CommandStep Clase

Cree un paso de canalización de Azure ML que ejecute un comando.

Constructor

CommandStep(command=None, name=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, inputs=None, outputs=None, params=None, source_directory=None, allow_reuse=True, version=None)

Parámetros

Nombre	Description
command	list o str Comando que se va a ejecutar o ruta de acceso del ejecutable o script en relación con `source_directory`. Es necesario a menos que se proporcione con runconfig. Se puede especificar con argumentos de cadena en una sola cadena o con input/output/PipelineParameter en una lista. Valor predeterminado: None
name	str Nombre del paso. Si no se especifica, se usa la primera palabra de .`command` Valor predeterminado: None
compute_target	DsvmCompute o AmlCompute o RemoteCompute o HDInsightCompute o str o tuple Destino de proceso que se va a usar. Si no se especifica, se usa el destino de .`runconfig` Este parámetro se puede especificar como un objeto de destino de proceso o el nombre de cadena de un destino de proceso en el área de trabajo. Opcionalmente, si el destino de proceso no está disponible en el momento de la creación de la canalización, puede especificar una tupla de ("nombre de destino de proceso", "tipo de destino de proceso") para evitar capturar el objeto de destino de proceso (el tipo AmlCompute es "AmlCompute" y el tipo RemoteCompute es "VirtualMachine"). Valor predeterminado: None
runconfig	ScriptRunConfig o RunConfiguration Objeto de configuración opcional que encapsula la información necesaria para enviar una ejecución de entrenamiento en un experimento. Valor predeterminado: None
runconfig_pipeline_params	<xref:<xref:{str: PipelineParameter}>> Invalida las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada uno con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad. Valores admitidos: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount' Valor predeterminado: None
inputs	list[InputPortBinding o DataReference o PortDataReference o PipelineData o <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset> o DatasetConsumptionConfig] Lista de enlaces de puerto de entrada. Valor predeterminado: None
outputs	list[PipelineData o OutputDatasetConfig o PipelineOutputAbstractDataset o OutputPortBinding] Lista de enlaces de puerto de salida. Valor predeterminado: None
params	dict Diccionario de pares nombre-valor registrados como variables de entorno con "AML_PARAMETER_". Valor predeterminado: None
source_directory	str Carpeta que contiene scripts, conda env y otros recursos usados en el paso. Valor predeterminado: None
allow_reuse	bool Indica si el paso debe reutilizar los resultados anteriores al volver a ejecutarse con la misma configuración. La reutilización está habilitada de forma predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se pone inmediatamente a disposición de los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado. Valor predeterminado: True
version	str Etiqueta de versión opcional para indicar un cambio en la funcionalidad del paso. Valor predeterminado: None
command Requerido	list o str Comando que se va a ejecutar o ruta de acceso del ejecutable o script en relación con `source_directory`. Es necesario a menos que se proporcione con runconfig. Se puede especificar con argumentos de cadena en una sola cadena o con input/output/PipelineParameter en una lista.
name Requerido	str Nombre del paso. Si no se especifica, se usa la primera palabra de .`command`
compute_target Requerido	DsvmCompute o AmlCompute o RemoteCompute o HDInsightCompute o str o tuple Destino de proceso que se va a usar. Si no se especifica, se usa el destino de .`runconfig` Este parámetro se puede especificar como un objeto de destino de proceso o el nombre de cadena de un destino de proceso en el área de trabajo. Opcionalmente, si el destino de proceso no está disponible en el momento de la creación de la canalización, puede especificar una tupla de ("nombre de destino de proceso", "tipo de destino de proceso") para evitar capturar el objeto de destino de proceso (el tipo AmlCompute es "AmlCompute" y el tipo RemoteCompute es "VirtualMachine").
runconfig Requerido	ScriptRunConfig o RunConfiguration Objeto de configuración opcional que encapsula la información necesaria para enviar una ejecución de entrenamiento en un experimento.
runconfig_pipeline_params Requerido	<xref:<xref:{str: PipelineParameter}>> Invalida las propiedades runconfig en tiempo de ejecución mediante pares clave-valor cada uno con el nombre de la propiedad runconfig y PipelineParameter para esa propiedad. Valores admitidos: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
inputs Requerido	list[InputPortBinding o DataReference o PortDataReference o PipelineData o <xref:azureml.pipeline.core.pipeline_output_dataset.PipelineOutputDataset> o DatasetConsumptionConfig] Lista de enlaces de puerto de entrada.
outputs Requerido	list[PipelineData o OutputDatasetConfig o PipelineOutputAbstractDataset o OutputPortBinding] Lista de enlaces de puerto de salida.
params Requerido	dict Diccionario de pares nombre-valor registrados como variables de entorno con "AML_PARAMETER_".
source_directory Requerido	str Carpeta que contiene scripts, conda env y otros recursos usados en el paso.
allow_reuse Requerido	bool Indica si el paso debe reutilizar los resultados anteriores al volver a ejecutarse con la misma configuración. La reutilización está habilitada de forma predeterminada. Si el contenido del paso (scripts o dependencias), así como las entradas y los parámetros permanecen sin cambios, se reutiliza la salida de la ejecución anterior de este paso. Al volver a usar el paso, en lugar de enviar el trabajo al proceso, los resultados de la ejecución anterior se pone inmediatamente a disposición de los pasos posteriores. Si usa conjuntos de datos de Azure Machine Learning como entradas, la reutilización viene determinada por si la definición del conjunto de datos ha cambiado, no por si los datos subyacentes han cambiado.
version Requerido	str Etiqueta de versión opcional para indicar un cambio en la funcionalidad del paso.

