dvs. med alla tillgängliga processorkärnor) i AutoMLConfig.
  - Åtgärda KeyError vid utskrift av skyddsräcken i konsolgränssnittet
  - Felmeddelande för experimentation_timeout_hours har åtgärdats
  - Inaktuella TensorFlow-modeller för AutoML.
- azureml-automl-runtime
  - Felmeddelande för experimentation_timeout_hours har åtgärdats
  - Ett oklassificerat undantag har åtgärdats vid försök att deserialisera från cachelagringsplatsen
  - Påskynda Prophet/AutoArima-modellen i AutoML-prognostisering genom att aktivera parallell anpassning för tidsserierna när datauppsättningar har flera tidsserier.
  - Korrigerade prognosen med aktiverat rullande fönster i datauppsättningarna där test-/förutsägelseuppsättningen inte innehåller något av kornen från träningsuppsättningen.
  - Förbättrad hantering av saknade data
  - Åtgärdat problem med förutsägelseintervall under prognostisering på datauppsättningar, som innehåller tidsserier, som inte är justerade i tid.
  - Lade till bättre validering av dataformen för prognostiseringsaktiviteterna.
  - Förbättrade frekvensidentifieringen.
  - Ett bättre felmeddelande har skapats om korsvalideringsdelegeringarna för prognostiseringsuppgifter inte kan genereras.
  - Åtgärda konsolgränssnittet för att skriva ut värdeskyddsskyddet som saknas korrekt.
  - Framtvinga datatypskontroller på cv_split_indices indata i AutoMLConfig.
- azureml-cli-common
  - Felkorrigering: Informera klienter om partiella fel under profilering
- azureml-contrib-mir
  - Lägger till en klass azureml.contrib.mir.RevisionStatus, som vidarebefordrar information om den för närvarande distribuerade MIR-revisionen och den senaste versionen som angetts av användaren. Den här klassen ingår i Objektet MirWebservice under attributet "deployment_status".
  - Aktiverar uppdatering av webbtjänster av typen MirWebservice och dess underordnade klass SingleModelMirWebservice.
- azureml-contrib-reinforcementlearning
  - Stöd har lagts till för Ray 0.8.3
  - AmlWindowsCompute stöder endast Azure Files som monterad lagring
  - Har bytt namn på health_check_timeout till health_check_timeout_seconds
  - Vissa klass-/metodbeskrivningar har åtgärdats.
- azureml-core
  - Aktiverad WASB –> Blobkonverteringar i Azure Government- och Kina-moln.
  - Åtgärdar bugg för att tillåta läsarroller att använda az ml run CLI-kommandon för att hämta körningsinformation
  - Onödig loggning togs bort under Fjärrkörningar i Azure Machine Learning med indatauppsättningar.
  - RCranPackage stöder nu parametern "version" för CRAN-paketversionen.
  - Felkorrigering: Informera klienter om partiella fel under profilering
  - Lade till flythantering i europeisk stil för azureml-core.
  - Aktiverade funktioner för privat länk för arbetsytor i Azure Machine Learning SDK.
  - När du skapar en TabularDataset med kan from_delimited_filesdu ange om tomma värden ska läsas in som Ingen eller som tom sträng genom att ange det booleska argumentet empty_as_string.
  - Flyttalhantering i europeisk stil har lagts till för datamängder.
  - Förbättrade felmeddelanden om fel vid montering av datamängder.
- azureml-datadrift
  - Data Drift-resultatfrågan från SDK:t hade en bugg som inte särskiljde de minsta, högsta och genomsnittliga funktionsmåtten, vilket resulterade i duplicerade värden. Vi har åtgärdat den här buggen genom att prefixa mål eller baslinje till måttnamnen. Före: duplicera min, max, medelvärde. Efter: target_min, target_max, target_mean, baseline_min, baseline_max, baseline_mean.
- azureml-dataprep
  - Förbättra hanteringen av skrivbegränsade Python-miljöer när du säkerställer att .NET-beroenden krävs för dataleverans.
  - Dataflöde skapades på en fil med inledande tomma poster.
  - Alternativ för felhantering har lagts till för to_partition_iterator liknande to_pandas_dataframe.
- azureml-interpret
  - Begränsade längdgränser för förklaringssökväg för att minska sannolikheten för att gå över Windows-gränsen
  - Bugfix för glesa förklaringar som skapats med mimic-förklaringen med hjälp av en linjär surrogatmodell.
- azureml-opendatasets
  - Åtgärda problemet med MNIST-kolumner parsas som sträng, vilket bör vara int.
- azureml-pipeline-core
  - Tillåter alternativet att regenerate_outputs när du använder en modul som är inbäddad i en ModuleStep.
- azureml-train-automl-client
  - Inaktuella TensorFlow-modeller för AutoML.
  - Åtgärda att användare tillåter lista algoritmer som inte stöds i lokalt läge
  - Doc-korrigeringar för AutoMLConfig.
  - Framtvinga datatypskontroller på cv_split_indices indata i AutoMLConfig.
  - Problem med att AutoML-körningar misslyckades i show_output
- azureml-train-automl-runtime
  - Åtgärda en bugg i Ensemble-iterationer som förhindrade att tidsgränsen för modellnedladdningen startade.
- azureml-train-core
  - Åtgärda stavfel i klassen azureml.train.dnn.Nccl.
  - Stöd för PyTorch version 1.5 i PyTorch Estimator
  - Åtgärda problemet med att ramverksbild inte kan hämtas i Azure Government-regionen när du använder training framework-skattningar

2020-05-04

Ny notebook-upplevelse

Nu kan du skapa, redigera och dela anteckningsböcker och filer för maskininlärning direkt i studiowebbupplevelsen i Azure Machine Learning. Du kan använda alla klasser och metoder som är tillgängliga i Azure Machine Learning Python SDK inifrån dessa notebook-filer. Kom igång genom att gå till artikeln Kör Jupyter Notebooks i din arbetsyta .

Nya funktioner introducerade:

Förbättrad redigerare (Monaco-redigerare) som används av Visual Studio Code
Förbättringar av användargränssnitt/UX
Verktygsfält för cell
Nytt notebook-verktygsfält och beräkningskontroller
Statusfält för notebook-fil
Infogad kernelväxling
R-stöd
Förbättringar av hjälpmedel och lokalisering
Kommandopalett
Fler kortkommandon
Spara automatiskt
Förbättrad prestanda och tillförlitlighet

Få åtkomst till följande webbaserade redigeringsverktyg från studion:

Webbaserat verktyg	beskrivning
Notebook-filer för Azure Machine Learning Studio	Första redigering i klassen för notebook-filer och stöd för alla åtgärder som är tillgängliga i Azure Machine Learning Python SDK.

2020-04-27

Azure Machine Learning SDK för Python v1.4.0

Nya funktioner
- AmlCompute-kluster stöder nu konfiguration av en hanterad identitet i klustret vid tidpunkten för etableringen. Ange bara om du vill använda en systemtilldelad identitet eller en användartilldelad identitet och skicka ett identityId för det senare. Du kan sedan konfigurera behörigheter för att komma åt olika resurser som Storage eller ACR på ett sätt som identiteten för beräkningen används för säker åtkomst till data, i stället för en tokenbaserad metod som AmlCompute använder idag. Kolla in vår SDK-referens för mer information om parametrarna.
Icke-bakåtkompatibla ändringar
- AmlCompute-kluster har stöd för en förhandsversionsfunktion kring körningsbaserad skapande, som vi planerar att ta bort om två veckor. Du kan fortsätta att skapa beständiga beräkningsmål som alltid med hjälp av klassen Amlcompute, men den specifika metoden för att ange identifieraren "amlcompute" som beräkningsmål i körningskonfigurationen stöds inte snart.
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - Aktivera stöd för ohashbar typ när du beräknar antalet unika värden i en kolumn.
- azureml-core
  - Förbättrad stabilitet vid läsning från Azure Blob Storage med hjälp av en TabularDataset.
  - Förbättrad dokumentation för parametern grant_workspace_msi för Datastore.register_azure_blob_store.
  - Fel med har åtgärdats för datastore.upload att stödja src_dir argumentet som slutar med en / eller \.
  - Ett felmeddelande har lagts till när du försöker ladda upp till ett Azure Blob Storage-datalager som inte har någon åtkomstnyckel eller SAS-token.
- azureml-interpret
  - Den övre gränsen till filstorleken har lagts till för visualiseringsdata vid uppladdade förklaringar.
- azureml-train-automl-client
  - Söker uttryckligen efter label_column_name & weight_column_name parametrar för att AutoMLConfig ska vara av typen sträng.
- azureml-contrib-pipeline-steps
  - ParallelRunStep stöder nu datauppsättning som pipelineparameter. Användaren kan skapa en pipeline med en exempeldatauppsättning och ändra indatauppsättningen av samma typ (fil eller tabell) för ny pipelinekörning.

2020-04-13

Azure Machine Learning SDK för Python v1.3.0

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Lade till mer telemetri kring åtgärder efter träningen.
  - Påskyndar automatisk ARIMA-träning med hjälp av villkorsstyrd summa kvadratträning (CSS) för serier med längre längd än 100. Längden som används lagras som konstanten ARIMA_TRIGGER_CSS_TRAINING_LENGTH w/in the TimeSeriesInternal class at /src/azureml-automl-core/azureml/automl/core/shared/constants.py
  - Användarloggningen av prognoskörningar har förbättrats, nu visas mer information om vilken fas som körs i loggen
  - Tillåts inte att target_rolling_window_size anges till värden som är mindre än 2
- azureml-automl-runtime
  - Förbättrade felmeddelandet som visas när duplicerade tidsstämplar hittas.
  - Tillåts inte target_rolling_window_size anges till värden som är mindre än 2.
  - Fördröjningsimputeringsfelet har åtgärdats. Problemet orsakades av det otillräckliga antalet observationer som behövdes för att säsongsmässigt dela upp en serie. "Avsäsongsbaserade" data används för att beräkna en partiell autokorrelationsfunktion (PACF) för att fastställa fördröjningslängden.
  - Aktiverad anpassning av kolumnsyfte för prognostisering av uppgifter efter konfiguration av funktionalisering. Numeriska och kategoriska som kolumnsyfte för prognostiseringsaktiviteter stöds nu.
  - Aktiverad anpassning av funktionalisering av släppkolumner för prognostiseringsuppgifter efter konfiguration av funktionalisering.
  - Aktiverad anpassning av imputation för prognostiseringsaktiviteter efter konfiguration av funktionalisering. Konstant värdeimputation för målkolumn och medelvärde, median, most_frequent och konstant värdeimputation för träningsdata stöds nu.
- azureml-contrib-pipeline-steps
  - Acceptera strängberäkningsnamn som ska skickas till ParallelRunConfig
- azureml-core
  - Api:et Environment.clone(new_name) har lagts till för att skapa en kopia av miljöobjektet
  - Environment.docker.base_dockerfile accepterar filsökvägen. Om det går att lösa en fil läses innehållet in i base_dockerfile miljöegenskap
  - Återställ automatiskt ömsesidigt uteslutande värden för base_image och base_dockerfile när användaren manuellt anger ett värde i Environment.docker
  - User_managed flagga har lagts till i RSection som anger om miljön hanteras av användaren eller Av Azure Machine Learning.
  - Datauppsättning: Det gick inte att ladda ned datauppsättningen om datasökvägen innehåller unicode-tecken.
  - Datauppsättning: Förbättrad cachelagringsmekanism för datauppsättningsmontering för att respektera minimikraven på diskutrymme i Azure Machine Learning Compute, vilket förhindrar att noden blir oanvändbar och gör att jobbet avbryts.
  - Datauppsättning: Vi lägger till ett index för tidsseriekolumnen när du kommer åt en tidsseriedatauppsättning som en Pandas-dataram, som används för att påskynda åtkomsten till tidsseriebaserad dataåtkomst. Tidigare fick indexet samma namn som tidsstämpelkolumnen, vilket förvirrar användarna om vilken som är den faktiska tidsstämpelkolumnen och vilket som är indexet. Nu ger vi inget specifikt namn till indexet eftersom det inte ska användas som en kolumn.
  - Datauppsättning: Problem med autentisering av fast datauppsättning i nationellt moln.
  - Datauppsättning: Ett fel har åtgärdats Dataset.to_spark_dataframe för datauppsättningar som skapats från Azure PostgreSQL-datalager.
- azureml-interpret
  - Globala poäng har lagts till i visualiseringen om lokala prioritetsvärden är glesa
  - Azureml-interpret har uppdaterats för att använda interpret-community 0.9.*
  - Åtgärdat problem med nedladdningsförklaring som hade glesa utvärderingsdata
  - Stöd för glest format för förklaringsobjektet har lagts till i AutoML
- azureml-pipeline-core
  - Stöd för ComputeInstance som beräkningsmål i pipelines
- azureml-train-automl-client
  - Lade till mer telemetri kring åtgärder efter träningen.
  - Korrigerade regressionen vid tidig stoppning
  - Inaktuellt azureml.dprep.Dataflow som en giltig typ för indata.
  - Ändra standardtidsgränsen för AutoML-experiment till sex dagar.
- azureml-train-automl-runtime
  - Lade till mer telemetri kring åtgärder efter träningen.
  - lade till sparse AutoML-stöd från slutpunkt till slutpunkt
- azureml-opendatasets
  - Ytterligare en telemetri har lagts till för tjänstövervakaren.
  - Aktivera ytterdörr för blob för att öka stabiliteten

2020-03-23

Azure Machine Learning SDK för Python v1.2.0

Icke-bakåtkompatibla ändringar
- Ta bort stöd för Python 2.7
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Lägger till "--subscription-id" i az ml model/computetarget/service kommandon i CLI
  - Lägga till stöd för att skicka kundhanterad nyckel (CMK) vault_url, key_name och key_version för ACI-distribution
- azureml-automl-core
  - Aktiverad anpassad imputation med konstant värde för både X- och y-dataprognosuppgifter.
  - Problemet med att visa felmeddelanden för användaren har åtgärdats.
- azureml-automl-runtime
  - Åtgärdade problemet med prognostisering i datauppsättningarna, som innehåller korn med endast en rad
  - Minskade mängden minne som krävs av prognostiseringsuppgifterna.
  - Bättre felmeddelanden har lagts till om tidskolumnen har felaktigt format.
  - Aktiverad anpassad imputation med konstant värde för både X- och y-dataprognosuppgifter.
- azureml-core
  - Stöd har lagts till för att läsa in ServicePrincipal från miljövariabler: AZUREML_SERVICE_PRINCIPAL_ID, AZUREML_SERVICE_PRINCIPAL_TENANT_ID och AZUREML_SERVICE_PRINCIPAL_PASSWORD
  - Introducerade en ny parameter support_multi_line till Dataset.Tabular.from_delimited_files: Som standard (support_multi_line=False), tolkas alla radbrytningar, inklusive de i angivna fältvärden, som en postbrytning. Att läsa data på det här sättet är snabbare och mer optimerat för parallell körning på flera CPU-kärnor. Det kan dock leda till att fler poster med feljusterade fältvärden skapas tyst. Detta bör anges till True när de avgränsade filerna är kända för att innehålla citerade radbrytningar.
  - Möjligheten att registrera ADLS Gen2 har lagts till i Azure Machine Learning CLI
  - Parametern "fine_grain_timestamp" har bytt namn till "tidsstämpel" och parametern "coarse_grain_timestamp" till "partition_timestamp" för metoden with_timestamp_columns() i TabularDataset för att bättre återspegla parametrarnas användning.
  - Ökad maxlängd för experimentnamn till 255.
- azureml-interpret
  - Azureml-interpret har uppdaterats till interpret-community 0.7.*
- azureml-sdk
  - Ändra till beroenden med kompatibel version Tilde för stöd för korrigering i förhandsversioner och stabila versioner.

