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。

Azure 机器学习 Python SDK 发行说明

2024-11-12

本文介绍 Azure 机器学习 Python SDK 版本。有关完整的 SDK 参考内容，请访问 Azure 机器学习的适用于 Python 的主要 SDK 参考页。

RSS 源：通过将以下 URL 复制并粘贴到源阅读器中，可以在页面更新时收到通知：https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes%22&locale=en-us

2025-04-15

适用于 Python 的 Azure 机器学习 SDK v1.60.0

Lightgbm、onnxmltools 已升级以修复安全漏洞。

2024年11月12日

适用于 Python v1.59.0 的 Azure 机器学习 SDK

支持 ONNX 1.17.0 来解决安全漏洞。修复了 ai-ml-automl-gpu 环境的 mlflow 模型 conda 定义，解决了模型的部署问题。

2024-10-18

适用于 Python v1.58.0 的 Azure 机器学习 SDK

支持 Python 3.11

2024-08-05

适用于 Python v1.57.0 的 Azure 机器学习 SDK

AutoML 支持 scikit-learn 版本 1.5.1

2024-04-29

适用于 Python v1.56.0 的 Azure 机器学习 SDK

azureml-core
azureml-defaults
- 已在 azureml-defaults 将 azureml-inference-server-http pin 升级到 1.0.0。
azureml-interpret
- 已将 azureml-interpret 更新为 interpret-community 0.31。*
azureml-responsibleai
- 将公共环境和 azureml-responsibleai 包更新为 raiwidgets 和 responsibleai 0.33.0
- 增加 responsibleai 和 fairlearn 依赖项版本

2024-01-29

适用于 Python v1.55.0 的 Azure 机器学习 SDK

azureml-core
azureml-defaults
- 已在 azureml-defaults 将 azureml-inference-server-http pin 升级到 1.0.0。
azureml-interpret
- 已将 azureml-interpret 更新为 interpret-community 0.31。*
azureml-responsibleai
- 将公共环境和 azureml-responsibleai 包更新为 raiwidgets 和 responsibleai 0.33.0
- 增加 responsibleai 和 fairlearn 依赖项版本

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 和 scipy 已升级到版本 1.13、1.3.5 和 1.10.1 - fbprophet 0.7.1 被 prophet 1.1.4 取代。在本地环境中加载模型时，这些包的版本应与训练模型时使用的版本相匹配。
azureml-core、azureml-pipeline-core、azureml-pipeline-steps
- AzureML 管道 - 在 Databricks 步骤中添加有关 init_scripts 参数的警告，提醒你该参数即将被弃用。
azureml-interpret
- 将 azureml-interpret 包更新为了 nterpret-community 0.30。*
azureml-mlflow
- feat：添加 AZUREML_BLOB_MAX_SINGLE_PUT_SIZE 来控制上传区块的大小（以字节为单位）。将此值从默认值（64*1024*1024 即 64MB）降低可以解决写入操作因超时而失败的问题。
- 对从 Azure Machine Learning 注册表上传和下载模型的支持现在处于试验阶段
- 添加对想要从 AML 注册表下载或上传模型的用户的支持

2023-08-21

适用于 Python v1.53.0 的 Azure 机器学习 SDK

azureml-automl-core
- 支持 AutoML 预测 TCN 模型中预测时已知的功能/回归量。
azureml-automl-dnn-vision
- 为 AutoML 对象检测和实例分段启用 log_training_metrics 标志和 log_validation_loss
azureml-contrib-automl-dnn-forecasting
- 支持 AutoML 预测 TCN 模型中预测时已知的功能/回归量。
azureml-core
- Python 3.7 的生命周期已于 2023 年 6 月 27 日结束。因此，从 2023 年 10 月开始，3.7 将在 azureml-core 中弃用，且 azureml-core 将于 2024 年 2 月结束对 3.7 的支持。
azureml-mlflow
- 修复了在传递 Azure Machine Learning URI 时使用 MLflow load_model API 加载模型的问题
azureml-pipeline-core
- 使用 PipelineRun.get_pipeline_runs，在加载子运行失败（如 404）时跳过子运行并记录错误。
- PipelineEndpoint.list 引入了新的 int 参数 max_results，指示返回的列表的最大大小。 max_results 的默认值为 100。
azureml-training-tabular
- 支持 AutoML 预测 TCN 模型中预测时已知的功能/回归量。

2023-06-26

适用于 Python 的 Azure 机器学习 SDK v1.52.0

azureml-automl-dnn-vision
- 运行时（旧版）AutoML 模型的 mlflow 签名已更改为接受二进制输入。这使得批量推理可以进行。 predict 函数向后兼容，因此用户仍可以发送 base64 字符串作为输入。当模型可解释性为 n 时，predict 函数的输出已更改为删除临时文件名以及空的可视化效果和归因键...
azureml-contrib-automl-dnn-forecasting
- 修复了当数据包含单个时序时，分布式 TCN 训练期间导致故障的 bug。
azureml-interpret
- 删除 azureml-interpret 中的 shap pin 以更新到 interpret-community 中的最新版本
azureml-responsibleai
- 将常见环境和 azureml-responsibleai 包更新为 raiwidgets 和 responsibleai 0.28.0

2023-05-20

适用于 Python 的 Azure 机器学习 SDK v1.51.0

azureml-automl-core
- AutoML 预测任务现在支持滚动预测，并部分支持分层时序 (HTS) 的分位数预测。
- 禁止将非表格数据集用于（多类和多标签）方案的分类
azureml-automl-dnn-nlp
- 禁止将非表格数据集用于（多类和多标签）方案的分类
azureml-contrib-automl-pipeline-steps
- AutoML 预测任务现在支持滚动预测，并部分支持分层时序 (HTS) 的分位数预测。
azureml-fsspec
- 将 MLTable 和 FSSpec 中所有由用户导致的错误替换为从 azureml-dataprep 导入的自定义 UserErrorException。
azureml-interpret
- 已将 azureml-interpret 包更新为 interpret-community 0.29.*
azureml-pipeline-core
- 修复了调用 pipeline_version 时未生效的 pipeline_endpoint.submit()。
azureml-train-automl-client
- AutoML 预测任务现在支持滚动预测，并部分支持分层时序 (HTS) 的分位数预测。
azureml-train-automl-runtime
- AutoML 预测任务现在支持滚动预测，并部分支持分层时序 (HTS) 的分位数预测。
mltable
- 加载 MLTable 文件时，现在支持更多编码变体，例如 utf-8。
- 将 MLTable 和 FSSpec 中所有由用户导致的错误替换为从 azureml-dataprep 导入的自定义 UserErrorException。

2023-04-10

适用于 Python 的 Azure 机器学习 SDK v1.50.0

azureml-contrib-automl-dnn-forecasting
- 添加了对 TCN 模型在给定分位数的预测的支持。
azureml-responsibleai
- 将常见环境和 azureml-responsibleai 包更新为 raiwidgets 和 responsibleai 0.26.0
azureml-train-automl-runtime
- 修复模型测试方案的 MLTable 处理
azureml-training-tabular
- 在 forecast_quantile 方法中添加了分位数作为参数。

2023-03-01

宣布 Azure 机器学习 SDK v1 包不再支持 Python 3.7

功能弃用
- 弃用 Python 3.7 作为 SDK v1 包的受支持运行时
  - 2023 年 12 月 4 日，Azure 机器学习将正式停止支持 Python 3.7 for SDK v1 包，并将其弃用为受支持的运行时。有关更多详细信息，请参阅 Azure SDK for Python 版本支持策略页面
  - 从 2023 年 12 月 4 日弃用日期起，Azure 机器学习 SDK v1 包将不再接收 Python 3.7 运行时的安全修补程序和其他更新。
  - 适用于 Azure 机器学习 SDK v1 的当前 Python 3.7 版本仍可正常运行。但是，为了继续接收安全更新且仍有资格获得技术支持，Azure 机器学习强烈建议将脚本和依赖项迁移至受支持的 Python 运行时版本。
  - 建议使用 Python 版本 3.8 或更高版本作为 Azure 机器学习 SDK v1 文件的运行时。
  - 此外，基于 Python 3.7 的 Azure 机器学习 SDK v1 包不再有资格获得技术支持。
  - 如有任何疑问，请使用 Azure 机器学习支持与我们联系。