Comentarios

CommandStep es un paso básico integrado para ejecutar un comando en el destino de proceso determinado. Toma un comando como parámetro o de otros parámetros como runconfig. También toma otros parámetros opcionales, como el destino de proceso, las entradas y las salidas. Debe usar o ScriptRunConfig RunConfiguration para especificar los requisitos de CommandStep, como la imagen personalizada de Docker.

El procedimiento recomendado para trabajar con CommandStep es usar una carpeta independiente para el ejecutable o script para ejecutar los archivos dependientes asociados al paso y especificar esa carpeta con el source_directory parámetro . Seguir este procedimiento recomendado tiene dos ventajas. En primer lugar, ayuda a reducir el tamaño de la instantánea creada para el paso porque solo se instantánea lo que se necesita para el paso. En segundo lugar, la salida del paso de una ejecución anterior se puede reutilizar si no hay ningún cambio en que source_directory desencadenaría una nueva carga de la instantánea.

Para los comandos conocidos source_directory por el sistema no es necesario, pero todavía puede proporcionarlo con los archivos dependientes asociados al paso.

En el ejemplo de código siguiente se muestra cómo usar commandStep en un escenario de entrenamiento de aprendizaje automático. Para enumerar archivos en Linux:


   from azureml.pipeline.steps import CommandStep

   trainStep = CommandStep(name='list step',
                           command='ls -lrt',
                           compute_target=compute_target)

Para ejecutar un script de Python:


   from azureml.pipeline.steps import CommandStep

   trainStep = CommandStep(name='train step',
                           command='python train.py arg1 arg2',
                           source_directory=project_folder,
                           compute_target=compute_target)

Para ejecutar un script de Python mediante ScriptRunConfig:


   from azureml.core import ScriptRunConfig
   from azureml.pipeline.steps import CommandStep

   train_src = ScriptRunConfig(source_directory=script_folder,
                               command='python train.py arg1 arg2',
                               environment=my_env)
   trainStep = CommandStep(name='train step',
                           runconfig=train_src)

Consulte https://aka.ms/pl-first-pipeline para más información sobre cómo crear canalizaciones en general.

Métodos

create_node

Cree un nodo para CommandStep y agréguelo al gráfico especificado.

Este método no está pensado para usarse directamente. Cuando se crea una instancia de una canalización con este paso, Azure ML pasa automáticamente los parámetros necesarios a través de este método para que el paso se pueda agregar a un grafo de canalización que represente el flujo de trabajo.

create_node

Cree un nodo para CommandStep y agréguelo al gráfico especificado.

create_node(graph, default_datastore, context)

Parámetros

Nombre	Description
graph Requerido	Graph Objeto de grafo al que se va a agregar el nodo.
default_datastore Requerido	AbstractAzureStorageDatastore o AzureDataLakeDatastore Almacén de datos predeterminado.
context Requerido	<xref:_GraphContext> Contexto del grafo.

Devoluciones

Tipo	Description
Node	Nodo creado.

Compartir a través de

CommandStep Clase

Constructor

Parámetros

Comentarios

Métodos

create_node

Parámetros

Devoluciones

Comentarios