2020-03-11

Azure Machine Learning SDK för Python v1.1.5

Funktionsutfasning
- Python 2.7
  - Senaste versionen som har stöd för Python 2.7
Icke-bakåtkompatibla ändringar
- Semantisk versionshantering 2.0.0
  - Från och med version 1.1 använder Azure Machine Learning Python SDK semantisk version 2.0.0. Alla efterföljande versioner följer det nya numreringsschemat och det semantiska versionskontraktet.
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Ändra cli-kommandonamnet för slutpunkten från "az ml endpoint aks" till "az ml endpoint real time" för konsekvens.
  - uppdatera CLI-installationsinstruktioner för stabilt och experimentellt gren-CLI
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
- azureml-automl-core
  - Aktiverade slutsatsdragningen för Batch-läge (tar flera rader en gång) för AutoML ONNX-modeller
  - Förbättrade identifieringen av frekvensen för datauppsättningarna, saknade data eller innehöll oregelbundna datapunkter
  - Möjligheten att ta bort datapunkter som inte överensstämmer med den dominerande frekvensen har lagts till.
  - Ändrade indata för konstruktorn för att ta en lista med alternativ för att tillämpa imputeringsalternativen för motsvarande kolumner.
  - Felloggningen har förbättrats.
- azureml-automl-runtime
  - Åtgärdat problemet med felet som uppstod om kornet inte fanns i träningsuppsättningen visades i testuppsättningen
  - Tog bort kravet på y_query under bedömning av prognostjänsten
  - Problemet med prognostisering har åtgärdats när datamängden innehåller korta intervall med långa tidsluckor.
  - Åtgärdat problemet när den automatiska maxhorisonten är aktiverad och datumkolumnen innehåller datum i form av strängar. Rätt konverterings- och felmeddelanden har lagts till för när konvertering hittills inte är möjlig
  - Använda intern NumPy och SciPy för serialisering och deserialisering av mellanliggande data för FileCacheStore (används för lokala AutoML-körningar)
  - En bugg där misslyckade underordnade körningar kunde fastna i körningstillståndet har åtgärdats.
  - Ökad hastighet för funktionalisering.
  - Korrigerade frekvenskontrollen under bedömning. Prognostiseringsuppgifterna kräver nu inte strikt frekvensjämnhet mellan tränings- och testuppsättningen.
  - Ändrade indata för konstruktorn för att ta en lista med alternativ för att tillämpa imputeringsalternativen för motsvarande kolumner.
  - Fel som rör valet av fördröjningstyp har åtgärdats.
  - Det oklassificerade felet som uppstod på datauppsättningarna har åtgärdats med kornigheter med den enda raden
  - Åtgärdat problemet med långsam frekvensidentifiering.
  - Åtgärdar ett fel i AutoML-undantagshantering som gjorde att den verkliga orsaken till träningsfelet ersattes av en AttributeError.
- azureml-cli-common
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
- azureml-contrib-mir
  - Lägger till funktioner i klassen MirWebservice för att hämta åtkomsttoken
  - Använd tokenautentisering för MirWebservice som standard under MirWebservice.run()-anrop – Uppdatera endast om anropet misslyckas
  - Mir-webbtjänstdistributionen kräver nu rätt Skus [Standard_DS2_v2, Standard_F16, Standard_A2_v2] i stället för [Ds2v2, A2v2 respektive F16].
- azureml-contrib-pipeline-steps
  - Valfri parameter side_inputs har lagts till i ParallelRunStep. Den här parametern kan användas för att montera mappen på containern. Typer som stöds för närvarande är DataReference och PipelineData.
  - Parametrar som skickas i ParallelRunConfig kan skrivas över genom att skicka pipelineparametrar nu. Nya pipelineparametrar som stöds aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count och aml_process_count_per_node ingår redan i den tidigare versionen).
- azureml-core
  - Distribuerade Azure Machine Learning-webbtjänster är nu standard för INFO loggning. Detta kan styras genom att ange AZUREML_LOG_LEVEL miljövariabeln i den distribuerade tjänsten.
  - Python SDK använder identifieringstjänsten för att använda "api"-slutpunkten i stället för "pipelines".
  - Växla till de nya vägarna i alla SDK-anrop.
  - Ändrade routning av anrop till ModelManagementService till en ny enhetlig struktur.
    - Gjorde arbetsytans uppdateringsmetod offentligt tillgänglig.
    - Lade till image_build_compute parameter i arbetsytans uppdateringsmetod så att användaren kan uppdatera beräkningen för avbildningsversionen.
  - Utfasningsmeddelanden har lagts till i det gamla profileringsarbetsflödet. Fast profilering av processor- och minnesgränser.
  - RSection har lagts till som en del av Miljö för att köra R-jobb.
  - Validering har lagts till för att Dataset.mount generera fel när datamängdens källa inte är tillgänglig eller inte innehåller några data.
  - Har lagts till --grant-workspace-msi-access som en annan parameter för Datastore CLI för registrering av Azure Blob Container som gör att du kan registrera blobcontainer som finns bakom ett virtuellt nätverk.
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
  - Problemet har åtgärdats i aks.py _deploy.
  - Verifierar integriteten för modeller som laddas upp för att undvika fel med tyst lagring.
  - Användaren kan nu ange ett värde för autentiseringsnyckeln när de återskapar nycklar för webbtjänster.
  - Ett fel har åtgärdats där versaler inte kan användas som datauppsättningens indatanamn.
- azureml-defaults
  - azureml-dataprep installeras nu som en del av azureml-defaults. Det krävs inte längre att installera dataförberedelser[fuse] manuellt på beräkningsmål för att montera datauppsättningar.
- azureml-interpret
  - Azureml-interpret har uppdaterats till interpret-community 0.6.*
  - Azureml-interpret har uppdaterats till beroende av interpret-community 0.5.0
  - Azureml-liknande undantag har lagts till i azureml-interpret
  - DeepScoringExplainer-serialisering för keras-modeller har åtgärdats
- azureml-mlflow
  - Lägga till stöd för nationella moln i azureml.mlflow
- azureml-pipeline-core
  - Notebook-filen för batchbedömning av pipeline använder nu ParallelRunStep
  - En bugg där PythonScriptStep-resultat kunde återanvändas felaktigt trots att argumentlistan ändrades har åtgärdats
  - Lade till möjligheten att ange kolumntyp när parse_*-metoderna anropas på PipelineOutputFileDataset
- azureml-pipeline-steps
  - Flyttade AutoMLStep till azureml-pipeline-steps paketet. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
  - Dokumentationsexempel har lagts till för datauppsättning som PythonScriptStep-indata
- azureml-tensorboard
  - Azureml-tensorboard har uppdaterats för att stödja TensorFlow 2.0
  - Visa rätt portnummer när du använder en anpassad TensorBoard-port på en beräkningsinstans
- azureml-train-automl-client
  - Åtgärdade ett problem där vissa paket kan installeras i felaktiga versioner på fjärrkörningar.
  - fixed FeaturizationConfig åsidosätter problem som filtrerar anpassad funktionaliseringskonfiguration.
- azureml-train-automl-runtime
  - Åtgärdat problemet med frekvensidentifiering i fjärrkörningarna
  - Flyttade AutoMLStep i azureml-pipeline-steps paketet. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
- azureml-train-core
  - Stöd för PyTorch version 1.4 i PyTorch Estimator

2020-03-02

Azure Machine Learning SDK för Python v1.1.2rc0 (förhandsversion)

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Aktiverade slutsatsdragningen för Batch-läge (tar flera rader en gång) för AutoML ONNX-modeller
  - Förbättrade identifieringen av frekvensen för datauppsättningarna, saknade data eller innehöll oregelbundna datapunkter
  - Möjligheten att ta bort datapunkter som inte överensstämmer med den dominerande frekvensen har lagts till.
- azureml-automl-runtime
  - Åtgärdat problemet med felet som uppstod om kornet inte fanns i träningsuppsättningen visades i testuppsättningen
  - Tog bort kravet på y_query under bedömning av prognostjänsten
- azureml-contrib-mir
  - Lägger till funktioner i klassen MirWebservice för att hämta åtkomsttoken
- azureml-core
  - Distribuerade Azure Machine Learning-webbtjänster är nu standard för INFO loggning. Detta kan styras genom att ange AZUREML_LOG_LEVEL miljövariabeln i den distribuerade tjänsten.
  - Åtgärda iterering för Dataset.get_all att returnera alla datauppsättningar som registrerats med arbetsytan.
  - Förbättra felmeddelandet när ogiltig typ skickas till argumentet för API:er för path att skapa datauppsättningar.
  - Python SDK använder identifieringstjänsten för att använda "api"-slutpunkten i stället för "pipelines".
  - Växla till de nya vägarna i alla SDK-anrop
  - Ändrar routning av anrop till ModelManagementService till en ny enhetlig struktur
    - Gjorde arbetsytans uppdateringsmetod offentligt tillgänglig.
    - Lade till image_build_compute parameter i arbetsyteuppdateringsmetoden för att tillåta användare att uppdatera beräkningen för avbildningsversion
  - Utfasningsmeddelanden har lagts till i det gamla profileringsarbetsflödet. Fast profilering av processor- och minnesgränser
- azureml-interpret
  - uppdatera azureml-interpret till interpret-community 0.6.*
- azureml-mlflow
  - Lägga till stöd för nationella moln i azureml.mlflow
- azureml-pipeline-steps
  - Flyttade AutoMLStep till azureml-pipeline-steps package. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
- azureml-train-automl-client
  - Åtgärdade ett problem där vissa paket kan installeras i felaktiga versioner på fjärrkörningar.
- azureml-train-automl-runtime
  - Åtgärdat problemet med frekvensidentifiering i fjärrkörningarna
  - Flyttade AutoMLStep till azureml-pipeline-steps package. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
- azureml-train-core
  - Flyttade AutoMLStep till azureml-pipeline-steps package. Inaktuell inom AutoMLStep azureml-train-automl-runtime.

2020-02-18

Azure Machine Learning SDK för Python v1.1.1rc0 (förhandsversion)

Felkorrigeringar och förbättringar
- azure-cli-ml
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
- azureml-automl-core
  - Felloggningen har förbättrats.
- azureml-automl-runtime
  - Problemet med prognostisering har åtgärdats när datamängden innehåller korta intervall med långa tidsluckor.
  - Åtgärdat problemet när den automatiska maxhorisonten är aktiverad och datumkolumnen innehåller datum i form av strängar. Vi har lagt till rätt konvertering och ett förnuftigt fel om konverteringen hittills inte är möjlig
  - Använda intern NumPy och SciPy för serialisering och deserialisering av mellanliggande data för FileCacheStore (används för lokala AutoML-körningar)
  - En bugg där misslyckade underordnade körningar kunde fastna i körningstillståndet har åtgärdats.
- azureml-cli-common
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
- azureml-core
  - Har lagts till --grant-workspace-msi-access som en annan parameter för Datastore CLI för registrering av Azure Blob Container som gör att du kan registrera blobcontainer som finns bakom ett virtuellt nätverk
  - Profilering av en enskild instans har åtgärdats för att skapa en rekommendation och har gjorts tillgänglig i SDK för kärninstanser.
  - Åtgärdat problemet i aks.py _deploy
  - Verifierar integriteten för modeller som laddas upp för att undvika fel med tyst lagring.
- azureml-interpret
  - lade till azureml-liknande undantag till azureml-interpret
  - fast DeepScoringExplainer-serialisering för keras-modeller
- azureml-pipeline-core
  - Notebook-filen för batchbedömning av pipeline använder nu ParallelRunStep
- azureml-pipeline-steps
  - Flyttade AutoMLStep i azureml-pipeline-steps paketet. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
- azureml-contrib-pipeline-steps
  - Valfri parameter side_inputs har lagts till i ParallelRunStep. Den här parametern kan användas för att montera mappen på containern. Typer som stöds för närvarande är DataReference och PipelineData.
- azureml-tensorboard
  - Azureml-tensorboard har uppdaterats för att stödja TensorFlow 2.0
- azureml-train-automl-client
  - Åtgärdade problem med featurizationConfig som filtrerar anpassad funktionaliseringskonfiguration.
- azureml-train-automl-runtime
  - Flyttade AutoMLStep i azureml-pipeline-steps paketet. Inaktuell inom AutoMLStep azureml-train-automl-runtime.
- azureml-train-core
  - Stöd för PyTorch version 1.4 i PyTorch Estimator

2020-02-04

Azure Machine Learning SDK för Python v1.1.0rc0 (förhandsversion)

Icke-bakåtkompatibla ändringar
- Semantisk versionshantering 2.0.0
  - Från och med version 1.1 använder Azure Machine Learning Python SDK semantisk version 2.0.0. Alla efterföljande versioner följer det nya numreringsschemat och det semantiska versionskontraktet.
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - Ökad hastighet för funktionalisering.
  - Korrigerade frekvenskontrollen under bedömning. I prognosuppgifterna kräver vi nu inte strikt frekvensjämnhet mellan tränings- och testuppsättningar.
- azureml-core
  - Användaren kan nu ange ett värde för autentiseringsnyckeln när de återskapar nycklar för webbtjänster.
- azureml-interpret
  - Azureml-interpret har uppdaterats till beroende av interpret-community 0.5.0
- azureml-pipeline-core
  - En bugg där PythonScriptStep-resultat kunde återanvändas felaktigt trots att argumentlistan ändrades har åtgärdats
- azureml-pipeline-steps
  - Dokumentationsexempel har lagts till för datauppsättning som PythonScriptStep-indata
- azureml-contrib-pipeline-steps
  - Parametrar som skickas i ParallelRunConfig kan skrivas över genom att skicka pipelineparametrar nu. Nya pipelineparametrar som stöds aml_mini_batch_size, aml_error_threshold, aml_logging_level, aml_run_invocation_timeout (aml_node_count och aml_process_count_per_node ingår redan i den tidigare versionen).

