ModuleStep Klass
Skapar ett Azure Machine Learning-pipelinesteg för att köra en specifik version av en modul.
Module -objekt definierar återanvändbara beräkningar, till exempel skript eller körbara filer, som kan användas i olika maskininlärningsscenarier och av olika användare. Om du vill använda en specifik version av en modul i en pipeline skapar du en ModuleStep. En ModuleStep är ett steg i pipelinen som använder en befintlig ModuleVersion.
Ett exempel på hur du använder ModuleStep finns i notebook-filen https://aka.ms/pl-modulestep.
Skapa ett Azure ML-pipelinesteg för att köra en specifik version av en modul.
- Arv
-
ModuleStep
Konstruktor
ModuleStep(module=None, version=None, module_version=None, inputs_map=None, outputs_map=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, arguments=None, params=None, name=None, _workflow_provider=None)Parametrar
| Name | Description |
|---|---|
|
module
|
Modulen som används i steget.
Ange antingen parametern Standardvärde: None
|
|
version
|
Den version av modulen som användes i steget. Standardvärde: None
|
|
module_version
|
En ModuleVersion av modulen som används i steget.
Ange antingen parametern Standardvärde: None
|
|
inputs_map
|
dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset, DatasetConsumptionConfig]]
En ordlista som mappar namnen på portdefinitionerna för ModuleVersion till stegets indata. Standardvärde: None
|
|
outputs_map
|
dict[str, Union[OutputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputAbstractDataset]]
En ordlista som mappar namnen på portdefinitionerna för ModuleVersion till stegets utdata. Standardvärde: None
|
|
compute_target
|
Beräkningsmålet som ska användas. Om det inte anges används målet från runconfig. Kan vara ett beräkningsmålobjekt eller strängnamnet på ett beräkningsmål på arbetsytan. Om beräkningsmålet inte är tillgängligt när pipelinen skapas kan du ange en tupplar ("beräkningsmålnamn", "beräkningsmåltyp") för att undvika att hämta beräkningsmålobjektet (AmlCompute-typen är "AmlCompute" och RemoteCompute-typen är "VirtualMachine"). Standardvärde: None
|
|
runconfig
|
En valfri RunConfiguration som ska användas. En RunConfiguration kan användas för att ange ytterligare krav för körningen, till exempel conda-beroenden och en Docker-avbildning. Standardvärde: None
|
|
runconfig_pipeline_params
|
En åsidosättning av runconfig-egenskaper vid körning med nyckel/värde-par var och en med namnet på egenskapen runconfig och PipelineParameter för den egenskapen. Värden som stöds: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount Standardvärde: None
|
|
arguments
|
En lista med kommandoradsargument för Python-skriptfilen. Argumenten levereras till beräkningsmålet via argument i RunConfiguration. Mer information om hur du hanterar argument som specialsymboler finns i argumenten i RunConfiguration Standardvärde: None
|
|
params
|
En ordlista med namn/värde-par. Standardvärde: None
|
|
name
|
Namnet på steget. Standardvärde: None
|
|
_workflow_provider
|
<xref:azureml.pipeline.core._aeva_provider._AevaWorkflowProvider>
(Endast internt bruk.) Arbetsflödesprovidern. Standardvärde: None
|
|
module
Obligatorisk
|
Modulen som används i steget.
Ange antingen parametern |
|
version
Obligatorisk
|
Den version av modulen som användes i steget. |
|
module_version
Obligatorisk
|
ModuleVersion för modulen som används i steget.