2023-13-02

适用于 Python 的 Azure 机器学习 SDK v1.49.0

重大更改
- 从 v1.49.0 及更高版本开始，将不支持以下 AutoML 算法。
  - 回归：FastLinearRegressor、OnlineGradientDescentRegressor
  - 分类：AveragedPerceptronClassifier。
- 在 v1.48.0 或更低版本中可以继续使用这些算法。
Bug 修复与改进
- azureml-automl-dnn-nlp
  - 日志根据默认值和用户指定的值显示应用于模型和超参数设置的最终值。
- azureml-contrib-automl-dnn-forecasting
  - TCNForecaster 的非标量指标现在会反映上一个周期的值。
  - 运行 TCN 训练实验时，现在可以使用训练集和测试集的预测边际视觉对象。
  - 运行不会再因为“无法计算 TCN 指标”错误而失败。仍会记录指出“预测指标计算导致错误，将报告最差分数”的警告消息。相反，我们会在连续两次以上出现 inf/nan 验证丢失并显示消息“模型无效，TCN 训练未聚合”时提交异常。客户需要注意的是，加载的模型可能会在此更改后进行推断时，返回 nan/inf 值作为预测值。
- azureml-core
  - Azure 机器学习工作区创建过程使用基于 Log Analytics 的 Application Insights 来为经典 Application Insights 的弃用做好准备。希望使用经典 Application Insights 资源的用户仍可以在创建 Azure 机器学习工作区时指定他们自己的资源。
- azureml-interpret
  - 已将 azureml-interpret 包更新为 interpret-community 0.28.*
- azureml-mlflow
  - 将使用 MLflow 2.0 的初始支持更新 azureml-mlflow 客户端
- azureml-responsibleai
  - 已将 azureml-responsibleai 包和笔记本更新为 raiwidgets 和 responsibleai v0.24.0
- azureml-sdk
  - azureml-sdk 和 azureml-train-automl-client 现在支持 Python 版本 3.10
- azureml-train-automl-client
  - azureml-sdk 和 azureml-train-automl-client 现在支持 Python 版本 3.10
- azureml-train-automl-runtime
  - 在训练之前清理缺失的 y
  - 清理非流式处理方案的目标列的 nan 或空值
  - 运行训练实验时，现在可以使用测试集的预测边际视觉对象。
- azureml-train-core
  - 现在支持客户为 hyperdrive 运行提供自定义运行 ID
- azureml-train-restclients-hyperdrive
  - 现在支持客户为 hyperdrive 运行提供自定义运行 ID

2022-12-05

适用于 Python v1.48.0 的 Azure 机器学习 SDK

重大更改
- Azure 机器学习 SDK 包已弃用 Python 3.6 支持。
Bug 修复与改进
- azureml-core
  - 在创建工作区过程中创建的存储帐户现在默认将 blob 公共访问设置为禁用
- azureml-responsibleai
  - 将 azureml-responsibleai 包和笔记本更新为了 raiwidgets 和 responsibleai 包 v0.23.0
  - 向 azureml-responsibleai 包添加了模型序列化程序和 pyfunc 模型，以便轻松保存和检索模型
- azureml-train-automl-runtime
  - 为 ManyModels 参数和 HierarchicalTimeSeries 参数添加了 docstring
  - 修复了生成的代码无法正确进行训练/测试拆分的 bug。
  - 修复了导致预测生成的代码训练作业失败的 bug。

2022-10-25

适用于 Python v1.47.0 的 Azure 机器学习 SDK

azureml-automl-dnn-nlp
- 作为新引入的模型扫描和超参数优化的一部分，AutoML NLP 的运行时更改将考虑固定的训练参数。
azureml-mlflow
- AZUREML_ARTIFACTS_DEFAULT_TIMEOUT 可用于控制项目上传的超时时间
azureml-train-automl-runtime
- 许多模型和分层时序训练现在强制检查超时参数，以便在提交试验以供运行之前检测冲突。这将通过在提交试验之前引发异常来防止试验在运行期间失败。
- 客户现在可以在多模型推理中使用滚动预测时控制步长。
- 使用未分区表格数据进行的多模型推理现在支持 forecast_quantiles。

2022 年 9 月 26 日

适用于 Python v1.46.0 的 Azure 机器学习 SDK

azureml-automl-dnn-nlp
- 不再允许客户指定仅包含令牌的 CoNLL 行。行必须始终为空新行，或者仅有一个令牌后跟一个空格再后跟一个标签。
azureml-contrib-automl-dnn-forecasting
- 存在一种极端情况，在交叉验证拆分后，样本减少到 1，但 sample_size 仍指向拆分前的计数，因此在某些情况下，batch_size 最终超过样本计数。在此修补程序中，我们在拆分后初始化 sample_size
azureml-core
- 当推理客户使用 CLI/SDK v1 模型部署 API 来部署模型，还有当 Python 版本为 3.6 和更低版本时，添加了弃用警告。
- 以下 AZUREML_LOG_DEPRECATION_WARNING_ENABLED 的值按如下方式更改该行为：
  - Default - 当客户使用 Python 3.6 和更低版本时以及针对 cli/SDK v1，显示警告。
  - True - 显示 azureml-sdk 包的 SDK v1 弃用警告。
  - False - 禁用 azureml-sdk 包的 SDK v1 弃用警告。
- 设置环境变量以禁用弃用消息时要执行的命令：
  - Windows - setx AZUREML_LOG_DEPRECATION_WARNING_ENABLED "False"。
  - Linux - export AZUREML_LOG_DEPRECATION_WARNING_ENABLED="False"
azureml-interpret
- 将 azureml-interpret 包更新为 interpret-community 0.27.*
azureml-pipeline-core
- 将计划默认时区修复为 UTC。
- 修复在 DataTransfer 步骤中使用 SqlDataReference 时的错误重用问题。
azureml-responsibleai
- 将 azureml-responsibleai 包和策展图像更新到 raiwidgets and responsibleai v0.22.0
azureml-train-automl-runtime
- 修复了导致某些指标未在 ui 中正确呈现的生成脚本中的 bug。
- 许多模型现在支持用于推理的滚动预测。
- 支持在多模型方案中返回顶部 N 模型。

2022-08-29

适用于 Python 的 Azure 机器学习 SDK v1.45.0

azureml-automl-runtime
- 修复了未正确验证 sample_weight 列的 bug。
- 将 rolling_forecast() 公共方法添加到所有支持的预测模型的预测管道包装器中。此方法将替换已弃用的 rolling_evaluation() 方法。
- 修复了当 CV 是更合适的选择时，AutoML 回归任务可能会回退到模型评估的训练有效拆分的问题。
azureml-core
- 添加了新的云配置后缀“aml_discovery_endpoint”。
- 将所提供的 azure-storage 包从版本 2 更新到版本 12。
azureml-mlflow
- 添加了新的云配置后缀“aml_discovery_endpoint”。
azureml-responsibleai
- 将 azureml-responsibleai 包和策展图像更新到 raiwidgets and responsibleai 0.21.0
azureml-sdk
- azureml-sdk 包现在允许 Python 3.9。

2022 年 8 月 1 日

适用于 Python v1.44.0 的 Azure 机器学习 SDK

azureml-automl-dnn-nlp
- 加权准确度和马修斯相关系数 (MCC) 将不再是 NLP 多标签分类的计算指标上显示的指标。
azureml-automl-dnn-vision
- 提供无效批注格式时引发用户错误
azureml-cli-common
- 更新了 v1 CLI 说明
azureml-contrib-automl-dnn-forecasting
- 修复了当验证数据集中的不同时序具有不同长度时针对 TCNForecaster 引发的“无法计算 TCN 指标”问题。
- 为 TCNForecaster 等 DNN 预测模型添加了自动时序 ID 检测。
- 修复了预测 TCN 模型的 bug，即在某些情况下，用户提供验证集时，验证数据可能会损坏。
azureml-core
- 允许从“运行”下载项目时设置 timeout_seconds 参数
- 添加了警告消息 - Azure 机器学习 CLI v1 将于 2025 年 09 月停用。建议用户采用 CLI v2。
- 修复提交到非 AmlComputes 引发异常的问题。
- 添加了对环境的 Docker 上下文支持
azureml-interpret
- 增加 AutoML 包的 numpy 版本
azureml-pipeline-core
- 修复提交管道时 regenerate_outputs=True 不生效的问题。
azureml-train-automl-runtime
- 增加 AutoML 包的 numpy 版本
- 为视觉和 nlp 启用代码生成
- 创建粒度的原始列作为 predictions.csv 的一部分添加