2020-01-21

Azure Machine Learning SDK för Python v1.0.85

Nya funktioner
- azureml-core
  - Hämta den aktuella kärnanvändnings- och kvotbegränsningen för AmlCompute-resurser på en viss arbetsyta och prenumeration
- azureml-contrib-pipeline-steps
  - Gör det möjligt för användaren att skicka tabelldatauppsättningen som mellanliggande resultat från föregående steg till parallelrunstep
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - Tog bort kravet på y_query kolumn i begäran till den distribuerade prognostjänsten.
  - "y_query" togs bort från dominick's Orange Juice notebook service request section.
  - Åtgärdade felet som förhindrar prognostisering på de distribuerade modellerna, som körs på datauppsättningar med datumtidskolumner.
  - Matthews korrelationskoefficient har lagts till som ett klassificeringsmått för både binär klassificering och klassificering i flera klasser.
- azureml-contrib-interpret
  - Borttagna textförklaringar från azureml-contrib-interpret som textförklaring har flyttats till den tolk-text-lagringsplats som snart kommer att släppas.
- azureml-core
  - Datauppsättning: Användning för fildatauppsättning är inte längre beroende av numpy och pandas som ska installeras i Python-env.
  - Ändrade LocalWebservice.wait_for_deployment() för att kontrollera statusen för den lokala Docker-containern innan den försökte pinga sin hälsoslutpunkt, vilket avsevärt minskar den tid det tar att rapportera en misslyckad distribution.
  - Åtgärdade initieringen av en intern egenskap som används i LocalWebservice.reload() när tjänstobjektet skapas från en befintlig distribution med konstruktorn LocalWebservice().
  - Ett felmeddelande har redigerats för förtydligande.
  - En ny metod med namnet get_access_token() har lagts till i AksWebservice som returnerar AksServiceAccessToken-objektet, som innehåller åtkomsttoken, uppdatering efter tidsstämpel, förfallotidsstämpel och tokentyp.
  - Inaktuell befintlig get_token()-metod i AksWebservice när den nya metoden returnerar all information som den här metoden returnerar.
  - Ändrade utdata från kommandot az ml service get-access-token. Token har bytt namn till accessToken och refreshBy till refreshAfter. Egenskaper för expiryOn och tokenType har lagts till.
  - Fast get_active_runs
- azureml-explain-model
  - uppdaterad shap till 0.33.0 och interpret-community till 0.4.*
- azureml-interpret
  - uppdaterad shap till 0.33.0 och interpret-community till 0.4.*
- azureml-train-automl-runtime
  - Matthews korrelationskoefficient har lagts till som ett klassificeringsmått för både binär klassificering och klassificering i flera klasser.
  - Inaktuell förprocessflagga från kod och ersatt med featurization –featurization är aktiverat som standard

2020-01-06

Azure Machine Learning SDK för Python v1.0.83

Nya funktioner
- Datauppsättning: Lägg till två alternativ on_error och out_of_range_datetime för att misslyckas när data har felvärden i stället för to_pandas_dataframe att fylla dem med None.
- Arbetsyta: Flaggan för arbetsytor med känsliga data har lagts till hbi_workspace som möjliggör ytterligare kryptering och inaktiverar avancerad diagnostik på arbetsytor. Vi har också lagt till stöd för att hämta dina egna nycklar för den associerade Azure Cosmos DB-instansen genom att ange parametrarna cmk_keyvault och resource_cmk_uri när du skapar en arbetsyta, vilket skapar en Azure Cosmos DB-instans i din prenumeration när du etablerar din arbetsyta. Mer information finns i avsnittet Azure Cosmos DB i artikeln om datakryptering.
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - En regression som gjorde att en TypeError aktiverades när AutoML kördes på Python-versioner under 3.5.4 har åtgärdats.
- azureml-core
  - Den åtgärdade buggen i datastore.upload_files var relativ sökväg som inte började med ./ kunde inte användas.
  - Utfasningsmeddelanden har lagts till för alla bildklasskodsökvägar
  - Url-konstruktionen för Hantering av modell har åtgärdats för Microsoft Azure som drivs av 21Vianet.
  - Ett problem har åtgärdats där modeller som använder source_dir inte kunde paketeras för Azure Functions.
  - Lade till ett alternativ för att Environment.build_local() för att skicka en avbildning till Azure Machine Learning-arbetsytans containerregister
  - SDK:n uppdaterades för att använda det nya tokenbiblioteket i Azure Synapse på ett bakåtkompatibelt sätt.
- azureml-interpret
  - En bugg har åtgärdats där Ingen returnerades när inga förklaringar var tillgängliga för nedladdning. Nu skapar ett undantag, matchande beteende någon annanstans.
- azureml-pipeline-steps
  - Tillåts inte skicka DatasetConsumptionConfigs till Estimatorparametern inputs när Estimator kommer att användas i en EstimatorStep.
- azureml-sdk
  - AutoML-klienten har lagts till i azureml-sdk-paketet, vilket gör att autoML-fjärrkörningar kan skickas utan att hela AutoML-paketet installeras.
- azureml-train-automl-client
  - Korrigerad justering för konsolutdata för AutoML-körningar
  - Ett fel har åtgärdats där en felaktig version av Pandas kan installeras på fjärr-amlcompute.

2019-12-23

Azure Machine Learning SDK för Python v1.0.81

Felkorrigeringar och förbättringar
- azureml-contrib-interpret
  - skjuta upp shapberoende till interpret-community från azureml-interpret
- azureml-core
  - Beräkningsmål kan nu anges som en parameter för motsvarande distributionskonfigurationsobjekt. Det här är specifikt namnet på beräkningsmålet som ska distribueras till, inte SDK-objektet.
  - CreatedBy-information har lagts till i modell- och tjänstobjekt. Kan nås through.created_by
  - ContainerImage.run(), som inte konfigurerade Docker-containerns HTTP-port korrekt, har åtgärdats.
  - Gör azureml-dataprep valfritt för az ml dataset register CLI-kommandot
  - Ett fel har åtgärdats där TabularDataset.to_pandas_dataframe en annan läsare felaktigt skulle falla tillbaka och skriva ut en varning.
- azureml-explain-model
  - skjuta upp shapberoende till interpret-community från azureml-interpret
- azureml-pipeline-core
  - Det nya pipelinesteget NotebookRunnerStephar lagts till för att köra en lokal notebook-fil som ett steg i pipelinen.
  - Borttagna inaktuella get_all funktioner för PublishedPipelines, Schedules och PipelineEndpoints
- azureml-train-automl-client
  - Påbörjad utfasning av data_script som indata till AutoML.

2019-12-09

Azure Machine Learning SDK för Python v1.0.79

Felkorrigeringar och förbättringar
- azureml-automl-core
  - FeaturizationConfig har tagits bort som ska loggas
    - Loggningen har uppdaterats för att logga "auto"/"off"/"customd" endast.
- azureml-automl-runtime
  - Stöd har lagts till för Pandas. Serier och pandas. Kategorisk för att identifiera kolumndatatyp. Tidigare stöds endast numpy.ndarray
    - Relaterade kodändringar har lagts till för att hantera kategorisk dtype korrekt.
  - Prognosfunktionsgränssnittet förbättrades: parametern y_pred gjordes valfri. - Dokumenten förbättrades.
- azureml-contrib-datauppsättning
  - En bugg där etiketterade datauppsättningar inte kunde monteras har åtgärdats.
- azureml-core
  - Felkorrigering för Environment.from_existing_conda_environment(name, conda_environment_name). Användaren kan skapa en instans av miljö som är exakt replik av den lokala miljön
  - Ändrade tidsserierelaterade datauppsättningsmetoder till include_boundary=True som standard.
- azureml-train-automl-client
  - Ett problem har åtgärdats där valideringsresultat inte skrivs ut när visningsutdata har angetts till false.

2019-11-25

Azure Machine Learning SDK för Python v1.0.76

Icke-bakåtkompatibla ändringar
- Uppgraderingsproblem med Azureml-Train-AutoML
  - Uppgradering till azureml-train-automl>=1.0.76 från azureml-train-automl<1.0.76 kan orsaka partiella installationer, vilket gör att vissa AutoML-importer misslyckas. Du kan lösa detta genom att köra installationsskriptet som finns på https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd. Eller om du använder pip direkt kan du:
    - "pip install --upgrade azureml-train-automl"
    - "pip install --ignore-installed azureml-train-automl-client"
  - eller så kan du avinstallera den gamla versionen innan du uppgraderar
    - "pip uninstall azureml-train-automl"
    - "pip install azureml-train-automl"
Felkorrigeringar och förbättringar
- azureml-automl-runtime
  - AutoML tar nu hänsyn till både sanna och falska klasser vid beräkning av genomsnittliga skalärmått för binära klassificeringsuppgifter.
  - Flyttade maskininlärnings- och träningskod i AzureML-AutoML-Core till ett nytt paket AzureML-AutoML-Runtime.
- azureml-contrib-datauppsättning
  - När du anropar to_pandas_dataframe en etikettbaserad datauppsättning med nedladdningsalternativet kan du nu ange om du vill skriva över befintliga filer eller inte.
  - När du anropar keep_columns eller drop_columns som resulterar i att en tidsserie, etikett eller bildkolumn tas bort, tas även motsvarande funktioner bort för datauppsättningen.
  - Ett problem med pytorch-inläsaren för objektidentifieringsaktiviteten har åtgärdats.
- azureml-contrib-interpret
  - Förklaringswidgeten för instrumentpanelen har tagits bort från azureml-contrib-interpret, ändrat paket för att referera till den nya i interpret_community
  - Versionen av interpret-community har uppdaterats till 0.2.0
- azureml-core
  - Förbättra prestanda för workspace.datasets.
  - Möjligheten att registrera Azure SQL Database Datastore med användarnamn och lösenordsautentisering har lagts till
  - Korrigering för inläsning av RunConfigurations från relativa sökvägar.
  - När du anropar keep_columns eller drop_columns som resulterar i att en tidsseriekolumn tas bort, tas även motsvarande funktioner bort för datauppsättningen.
- azureml-interpret
  - uppdaterad version av interpret-community till 0.2.0
- azureml-pipeline-steps
  - Dokumenterade värden som stöds för pipelinesteg för runconfig_pipeline_params Azure-maskininlärning.
- azureml-pipeline-core
  - Cli-alternativet har lagts till för att ladda ned utdata i json-format för pipelinekommandon.
- azureml-train-automl
  - Dela upp AzureML-Train-AutoML i två paket, ett klientpaket AzureML-Train-AutoML-Client och ett ML-träningspaket AzureML-Train-AutoML-Runtime
- azureml-train-automl-client
  - Lade till en tunn klient för att skicka AutoML-experiment utan att behöva installera några maskininlärningsberoenden lokalt.
  - Fast loggning av automatiskt identifierade fördröjningar, rullande fönsterstorlekar och maximala horisonter i fjärrkörningarna.
- azureml-train-automl-runtime
  - Ett nytt AutoML-paket har lagts till för att isolera maskininlärnings- och körningskomponenter från klienten.
- azureml-contrib-train-rl
  - Stöd för förstärkt inlärning har lagts till i SDK.
  - Stöd för AmlWindowsCompute har lagts till i RL SDK.

2019-11-11

Azure Machine Learning SDK för Python v1.0.74

Förhandsversionsfunktioner
- azureml-contrib-datauppsättning
  - När du har importerat azureml-contrib-datauppsättningen kan du anropa Dataset.Labeled.from_json_lines i stället ._Labeled för att skapa en etiketterad datauppsättning.
  - När du anropar to_pandas_dataframe en etikettbaserad datauppsättning med nedladdningsalternativet kan du nu ange om du vill skriva över befintliga filer eller inte.
  - När du anropar keep_columns eller drop_columns som resulterar i att en tidsserie, etikett eller bildkolumn tas bort, tas även motsvarande funktioner bort för datauppsättningen.
  - Problem med PyTorch-inläsaren har åtgärdats vid anrop till dataset.to_torchvision().
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Modellprofilering har lagts till i förhandsversionen av CLI.
  - Åtgärdar icke-bakåtkompatibla ändringar i Azure Storage som gör att Azure Machine Learning CLI misslyckas.
  - Lastbalanserartyp har lagts till i MLC för AKS-typer
- azureml-automl-core
  - Åtgärdat problemet med identifiering av maximal horisont i tidsserier med saknade värden och flera korn.
  - Åtgärdat problemet med fel vid generering av korsvalideringsdelningar.
  - Ersätt det här avsnittet med ett meddelande i markdown-format som ska visas i viktig information: -Förbättrad hantering av korta korn i prognosdatauppsättningarna.
  - Åtgärdat problemet med maskering av viss användarinformation under loggning. -Förbättrad loggning av felen under prognoskörningar.
  - Lägga till psutil som ett conda-beroende till den automatiskt genererade yml-distributionsfilen.
- azureml-contrib-mir
  - Åtgärdar icke-bakåtkompatibla ändringar i Azure Storage som gör att Azure Machine Learning CLI misslyckas.
- azureml-core
  - Åtgärdar ett fel som gjorde att modeller som distribuerats i Azure Functions skapade 500 s.
  - Åtgärdade ett problem där amlignore-filen inte tillämpades på ögonblicksbilder.
  - Lade till en ny API-amlcompute.get_active_runs som returnerar en generator för körning och köade körningar på en viss amlcompute.
  - Load Balancer Type har lagts till i MLC för AKS-typer.
  - Append_prefix bool-parametern har lagts till i download_files i run.py och download_artifacts_from_prefix i artifacts_client. Den här flaggan används för att selektivt platta ut ursprungsfilsökvägen så att endast fil- eller mappnamnet läggs till i output_directory
  - Åtgärda deserialiseringsproblem för run_config.yml datauppsättningsanvändning.
  - När du anropar keep_columns eller drop_columns som resulterar i att en tidsseriekolumn tas bort, tas även motsvarande funktioner bort för datauppsättningen.
- azureml-interpret
  - Tolkningscommunityversionen har uppdaterats till 0.1.0.3
- azureml-train-automl
  - Åtgärdade ett problem där automl_step kanske inte skriver ut valideringsproblem.
  - Register_model lyckades även om modellens miljö saknar beroenden lokalt.
  - Ett problem har åtgärdats där vissa fjärrkörningar inte var dockeraktiverade.
  - Lägg till loggning av undantaget som gör att en lokal körning misslyckas i förtid.
- azureml-train-core
  - Överväg resume_from körningar i beräkningen av automatisk hyperparameterjustering av bästa underordnade körningar.
- azureml-pipeline-core
  - Åtgärdade parameterhantering i pipelineargumentkonstruktion.
  - Beskrivning av pipelinen och stegtypen yaml har lagts till.
  - Nytt yaml-format för pipelinesteget och varning om utfasning har lagts till för gammalt format.

2019-11-04

Webbupplevelse

Landningssidan för samarbetsarbetsytan på https://ml.azure.com har förbättrats och bytt namn till Azure Machine Learning-studio.

Från studion kan du träna, testa, distribuera och hantera Azure Machine Learning-tillgångar som datauppsättningar, pipelines, modeller, slutpunkter med mera.

Få åtkomst till följande webbaserade redigeringsverktyg från studion:

Webbaserat verktyg	beskrivning
Notebook VM (förhandsversion)	Fullständigt hanterad molnbaserad arbetsstation
Automatiserad maskininlärning (förhandsversion)	Ingen kodupplevelse för att automatisera utveckling av maskininlärningsmodeller
Designer	Dra och släpp-verktyget för maskininlärningsmodellering som tidigare kallades det visuella gränssnittet

Förbättringar av Azure Machine Learning-designern

Tidigare känt som det visuella gränssnittet
11 nya moduler , inklusive rekommenderare, klassificerare och utbildningsverktyg, inklusive funktionsutveckling, korsvalidering och datatransformering.

