將腳本執行至 SDK v2

在 SDK v2 中，「實驗」和「執行」會合併到作業中。

工作具有類型。 大部分作業都是執行 command的命令作業，例如 python main.py。 工作中執行的內容與任何程式設計語言無關，因此您可以執行 bash 指令碼、叫用 python 解譯器、執行一堆 curl 命令或任何其他項目。

若要升級，您必須變更程序代碼，才能將作業提交至 SDK v2。 您在作業內執行的內容不需要升級至 SDK v2。 不過，建議您從模型定型腳本中移除 Azure 機器學習 特有的任何程序代碼。 此區隔可讓您更輕鬆地在本機和雲端之間進行轉換，並被視為成熟 MLOps 的最佳做法。 實際上，這表示移除 azureml.* 程式代碼行。 模型記錄和追蹤程式代碼應該取代為 MLflow。 如需詳細資訊，請參閱 如何在 v2 中使用 MLflow。

本文提供 SDK v1 和 SDK v2 中案例的比較。

提交腳本執行

• SDK v1

  from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig
  
  # connect to the workspace
  ws = Workspace.from_config()
  
  # define and configure the experiment
  experiment = Experiment(workspace=ws, name='day1-experiment-train')
  config = ScriptRunConfig(source_directory='./src',
                              script='train.py',
                              compute_target='cpu-cluster')
  
  # set up pytorch environment
  env = Environment.from_conda_specification(
      name='pytorch-env',
      file_path='pytorch-env.yml')
  config.run_config.environment = env
  
  run = experiment.submit(config)
  
  aml_url = run.get_portal_url()
  print(aml_url)
  

• SDK v2

  #import required libraries
  from azure.ai.ml import MLClient, command
  from azure.ai.ml.entities import Environment
  from azure.identity import DefaultAzureCredential
  
  #connect to the workspace
  ml_client = MLClient.from_config(DefaultAzureCredential())
  
  # set up pytorch environment
  env = Environment(
      image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
      conda_file="pytorch-env.yml",
      name="pytorch-env"
  )
  
  # define the command
  command_job = command(
      code="./src",
      command="train.py",
      environment=env,
      compute="cpu-cluster",
  )
  
  returned_job = ml_client.jobs.create_or_update(command_job)
  returned_job
  

v1 和 v2 中主要功能的對應

下一步

如需詳細資訊，請參閱

• V1 - 實驗
• V2 - 命令作業
• 使用 Azure 機器學習 Python SDK v2 將模型定型