2022-07-21

宣布 Azure 机器学习 SDK v1 包不再支持 Python 3.6

功能弃用
- 弃用 Python 3.6 作为 SDK v1 包的受支持运行时
  - 2022 年 12 月 5 日，Azure 机器学习将弃用 Python 3.6 作为受支持的运行时，正式结束 SDK v1 包对 Python 3.6 的支持。
  - 从 2022 年 12 月 05 日起，Azure 机器学习将不再对 Azure 机器学习 SDK v1 包使用的 Python 3.6 运行时应用安全补丁和其他更新。
  - 使用 Python 3.6 的现有 Azure 机器学习 SDK v1 包仍可继续运行。然而，Azure 机器学习强烈建议你将脚本和依赖项迁移到一个受支持的 Python 运行时版本，以便可以继续获得安全修补程序并仍然有资格获得技术支持。
  - 我们建议使用 Python 3.8 版本作为 Azure 机器学习 SDK v1 包的运行时。
  - 此外，使用 Python 3.6 的 Azure 机器学习 SDK v1 包不再有资格获得技术支持。
  - 如果有任何疑问，请通过 AML 客户支持与我们联系。

2022-06-27

azureml-automl-dnn-nlp
- 从多标签预测中删除了重复的标签列
azureml-contrib-automl-pipeline-steps
- 许多模型现在也提供以 csv 格式生成预测输出的功能。 - 在采用 csv 文件格式的输出文件中，许多模型预测现在会包含列名。
azureml-core
- ADAL 身份验证现已弃用，所有身份验证类现在都使用 MSAL 身份验证。请安装 azure-cli> 2.30.0 或更高版本，以便在使用 AzureCliAuthentication 类时利用基于 MSAL 的身份验证。
- 添加了在使用 Environment.build(workspace) 时强制要求进行环境注册的修复。该项修复解决了当环境是克隆的或者是从另一个实例继承的时，到底是要提供生成的最新环境还是要求的环境的迷惑。
- 如果计算实例是在 2021 年 9 月 19 日之前创建的，SDK 警告消息会提示在 2022 年 5 月 31 日之前重启该计算实例
azureml-interpret
- 已将 azureml-interpret 包更新为 interpret-community 0.26.*
- 在 azureml-interpret 包中，添加了从评分解释器获取原始特征和工程特征名称的功能。另外，在评分笔记本中添加了有关从评分解释器获取特征名称的示例，并添加了有关原始特征和工程特征名称的文档。
azureml-mlflow
- 已删除 azureml-mlflow 的依赖项 azureml-core。 - MLflow 项目和本地部署需要 azureml-core，该包需要单独安装。
- 通过 MLflow 客户端插件添加对创建终结点和部署到终结点的支持。
azureml-responsibleai
- 已将 azureml-responsibleai 包和环境映像更新到最新的 responsibleai 和 raiwidgets 0.19.0 版本
azureml-train-automl-client
- 现在支持使用 OutputDatasetConfig 作为 MM/HTS 管道生成器的输入。映射为：1) OutputTabularDatasetConfig -> 被视为未分区的表格数据集。 2) OutputFileDatasetConfig -> 被视为归档数据集。
azureml-train-automl-runtime
- 添加了数据验证，它要求数据集内少数类样本的数量至少与请求的 CV 折叠数量一样多。
- 自动交叉验证参数配置现在可用于 AutoML 预测任务。用户现在可为 n_cross_validations 和 cv_step_size 指定“auto”或将其留空，AutoML 会根据数据提供这些配置。但是，在启用 TCN 的情况下，目前不支持此功能。
- 许多模型和分层时序中的预测参数现在可以通过对象（而不是使用字典中的单个参数）传递。
- 允许在 Power BI 中使用支持分位数的预测模型终结点。
- 已将 AutoML scipy 依赖项上限从 1.5.2 更新到 1.5.3

2022-04-25

适用于 Python v1.41.0 的 Azure 机器学习 SDK

中断性变更警告

这一中断性变更来自 azureml-inference-server-http 的 6 月版本。在 azureml-inference-server-http 6 月版本 (v0.9.0) 中，将删除 Python 3.6 支持。由于 azureml-defaults 依赖于 azureml-inference-server-http，因此此更改将传播到 azureml-defaults。如果未使用 azureml-defaults 进行推理，可直接使用 azureml-core 或任何其他 Azure 机器学习 SDK 包，而无需安装 azureml-defaults。

azureml-automl-dnn-nlp
- 默认情况下启用远程文本功能。
azureml-automl-dnn-vision
- 将 ObjectAnnotation 类类型从对象更改为“数据对象”。
azureml-core
- 此版本更新客户使用的 Keyvault 类，以便在使用 SDK 创建机密时提供 keyvault 内容类型。此版本还更新 SDK 以包含新函数，使客户能够从特定机密中检索内容类型的值。
azureml-interpret
- 已将 azureml-interpret 包更新为 interpret-community 0.25.0
azureml-pipeline-core
- 如果出现 pipeline_run.wait_for_completion 和 show_output=False，请不要再打印运行详细信息
azureml-train-automl-runtime
- 修复了在训练环境中存在 azureml-contrib-automl-dnn-forecasting 包时导致代码生成失败的 bug。
- 修复了在将不具有标签列的测试数据集与 AutoML 模型测试配合使用时出现的错误。

2022-03-28

适用于 Python v1.40.0 的 Azure 机器学习 SDK

azureml-automl-dnn-nlp
- 我们将远程文本功能设为可选功能，并且仅当客户明确选择启用时，才使用 kwarg“enable_long_range_text”
- 为多类分类方案添加数据验证层，该方案应用与多标签相同的基类进行常见验证，并添加派生类进行其他特定于任务的数据验证检查。
azureml-automl-dnn-vision
- 修复计算类权重时的键错误。
azureml-contrib-reinforcementlearning
- 关于即将弃用 RL 服务的 SDK 警告消息
azureml-core
- - 在 run 对象上调用任何 get logs 函数时，返回通过新运行时的运行的日志，包括 run.get_details、run.get_all_logs 等。
- 添加了实验方法 Datastore.register_onpremises_hdfs，以允许用户创建指向本地 HDFS 资源的数据存储。
- 在帮助命令中更新 CLI 文档
azureml-interpret
- 对于 azureml-interprise 包，用包更新删除 shap 引脚。在 CE 环境更新后删除 numba 和 numpy pin。
azureml-mlflow
- MLflow 部署客户端的错误修复在未提供配置对象时 run_local 失败。
azureml-pipeline-steps
- 删除已弃用的管道的断开链接 EstimatorStep
azureml-responsibleai
- 将 azureml-responsibleai 包更新到 raiwidgets and responsibleai 0.17.0 版本
azureml-train-automl-runtime
- 自动化 ML 的代码生成现在支持 ForecastTCN 模型（实验性）。
- 通过代码生成创建的模型现在会默认计算所有指标（归一化平均绝对误差、归一化中位数绝对误差、归一化 RMSE 和归一化 RMSLE（在预测模型的情况下）除外）。可以通过编辑 get_metrics_names() 的返回值来更改要计算的指标列表。现在，默认情况下，交叉验证会用于预测通过代码生成创建的模型。
azureml-training-tabular
- 可以通过编辑 get_metrics_names() 的返回值来更改要计算的指标列表。现在，默认情况下，交叉验证会用于预测通过代码生成创建的模型。
- 将小数类型 y-test 转换为浮点，以允许在没有错误的情况下进行度量计算。