R SDK

Dataforskare och AI-utvecklare använder Azure Machine Learning SDK för R för att skapa och köra arbetsflöden för maskininlärning med Azure Machine Learning.

Azure Machine Learning SDK för R använder reticulate paketet för att binda till Python SDK. Genom att binda direkt till Python ger SDK för R åtkomst till kärnobjekt och metoder som implementeras i Python SDK från valfri R-miljö.

Huvudfunktionerna i SDK:et är:

Hantera molnresurser för övervakning, loggning och organisering av Machine Learning-experiment.
Träna modeller med hjälp av molnresurser, inklusive GPU-accelererad modellträning.
Distribuera dina modeller som webbtjänster på Azure Container Instances (ACI) och Azure Kubernetes Service (AKS).

Se paketwebbplatsen för fullständig dokumentation.

Azure Machine Learning-integrering med Event Grid

Azure Machine Learning är nu en resursprovider för Event Grid. Du kan konfigurera maskininlärningshändelser via Azure Portal eller Azure CLI. Användare kan skapa händelser för slutförande av körning, modellregistrering, modelldistribution och dataavvikelse identifierad. Dessa händelser kan dirigeras till händelsehanterare som stöds av Event Grid för förbrukning. Mer information finns i artikeln om händelseschema och självstudier för maskininlärning.

2019-10-31

Azure Machine Learning SDK för Python v1.0.72

Nya funktioner
- Datauppsättningsövervakare har lagts till via azureml-datadrift-paketet , vilket möjliggör övervakning av tidsseriedatauppsättningar för dataavvikelser eller andra statistiska ändringar över tid. Aviseringar och händelser kan utlösas om drift identifieras eller andra villkor för data uppfylls. Mer information finns i vår dokumentation.
- Vi presenterar två nya utgåvor (kallas även för en SKU omväxlande) i Azure Machine Learning. Med den här versionen kan du nu skapa antingen en Basic- eller Enterprise Azure Machine Learning-arbetsyta. Alla befintliga arbetsytor är standard i Basic-versionen och du kan gå till Azure Portal eller till studion för att uppgradera arbetsytan när som helst. Du kan skapa antingen en Basic- eller Enterprise-arbetsyta från Azure Portal. Läs vår dokumentation om du vill veta mer. Från SDK:n kan utgåva av din arbetsyta fastställas med hjälp av egenskapen "sku" för ditt arbetsyteobjekt.
- Vi har också gjort förbättringar av Azure Machine Learning Compute – nu kan du visa mått för dina kluster (till exempel totalt antal noder, köra noder, total kärnkvot) i Azure Monitor, förutom att visa diagnostikloggar för felsökning. Dessutom kan du även visa körningar som körs eller köas i klustret och information, till exempel IP-adresser för de olika noderna i klustret. Du kan visa dessa antingen i portalen eller med hjälp av motsvarande funktioner i SDK eller CLI.
- Förhandsversionsfunktioner
  - Vi släpper förhandsversionsstöd för diskkryptering av din lokala SSD i Azure Machine Learning Compute. Skapa ett tekniskt supportärende för att få din prenumeration tillåten att använda den här funktionen.
  - Offentlig förhandsversion av Batch-slutsatsdragning för Azure Machine Learning. Azure Machine Learning Batch-slutsatsdragning riktar sig mot stora slutsatsdragningsjobb som inte är tidskänsliga. Batch-slutsatsdragning ger kostnadseffektiv inferensberäkningsskalning, med oöverträffad dataflöde för asynkrona program. Den är optimerad för hög dataflödes-, eld-och-glöm-slutsatsdragning över stora datasamlingar.
  - azureml-contrib-datauppsättning
    - Aktiverade funktioner för etiketterad datauppsättning
```
import azureml.core
from azureml.core import Workspace, Datastore, Dataset
import azureml.contrib.dataset
from azureml.contrib.dataset import FileHandlingOption, LabeledDatasetTask

# create a labeled dataset by passing in your JSON lines file
dataset = Dataset._Labeled.from_json_lines(datastore.path('path/to/file.jsonl'), LabeledDatasetTask.IMAGE_CLASSIFICATION)

# download or mount the files in the `image_url` column
dataset.download()
dataset.mount()

# get a pandas dataframe
from azureml.data.dataset_type_definitions import FileHandlingOption
dataset.to_pandas_dataframe(FileHandlingOption.DOWNLOAD)
dataset.to_pandas_dataframe(FileHandlingOption.MOUNT)

# get a Torchvision dataset
dataset.to_torchvision()
```
Felkorrigeringar och förbättringar
- azure-cli-ml
  - CLI har nu stöd för modellpaketering.
  - CLI har lagts till. Mer information: az ml dataset --help
  - Stöd har lagts till för att distribuera och paketera modeller som stöds (ONNX, scikit-learn och TensorFlow) utan en InferenceConfig-instans.
  - Överskrivningsflagga för tjänstdistribution (ACI och AKS) har lagts till i SDK och CLI. Om den tillhandahålls skriver du över den befintliga tjänsten om tjänsten med namnet redan finns. Om tjänsten inte finns skapar du en ny tjänst.
  - Modeller kan registreras med två nya ramverk, Onnx och TensorFlow. – Modellregistrering accepterar exempeldata, exempeldata och resurskonfiguration för modellen.
- azureml-automl-core
  - Träning av en iteration skulle endast köras i en underordnad process när körningsbegränsningar anges.
  - Lade till ett skyddsräcke för prognostiseringsuppgifter för att kontrollera om en angiven max_horizon orsakar ett minnesproblem på den angivna datorn eller inte. Om det gör det visas ett skyddsräckesmeddelande.
  - Stöd har lagts till för komplexa frekvenser som två år och en månad. -Ett begripligt felmeddelande har lagts till om frekvensen inte kan fastställas.
  - Lägg till azureml-standardvärden för automatisk genererad conda env för att lösa modelldistributionsfelet
  - Tillåt att mellanliggande data i Azure Machine Learning Pipeline konverteras till tabelldatauppsättning och används i AutoMLStep.
  - Implementerad uppdatering av kolumnsyfte för strömning.
  - Implementerad transformeringsparameteruppdatering för Imputer och HashOneHotEncoder för strömning.
  - Den aktuella datastorleken och den minsta nödvändiga datastorleken har lagts till i verifieringsfelmeddelandena.
  - Uppdaterade den minsta nödvändiga datastorleken för korsvalidering för att garantera minst två exempel i varje valideringsdelegering.
- azureml-cli-common
  - CLI har nu stöd för modellpaketering.
  - Modeller kan registreras med två nya ramverk, Onnx och TensorFlow.
  - Modellregistrering accepterar exempel på indata, exempeldata och resurskonfiguration för modellen.
- azureml-contrib-gbdt
  - har korrigerat versionskanalen för notebook-filen
  - Lade till en varning för beräkningsmål som inte är AmlCompute som vi inte stöder
  - LightGMB Estimator har lagts till i azureml-contrib-gbdt-paketet
- azureml-core
  - CLI har nu stöd för modellpaketering.
  - Lägg till utfasningsvarning för inaktuella API:er för datauppsättningar. Se Ändringsmeddelande för Datauppsättnings-API på https://aka.ms/tabular-dataset.
  - Ändra Dataset.get_by_id för att returnera registreringsnamn och version om datauppsättningen är registrerad.
  - Åtgärda en bugg som ScriptRunConfig med datauppsättning som argument inte kan användas upprepade gånger för att skicka experimentkörning.
  - Datauppsättningar som hämtas under en körning spåras och kan visas på sidan körningsinformation eller genom att anropa run.get_details() när körningen är klar.
  - Tillåt att mellanliggande data i Azure Machine Learning Pipeline konverteras till tabelldatauppsättning och används i AutoMLStep.
  - Stöd har lagts till för att distribuera och paketera modeller som stöds (ONNX, scikit-learn och TensorFlow) utan en InferenceConfig-instans.
  - Överskrivningsflagga för tjänstdistribution (ACI och AKS) har lagts till i SDK och CLI. Om den tillhandahålls skriver du över den befintliga tjänsten om tjänsten med namnet redan finns. Om tjänsten inte finns skapar du en ny tjänst.
  - Modeller kan registreras med två nya ramverk, Onnx och TensorFlow. Modellregistrering accepterar exempel på indata, exempeldata och resurskonfiguration för modellen.
  - Ett nytt datalager har lagts till för Azure Database for MySQL. Exempel har lagts till för att använda Azure Database for MySQL i DataTransferStep i Azure Machine Learning Pipelines.
  - Funktioner har lagts till för att lägga till och ta bort taggar från experiment Lade till funktioner för att ta bort taggar från körningar
  - Överskrivningsflagga för tjänstdistribution (ACI och AKS) har lagts till i SDK och CLI. Om den tillhandahålls skriver du över den befintliga tjänsten om tjänsten med namnet redan finns. Om tjänsten inte finns skapar du en ny tjänst.
- azureml-datadrift
  - Flyttades från azureml-contrib-datadrift till azureml-datadrift
  - Stöd har lagts till för övervakning av tidsseriedatauppsättningar för drift och andra statistiska mått
  - Nya metoder create_from_model() och create_from_dataset() till DataDriftDetector klassen. Metoden create() är inaktuell.
  - Justeringar av visualiseringarna i Python och användargränssnittet i Azure Machine Learning-studio.
  - Stöd för schemaläggning av övervakare varje vecka och månad, utöver dagligen för datamängdsövervakare.
  - Stöd för återfyllnad av dataövervakningsmått för att analysera historiska data för datamängdsövervakare.
  - Olika felkorrigeringar
- azureml-pipeline-core
  - azureml-dataprep behövs inte längre för att skicka en Azure Machine Learning Pipeline-körning från pipelinefilen yaml .
- azureml-train-automl
  - Lägg till azureml-standardvärden för automatisk genererad conda env för att lösa modelldistributionsfelet
  - AutoML-fjärrträning innehåller nu azureml-standardvärden för att tillåta återanvändning av träningsenv för slutsatsdragning.
- azureml-train-core
  - Stöd för PyTorch 1.3 har lagts till i PyTorch estimator

2019-10-21

Visuellt gränssnitt (förhandsversion)

Det visuella gränssnittet för Azure Machine Learning (förhandsversion) har setts över för att köras på Azure Machine Learning-pipelines. Pipelines (tidigare kallade experiment) som skapats i det visuella gränssnittet är nu helt integrerade med den grundläggande Azure Machine Learning-upplevelsen.
- Enhetlig hanteringsupplevelse med SDK-tillgångar
- Versionshantering och spårning för visuella gränssnittsmodeller, pipelines och slutpunkter
- Omdesignat användargränssnitt
- Distribution av batchinferens har lagts till
- Stöd för inferensberäkningsmål har lagts till för Azure Kubernetes Service (AKS)
- Nytt arbetsflöde för pipelineredigering i Python-steg
- Ny landningssida för verktyg för visuell redigering
Nya moduler
- Tillämpa matematisk åtgärd
- Tillämpa SQL-transformering
- Klipp ut värden
- Sammanfatta data
- Importera från SQL Database

2019-10-14

Azure Machine Learning SDK för Python v1.0.69

Felkorrigeringar och förbättringar
- azureml-automl-core
  - Begränsa modellförklaringar till bästa körning i stället för beräkningsförklaringar för varje körning. Det här beteendet ändras för lokala, fjärranslutna och ADB.
  - Stöd har lagts till för förklaringar av modellen på begäran för användargränssnittet
  - Psutil har lagts till som ett beroende av automl och inkluderade psutil som ett conda-beroende i amlcompute.
  - Åtgärdat problemet med heuristiska fördröjningar och rullande fönsterstorlekar på prognosdatauppsättningarna, av vilka vissa serier kan orsaka linjära algebrafel
    - Lade till utskrift för de heuristiskt fastställda parametrarna i prognoskörningarna.
- azureml-contrib-datadrift
  - Skydd har lagts till när utdatamått skapas om avvikelsen på datauppsättningsnivå inte finns i det första avsnittet.
- azureml-contrib-interpret
  - azureml-contrib-explain-model-package har bytt namn till azureml-contrib-interpret
- azureml-core
  - API har lagts till för att avregistrera datauppsättningar. dataset.unregister_all_versions()
  - azureml-contrib-explain-model-package har bytt namn till azureml-contrib-interpret.
- azureml-core
  - API har lagts till för att avregistrera datauppsättningar. dataset.unregister_all_versions().
  - Datauppsättnings-API:et har lagts till för att kontrollera data som ändrats. dataset.data_changed_time.
  - Kunna använda FileDataset och TabularDataset som indata till PythonScriptStep, EstimatorStepoch HyperDriveStep i Azure Machine Learning Pipeline
  - FileDataset.mount Prestanda för har förbättrats för mappar med ett stort antal filer
  - Att kunna använda FileDataset och TabularDataset som indata till PythonScriptStep, EstimatorStep och HyperDriveStep i Azure Machine Learning Pipeline.
  - Prestanda för FileDataset.mount() har förbättrats för mappar med ett stort antal filer
  - Url har lagts till i kända felrekommendationer i körningsinformation.
  - En bugg har åtgärdats i run.get_metrics där begäranden skulle misslyckas om en körning hade för många barn
  - En bugg har åtgärdats i run.get_metrics där begäranden skulle misslyckas om en körning hade för många barn
  - Stöd har lagts till för autentisering i Arcadia-kluster.
  - När du skapar ett experimentobjekt hämtas eller skapas experimentet på Azure Machine Learning-arbetsytan för spårning av körningshistorik. Experiment-ID och arkiverad tid fylls i i experimentobjektet när det skapas. Exempel: experiment = Experiment(arbetsyta, "Nytt experiment") experiment_id = experiment.id archive() och reactivate() är funktioner som kan anropas i ett experiment för att dölja och återställa experimentet från att visas i UX eller returneras som standard i ett anrop till listexperiment. Om ett nytt experiment skapas med samma namn som ett arkiverat experiment kan du byta namn på det arkiverade experimentet när du återaktiverar genom att skicka ett nytt namn. Det kan bara finnas ett aktivt experiment med ett förnamn. Exempel: experiment1 = Experiment(arbetsyta, "Aktivt experiment") experiment1.archive() # Skapa nytt aktivt experiment med samma namn som det arkiverade. experiment2. = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") Den statiska metodlistan() i experimentet kan ta ett namnfilter och ViewType-filter. ViewType-värden är "ACTIVE_ONLY", "ARCHIVED_ONLY" och "ALL" Exempel: archived_experiments = Experiment.list( workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
  - Stöd för användning av miljö för modelldistribution och tjänstuppdatering
- azureml-datadrift
  - Show-attributet för klassen DataDriftDector stöder inte längre det valfria argumentet "with_details". Show-attributet visar endast dataavvikelsekoefficient och dataavvikelsebidrag för funktionskolumner.
  - Beteendeändringar för DataDriftDetector-attributet "get_output":
    - Indataparametern start_time end_time är valfria i stället för obligatoriska.
    - Indata för specifika start_time och/eller end_time med en specifik run_id i samma anrop resulterar i ett undantag för värdefel eftersom de är ömsesidigt uteslutande
    - Med indataspecifika start_time och/eller end_time returneras endast resultat av schemalagda körningar.
    - Parametern "daily_latest_only" är inaktuell.
  - Stöd för att hämta datauppsättningsbaserade Data Drift-utdata.
- azureml-explain-model
  - Byter namn på AzureML-explain-model-package till AzureML-interpret och behåller det gamla paketet för bakåtkompatibilitet för tillfället
  - åtgärdat automl fel med råa förklaringar inställda på klassificeringsaktivitet i stället för regression som standard vid nedladdning från ExplanationClient
  - Lägg till stöd för ScoringExplainer att skapas direkt med hjälp av MimicWrapper
- azureml-pipeline-core
  - Förbättrad prestanda för att skapa stora pipeliner
- azureml-train-core
  - TensorFlow 2.0-stöd har lagts till i TensorFlow Estimator
- azureml-train-automl
  - När du skapar ett experimentobjekt hämtas eller skapas experimentet på Azure Machine Learning-arbetsytan för spårning av körningshistorik. Experiment-ID och arkiverad tid fylls i i experimentobjektet när det skapas. Exempel:
```
experiment = Experiment(workspace, "New Experiment")
experiment_id = experiment.id
```
    archive() och reactivate() är funktioner som kan anropas i ett experiment för att dölja och återställa experimentet från att visas i UX eller returneras som standard i ett anrop till listexperiment. Om ett nytt experiment skapas med samma namn som ett arkiverat experiment kan du byta namn på det arkiverade experimentet när du återaktiverar genom att skicka ett nytt namn. Det kan bara finnas ett aktivt experiment med ett förnamn. Exempel:
```
experiment1 = Experiment(workspace, "Active Experiment")
experiment1.archive()
# Create new active experiment with the same name as the archived.
experiment2 = Experiment(workspace, "Active Experiment")
experiment1.reactivate(new_name="Previous Active Experiment")
```
    Den statiska metodlistan () i experimentet kan ta ett namnfilter och Ett ViewType-filter. ViewType-värden är "ACTIVE_ONLY", "ARCHIVED_ONLY" och "ALL". Exempel:
```
archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
```
  - Stöd för användning av miljö för modelldistribution och tjänstuppdatering.
- azureml-datadrift
  - Show-attributet för klassen DataDriftDetector stöder inte längre det valfria argumentet "with_details". Show-attributet visar endast dataavvikelsekoefficient och dataavvikelsebidrag för funktionskolumner.
  - DataDriftDetector-funktionen [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-) beteendeändringar:
    - Indataparametern start_time end_time är valfria i stället för obligatoriska.
    - Indata för specifika start_time och/eller end_time med en specifik run_id i samma anrop resulterar i ett undantag för värdefel eftersom de är ömsesidigt uteslutande.
    - Med indataspecifika start_time och/eller end_time returneras endast resultat av schemalagda körningar.
    - Parametern "daily_latest_only" är inaktuell.
  - Stöd för att hämta datauppsättningsbaserade Data Drift-utdata.
- azureml-explain-model
  - Lägg till stöd för ScoringExplainer som ska skapas direkt med MimicWrapper
- azureml-pipeline-core
  - Bättre prestanda för att skapa stora pipelines.
- azureml-train-core
  - TensorFlow 2.0-stöd har lagts till i TensorFlow Estimator.
- azureml-train-automl
  - Den överordnade körningen misslyckas inte längre när installations-iterationen misslyckades, eftersom orkestreringen redan tar hand om den.
  - Stöd för local-docker och local-conda har lagts till för AutoML-experiment
  - Stöd för local-docker och local-conda har lagts till för AutoML-experiment.

