你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn。
JobOperations 类
启动 JobOperations 的实例
此类不应直接实例化。 请改用 MLClient 对象的 jobs 属性。
- 继承
-
azure.ai.ml._scope_dependent_operations._ScopeDependentOperationsJobOperations
构造函数
JobOperations(operation_scope: OperationScope, operation_config: OperationConfig, service_client_02_2023_preview: AzureMachineLearningWorkspaces, all_operations: OperationsContainer, credential: TokenCredential, **kwargs: Any)
参数
- operation_scope
- <xref:azure.ai.ml._scope_dependent_operations.OperationScope>
MLClient 对象的操作类的范围变量。
- operation_config
- <xref:azure.ai.ml._scope_dependent_operations.OperationConfig>
MLClient 对象的操作类的常见配置。
- service_client_02_2023_preview
- <xref:azure.ai.ml._restclient.v2023_02_01_preview.AzureMachineLearningWorkspaces>
服务客户端,允许最终用户对 Azure 机器学习工作区资源进行操作。
- all_operations
- <xref:azure.ai.ml._scope_dependent_operations.OperationsContainer>
MLClient 对象的所有操作类。
方法
archive |
存档作业。 |
begin_cancel |
取消作业。 |
create_or_update |
创建或更新作业。 如果环境或代码等实体是内联定义的,则会与作业一起创建它们。 |
download |
下载作业的日志和输出。 |
get |
获取作业资源。 |
list |
列出工作区中的作业。 |
restore |
还原存档的作业。 |
show_services |
获取与作业节点关联的服务。 |
stream |
流式传输正在运行的作业的日志。 |
validate |
注意 这是一个实验性的方法,可能会在任何时候更改。 有关详细信息,请参阅 https://aka.ms/azuremlexperimental。 在提交到服务之前验证 Job 对象。 如果存在内联定义的实体(如组件、环境和代码),则可能会创建匿名资产。 目前仅支持管道作业进行验证。 |
archive
存档作业。
archive(name: str) -> None
参数
例外
如果未找到具有给定名称的作业,则引发。
示例
存档作业。
ml_client.jobs.archive(name=job_name)
begin_cancel
取消作业。
begin_cancel(name: str, **kwargs) -> LROPoller[None]
参数
返回
用于跟踪操作状态的轮询程序。
返回类型
例外
如果未找到具有给定名称的作业,则引发。
create_or_update
创建或更新作业。 如果环境或代码等实体是内联定义的,则会与作业一起创建它们。
create_or_update(job: Job, *, description: str | None = None, compute: str | None = None, tags: dict | None = None, experiment_name: str | None = None, skip_validation: bool = False, **kwargs) -> Job
参数
- skip_validation
- bool
指定在创建或更新作业之前是否跳过验证。 请注意,不会跳过对依赖资源(如匿名组件)的验证。 默认为 False。
返回
已创建或更新作业。
返回类型
例外
如果无法成功验证作业,则引发。 错误消息中将提供详细信息。
如果无法成功验证作业资产 (例如数据、代码、模型、环境) ,则引发此事件。 错误消息中将提供详细信息。
如果无法成功验证作业模型,则引发。 错误消息中将提供详细信息。
如果 Job 对象或属性的格式正确,则引发。 错误消息中将提供详细信息。
如果提供的本地路径指向空目录,则引发。
如果 Docker 引擎不可用于本地作业,则引发。
示例
创建新作业,然后更新其计算。
from azure.ai.ml import load_job
created_job = ml_client.jobs.create_or_update(
name=job_name,
job=load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
),
)
download
下载作业的日志和输出。
download(name: str, *, download_path: PathLike | str = '.', output_name: str | None = None, all: bool = False) -> None
参数
- all
- bool
指定是否应下载所有日志和命名输出。 默认为 False。
例外
如果作业尚未处于终端状态,则引发。 错误消息中将提供详细信息。
如果无法成功下载日志和输出,则引发。 错误消息中将提供详细信息。
示例
将作业“job-1”的所有日志和命名输出下载到本地目录“job-1-logs”。
ml_client.jobs.download(name=job_name, download_path="./job-1-logs", all=True)
get
获取作业资源。
get(name: str) -> Job
参数
返回
从服务检索到的作业对象。
返回类型
例外
如果未找到具有给定名称的作业,则引发。
如果 name 参数不是字符串,则引发。
示例
检索名为“iris-dataset-job-1”的作业。
retrieved_job = ml_client.jobs.get(job_name)
list
列出工作区中的作业。
list(*, parent_job_name: str | None = None, list_view_type: ListViewType = ListViewType.ACTIVE_ONLY, **kwargs) -> Iterable[Job]
参数
- list_view_type
- ListViewType
用于包括/排除存档作业的视图类型。 默认为 ~azure.mgt.machinelearningservices.models.ListViewType.ACTIVE_ONLY,不包括存档作业。
返回
类似于 Job 对象的迭代器实例。
返回类型
例外
如果未找到具有给定名称的作业,则引发。
示例
检索工作区中具有名为“iris-dataset-jobs”的父作业的已存档作业的列表。
from azure.ai.ml._restclient.v2023_04_01_preview.models import ListViewType
list_of_jobs = ml_client.jobs.list(parent_job_name=job_name, list_view_type=ListViewType.ARCHIVED_ONLY)
restore
还原存档的作业。
restore(name: str) -> None
参数
例外
如果未找到具有给定名称的作业,则引发。
示例
还原存档作业。
ml_client.jobs.restore(name=job_name)
show_services
获取与作业节点关联的服务。
show_services(name: str, node_index: int = 0) -> Dict[str, ServiceInstance]
参数
返回
与给定节点的作业关联的服务。
返回类型
例外
如果未找到具有给定名称的作业,则引发。
示例
检索与作业的第一个节点关联的服务。
job_services = ml_client.jobs.show_services(job_name)
stream
流式传输正在运行的作业的日志。
stream(name: str) -> None
参数
例外
如果未找到具有给定名称的作业,则引发。
示例
流式处理正在运行的作业。
running_job = ml_client.jobs.create_or_update(
load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/command_job/command_job_test_local_env.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
)
ml_client.jobs.stream(running_job.name)
validate
注意
这是一个实验性的方法,可能会在任何时候更改。 有关详细信息,请参阅 https://aka.ms/azuremlexperimental。
在提交到服务之前验证 Job 对象。 如果存在内联定义的实体(如组件、环境和代码),则可能会创建匿名资产。 目前仅支持管道作业进行验证。
validate(job: Job, *, raise_on_failure: bool = False, **kwargs) -> ValidationResult
参数
- raise_on_failure
- bool
指定在验证失败时是否应引发错误。 默认为 False。
返回
包含所有找到的错误的 ValidationResult 对象。
返回类型
例外
如果未找到具有给定名称的作业,则引发。
示例
验证 PipelineJob 对象并打印出找到的错误。
from azure.ai.ml import load_job
from azure.ai.ml.entities import PipelineJob
pipeline_job: PipelineJob = load_job(
"./sdk/ml/azure-ai-ml/tests/test_configs/pipeline_jobs/invalid/combo.yml",
params_override=[{"name": job_name}, {"compute": "cpucluster"}],
)
print(ml_client.jobs.validate(pipeline_job).error_messages)