2022-02-28

适用于 Python v1.39.0 的 Azure 机器学习 SDK

azureml-automl-core
- 解决方法与 AutoML 回归模型集成时，PBI 中显示的格式不正确
- 为两个分类任务（多类和多标签）添加 min-label-classes 检查。如果输入训练数据集中的唯一类数小于 2，则会为客户的运行抛出错误。在少于两个类上运行分类是没有意义的。
azureml-automl-runtime
- 将小数类型 y-test 转换为浮点，以允许在没有错误的情况下进行度量计算。
- AutoML 训练现在支持 numpy 版本 1.8。
azureml-contrib-automl-dnn-forecasting
- 修正了 TCNForecaster 模型中的一个错误，当提供交叉验证设置时，并不是所有的训练数据都将被使用。
- TCNForecaster 包装器的预测方法破坏了推理时间预测。还修正了预测方法不会在训练有效的情况下使用最近的上下文数据的问题。
azureml-interpret
- 对于 azureml-interprise 包，用包更新删除 shap 引脚。在 CE 环境更新后删除 numba 和 numpy pin。
azureml-responsibleai
- azureml-responsibleai 包到 raiwidgets 和 responsibleai 0.17.0 版本
azureml-synapse
- 修复了 magic 小组件消失的问题。
azureml-train-automl-runtime
- 更新 AutoML 依赖项以支持 Python 3.8。由于新的 Pandas 接口保存在模型中，此更改将破坏与使用 SDK 1.37 或更低版本训练的模型的兼容性。
- AutoML 训练现在支持 numpy 版本 1.19
- 解决方法Automl_Setup_Model_Explayations API 中集成模型的 AutoML 重置索引逻辑
- 在 AutoML 中，对于 lightgbm 最新版本升级后的稀疏情况，使用 lightgbm 代理模型代替线性代理模型
- AutoML 生成的所有内部中间工件现在都透明地存储在父运行中（而不是发送到默认的工作区 blob 存储）。用户应该能够在父运行的 outputs/ 目录下看到 AutoML 生成的项目。

2022-01-24

适用于 Python v1.38.0 的 Azure 机器学习 SDK

azureml-automl-core
- AutoML 中的 Tabnet 回归量和 Tabnet 分类器支持
- 在父级运行输出中保存数据转换器，这些转换器可重复使用，以生成在试验运行期间使用的相同特征化数据集
- 支持获取 get_primary_metrics API 中预测任务的主要指标。
- 将 v2 评分脚本中的第二个可选参数重命名为 GlobalParameters
azureml-automl-dnn-vision
- 在指标 UI 中添加了评分指标
azureml-automl-runtime
- 针对以下情况的 bug 修复：NimbusML 模型的算法名称可能显示为空字符串，无论是在 ML Studio 中，还是在控制台输出上。
azureml-core
- 在 azureml.core.webservice.aks.AksWebservice.deploy_configuration 中添加了参数 blobfuse_enabled。如果此参数为 true，则将通过 blobfuse 而不是 blob 存储 API 下载模型和评分文件。
azureml-interpret
- 已将 azureml-interpret 更新为 interpret-community 0.24.0
- 在 azureml-interpret 中，更新计分解释器以通过稀疏 TreeExplainer 支持最新版本的 lightgbm
- 将 azureml-interpret 更新为 interpret-community 0.23。*
azureml-pipeline-core
- 在 pipelinedata 中添加备注，建议用户改为使用管道输出数据集。
azureml-pipeline-steps
- 将 environment_variables 添加到 ParallelRunConfig 中，运行时环境变量可通过此参数传递，并在执行用户脚本的进程中设置。
azureml-train-automl-client
- AutoML 中的 Tabnet 回归量和 Tabnet 分类器支持
azureml-train-automl-runtime
- 在父级运行输出中保存数据转换器，这些转换器可重复使用，以生成在试验运行期间使用的相同特征化数据集
azureml-train-core
- 在 Hyperdrive 中启用针对贝叶斯优化的早期终止支持
- 现在，贝叶斯和 GridParameterSampling 对象可针对属性传递

2021-12-13

适用于 Python 的 Azure 机器学习 SDK v1.37.0

重大更改
- azureml-core
  - 从版本 1.37.0 开始，Azure 机器学习 SDK 使用 MSAL 作为基础身份验证库。 MSAL 使用 Azure Active Directory (Azure AD) v2.0 身份验证流来提供更多功能并提高令牌缓存的安全性。有关更多信息，请参阅 Microsoft 身份验证库 (MSAL) 概述。
  - 将 AML SDK 依赖项更新到最新版适用于 Python 的 Azure 资源管理客户端库 (azure-mgmt-resource>=15.0.0，<20.0.0) 并采用 track2 SDK。
  - 从版本 1.37.0 开始，azure-ml-cli 扩展应兼容最新版本的 Azure CLI >=2.30.0。
  - 在某个管道（如 Azure DevOps）中使用 Azure CLI 时，确保所有任务/阶段都针对基于 MSAL 的 Azure CLI 使用 v2.30.0 以上的 Azure CLI 版本。 Azure CLI 2.30.0 不会向后兼容早期版本，在使用不兼容版本时会引发错误。若要在 Azure 机器学习 SDK 中使用 Azure CLI 凭据，应将 Azure CLI 作为 pip 包安装。
Bug 修复与改进
- azureml-core
  - 从 Kubernetes 计算的附加工作流中删除了实例类型。现在可以直接在 Kubernetes 群集中设置实例类型。有关更多详细信息，请访问 aka.ms/amlarc/doc。
- azureml-interpret
  - 将 azureml-interpret 更新为了 interpret-community 0.22。*
- azureml-pipeline-steps
  - 修复了在提交带有 AutoMLStep 的管道时可能会创建试验“占位符”的错误。
- azureml-responsibleai
  - 将 azureml-responsibleai 和计算实例环境更新为了 responsibleai 和 raiwidgets 0.15.0 版本
  - 将 azureml-responsibleai 包更新为了最新的 responsibleai 0.14.0。
- azureml-tensorboard
  - 现在可以使用 Tensorboard(runs, use_display_name=True) 将 TensorBoard 日志装载到以 run.display_name/run.id 而不是 run.id 命名的文件夹中。
- azureml-train-automl-client
  - 修复了在提交带有 AutoMLStep 的管道时可能会创建试验“占位符”的错误。
  - 更新了 AutoMLConfig test_data 和 test_size 文档以反映预览状态。
- azureml-train-automl-runtime
  - 添加了允许用户传递具有唯一值的时序粒度的新功能。
  - 在某些情况下，AutoML 模型可以预测 NaN。在测试运行中计算指标之前，会从测试数据集和预测中删除与这些 NaN 预测相对应的行。

2021-11-08

适用于 Python v1.36.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-dnn-vision
  - 清理了某些错误消息中较小的拼写错误。
- azureml-contrib-reinforcementlearning
  - 不再支持提交使用模拟器的强化学习运行。
- azureml-core
  - 添加了对已分区的高级 blob 的支持。
  - 不再支持为托管标识身份验证指定非公有云。
  - 用户可以将 AKS Web 服务迁移到由 CLI (v2) 管理的在线终结点和部署。
  - 现在可以通过以下 RunConfiguration 属性设置 Kubernetes 计算目标上训练作业的实例类型：run_config.kubernetescompute.instance_type。
- azureml-defaults
  - 删除了 gunicorn 和 werkzeug 等冗余依赖项
- azureml-interpret
  - azureml-interpret 包更新为了 0.21.* 版本的 interpret-community
- azureml-pipeline-steps
  - 弃用 MpiStep 而改用 CommandStep 在管道中运行 ML 训练（包括分布式训练）。
- azureml-train-automl-rutime
  - 更新 AutoML 模型测试预测输出格式文档。
  - 添加了 Naive、SeasonalNaive、Average 和 SeasonalAverage 预测模型的文档字符串说明。
  - 特征化摘要现在作为项目存储在运行中（检查输出文件夹下名为“featurization_summary.json”的文件）
  - 为 Tabnet 学习器启用分类指示器支持。
  - 将 downsample 参数添加到 automl_setup_model_explanations，以使用户可以通过将此参数设置为 false 来获取所有数据的解释，而无需减少采样。