2019-10-08

Ny webbupplevelse (förhandsversion) för Azure Machine Learning-arbetsytor

Fliken Experiment i den nya arbetsyteportalen har uppdaterats så att dataforskare kan övervaka experiment på ett mer högpresterande sätt. Du kan utforska följande funktioner:

Experimentera metadata för att enkelt filtrera och sortera din lista över experiment
Förenklade och högpresterande experimentinformationssidor som gör att du kan visualisera och jämföra dina körningar
Ny design för att köra informationssidor för att förstå och övervaka dina träningskörningar

2019-09-30

Azure Machine Learning SDK för Python v1.0.65

Nya funktioner
- Utvalda miljöer har lagts till. Dessa miljöer har förkonfigurerats med bibliotek för vanliga maskininlärningsuppgifter och har fördefinierades och cachelagrats som Docker-avbildningar för snabbare körning. De visas som standard i arbetsytans miljölista med prefixet "AzureML".
- Utvalda miljöer har lagts till. Dessa miljöer har förkonfigurerats med bibliotek för vanliga maskininlärningsuppgifter och har fördefinierades och cachelagrats som Docker-avbildningar för snabbare körning. De visas som standard i arbetsytans miljölista med prefixet "AzureML".
azureml-train-automl
azureml-train-automl
- Stöd för ONNX-konvertering har lagts till för ADB och HDI
Förhandsversionsfunktioner
- azureml-train-automl
- azureml-train-automl
  - Bert och BiLSTM stöds som textfunktionaliserare (endast förhandsversion)
  - Funktionaliseringsanpassning som stöds för kolumn- och transformeringsparametrar (endast förhandsversion)
  - Rådataförklaringar som stöds när användaren aktiverar modellförklaring under träning (endast förhandsversion)
  - Profet har lagts till för timeseries prognostisering som en träningsbar pipeline (endast förhandsversion)
- azureml-contrib-datadrift
  - Paket som flyttats från azureml-contrib-datadrift till azureml-datadrift; paketet contrib tas bort i en framtida version
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Introducerade FeaturizationConfig till AutoMLConfig och AutoMLBaseSettings
  - Introducerade FeaturizationConfig till AutoMLConfig och AutoMLBaseSettings
    - Åsidosätt kolumnsyfte för funktionalisering med angiven kolumn och funktionstyp
    - Åsidosätt transformeringsparametrar
  - Utfasningsmeddelande har lagts till för explain_model() och retrieve_model_explanations()
  - Profet har lagts till som en träningsbar pipeline (endast förhandsversion)
  - Utfasningsmeddelande har lagts till för explain_model() och retrieve_model_explanations().
  - Profet har lagts till som en träningsbar pipeline (endast förhandsversion).
  - Stöd har lagts till för automatisk identifiering av målfördröjningar, rullande fönsterstorlek och maximal horisont. Om någon av target_lags, target_rolling_window_size eller max_horizon är inställt på "auto" tillämpas heuristiken för att beräkna värdet för motsvarande parameter baserat på träningsdata.
  - Fast prognostisering när datamängden innehåller en kornkolumn, det här kornet är av en numerisk typ och det finns ett mellanrum mellan tränings- och testuppsättningen
  - Åtgärdat felmeddelandet om det duplicerade indexet i fjärrkörningen i prognosuppgifter
  - Fast prognostisering när datamängden innehåller en kornkolumn, det här kornet är av en numerisk typ och det finns ett mellanrum mellan tränings- och testuppsättningen.
  - Felmeddelandet om det duplicerade indexet i fjärrkörningen i prognostiseringsuppgifter har åtgärdats.
  - Lade till ett skyddsräcke för att kontrollera om en datauppsättning är obalanserad eller inte. I så fall skulle ett skyddsräckesmeddelande skrivas till konsolen.
- azureml-core
  - Möjligheten att hämta SAS-URL:en har lagts till för att modellera i lagring via modellobjektet. Ex: model.get_sas_url()
  - Introducera run.get_details()['datasets'] för att hämta datauppsättningar som är associerade med den skickade körningen
  - Lägg till API Dataset.Tabular.from_json_lines_files för att skapa en TabularDataset från JSON Lines-filer. Mer information om dessa tabelldata i JSON Lines-filer på TabularDataset finns i den här artikeln för dokumentation.
  - Andra vm-storleksfält (OS-disk, antal GPU:er) har lagts till i funktionen supported_vmsizes ()
  - Fler fält har lagts till i funktionen list_nodes () för att visa körningen, den privata och den offentliga IP-adressen, porten osv.
  - Möjlighet att ange ett nytt fält under klusteretablering –-remotelogin_port_public_access, som kan anges till aktiverad eller inaktiverad beroende på om du vill lämna SSH-porten öppen eller stängd när klustret skapas. Om du inte anger det öppnas eller stängs porten smart beroende på om du distribuerar klustret i ett virtuellt nätverk.
- azureml-explain-model
- azureml-core
  - Möjligheten att hämta SAS-URL:en har lagts till för att modellera i lagring via modellobjektet. Ex: modell.get_sas_url()
  - Introducera körning.get_details['datauppsättningar'] för att hämta datauppsättningar som är associerade med den skickade körningen
  - Lägg till API Dataset.Tabular.from_json_lines_files() för att skapa en TabularDataset från JSON Lines-filer. Mer information om dessa tabelldata i JSON Lines-filer på TabularDataset finnshttps://aka.ms/azureml-data i dokumentationen.
  - Andra vm-storleksfält (OS-disk, antal GPU:er) har lagts till i funktionen supported_vmsizes()
  - Andra fält har lagts till i funktionen list_nodes() för att visa körningen, den privata och den offentliga IP-adressen, porten osv.
  - Möjlighet att ange ett nytt fält under klusteretablering som kan anges till aktiverad eller inaktiverad beroende på om du vill lämna SSH-porten öppen eller stängd när klustret skapas. Om du inte anger det öppnar eller stänger tjänsten porten smart beroende på om du distribuerar klustret i ett virtuellt nätverk.
- azureml-explain-model
  - Förbättrad dokumentation för förklaringsutdata i klassificeringsscenariot.
  - Lade till möjligheten att ladda upp de förutsagda y-värdena på förklaringen till utvärderingsexemplen. Låser upp mer användbara visualiseringar.
  - Förklaringsegenskapen har lagts till i MimicWrapper för att aktivera hämtar den underliggande MimicExplainer.
- azureml-pipeline-core
  - Notebook-fil har lagts till för att beskriva Modul, ModuleVersion och ModuleStep
- azureml-pipeline-steps
  - RScriptStep har lagts till för att stödja R-skriptkörning via AML-pipeline.
  - Åtgärdade metadataparametrar i AzureBatchStep som orsakade felmeddelandet "tilldelning för parametern SubscriptionId har inte angetts".
- azureml-train-automl
  - Training_data, validation_data, label_column_name och weight_column_name som datainmatningsformat som stöds
  - Utfasningsmeddelande har lagts till för explain_model() och retrieve_model_explanations()
- azureml-pipeline-core
  - En notebook-fil har lagts till för att beskriva Module, [ModuleVersion och ModuleStep.
- azureml-pipeline-steps
  - RScriptStep har lagts till för att stödja R-skriptkörning via AML-pipeline.
  - Åtgärdade metadataparametrar i [AzureBatchStep som orsakade felmeddelandet "tilldelning för parametern SubscriptionId har inte angetts".
- azureml-train-automl
  - Stöd för training_data, validation_data, label_column_name weight_column_name som datainmatningsformat.
  - Utfasningsmeddelande har lagts till för explain_model() och retrieve_model_explanations().

2019-09-16

Azure Machine Learning SDK för Python v1.0.62

Nya funktioner
- timeseries Introducerade egenskapen på TabularDataset. Den här egenskapen möjliggör enkel tidsstämpelfiltrering på data som en TabularDataset, till exempel att ta alla data mellan ett tidsintervall eller de senaste data. https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb för en exempelanteckningsbok.
- Aktiverad träning med TabularDataset och FileDataset.
- azureml-train-core
  - Lade till Nccl och Gloo stöd i PyTorch-skattning
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Inaktuella AutoML-inställningen "lag_length" och LaggingTransformer.
  - Rätt validering av indata har åtgärdats om de har angetts i dataflödesformat
  - Ändrade fit_pipeline.py för att generera graf-json och ladda upp till artefakter.
  - Renderade grafen under userrun med hjälp av Cytoscape.
- azureml-core
  - Gick tillbaka till undantagshanteringen i ADB-koden och gör ändringar i enligt ny felhantering
  - Automatisk MSI-autentisering har lagts till för virtuella notebook-datorer.
  - Åtgärdar bugg där skadade eller tomma modeller kan laddas upp på grund av misslyckade återförsök.
  - Åtgärdade buggen där DataReference namnet ändras när DataReference läget ändras (till exempel när du anropar as_upload, as_downloadeller as_mount).
  - Gör mount_point och target_path valfritt för FileDataset.mount och FileDataset.download.
  - Undantag om att det inte går att hitta tidsstämpelkolumnen utlöses om tidsserierelaterat API anropas utan att fin tidsstämpelkolumnen har tilldelats eller om de tilldelade tidsstämpelkolumnerna tas bort.
  - Tidsseriekolumner ska tilldelas med kolumn vars typ är Datum, annars förväntas undantag
  - Tidsseriekolumner som tilldelar API:et "with_timestamp_columns" kan ta kolumnnamnet None value fine/coarse timestamp, som rensar tidigare tilldelade tidsstämpelkolumner.
  - Undantag utlöses när antingen grovkornighet eller finkornig tidsstämpelkolumn tas bort med indikation för användaren om att borttagning kan göras efter att antingen tidsstämpelkolumnen har exkluderats i listan över borttagna eller anropar with_time_stamp med värdet None för att frigöra tidsstämpelkolumner
  - Undantaget utlöses när antingen grovkornighet eller finkornig tidsstämpelkolumn inte ingår i listan över behåll kolumner med en indikation för användaren om att behåller kan göras efter att antingen inkludera tidsstämpelkolumn i behåll kolumnlistan eller anropa with_time_stamp med värdet None för att frigöra tidsstämpelkolumner.
  - Loggning har lagts till för storleken på en registrerad modell.
- azureml-explain-model
  - En varning har skrivits ut till konsolen när "paketering" av Python-paketet inte har installerats: "Uppgradera till version större än 2.2.1 om du använder en äldre version av lightgbm som stöds"
  - Förklaring av nedladdningsmodell med horisontell partitionering för globala förklaringar med många funktioner har åtgärdats
  - Initieringsexempel på utdataförklaring saknas i initieringsexempel
  - Ett oföränderligt fel har åtgärdats för att ange egenskaper vid uppladdning med förklaringsklient med hjälp av två olika typer av modeller
  - Lade till en get_raw param till scoring explainer.explain() så att en bedömningsförklarare kan returnera både konstruerade och råa värden.
- azureml-train-automl
  - Introducerade offentliga API:er från AutoML för att stödja förklaringar från automl förklara SDK – nyare sätt att stödja AutoML-förklaringar genom att koppla bort AutoML-funktionalisering och förklara SDK – Integrerat stöd för råförklaring från azureml förklara SDK för AutoML-modeller.
  - Ta bort azureml-standardvärden från fjärrträningsmiljöer.
  - Standardplatsen för cachelagring har ändrats från FileCacheStore baserat på en till AzureFileCacheStore en för AutoML på Azure Databricks-kodsökvägen.
  - Rätt validering av indata har åtgärdats om de har angetts i dataflödesformat
- azureml-train-core
  - Återställd source_directory_data_store utfasning.
  - Möjlighet att åsidosätta azureml-installerade paketversioner har lagts till.
  - Dockerfile-stöd har lagts till i environment_definition parametern i estimatorer.
  - Förenklade distribuerade träningsparametrar i skattare.
```
from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
```

2019-09-09

Ny webbupplevelse (förhandsversion) för Azure Machine Learning-arbetsytor

Den nya webbupplevelsen gör det möjligt för dataforskare och datatekniker att slutföra sin livscykel för maskininlärning från slutpunkt till slutpunkt, från att förbereda och visualisera data till att träna och distribuera modeller på en enda plats.