Ange antingen parametern |
|
inputs_map
Obligatorisk
|
dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>, DatasetConsumptionConfig]]
En ordlista som mappar namnen på portdefinitionerna för ModuleVersion till stegets indata. |
|
outputs_map
Obligatorisk
|
dict[str, Union[InputPortBinding, DataReference, PortDataReference, PipelineData, <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset>]]
En ordlista som mappar namnen på portdefinitionerna för ModuleVersion till stegets utdata. |
|
compute_target
Obligatorisk
|
Beräkningsmålet som ska användas. Om det inte anges används målet från runconfig. Kan vara ett beräkningsmålobjekt eller strängnamnet på ett beräkningsmål på arbetsytan. Om beräkningsmålet inte är tillgängligt när pipelinen skapas kan du ange en tupplar ("beräkningsmålnamn", "beräkningsmåltyp") för att undvika att hämta beräkningsmålobjektet (AmlCompute-typen är "AmlCompute" och RemoteCompute-typen är "VirtualMachine"). |
|
runconfig
Obligatorisk
|
En valfri RunConfiguration som ska användas. En RunConfiguration kan användas för att ange ytterligare krav för körningen, till exempel conda-beroenden och en Docker-avbildning. |
|
runconfig_pipeline_params
Obligatorisk
|
En åsidosättning av runconfig-egenskaper vid körning med nyckel/värde-par var och en med namnet på egenskapen runconfig och PipelineParameter för den egenskapen. Värden som stöds: NodeCount, MpiProcessCountPerNode, TensorflowWorkerCount, TensorflowParameterServerCount |
|
arguments
Obligatorisk
|
En lista med kommandoradsargument för Python-skriptfilen. Argumenten levereras till beräkningsmålet via argument i RunConfiguration. Mer information om hur du hanterar argument som specialsymboler finns i argumenten i RunConfiguration |
|
params
Obligatorisk
|
En ordlista med namn/värde-par. |
|
name
Obligatorisk
|
Namnet på steget. |
|
_wokflow_provider
Obligatorisk
|
(Endast internt bruk.) Arbetsflödesprovidern. |
Kommentarer
En Module används för att skapa och hantera en återanvändbar beräkningsenhet för en Azure Machine Learning-pipeline. ModuleStep är det inbyggda steget i Azure Machine Learning som används för att använda en modul. Du kan antingen definiera specifikt vilken ModuleVersion som ska användas eller låta Azure Machine Learning matcha vilken ModuleVersion som ska användas efter lösningsprocessen som definieras i avsnittet kommentarer i Module klassen. Definiera vilken ModuleVersion som används i en skickad pipeline genom att definiera något av följande när du skapar en ModuleStep:
Ett ModuleVersion -objekt.
Ett Module objekt och ett versionsvärde.
Ett Module objekt utan ett versionsvärde. I det här fallet kan versionslösningen variera mellan olika inlämningar.
Du måste definiera mappningen mellan ModuleSteps indata och utdata till ModuleVersions indata och utdata.
I följande exempel visas hur du skapar en ModuleStep som en del av pipelinen med flera ModuleStep-objekt:
middle_step = ModuleStep(module=module,
inputs_map= middle_step_input_wiring,
outputs_map= middle_step_output_wiring,
runconfig=RunConfiguration(), compute_target=aml_compute,
arguments = ["--file_num1", first_sum, "--file_num2", first_prod,
"--output_sum", middle_sum, "--output_product", middle_prod])
Fullständigt exempel är tillgängligt från https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/machine-learning-pipelines/intro-to-pipelines/aml-pipelines-how-to-use-modulestep.ipynb
Metoder
| create_node |
Skapa en nod från steget ModuleStep och lägg till den i den angivna grafen. Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet. |
create_node
Skapa en nod från steget ModuleStep och lägg till den i den angivna grafen.
Den här metoden är inte avsedd att användas direkt. När en pipeline instansieras med det här steget skickar Azure ML automatiskt de parametrar som krävs via den här metoden så att steget kan läggas till i ett pipelinediagram som representerar arbetsflödet.
create_node(graph, default_datastore, context)Parametrar
| Name | Description |
|---|---|
|
graph
Obligatorisk
|
Grafobjektet som noden ska läggas till i. |
|
default_datastore
Obligatorisk
|
Standarddatalager. |
|
context
Obligatorisk
|
<xref:azureml.pipeline.core._GraphContext>
Grafkontexten. |
Returer
| Typ | Description |
|---|---|
|
Nodobjektet. |