2021 年 10 月 11 日

适用于 Python v1.35.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 启用二进制指标计算
- azureml-contrib-fairness
  - 改进了仪表板下载失败时显示的错误消息
- azureml-core
  - 已解决为托管标识身份验证指定非公有云时出现 bug 的问题。
  - Dataset.File.upload_directory() 和 Dataset.Tabular.register_pandas_dataframe() 实验性标志现已删除。
  - 现已在 TabularDataset 类 partition_by () 方法中删除实验性标志。
- azureml-pipeline-steps
  - 现已删除 ParallelRunConfig 类 partition_keys 参数的实验性标志。
- azureml-interpret
  - azureml-interpret 包已更新为 intepret-community 0.20。*
- azureml-mlflow
  - 可以在 MLflow 中使用子目录记录项目与图像
- azureml-responsibleai
  - 改进了仪表板下载失败时显示的错误消息
- azureml-train-automl-client
  - 添加了对计算机视觉任务（如图像分类、物体检测和实例分段）的支持。可在以下位置找到详细文档：设置 AutoML 以使用 Python 训练计算机视觉模型 (v1)。
  - 启用二进制指标计算
- azureml-train-automl-runtime
  - 向模型测试运行添加 TCNForecaster 支持。
  - 更新模型测试 predictions.csv 输出格式。输出列现在包括原始目标值和已经传递到测试运行的功能。可以通过在 test_include_predictions_only=True 中设置 AutoMLConfig 或在 include_predictions_only=True 中设置 ModelProxy.test()，来关闭此状态。如果用户请求仅包含预测，则输出格式如下所示（预测与回归相同）：Classification => [predicted values] [probabilities] Regression => [predicted values] else (default): Classification => [original test data labels] [predicted values] [probabilities] [features] Regression => [original test data labels] [predicted values] [features]；[predicted values] 列名称 = [label column name] + "_predicted"。 [probabilities] 列名称 = [class name] + "_predicted_proba"。如果未将目标列作为输入传递至测试运行，则 [original test data labels] 将不会出现在输出中。

2021-09-07

适用于 Python v1.34.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 添加了重新调整以前训练的预测管道的支持。
  - 添加了针对预测用训练数据获取预测（样本内预测）的功能。
- azureml-automl-runtime
  - 添加了从 AutoML 分类器模型的已部署终结点返回预测的概率的支持。
  - 添加了一个预测选项，允许用户指定所有预测应为整数。
  - 删除了目标列名，使其不再是使用 training_data_label_column_name
  - 作为数据集输入的本地试验的模型说明功能名称的一部分。
  - 添加了重新调整以前训练的预测管道的支持。
  - 添加了针对预测用训练数据获取预测（样本内预测）的功能。
- azureml-core
  - 添加了在表格数据集中设置流列类型、装载和下载流列的支持。
  - 为 Kubernetes.attach_configuration(identity_type=None, identity_ids=None) 添加了新的可选字段，这些字段允许通过 SystemAssigned 或 UserAssigned 标识附加 KubernetesCompute。调用 print(compute_target) 或 compute_target.serialize() 时会包含新的标识字段：identity_type、identity_id、principal_id 和 tenant_id/client_id。
- azureml-dataprep
  - 添加了为表格数据集设置流列类型的支持。添加了在表格数据集中装载和下载流列的支持。
- azureml-defaults
  - 依赖项 azureml-inference-server-http==0.3.1 已添加到 azureml-defaults 中。
- azureml-mlflow
  - 允许通过添加 max_results 和 page_token 可选参数对 list_experiments API 进行分页。有关文档，请参阅 MLflow 官方文档。
- azureml-sdk
  - 替换了依赖项，不再依赖 azureml-sdk 中的已弃用包 (azureml-train)。
  - 将 azureml-responsibleai 添加到 azureml-sdk 附加项
- azureml-train-automl-client
  - 公开 test_data 中的 test_size 和 AutoMLConfig 参数。这些参数可用于在模型训练阶段完成后自动启动测试运行。测试运行将使用最佳模型来计算预测，并会根据这些预测生成指标。

2021-08-24

Azure 机器学习试验用户界面

运行删除
- 运行删除是一项新功能，它允许用户从其工作区中删除一个或多个运行。
- 此功能可以通过定期直接从 UI 中删除运行和试验，来帮助用户减少存储成本和管理存储容量。
批量取消运行
- 批量取消运行是一项新功能，它允许用户从运行列表中选择一个或多个要取消的运行。
- 此功能可帮助用户取消多个排队运行并在其群集上释放空间。

2021-08-18

Azure 机器学习试验用户界面

运行显示名称
- 运行显示名称是可分配给运行的新的、可编辑且可选的显示名称。
- 此名称有助于更有效地跟踪、组织和发现运行。
- 运行显示名称默认为 adjective_noun_guid 格式（例如：awesome_watch_2i3uns）。
- 可以将此默认名称编辑为更易于自定义的名称。可在 Azure 机器学习工作室用户界面的“运行详细信息”页中编辑此项。

2021-08-02

适用于 Python v1.33.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 改进了围绕 XGBoost 模型检索的错误处理。
  - 增加了将预测从浮点数转换为整数的可能性，以便预测和回归任务。
  - 将 AutoMLConfig 中 enable_early_stopping 的默认值更新为 True。
- azureml-automl-runtime
  - 增加了将预测从浮点数转换为整数的可能性，以便预测和回归任务。
  - 将 AutoMLConfig 中 enable_early_stopping 的默认值更新为 True。
- azureml-contrib-automl-pipeline-steps
  - 针对通过管道预测任务启用了层次结构时间 (HTS)。
  - 添加适用于推断的表格数据集支持
  - 可以针对推理数据指定自定义路径
- azureml-contrib-reinforcementlearning
  - azureml.core.environment.DockerSection 中的某些属性已弃用，例如 Ray 工作人员在强化学习作业中使用的 shm_size 属性。现在可以改为在 azureml.contrib.train.rl.WorkerConfiguration 中指定此属性。
- azureml-core
  - 修复了 ScriptRunConfig.distributed_job_config 文档中的超链接
  - 现在可以在不同于工作区位置的位置创建 Azure 机器学习计算群集。这可用于最大程度地提高空闲容量分配并跨不同位置管理配额利用率，而无需创建更多工作区，只需使用配额，并在特定位置创建计算群集。有关详细信息，请参阅创建 Azure 机器学习计算群集。
  - 添加了 display_name 作为 Run 对象的可变名称字段。
  - 数据集 from_files 现在支持跳过大型输入数据的数据扩展
- azureml-dataprep
  - 修复了 to_dask_dataframe 因竞争条件而出现故障的 bug。
  - 数据集 from_files 现在支持跳过大型输入数据的数据扩展
- azureml-defaults
  - 我们将从 azureml-defaults 中删除依赖项 azureml-model-management-sdk==1.0.1b6.post1。
- azureml-interpret
  - 已将 azureml-interpret 更新为 interpret-community 0.19。*
- azureml-pipeline-core
  - 针对通过管道预测任务启用了层次结构时间 (HTS)。
- azureml-train-automl-client
  - 切换到使用 Blob 存储在自动化 ML 中进行缓存。
  - 针对通过管道预测任务启用了层次结构时间 (HTS)。
  - 改进了围绕 XGBoost 模型检索的错误处理。
  - 将 AutoMLConfig 中 enable_early_stopping 的默认值更新为 True。
- azureml-train-automl-runtime
  - 切换到使用 Blob 存储在自动化 ML 中进行缓存。
  - 针对通过管道预测任务启用了层次结构时间 (HTS)。
  - 将 AutoMLConfig 中 enable_early_stopping 的默认值更新为 True。

2021-07-06

适用于 Python v1.32.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-core
  - 在 SDK/CLI 中公开诊断工作区运行状况
- azureml-defaults
  - 向 azureml-defaults 添加了 opencensus-ext-azure==1.0.8 依赖项
- azureml-pipeline-core
  - 更新了 AutoMLStep，以在作业提交环境与默认环境匹配时使用预生成的映像
- azureml-responsibleai
  - 添加了新的错误分析客户端，以上传、下载和列出错误分析报告
  - 确保 raiwidgets 和 responsibleai 包的版本同步
- azureml-train-automl-runtime
  - 将分配给跨各种功能化策略动态搜索的时间最大设置为总试验超时的四分之一