Användargränssnitt för Azure Machine Learning-arbetsyta (förhandsversion)

Viktiga funktioner:

Med det här nya Azure Machine Learning-gränssnittet kan du nu:

Hantera dina notebook-filer eller länka ut till Jupyter
Köra automatiserade ML-experiment
Skapa datauppsättningar från lokala filer, datalager och webbfiler
Utforska och förbereda datauppsättningar för att skapa modeller
Övervaka dataavvikelse för dina modeller
Visa de senaste resurserna från en instrumentpanel

Vid den här versionen stöds följande webbläsare: Chrome, Firefox, Safari och Microsoft Edge Preview.

Kända problem:

Uppdatera webbläsaren om du ser "Något gick fel! Det gick inte att läsa in segmentfiler" när distributionen pågår.
Det går inte att ta bort eller byta namn på filen i Notebooks och Files. Under den offentliga förhandsversionen kan du använda Jupyter-användargränssnittet eller terminalen i notebook-datorn för att utföra uppdateringsfilåtgärder. Eftersom det är ett monterat nätverk filsystem alla ändringar, du gör på Notebook VM återspeglas omedelbart i notebook-arbetsytan.
SSH till den virtuella notebook-datorn:
1. Leta upp de SSH-nycklar som skapades under konfigurationen av den virtuella datorn. Du kan också hitta nycklarna i Azure Machine Learning-arbetsytan > öppna fliken > Beräkning och leta reda på den virtuella notebook-datorn i listan > och öppna dess egenskaper: kopiera nycklarna från dialogrutan.
2. Importera dessa offentliga och privata SSH-nycklar till den lokala datorn.
3. Använd dem för att SSH till den virtuella notebook-datorn.

2019-09-03

Azure Machine Learning SDK för Python v1.0.60

Nya funktioner
- Introducerade FileDataset, som refererar till enskilda eller flera filer i dina datalager eller offentliga URL:er. Filerna kan ha valfritt format. FileDataset ger dig möjlighet att ladda ned eller montera filerna i din beräkning.
- Yaml-stöd för Pipeline har lagts till för PythonScript Step, Adla Step, Databricks Step, DataTransferStep och AzureBatch Step
Felkorrigeringar och förbättringar
- azureml-automl-core
  - AutoArima är nu bara en pipeline som kan föreslås för förhandsversion.
  - Förbättrad felrapportering för prognostisering.
  - Förbättrade loggningen med hjälp av anpassade undantag i stället för allmänna i prognostiseringsaktiviteterna.
  - Kontrollen på max_concurrent_iterations har tagits bort för att vara mindre än det totala antalet iterationer.
  - AutoML-modeller returnerar nu AutoMLExceptions
  - Den här versionen förbättrar körningsprestandan för automatiserade lokala maskininlärningskörningar.
- azureml-core
  - Introducera Dataset.get_all(arbetsyta), som returnerar en ordlista med TabularDataset och FileDataset objekt som är nyckelade efter deras registreringsnamn.
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - Presentera parition_format som argument för Dataset.Tabular.from_delimited_files och Dataset.Tabular.from_parquet.files. Partitionsinformationen för varje datasökväg extraheras till kolumner baserat på det angivna formatet. {column_name} skapar strängkolumnen och {column_name:åååå/MM/dd/HH/mm/ss} skapar datetime-kolumnen, där "åååå", "MM", "dd", "HH", "mm" och "ss" används för att extrahera år, månad, dag, timme, minut och sekund för datetime-typen. Partition_format bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med hjälp av sökvägen .. /USA/2019/01/01/data.csv" där partitionen är efter land/region och tid, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' skapar strängkolumnen "Country" med värdet "USA" och datetime-kolumnen "PartitionDate" med värdet "2019-01-01".
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - Presentera partition_format som argument för Dataset.Tabular.from_delimited_files och Dataset.Tabular.from_parquet.files. Partitionsinformationen för varje datasökväg extraheras till kolumner baserat på det angivna formatet. {column_name} skapar strängkolumnen och {column_name:åååå/MM/dd/HH/mm/ss} skapar datetime-kolumnen, där "åååå", "MM", "dd", "HH", "mm" och "ss" används för att extrahera år, månad, dag, timme, minut och sekund för datetime-typen. Partition_format bör börja från positionen för den första partitionsnyckeln till slutet av filsökvägen. Till exempel med hjälp av sökvägen .. /USA/2019/01/01/data.csv" där partitionen är efter land/region och tid, partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' skapar strängkolumnen "Country" med värdet "USA" och datetime-kolumnen "PartitionDate" med värdet "2019-01-01".
  - to_csv_files och to_parquet_files metoder har lagts till i TabularDataset. Dessa metoder möjliggör konvertering mellan en TabularDataset och en FileDataset genom att konvertera data till filer i det angivna formatet.
  - Logga automatiskt in på basavbildningsregistret när du sparar en Dockerfile som genereras av Model.package().
  - "gpu_support" är inte längre nödvändigt. AML identifierar och använder nu nvidia docker-tillägget automatiskt när det är tillgängligt. Den tas bort i en framtida version.
  - Stöd har lagts till för att skapa, uppdatera och använda PipelineDrafts.
  - Den här versionen förbättrar körningsprestandan för automatiserade lokala maskininlärningskörningar.
  - Användare kan köra frågor mot mått från körningshistoriken efter namn.
  - Förbättrade loggningen med hjälp av anpassade undantag i stället för allmänna i prognostiseringsaktiviteterna.
- azureml-explain-model
  - Lade till feature_maps parameter i den nya MimicWrapper, så att användarna kan få rådata om funktionsförklaringar.
  - Datauppsättningsuppladdningar är nu inaktiverade som standard för förklaringsuppladdning och kan återaktiveras med upload_datasets=Sant
  - Lade till filtreringsparametrarna "is_law" i förklaringslistan och nedladdningsfunktionerna.
  - Lägger till metoden get_raw_explanation(feature_maps) till både globala och lokala förklaringsobjekt.
  - Versionskontroll har lagts till i lightgbm med tryckt varning om versionen nedan stöds
  - Optimerad minnesanvändning vid batchbearbetning av förklaringar
  - AutoML-modeller returnerar nu AutoMLExceptions
- azureml-pipeline-core
  - Stöd har lagts till för att skapa, uppdatera och använda PipelineDrafts – kan användas för att underhålla föränderliga pipelinedefinitioner och använda dem interaktivt för att köra
- azureml-train-automl
  - Skapad funktion för att installera specifika versioner av gpu-kompatibla pytorch v1.1.0, cuda toolkit 9.0, pytorch-transformers, som krävs för att aktivera BERT/ XLNet i den fjärranslutna Python-körningsmiljön.
- azureml-train-core
  - Tidigt fel i vissa fel med hyperparameterutrymmesdefinitioner direkt i SDK:et i stället för på serversidan.

Azure Machine Learning Data Prep SDK v1.1.14

Felkorrigeringar och förbättringar
- Aktiverad skrivning till ADLS/ADLSGen2 med rå sökväg och autentiseringsuppgifter.
- En bugg som orsakade include_path=True att den inte fungerade för read_parquethar åtgärdats.
- Ett fel har åtgärdats to_pandas_dataframe() på grund av undantaget "Ogiltigt egenskapsvärde: hostSecret".
- Ett fel har åtgärdats där filer inte kunde läsas på DBFS i Spark-läge.

2019-08-19

Azure Machine Learning SDK för Python v1.0.57

Nya funktioner
- Aktiverad TabularDataset för att användas av AutomatedML. Mer information om TabularDatasetfinns ihttps://aka.ms/azureml/howto/createdatasets.
Felkorrigeringar och förbättringar
- azure-cli-ml
  - Nu kan du uppdatera TLS/SSL-certifikatet för bedömningsslutpunkten som distribueras i AKS-klustret både för Microsoft-genererat och kundcertifikat.
- azureml-automl-core
  - Ett problem har åtgärdats i AutoML där rader med saknade etiketter inte har tagits bort korrekt.
  - Förbättrad felloggning i AutoML; fullständiga felmeddelanden skrivs nu alltid till loggfilen.
  - AutoML har uppdaterat sin paket fästning för att inkludera azureml-defaults, azureml-explain-modeloch azureml-dataprep. AutoML varnar inte längre för paketmatchningar (förutom paket azureml-train-automl ).
  - Ett problem timeseries har åtgärdats där cv-uppdelningar är av ojämlik storlek, vilket gör att lagerplatsberäkningen misslyckas.
  - När vi körde ensemble-iteration för träningstypen Korsvalidering hade vi problem med att ladda ned modellerna som tränats på hela datamängden, och vi hade en inkonsekvens mellan modellvikterna och de modeller som matades in i röstningsensemblen.
  - Åtgärdat felet, som uppstod när tränings- och/eller valideringsetiketter (y och y_valid) tillhandahålls i form av pandas-dataram men inte som numpy-matris.
  - Åtgärdat problemet med prognostiseringsuppgifterna när Ingen påträffades i de booleska kolumnerna i indatatabeller.
  - Tillåt Att AutoML-användare släpper träningsserier som inte är tillräckligt långa vid prognostisering. – Tillåt AutoML-användare att ta bort korn från testuppsättningen som inte finns i träningsuppsättningen vid prognostisering.
- azureml-core
  - Problem med blob_cache_timeout parameterordning har åtgärdats.
  - Externa undantagstyper för anpassning och transformering har lagts till i systemfel.
  - Stöd har lagts till för Key Vault-hemligheter för fjärrkörningar. Lägg till en azureml.core.keyvault.Keyvault klass för att lägga till, hämta och lista hemligheter från nyckelvalvet som är associerat med din arbetsyta. Åtgärder som stöds är:
    - azureml.core.workspace.Workspace.get_default_keyvault()
    - azureml.core.keyvault.Keyvault.set_secret(namn, värde)
    - azureml.core.keyvault.Keyvault.set_secrets(secrets_dict)
    - azureml.core.keyvault.Keyvault.get_secret(namn)
    - azureml.core.keyvault.Keyvault.get_secrets(secrets_list)
    - azureml.core.keyvault.Keyvault.list_secrets()
    - Fler metoder för att hämta standardnyckelvalv och hämta hemligheter under fjärrkörning:
    - azureml.core.workspace.Workspace.get_default_keyvault()
    - azureml.core.run.Run.get_secret(namn)
    - azureml.core.run.Run.get_secrets(secrets_list)
  - Andra åsidosättningsparametrar har lagts till i CLI-kommandot submit-hyperdrive.
  - Förbättra tillförlitligheten för API-anrop genom att utöka återförsök till vanliga begärandebiblioteksfel.
  - Lägg till stöd för att skicka körningar från en skickad körning.
  - Ett problem med sas-token som upphört att gälla i FileWatcher har åtgärdats, vilket gjorde att filer slutade laddas upp efter att deras ursprungliga token hade upphört att gälla.
  - Stöd för import av HTTP csv/tsv-filer i Dataset Python SDK.
  - Inaktuella metoden Workspace.setup(). Varningsmeddelande som visas för användare föreslår att du använder create() eller get()/from_config() i stället.
  - Lade till Environment.add_private_pip_wheel(), som gör det möjligt att ladda upp privata anpassade Python-paket whltill arbetsytan och på ett säkert sätt använda dem för att skapa/materialisera miljön.
  - Nu kan du uppdatera TLS/SSL-certifikatet för bedömningsslutpunkten som distribueras i AKS-klustret både för Microsoft-genererat och kundcertifikat.
- azureml-explain-model
  - Parametern har lagts till för att lägga till ett modell-ID i förklaringar vid uppladdning.
  - Taggning har lagts is_raw till i förklaringar i minne och uppladdning.
  - Pytorch-stöd och -tester har lagts till för azureml-explain-model-paketet.
- azureml-opendatasets
  - Stöd för identifiering och loggning av automatisk testmiljö.
  - Klasser har lagts till för att få usa-befolkning efter län och zip.
- azureml-pipeline-core
  - Etikettegenskapen har lagts till i portdefinitioner för indata och utdata.
- azureml-telemetri
  - En felaktig telemetrikonfiguration har åtgärdats.
- azureml-train-automl
  - Åtgärdade felet där felet vid installationsfelet inte loggades i fältet "fel" för installationskörningen och därför inte lagrades i överordnade körningsfel.
  - Ett problem har åtgärdats i AutoML där rader med saknade etiketter inte har tagits bort korrekt.
  - Tillåt Att AutoML-användare släpper träningsserier som inte är tillräckligt långa vid prognostisering.
  - Tillåt AutoML-användare att ta bort korn från testuppsättningen som inte finns i träningsuppsättningen vid prognostisering.
  - Nu skickar AutoMLStep genom automl konfigurationen till serverdelen för att undvika problem med ändringar eller tillägg av nya konfigurationsparametrar.
  - AutoML Data Guardrail finns nu i offentlig förhandsversion. Användaren ser en Data Guardrail-rapport (för klassificerings-/regressionsaktiviteter) efter träningen och kan även komma åt den via SDK API.
- azureml-train-core
  - Stöd för fackla 1.2 har lagts till i PyTorch Estimator.
- azureml-widgets
  - Förbättrade felmatrisdiagram för klassificeringsträning.

Azure Machine Learning Data Prep SDK v1.1.12

Nya funktioner
- Listor med strängar kan nu skickas som indata till read_* metoder.
Felkorrigeringar och förbättringar
- Prestandan read_parquet för har förbättrats när du kör i Spark.
- Ett problem som column_type_builder misslyckades i en enda kolumn med tvetydiga datumformat har åtgärdats.

Azure Portal

Förhandsgranskningsfunktion
- Logg- och utdatafiluppspelning är nu tillgängligt för sidor med körningsinformation. Filströmmen uppdateras i realtid när förhandsgranskningsväxlingen är aktiverad.
- Möjligheten att ange kvot på arbetsytenivå släpps i förhandsversionen. AmlCompute-kvoter allokeras på prenumerationsnivå, men nu kan du distribuera den kvoten mellan arbetsytor och allokera den för rättvis delning och styrning. Klicka bara på bladet Användning +kvoter i det vänstra navigeringsfältet på arbetsytan och välj fliken Konfigurera kvoter . Du måste vara prenumerationsadministratör för att kunna ange kvoter på arbetsytenivå eftersom det här är en åtgärd mellan arbetsytor.

2019-08-05

Azure Machine Learning SDK för Python v1.0.55

Nya funktioner
- Tokenbaserad autentisering stöds nu för de anrop som görs till bedömningsslutpunkten som distribueras i AKS. Vi fortsätter att stödja den aktuella nyckelbaserade autentiseringen och användarna kan använda någon av dessa autentiseringsmekanismer i taget.
- Möjlighet att registrera en bloblagring som ligger bakom det virtuella nätverket (VNet) som ett datalager.
Felkorrigeringar och förbättringar
- azureml-automl-core
  - Åtgärdar en bugg där valideringsstorleken för CV-delningar är liten och resulterar i dåliga förutsagda kontra sanna diagram för regression och prognostisering.
  - Loggningen av prognostiseringsaktiviteter på fjärrkörningarna förbättrades, nu får användaren ett omfattande felmeddelande om körningen misslyckades.
  - Fel för om förbearbetningsflaggan Timeseries är True har åtgärdats.
  - Gjorde vissa felmeddelanden för dataverifiering i prognostisering mer användbara.
  - Minskad minnesförbrukning för AutoML-körningar genom att släppa och/eller lat inläsning av datauppsättningar, särskilt mellan processlekar
- azureml-contrib-explain-model
  - Model_task-flagga har lagts till för förklarare så att användaren kan åsidosätta standardlogik för automatisk slutsatsdragning för modelltyp
  - Widgetändringar: Installeras automatiskt med contrib, ingen mer nbextension installation/aktivera – stödförklaring med global funktionsvikt (till exempel permutativ)
  - Instrumentpanelsändringar: – Lådritningar och fiolritningar utöver beeswarm diagram på sammanfattningssidan – Snabbare ombearbetning av beeswarm diagram på skjutreglaget "Top -k" ändras – användbart meddelande som förklarar hur top-k beräknas – Användbara anpassningsbara meddelanden i stället för diagram när data inte tillhandahålls
- azureml-core
  - Metoden Model.package() har lagts till för att skapa Docker-avbildningar och Dockerfiles som kapslar in modeller och deras beroenden.
  - Lokala webbtjänster har uppdaterats för att acceptera InferenceConfigs som innehåller miljöobjekt.
  - Model.register() har åtgärdats för att skapa ogiltiga modeller när "." (för den aktuella katalogen) skickas som parametern model_path.
  - Lägg till Run.submit_child speglar funktionen Experiment.submit när körningen anges som överordnad för den inskickade underordnade körningen.
  - Stöd för konfigurationsalternativ från Model.register i Run.register_model.
  - Möjlighet att köra JAR-jobb i ett befintligt kluster.
  - Stöder nu parametrar för instance_pool_id och cluster_log_dbfs_path.
  - Stöd har lagts till för att använda ett miljöobjekt när du distribuerar en modell till en webbtjänst. Miljöobjektet kan nu anges som en del av InferenceConfig-objektet.
  - Lägg till appinsifht-mappning för nya regioner – centralus – westus – northcentralus
  - Dokumentation har lagts till för alla attribut i alla Datastore-klasser.
  - Blob_cache_timeout parameter har lagts till i Datastore.register_azure_blob_container.
  - Save_to_directory och load_from_directory metoder har lagts till i azureml.core.environment.Environment.
  - Kommandona "az ml environment download" och "az ml environment register" har lagts till i CLI.
  - Environment.add_private_pip_wheel-metoden har lagts till.
- azureml-explain-model
  - Datamängdsspårning har lagts till i Förklaringar med hjälp av datauppsättningstjänsten (förhandsversion).
  - Minskad standard batchstorlek vid strömning av globala förklaringar från 10k till 100.
  - Model_task-flagga har lagts till för förklarare så att användaren kan åsidosätta standardlogik för automatisk slutsatsdragning för modelltyp.
- azureml-mlflow
  - Fel har åtgärdats i mlflow.azureml.build_image där kapslade kataloger ignoreras.
- azureml-pipeline-steps
  - Möjligheten att köra JAR-jobb på ett befintligt Azure Databricks-kluster har lagts till.
  - Stöd instance_pool_id och cluster_log_dbfs_path parametrar för DatabricksStep-steg har lagts till.
  - Stöd har lagts till för pipelineparametrar i Steget DatabricksStep.
- azureml-train-automl
  - Har lagts till docstrings för ensemblerelaterade filer.
  - Dokument har uppdaterats till ett lämpligare språk för max_cores_per_iteration och max_concurrent_iterations
  - Loggningen av prognostiseringsaktiviteter på fjärrkörningarna förbättrades, nu får användaren ett omfattande felmeddelande om körningen misslyckades.
  - Tog bort get_data från pipeline notebook-filen automlstep .
  - dataprep Stöd har startats i automlstep.

Azure Machine Learning Data Prep SDK v1.1.10

Nya funktioner
- Du kan nu begära att köra specifika inspektörer (till exempel histogram, punktdiagram osv.) på specifika kolumner.
- Lade till ett parallelliserande argument till append_columns. Om Sant läses data in i minnet men körningen körs parallellt. om falskt strömmas körningen men är enkeltrådad.

2019-07-23

Azure Machine Learning SDK för Python v1.0.53

Nya funktioner
- Automatiserad maskininlärning stöder nu träning av ONNX-modeller på fjärrberäkningsmålet
- Azure Machine Learning ger nu möjlighet att återuppta träningen från en tidigare körning, kontrollpunkt eller modellfiler.
  - Lär dig hur du använder skattningsfaktorer för att återuppta träningen från en tidigare körning
Felkorrigeringar och förbättringar
- azure-cli-ml
  - CLI-kommandona "model deploy" och "service update" accepterar nu parametrar, konfigurationsfiler eller en kombination av de två. Parametrar har företräde framför attribut i filer.
  - Modellbeskrivning kan nu uppdateras efter registreringen
- azureml-automl-core
  - Uppdatera NimbusML-beroendet till 1.2.0-versionen (aktuell senast).
  - Lägger till stöd för NimbusML-skattningar och pipelines som ska användas i AutoML-skattare.
  - Åtgärda en bugg i ensemblens urvalsprocedur som i onödan odlade den resulterande ensemblen även om poängen förblev konstanta.
  - Aktivera återanvändning av vissa funktionaliseringar i CV Splits för prognostiseringsuppgifter. Detta påskyndar körningen av installationen som körs av ungefär en faktor av n_cross_validations för dyra funktionaliseringar som fördröjningar och rullande fönster.
  - Åtgärda ett problem om tiden ligger över tidsintervallet för Pandas. Nu genererar vi en DataException om tiden är mindre än pd. Timestamp.min eller större än pd. Timestamp.max
  - Prognostisering tillåter nu olika frekvenser i tränings- och testuppsättningar om de kan justeras. Till exempel kan "kvartalsvis från och med januari" och "kvartalsvis med början i oktober" justeras.
  - Egenskapen "parameters" har lagts till i TimeSeriesTransformer.
  - Ta bort gamla undantagsklasser.
  - I prognosuppgifter accepterar parametern target_lags nu ett enda heltalsvärde eller en lista med heltal. Om heltal angavs skapas bara en fördröjning. Om en lista anges tas de unika värdena för fördröjningar. target_lags=[1, 2, 2, 4] skapar fördröjningar på en, två och fyra perioder.
  - Åtgärda felet om att förlora kolumntyper efter omvandlingen (bugg länkad);
  - I model.forecast(X, y_query)tillåter du att y_query är en objekttyp som innehåller Inga(er) i början (#459519).
  - Lägga till förväntade värden i automl utdata
- azureml-contrib-datadrift
  - Förbättringar av exempel på notebook-filer, inklusive växling till azureml-opendatasets i stället för azureml-contrib-opendatasets och prestandaförbättringar vid berikande av data
- azureml-contrib-explain-model
  - Argumentet för fasta transformeringar för LIME-förklaring för raw-funktionsvikt i paketet azureml-contrib-explain-model
  - Segmenteringar har lagts till i bildförklaringar i bildförklaringen för azureML-contrib-explain-model-paketet
  - Lägg till scipy sparse-stöd för LimeExplainer
  - Lades batch_size till för att efterlikna förklaringen när include_local=False, för globala strömningsförklaringar i batchar för att förbättra körningstiden för DecisionTreeExplainableModel
- azureml-contrib-featureengineering
  - Korrigering för att anropa set_featurizer_timeseries_params(): ändring av dikteringsvärdetyp och null-kontroll – Lägg till notebook-fil för timeseries featurizer
  - Uppdatera NimbusML-beroendet till 1.2.0-versionen (aktuell senast).
- azureml-core
  - Möjligheten att bifoga DBFS-datalager har lagts till i Azure Machine Learning CLI
  - Åtgärdade felet med uppladdning av datalager där en tom mapp skapas om target_path den startas med /
  - Ett problem har åtgärdats deepcopy i ServicePrincipalAuthentication.
  - Kommandona "az ml environment show" och "az ml environment list" har lagts till i CLI.
  - Miljöer har nu stöd för att ange en base_dockerfile som ett alternativ till en redan inbyggd base_image.
  - Inställningen oanvänd RunConfiguration auto_prepare_environment har markerats som inaktuell.
  - Modellbeskrivning kan nu uppdateras efter registreringen
  - Buggfix: Borttagning av modell och bild innehåller nu mer information om hur du hämtar överordnade objekt som är beroende av dem om borttagningen misslyckas på grund av ett uppströmsberoende.
  - En bugg som skrev ut en tom varaktighet för distributioner som inträffar när en arbetsyta skapades för vissa miljöer har åtgärdats.
  - Förbättrade felfel vid skapande av arbetsytor. Så att användarna inte ser "Det går inte att skapa arbetsytan. Det går inte att hitta..." som meddelandet och i stället se det faktiska skapandefelet.
  - Lägg till stöd för tokenautentisering i AKS-webbtjänster.
  - Lägg till get_token() metod i Webservice objekt.
  - CLI-stöd har lagts till för att hantera maskininlärningsdatauppsättningar.
  - Datastore.register_azure_blob_container nu kan du också ta ett blob_cache_timeout värde (i sekunder) som konfigurerar blobfuse monteringsparametrar för att aktivera cacheförfallotid för det här datalagret. Standardvärdet är ingen timeout, till exempel när en blob läss, den förblir i den lokala cachen tills jobbet har slutförts. De flesta jobb föredrar den här inställningen, men vissa jobb behöver läsa mer data från en stor datauppsättning än vad som får plats på noderna. För dessa jobb hjälper justering av den här parametern dem att lyckas. Var försiktig när du justerar den här parametern: om du ställer in värdet för lågt kan det leda till dåliga prestanda eftersom data som används i en epok kan upphöra att gälla innan de används igen. Alla läsningar görs från bloblagring/nätverk i stället för den lokala cachen, vilket påverkar träningstiderna negativt.
  - Modellbeskrivning kan nu uppdateras korrekt efter registreringen
  - Borttagning av modell och bild innehåller nu mer information om överordnade objekt som är beroende av dem, vilket gör att borttagningen misslyckas
  - Förbättra resursanvändningen för fjärrkörningar med hjälp av azureml.mlflow.
- azureml-explain-model
  - Argumentet för fasta transformeringar för LIME-förklaring för raw-funktionsvikt i paketet azureml-contrib-explain-model
  - lägg till scipy sparse-stöd för LimeExplainer
  - lade till form linjär förklaringsomslutning och en annan nivå till tabellförklarare för att förklara linjära modeller
  - för mimic explainer i explain model library, fixed error when include_local=False for sparse data input
  - lägga till förväntade värden i automl utdata
  - funktionsvikt för fast permutation när transformeringsargumentet tillhandahålls för att få rå funktionsvikt
  - lades batch_size till för att efterlikna förklaringen när include_local=False, för globala strömningsförklaringar i batchar för att förbättra körningstiden för DecisionTreeExplainableModel
  - för modellförklarbarhetsbiblioteket, fast blackbox-förklaring där pandas-dataramsindata krävs för förutsägelse
  - En bugg har åtgärdats där explanation.expected_values ibland returnerar en flyttal i stället för en lista med en flyttal i den.
- azureml-mlflow
  - Förbättra prestanda för mlflow.set_experiment(experiment_name)
  - Åtgärda fel vid användning av InteractiveLoginAuthentication för mlflow-tracking_uri
  - Förbättra resursanvändningen för fjärrkörningar med hjälp av azureml.mlflow.
  - Förbättra dokumentationen för azureml-mlflow-paketet
  - Korrigeringsfel där mlflow.log_artifacts("my_dir") skulle spara artefakter under my_dir/<artifact-paths> i stället för <artifact-paths>
- azureml-opendatasets
  - opendatasets Fäst pyarrow på gamla versioner (<0.14.0) på grund av minnesproblem som nyligen introducerades där.
  - Flytta azureml-contrib-opendatasets till azureml-opendatasets.
  - Tillåt att öppna datamängdsklasser registreras på Azure Machine Learning-arbetsytan och använda AML-datauppsättningsfunktioner sömlöst.
  - Förbättra Prestanda för NoaaIsdWeather i icke-SPARK-version avsevärt.
- azureml-pipeline-steps
  - DBFS Datastore stöds nu för indata och utdata i DatabricksStep.
  - Uppdaterad dokumentation för Azure Batch Step om indata/utdata.
  - I AzureBatchStep ändrades delete_batch_job_after_finish standardvärdet till true.
- azureml-telemetri
  - Flytta azureml-contrib-opendatasets till azureml-opendatasets.
  - Tillåt att öppna datamängdsklasser registreras på Azure Machine Learning-arbetsytan och använda AML-datauppsättningsfunktioner sömlöst.
  - Förbättra Prestanda för NoaaIsdWeather i icke-SPARK-version avsevärt.
- azureml-train-automl
  - Uppdaterad dokumentation om get_output för att återspegla den faktiska returtypen och ange andra anteckningar om hur du hämtar nyckelegenskaper.
  - Uppdatera NimbusML-beroendet till 1.2.0-versionen (aktuell senast).
  - lägga till förväntade värden i automl utdata
- azureml-train-core
  - Strängar accepteras nu som beräkningsmål för automatisk hyperparameterjustering
  - Inställningen oanvänd RunConfiguration auto_prepare_environment har markerats som inaktuell.

Azure Machine Learning Data Prep SDK v1.1.9

Nya funktioner
- Stöd har lagts till för att läsa en fil direkt från en http- eller https-URL.
Felkorrigeringar och förbättringar
- Förbättrat felmeddelande vid försök att läsa en Parquet-datauppsättning från en fjärrkälla (som för närvarande inte stöds).
- En bugg har åtgärdats vid skrivning till Parquet-filformat i ADLS Gen 2 och uppdatering av containernamnet ADLS Gen 2 i sökvägen.

2019-07-09

Visuellt gränssnitt

Förhandsversionsfunktioner
- Modulen Kör R-skript har lagts till i det visuella gränssnittet.