2021-06-21

适用于 Python v1.31.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-core
  - 改进了环境类上平台属性的文档
  - 将默认 AML 计算节点缩减时间从 120 秒更改为 1800 秒
  - 更新了门户上显示的默认故障排除链接，用于对失败的运行进行故障排除： https://aka.ms/azureml-run-troubleshooting
- azureml-automl-runtime
  - 数据清理：在进行特征化和/或模型训练之前，会删除在 [None, "", "nan", np.nan] 中具有目标值的示例
- azureml-interpret
  - 通过增加超时，防止使用 ExplanationClient 的远程 Azure 机器学习运行时出现刷新任务队列错误
- azureml-pipeline-core
  - 将 jar 参数添加到 synapse 步骤
- azureml-train-automl-runtime
  - 修复高基数护栏，使其与文档更加一致

2021-06-07

适用于 Python v1.30.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-core
  - 将依赖项 ruamel-yaml 固定为 < 0.17.5，因为 0.17.5 中发布了中断性变更。
  - aml_k8s_config 属性被替换为用于 namespace 附加的 default_instance_type、instance_types 和 KubernetesCompute 参数。
  - 工作区同步密钥已更改为长时间运行的操作。
- azureml-automl-runtime
  - 修复了使用大数据运行可能会因 Elements of y_test cannot be NaN 而失败的问题。
- azureml-mlflow
  - 没有签名的模型的 MLFlow 部署插件 bug 修复。
- azureml-pipeline-steps
  - ParallelRunConfig：更新 process_count_per_node 的文档。
- azureml-train-automl-runtime
  - 在 MM 推理期间支持自定义的分位数
  - 在批量推理期间支持 forecast_quantiles。
- azureml-contrib-automl-pipeline-steps
  - 在 MM 推理期间支持自定义的分位数
  - 在批量推理期间支持 forecast_quantiles。

2021-05-25

宣布推出适用于 Azure 机器学习的 CLI (v2)

Azure CLI 的 ml 扩展是适用于 Azure 机器学习的下一代接口。该扩展可让你从命令行训练和部署模型，并提供了在跟踪模型生命周期时加快数据科学纵向和横向扩展的功能。安装和设置 CLI (v2)。

适用于 Python v1.29.0 的 Azure 机器学习 SDK

Bug 修复与改进
- 重大更改
  - 放弃了对 Python 3.5 的支持。
- azureml-automl-runtime
  - 修复了以下 bug：如果时序长度短于季节性，STLFeaturizer 会失败。此错误以 IndexError 的形式出现。此情况现已得到处理，不再会出错，不过在此情况下，STL 的季节性组件只包含零。
- azureml-contrib-automl-dnn-vision
  - 添加了一个方法用于通过文件路径进行批量推断。
- azureml-contrib-gbdt
  - azureml-contrib-gbdt 包已弃用，可能不会接收将来的更新，并且将会连同分发包一起删除。
- azureml-core
  - 更正了 Datastore.register_azure_blob_container 中参数 create_if_not_exists 的解释。
  - 向 DatasetConsumptionConfig 类添加了示例代码。
  - 为 run.log() 中的标量指标值添加了对替代轴形式的步骤的支持
- azureml-dataprep
  - 将 _with_partition_size() 中接受的分区大小限制为 2 GB
- azureml-interpret
  - 将 azureml-interpret 更新到了最新的 interpret-core 包版本
  - 放弃了对 SHAP 0.36.0 中已弃用的 SHAP DenseData 的支持。
  - 启用 ExplanationClient 可以上传到用户指定的数据存储。
- azureml-mlflow
  - 将 azureml-mlflow 移到了 mlflow-skinny，以减少依赖项占用空间，同时保持完整的插件支持
- azureml-pipeline-core
  - 参考文档中的 PipelineParameter 代码示例已更新为使用正确的参数。

2021-05-10

适用于 Python v1.28.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-runtime
  - 改进了 AutoML 评分脚本，使其与设计器保持一致
  - 修补了以下 bug：如果在早期版本的 SDK 中训练，使用 Prophet 模型进行预测会引发“缺少列”错误。
  - 将 ARIMAX 模型添加到了 AutoML SDK 的面向公众的、支持预测功能的模型列表。此处的 ARIMAX 是具有 ARIMA 错误的回归，并且是 Box 和 Jenkins 开发的传输函数模型的特例。有关这两种方法的差别的讨论，请参阅 The ARIMAX model muddle（ARIMAX 模型令人困惑之处）。与 AutoML 中使用自动生成的时间相关特征（一天的某一小时、一年中的某一天等）的其他多变体模型不同，此模型仅使用用户提供的特征，使系数解释变得简单。
- azureml-contrib-dataset
  - 更新了文档说明，指出在使用装载时应安装 libfuse。
- azureml-core
  - 默认的 CPU 特选映像现在为 mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04。默认的 GPU 映像现在为 mcr.microsoft.com/azureml/openmpi3.1.2-cuda10.2-cudnn8-ubuntu18.04
  - Run.fail() 现已弃用，请使用 Run.tag() 将运行标记为“失败”，或使用 Run.cancel() 将运行标记为“已取消”。
  - 更新了文档，提供了一条说明指出在装载文件数据集时应安装 libfuse。
  - 添加了对表格数据集的试验性 register_dask_dataframe() 支持。
  - 支持在 DatabricksStep 中使用 Azure Blob/ADL-S 作为输入/输出，并公开了参数 permit_cluster_restart，以便让客户决定在需要将 i/o 访问配置添加到群集时，AML 是否可以重启群集
- azureml-dataset-runtime
  - azureml-dataset-runtime 现在支持低于 < 4.0.0 的 pyarrow 版本
- azureml-mlflow
  - 添加了对通过 MLFlow 插件部署到 Azure 机器学习的支持。
- azureml-pipeline-steps
  - 支持在 DatabricksStep 中使用 Azure Blob/ADL-S 作为输入/输出，并公开了参数 permit_cluster_restart，以便让客户决定在需要将 i/o 访问配置添加到群集时，AML 是否可以重启群集
- azureml-synapse
  - 启用 msi 身份验证中的受众
- azureml-train-automl-client
  - 为计算目标文档添加了更改的链接

2021-04-19

适用于 Python v1.27.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-core
  - 添加了通过“AZUREML_ARTIFACTS_DEFAULT_TIMEOUT”环境变量替代上传项目的默认超时值的功能。
  - 修复了不遵循 ScriptRunConfig 上环境对象中的 docker 设置的 Bug。
  - 允许在将数据集复制到目标时对数据集进行分区。
  - 向 OutputDatasetConfig 添加了一个自定义模式，以允许通过链接函数在管道中传递创建的数据集。它们支持为实现 PRS 表格分区而提供的增强功能。
  - 向 azureml-core 添加了新的 KubernetesCompute 计算类型。
- azureml-pipeline-core
  - 向 OutputDatasetConfig 添加自定义模式，并使用户能够通过链接函数在管道中传递创建的数据集。文件路径目标支持占位符。它们支持为实现 PRS 表格分区而提供的增强功能。
  - 向 azureml-core 添加了新的 KubernetesCompute 计算类型。
- azureml-pipeline-steps
  - 向 azureml-core 添加了新的 KubernetesCompute 计算类型。
- azureml-synapse
  - 在 azureml synapse 的小组件中更新了 spark UI url
- azureml-train-automl-client
  - 现在，用于预测任务的 STL 特征化器根据时序的频率使用更可靠的季节性检测。
- azureml-train-core
  - 修复了不遵循环境对象中的 docker 设置的 Bug。
  - 向 azureml-core 添加了新的 KubernetesCompute 计算类型。