Azure Machine Learning SDK för Python v1.0.48

Nya funktioner
- azureml-opendatasets
  - azureml-contrib-opendatasets är nu tillgängligt som azureml-opendatasets. Det gamla paketet kan fortfarande fungera, men vi rekommenderar att du använder azureml-opendatasets framåt för att få bättre funktioner och förbättringar.
  - Med det här nya paketet kan du registrera öppna datauppsättningar som datauppsättning på Azure Machine Learning-arbetsytan och använda de funktioner som Datauppsättning erbjuder.
  - Den innehåller även befintliga funktioner som att använda öppna datauppsättningar som Pandas/SPARK-dataramar och platsanslutningar för vissa datauppsättningar som väder.
Förhandsversionsfunktioner
- HyperDriveConfig kan nu acceptera pipelineobjekt som en parameter för att stödja hyperparameterjustering med hjälp av en pipeline.
Felkorrigeringar och förbättringar
- azureml-train-automl
  - Buggen om att förlora kolumntyper efter omvandlingen har åtgärdats.
  - Buggen har åtgärdats så att y_query kan vara en objekttyp som innehåller Inga i början.
  - Åtgärdat problemet i ensembleurvalsproceduren som i onödan odlade den resulterande ensemblen även om poängen förblev konstanta.
  - Problemet med tillåtna list_models och blockera list_models inställningar i AutoMLStep har åtgärdats.
  - Åtgärdat problemet som förhindrade användningen av förbearbetning när AutoML skulle ha använts i kontexten för Azure Machine Learning Pipelines.
- azureml-opendatasets
  - Flyttade azureml-contrib-opendatasets till azureml-opendatasets.
  - Tillåtna öppna datamängdsklasser att registreras på Azure Machine Learning-arbetsytan och använda AML-datauppsättningsfunktioner sömlöst.
  - Förbättrad NoaaIsdWeather-berikande prestanda i icke-SPARK-version avsevärt.
- azureml-explain-model
  - Uppdaterad onlinedokumentation för tolkningsobjekt.
  - Lades batch_size till för att efterlikna förklaringen när include_local=False, för globala strömningsförklaringar i batchar för att förbättra körningstiden för DecisionTreeExplainableModel för modellförklarbarhetsbiblioteket.
  - Åtgärdat problemet där explanation.expected_values ibland returnerar en flyttal i stället för en lista med en flyttal i den.
  - Förväntade värden har lagts till i automl utdata för att efterlikna förklaringen i förklara modellbiblioteket.
  - Funktionsvikten för permutation har åtgärdats när transformeringsargumentet har angetts för att få rå funktionsvikt.
- azureml-core
  - Lade till möjligheten att bifoga DBFS-datalager i Azure Machine Learning CLI.
  - Åtgärdat problemet med uppladdning av datalager där en tom mapp skapas om target_path den startas med /.
  - Aktiverad jämförelse av två datauppsättningar.
  - Modell- och bildborttagning innehåller nu mer information om hur du hämtar överordnade objekt som är beroende av dem om borttagningen misslyckas på grund av ett uppströmsberoende.
  - Inaktuella inställningen För oanvänd RunConfiguration i auto_prepare_environment.
- azureml-mlflow
  - Förbättrad resursanvändning för fjärrkörningar som använder azureml.mlflow.
  - Förbättrade dokumentationen för azureml-mlflow-paketet.
  - Åtgärdat problemet där mlflow.log_artifacts("my_dir") skulle spara artefakter under "my_dir/artifact-paths" i stället för "artifact-paths".
- azureml-pipeline-core
  - Parametern hash_paths för alla pipelinesteg är inaktuell och tas bort i framtiden. Som standard hashas innehållet i source_directory (förutom filer som anges i .amlignore eller .gitignore)
  - Fortsatte att förbättra Modul och ModuleStep för att stödja beräkningstypspecifika moduler, förbereda för RunConfiguration-integrering och andra ändringar för att låsa upp beräkningstypspecifik modulanvändning i pipelines.
- azureml-pipeline-steps
  - AzureBatchStep: Förbättrad dokumentation om indata/utdata.
  - AzureBatchStep: Ändrade delete_batch_job_after_finish standardvärde till true.
- azureml-train-core
  - Strängar accepteras nu som beräkningsmål för automatisk hyperparameterjustering.
  - Inaktuella inställningen För oanvänd RunConfiguration i auto_prepare_environment.
  - Inaktuella parametrar conda_dependencies_file_path och pip_requirements_file_path till förmån conda_dependencies_file för respektive pip_requirements_file .
- azureml-opendatasets
  - Förbättra Prestanda för NoaaIsdWeather i icke-SPARK-version avsevärt.

2019-04-26

Azure Machine Learning SDK för Python v1.0.33 har släppts.

Azure Machine Learning Hardware Accelerated Models på FPGA är allmänt tillgänglig.
- Nu kan du använda paketet azureml-accel-models för att:
  - Träna vikterna för ett djupt neuralt nätverk som stöds (ResNet 50, ResNet 152, DenseNet-121, VGG-16 och SSD-VGG)
  - Använda överföringsinlärning med DNN som stöds
  - Registrera modellen med Model Management Service och containerisera modellen
  - Distribuera modellen till en virtuell Azure-dator med en FPGA i ett AKS-kluster (Azure Kubernetes Service)
- Distribuera containern till en Azure Stack Edge-serverenhet
- Poängsätta dina data med gRPC-slutpunkten med det här exemplet

Automatiserad maskininlärning

Funktionssanering för att aktivera dynamiskt tillägg featurizers för prestandaoptimering. Ny featurizers: inbäddningar av arbete, bevisvikt, målkodningar, textmålkodning, klusteravstånd
Smart CV för att hantera tränings-/giltiga delningar i automatiserad ML
Få minnesoptimeringsändringar och prestandaförbättringar för körning
Prestandaförbättring i modellförklaring
ONNX-modellkonvertering för lokal körning
Stöd för undersampling har lagts till
Intelligent stopp när inga avslutsvillkor har definierats
Staplade ensembler
Prognostisering för tidsserier
- Ny förutsägelseprognosfunktion
- Nu kan du använda korsvalidering för rullande ursprung på tidsseriedata
- Nya funktioner har lagts till för att konfigurera fördröjningar i tidsserier
- Nya funktioner har lagts till för att stödja funktioner för löpande fönsteraggregat
- Ny julidentifiering och funktionaliserare när lands-/regionkod definieras i experimentinställningar
Azure Databricks
- Aktiverad tidsserieprognoser och modell som förklararbiltitet/tolkningsfunktion
- Nu kan du avbryta och återuppta (fortsätta) automatiserade ML-experiment
- Stöd för bearbetning med flera kärnor har lagts till

MLOps

Lokal distribution och felsökning för bedömning av containrar
Nu kan du distribuera en ML-modell lokalt och iterera snabbt på din bedömningsfil och dina beroenden för att säkerställa att de fungerar som förväntat.
Introduktion till InferenceConfig & Model.deploy()
Modelldistribution har nu stöd för att ange en källmapp med ett postskript, samma som en RunConfig. Dessutom har modelldistribution förenklats till ett enda kommando.
Git-referensspårning
Kunder har begärt grundläggande Git-integreringsfunktioner under en tid eftersom det hjälper till att upprätthålla en fullständig spårningslogg. Vi har implementerat spårning mellan större entiteter i Azure Machine Learning för Git-relaterade metadata (lagringsplats, incheckning, rent tillstånd). Den här informationen samlas in automatiskt av SDK och CLI.
Modellprofilerings- och valideringstjänst
Kunder klagar ofta på svårigheten att korrekt storleksanpassa den beräkning som är associerad med deras slutsatsdragningstjänst. Med vår modellprofileringstjänst kan kunden tillhandahålla exempelindata och vi profilerar över 16 olika PROCESSOR-/minneskonfigurationer för att fastställa optimal storlek för distribution.
Ta med din egen basavbildning för slutsatsdragning
Ett annat vanligt klagomål var svårigheten att gå från experimentering till slutsatsdragning av RE-delningsberoenden. Med vår nya basavbildningsdelningsfunktion kan du nu återanvända dina experimenteringsbasavbildningar, beroenden och allt för slutsatsdragning. Detta bör påskynda distributionerna och minska gapet från den inre till den yttre loopen.
Förbättrad swagger-schemagenerering
Vår tidigare swagger-genereringsmetod var felbenägen och omöjlig att automatisera. Vi har ett nytt in-line sätt att generera swagger-scheman från alla Python-funktioner via dekoratörer. Vi har den här koden med öppen källkod och vårt schemagenereringsprotokoll är inte kopplat till Azure Machine Learning-plattformen.
Azure Machine Learning CLI är allmänt tillgängligt (GA)
Modeller kan nu distribueras med ett enda CLI-kommando. Vi fick vanlig kundfeedback om att ingen distribuerar en ML-modell från en Jupyter Notebook. CLI-referensdokumentationen har uppdaterats.

2019-04-22

Azure Machine Learning SDK för Python v1.0.30 har släppts.

PipelineEndpoint Introducerades för att lägga till en ny version av en publicerad pipeline samtidigt som samma slutpunkt bibehålls.

2019-04-15

Azure Portal

Nu kan du skicka om ett befintligt skript som körs på ett befintligt fjärrberäkningskluster.
Nu kan du köra en publicerad pipeline med nya parametrar på fliken Pipelines.
Körningsinformation har nu stöd för ett nytt visningsprogram för ögonblicksbilder. Du kan visa en ögonblicksbild av katalogen när du skickade en specifik körning. Du kan också ladda ned anteckningsboken som skickades för att starta körningen.
Nu kan du avbryta överordnade körningar från Azure Portal.

2019-04-08

Azure Machine Learning SDK för Python v1.0.23

Nya funktioner
- Azure Machine Learning SDK stöder nu Python 3.7.
- Azure Machine Learning DNN Estimators tillhandahåller nu inbyggt stöd för flera versioner. Till exempel TensorFlow accepterar skattaren nu en framework_version parameter och användarna kan ange version 1.10 eller 1.12. Om du vill ha en lista över de versioner som stöds av den aktuella SDK-versionen anropar du get_supported_versions() den önskade ramverksklassen (till exempel TensorFlow.get_supported_versions()). En lista över de versioner som stöds av den senaste SDK-versionen finns i dokumentationen om DNN Estimator.

2019-03-25

Azure Machine Learning SDK för Python v1.0.21

Nya funktioner
- Med metoden azureml.core.Run.create_children kan du skapa flera underordnade körningar med låg latens med ett enda anrop.

2019-03-11

Azure Machine Learning SDK för Python v1.0.18

Ändringar
- Paketet azureml-tensorboard ersätter azureml-contrib-tensorboard.
- Med den här versionen kan du konfigurera ett användarkonto i ditt hanterade beräkningskluster (amlcompute) när du skapar det. Detta kan göras genom att skicka dessa egenskaper i etableringskonfigurationen. Mer information finns i SDK-referensdokumentationen.

Azure Machine Learning Data Prep SDK v1.0.17

Nya funktioner
- Har nu stöd för att lägga till två numeriska kolumner för att generera en resulterande kolumn med hjälp av uttrycksspråket.
Felkorrigeringar och förbättringar
- Förbättrade dokumentationen och parameterkontrollen för random_split.

2019-02-27

Azure Machine Learning Data Prep SDK v1.0.16

Felkorrigering
- Ett autentiseringsproblem med tjänstens huvudnamn som orsakades av en API-ändring har åtgärdats.

2019-02-25

Azure Machine Learning SDK för Python v1.0.17

Nya funktioner
- Azure Machine Learning ger nu förstklassigt stöd för populära DNN Framework Chainer. Med hjälp av Chainer klassanvändare kan du enkelt träna och distribuera Chainer-modeller.
  - Lär dig hur du kör hyperparameterjustering med Chainer med Hjälp av HyperDrive
- Azure Machine Learning Pipelines har lagt till möjligheten att utlösa en pipelinekörning baserat på ändringar i datalager. Notebook-filen för pipelineschema uppdateras för att visa den här funktionen.
Felkorrigeringar och förbättringar
- Vi har lagt till stöd i Azure Machine Learning-pipelines för att ange egenskapen source_directory_data_store till ett önskat datalager (till exempel en bloblagring) på RunConfigurations som levereras till PythonScriptStep. Som standard använder Steg Azure File Store som säkerhetskopieringsdatalager, vilket kan stöta på begränsningsproblem när ett stort antal steg körs samtidigt.

Azure Portal

Nya funktioner
- Ny dra och släpp tabellredigerare för rapporter. Användare kan dra en kolumn från brunnen till tabellområdet där en förhandsgranskning av tabellen visas. Kolumnerna kan ordnas om.
- Nytt loggfilsvisningsprogram
- Länkar till experimentkörningar, beräkning, modeller, avbildningar och distributioner från fliken Aktiviteter

Nästa steg

Läs översikten för Azure Machine Learning.

Dela via

Viktig information om Azure Machine Learning Python SDK

2024-10-18

Azure Machine Learning SDK för Python v1.58.0

2024-08-05

Azure Machine Learning SDK för Python v1.57.0

2024-04-29

Azure Machine Learning SDK för Python v1.56.0

2024-01-29

Azure Machine Learning SDK för Python v1.55.0

2023-11-13

2023-08-21

Azure Machine Learning SDK för Python v1.53.0

2023-06-26

Azure Machine Learning SDK för Python v1.52.0

2023-05-20

Azure Machine Learning SDK för Python v1.51.0

2023-04-10

Azure Machine Learning SDK för Python v1.50.0

2023-03-01

Meddelande om att supporten för Python 3.7 i Azure Machine Learning SDK v1-paket upphör

2023-13-02

Azure Machine Learning SDK för Python v1.49.0

2022-12-05

Azure Machine Learning SDK för Python v1.48.0

2022-10-25

Azure Machine Learning SDK för Python v1.47.0

2022-09-26

Azure Machine Learning SDK för Python v1.46.0

2022-08-29

Azure Machine Learning SDK för Python v1.45.0

2022-08-01

Azure Machine Learning SDK för Python v1.44.0

2022-07-21

Meddelande om att supporten för Python 3.6 i Azure Machine Learning SDK v1-paket upphör

2022-06-27

2022-04-25

Azure Machine Learning SDK för Python v1.41.0

2022-03-28

Azure Machine Learning SDK för Python v1.40.0

2022-02-28

Azure Machine Learning SDK för Python v1.39.0

2022-01-24

Azure Machine Learning SDK för Python v1.38.0

2021-12-13

Azure Machine Learning SDK för Python v1.37.0

2021-11-08

Azure Machine Learning SDK för Python v1.36.0

2021-10-11

Azure Machine Learning SDK för Python v1.35.0

2021-09-07

Azure Machine Learning SDK för Python v1.34.0

2021-08-24

Användargränssnitt för Azure Machine Learning-experimentering

2021-08-18

Användargränssnitt för Azure Machine Learning-experimentering

2021-08-02

Azure Machine Learning SDK för Python v1.33.0

2021-07-06

Azure Machine Learning SDK för Python v1.32.0

2021-06-21

Azure Machine Learning SDK för Python v1.31.0

2021-06-07

Azure Machine Learning SDK för Python v1.30.0

2021-05-25

Tillkännagivande av CLI (v2) för Azure Machine Learning

Azure Machine Learning SDK för Python v1.29.0

2021-05-10

Azure Machine Learning SDK för Python v1.28.0

2021-04-19

Azure Machine Learning SDK för Python v1.27.0

2021-04-05

Azure Machine Learning SDK för Python v1.26.0

2021-03-22

Azure Machine Learning SDK för Python v1.25.0

2021-03-31

Azure Machine Learning-studio Notebooks-upplevelse (marsuppdatering)

2021-03-08

Azure Machine Learning SDK för Python v1.24.0

2021-02-28