2021-04-05

适用于 Python v1.26.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 修复了将在 AutoMLStep 运行中建议使用 Naive 模型，但因滞后或滚动窗口特性而失败的问题。如果设置了目标滞后或目标滚动窗口大小，不建议使用这些模型。
  - 更改了提交 AutoML 运行时的控制台输出，以显示指向运行的门户链接。
- azureml-core
  - 在文档中添加了 HDFS 模式。
  - 添加了对基于 glob 结构了解文件数据集分区的支持。
  - 添加了对与 Azure 机器学习工作区关联的更新容器注册表的支持。
  - 弃用了 DockerSection 下的环境属性 -“enabled”、“shared_volume”和“arguments”现在是 RunConfiguration 中的 DockerConfiguration 的一部分。
  - 更新了管道 CLI 克隆文档
  - 更新了门户 URI 以包含用于身份验证的租户
  - 从运行 URI 中删除了试验名称以避免重定向
  - 更新了试验 URO 以使用试验 ID。
  - 修复了通过 Azure 机器学习 CLI 附加远程计算时出现的 Bug。
  - 更新了门户 URI 以包含用于身份验证的租户。
  - 更新了试验 URI 以使用实验 ID。
- azureml-interpret
  - 将 azureml-interpret 更新为了使用 interpret-community 0.17.0
- azureml-opendatasets
  - 在其不是日期/时间类型时输入开始日期和结束日期类型验证，以及错误指示。
- azureml-parallel-run
  - [实验性功能] 将 partition_keys 参数添加到 ParallelRunConfig（如果已指定），输入数据集将按其指定的键分区为微型批处理。它要求所有输入数据集都是分区数据集。
- azureml-pipeline-steps
  - Bug 修复 - 支持 path_on_compute，同时将数据集配置作为下载内容传递。
  - 弃用 RScriptStep 而改用 CommandStep 在管道中运行 R 脚本。
  - 弃用 EstimatorStep 而改用 CommandStep 在管道中运行 ML 训练（包括分布式训练）。
- azureml-sdk
  - 对于 azureml-sdk，将 python_requires 更新为 < 3.9
- azureml-train-automl-client
  - 更改了提交 AutoML 运行时的控制台输出，以显示指向运行的门户链接。
- azureml-train-core
  - 弃用了 DockerSection 的“enabled”、“shared_volume”和“arguments”属性而改用 DockerConfiguration 和 ScriptRunConfig。
  - 将 Azure 开放数据集用于 MNIST 数据集
  - 已更新 Hyperdrive 错误消息。

2021-03-22

适用于 Python v1.25.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 更改了提交 AutoML 运行时的控制台输出，以显示指向运行的门户链接。
- azureml-core
  - 开始支持在 SDK 和 CLI 中更新工作区的容器注册表
  - 弃用了 DockerSection 的“enabled”、“shared_volume”和“arguments”属性而改用 DockerConfiguration 和 ScriptRunConfig。
  - 更新了管道 CLI 克隆文档
  - 更新了门户 URI 以包含用于身份验证的租户
  - 从运行 URI 中删除了试验名称以避免重定向
  - 更新了试验 URO 以使用试验 ID。
  - 修复了使用 az CLI 附加远程计算时出现的 Bug
  - 更新了门户 URI 以包含用于身份验证的租户。
  - 添加了对基于 glob 结构了解文件数据集分区的支持。
- azureml-interpret
  - 将 azureml-interpret 更新为了使用 interpret-community 0.17.0
- azureml-opendatasets
  - 在其不是日期/时间类型时输入开始日期和结束日期类型验证，以及错误指示。
- azureml-pipeline-core
  - Bug 修复 - 支持 path_on_compute，同时将数据集配置作为下载内容传递。
- azureml-pipeline-steps
  - Bug 修复 - 支持 path_on_compute，同时将数据集配置作为下载内容传递。
  - 弃用 RScriptStep 而改用 CommandStep 在管道中运行 R 脚本。
  - 弃用 EstimatorStep 而改用 CommandStep 在管道中运行 ML 训练（包括分布式训练）。
- azureml-train-automl-runtime
  - 更改了提交 AutoML 运行时的控制台输出，以显示指向运行的门户链接。
- azureml-train-core
  - 弃用了 DockerSection 的“enabled”、“shared_volume”和“arguments”属性而改用 DockerConfiguration 和 ScriptRunConfig。
  - 将 Azure 开放数据集用于 MNIST 数据集
  - 已更新 Hyperdrive 错误消息。

2021-03-31

Azure 机器学习工作室笔记本体验（3 月更新）

新功能
- 呈现 CSV/TSV。用户能够以网格格式呈现和 TSV/CSV 文件，以便更轻松地进行数据分析。
- 计算实例的 SSO 身份验证。用户现在可以直接在 Notebook UI 中轻松地对任何新的计算实例进行身份验证，从而可以更轻松地在 Azure 机器学习中直接对 Azure SDK 进行身份验证并使用。
- 计算实例指标。用户将可以通过终端查看计算指标，如 CPU 使用率和内存。
- 文件详细信息。用户现在可以通过单击文件旁边的三个点来查看文件详细信息，包括上次修改时间和文件大小。
Bug 修复与改进
- 改进了页面加载时间。
- 提高了性能。
- 提高了速度和内核可靠性。
- 通过永久将“笔记本文件”窗格向上移动来获取垂直空间。
- 现在可以在终端中单击链接
- 改进了 IntelliSense 性能

2021-03-08

适用于 Python v1.24.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 从 azureml.automl.core.shared 中删除了后向兼容的导入。可以通过从 azureml.automl.core.shared 导入来解决 azureml.automl.runtime.shared 命名空间中找不到模块的错误。
- azureml-contrib-automl-dnn-vision
  - 公开了对象检测 yolo 模型。
- azureml-contrib-dataset
  - 添加了按列值筛选表格数据集和按元数据筛选文件数据集的功能。
- azureml-contrib-fairness
  - 在 azureml-contrib-fairness 的结构中包含 JSON 架构
- azureml-contrib-mir
  - 在部署模型时将 show_output 设置为 True 的话，会在请求发送到服务器之前重现推理配置和部署配置。
- azureml-core
  - 添加了按列值筛选表格数据集和按元数据筛选文件数据集的功能。
  - 以前，对于不符合 admin_user_password 字段的密码强度要求的 ComputeTarget，用户可以为其创建预配配置，该字段要求密码必须至少包含 3 个字符（一个小写字母、一个大写字母、一个数字）和一个来自 \`~!@#$%^&*()=+_[]{}|;:./'",<>? 集中的特殊字符。如果用户使用弱密码创建了配置并使用该配置运行了作业，则该作业将在运行时失败。现在，对 AmlCompute.provisioning_configuration 的调用将引发 ComputeTargetException 并附带说明密码强度要求的错误消息。
  - 此外，在某些情况下，还可以指定一个最大节点数为负数的配置。此操作不再可行。现在，如果 AmlCompute.provisioning_configuration 参数为负整数，则 ComputeTargetException 将引发 max_nodes。
  - 在部署模型时将 show_output 设置为 True 的话，会显示推理配置和部署配置。
  - 等待模型部署完成时将 show_output 设置为 True 的话，会显示部署操作的进度。
  - 允许客户通过环境变量 AZUREML_AUTH_CONFIG_DIR 指定 Azure 机器学习身份验证配置目录
  - 以前，可以创建最小节点数小于最大节点数的预配配置。作业将运行，但在运行时失败。该 bug 现已修复。如果现在尝试创建具有 min_nodes < max_nodes 的预配配置，则 SDK 将引发 ComputeTargetException。
- azureml-interpret
  - 修复说明仪表板未显示稀疏工程说明的聚合功能重要性的问题
  - 优化了 azureml-interpret 包中的 ExplanationClient 的内存使用率
- azureml-train-automl-client
  - 修复了将 show_output 设置为 False 时会在使用 Spark 运行时将控制权返回给用户的问题。

2021-02-28

Azure 机器学习工作室笔记本体验（2 月更新）

新功能
- 本机终端 (GA)。用户现在可以访问集成终端，并通过集成终端访问 Git 操作。
- 笔记本片段（预览版）。常见的 Azure 机器学习代码摘录现在随时可用。导航到可通过工具栏访问的代码片段面板，或按 Ctrl + 空格键激活代码内代码片段菜单。
- 键盘快捷方式。使用 Jupyter 中提供的键盘快捷方式进行完整的奇偶校验。
- 指示单元参数。指示用户笔记本中的哪些单元是参数单元，可以通过计算实例上的 Papermill 运行参数化笔记本。
- 终端和内核会话管理器：用户将能够管理其计算机上运行的所有内核和终端会话。
- “共享”按钮。用户现在可以通过右键单击文件和使用“共享”按钮在笔记本文件资源管理器中共享任何文件。
Bug 修复与改进
- 改进了页面加载时间
- 提高了性能
- 提高了速度和内核可靠性
- 添加了旋转轮以显示所有正在进行的计算实例操作的进度。
- 右键单击文件资源管理器。右键单击任何文件时，现在会打开文件操作。

2021-02-16

适用于 Python v1.23.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-core
  - [试验功能] 添加对将 Synapse 工作区作为链接服务链接到 AML 的支持
  - [试验功能] 添加对将 Synapse Spark 池作为计算附加到 AML 中的支持
  - [试验功能] 添加对基于标识的数据访问的支持。用户无需提供凭据即可注册数据存储或数据集。在这种情况下，用户的 Azure AD 令牌或计算目标的托管标识会用于身份验证。若要了解详细信息，请参阅如何使用基于标识的数据访问连接到存储。
- azureml-pipeline-steps
  - [试验功能] 添加对 SynapseSparkStep 的支持
- azureml-synapse
  - [试验功能] 添加对 Spark Magic 的支持，以在 Synapse Spark 池中运行交互式会话。
Bug 修复与改进
- azureml-automl-runtime
  - 在此更新中，我们向 AutoML SDK 的预测工具箱添加了三次指数平滑法。如果提供了时序，AICc（更正后的赤池信息量准则）会选择最佳模型并返回。
  - AutoML 现在会生成两个日志文件，而不是一个。 Log 语句将转到这两个文件中的一个，具体是哪一个将取决于生成该 log 语句的进程。
  - 在使用交叉验证的模型训练过程中，删除不必要的采样内预测。在某些情况下，这可能会缩短模型训练的时间，尤其是时序预测模型。
- azureml-contrib-fairness
  - 添加用于上传 dashboardDictionary 的 JSON 架构。
- azureml-contrib-interpret
  - azureml-contrib-interpret 自述文件已更新，用于反映自 10 月起弃用的包将在下一次更新中被删除，请改用 azureml-interpret 包
- azureml-core
  - 以前，可以创建最小节点数小于最大节点数的预配配置。此问题现已解决。如果现在尝试创建具有 min_nodes < max_nodes 的预配配置，则 SDK 将引发 ComputeTargetException。
  - 修复了 AmlCompute 中 wait_for_completion 中的 bug，该 bug 导致函数在操作实际完成之前返回控制流
  - Run.fail() 现已弃用，请使用 Run.tag() 将运行标记为“失败”，或使用 Run.cancel() 将运行标记为“已取消”。
  - 当提供的环境名称不是字符串时，显示错误消息“找到的环境名称应为字符串 {}”。
- azureml-train-automl-client
  - 修复了阻止取消在 Azure Databricks 群集上执行的 AutoML 试验的 bug。

2021-02-09

适用于 Python v1.22.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azureml-automl-core
  - 修复了将额外的 pip 依赖项添加到视觉对象模型的 conda yml 文件中的 bug。
- azureml-automl-runtime
  - 修复了经典预测模型（例如 AutoArima）可以接收训练数据（其中不存在具有输入的目标值的行）的 bug。这违反了这些模型的数据协定。 * 修复了在时序滞后运算符中出现滞后行为的各种 bug。以前，滞后操作不能正确标记所有输入的行，因此不会总是生成正确的事件滞后值。还修复了滞后时间运算符和滚动窗口运算符之间出现滞后行为的一些兼容性问题。这种情况以前会导致滚动窗口运算符从训练数据中删除一些本应使用的行。
- azureml-core
  - 添加对受众的令牌身份验证的支持。
  - 将 process_count 添加到 PyTorchConfiguration 中以支持多进程多节点 PyTorch 作业。
- azureml-pipeline-steps
  - CommandStep 现在已正式发布，不再进行试验。
  - ParallelRunConfig：添加参数 allowed_failed_count 和 allowed_failed_percent 以检查小批量级别上的错误阈值。错误阈值现在有三种风格：
    - error_threshold - 允许的失败的小批量项数；
    - allowed_failed_count - 允许的失败的小批量数；
    - allowed_failed_percent - 允许的失败的小批量数百分比。
    如果超过其中任一个，则作业都将停止。需要 error_threshold 才能保持其后向兼容性。将值设置为 -1 即可忽略此要求。
  - 修复了 AutoMLStep 名称中的空格处理问题。
  - HyperDriveStep 现在支持 ScriptRunConfig
- azureml-train-core
  - 从 ScriptRun 调用的 HyperDrive 运行现在会被视为子运行。
  - 将 process_count 添加到 PyTorchConfiguration 中以支持多进程多节点 PyTorch 作业。
- azureml-widgets
  - 添加小组件 ParallelRunStepDetails 以可视化 ParallelRunStep 的状态。
  - 使 hyperdrive 用户可以在平行坐标图表上看到一个轴，该轴显示与每个子运行的每个超参数集相对应的指标值。

2021-01-31

Azure 机器学习工作室笔记本体验（1 月更新）

新功能
- Azure 机器学习中的本机 Markdown 编辑器。用户现在可以在 Azure 机器学习工作室中在本地呈现和编辑 markdown 文件。
- 脚本运行按钮（.py、.R 和 .sh）。用户现在可以轻松地在 Azure 机器学习中运行 Python、R 和 Bash 脚本
- 变量资源管理器。在弹出式面板中浏览变量和数据帧的内容。用户可以轻松查看数据类型、大小和内容。
- 目录。导航到 Markdown 标头指示的笔记本部分。
- 将笔记本导出为 Latex/HTML/Py。通过导出到 LaTex、HTML 或 .py 创建易于共享的笔记本文件
- Intellicode。 ML 驱动的结果提供了增强的智能自动完成体验。
Bug 修复与改进
- 改进了页面加载时间
- 提高了性能
- 提高了速度和内核可靠性

2021-01-25

适用于 Python v1.21.0 的 Azure 机器学习 SDK

Bug 修复与改进
- azure-cli-ml
  - 修复了将 AmlCompute 与 UserAssigned 标识一起使用时出现的 CLI 帮助文本问题
- azureml-contrib-automl-dnn-vision
  - “部署”和“下载”按钮将对 AutoML 视觉运行可见，并且可以像其他 AutoML 运行一样部署或下载模型。有两个新文件（scoring_file_v_1_0_0.py 和 conda_env_v_1_0_0.yml），其中包含用于运行推理的脚本和用于重新创建 conda 环境的 yml 文件。 “model.pth”文件已重命名以便使用“.pt”扩展名。
- azureml-core
  - 适用于 azure-cli-ml 的 MSI 支持
  - 用户分配的托管标识支持。
  - 通过此更改，客户应该能够提供用户分配的标识，该标识可用于从客户密钥保管库中提取密钥以进行静态加密。
  - 修复大型文件的配置文件的 row_count=0 问题 - 修复带有空格填充的带分隔符值双精度转换中的错误
  - 删除输出数据集 GA 的试验性标志
  - 更新有关如何提取模型特定版本的文档
  - 允许在专用链接中更新混合模式访问的工作区
  - 修复用于删除数据存储上的其他注册以恢复运行的功能
  - 添加了用于更新主要用户分配的工作区标识的 CLI/SDK 支持
- azureml-interpret
  - 将 azureml-interpret 更新为了 interpret-community 0.16.0
  - azureml-interpret 中用于说明客户端的内存优化
- azureml-train-automl-runtime
  - 为 ADB 运行启用了流式处理
- azureml-train-core
  - 修复用于删除数据存储上的其他注册以恢复运行的功能
- azureml-widgets
  - 客户不应使用小组件查看对现有运行数据可视化的更改，现在可以根据需要使用条件超参数来获得支持。
  - 用户运行小组件现在包括有关运行为何处于排队状态的详细说明。

2021-01-11

用于 Python 的 Azure 机器学习 SDK v1.20.0

Bug 修复与改进
- azure-cli-ml
  - 已在 OptimizationConfig 中添加了 framework_version。在将模型注册到框架 MULTI 时会使用它。
- azureml-contrib-optimization
  - 已在 OptimizationConfig 中添加了 framework_version。在将模型注册到框架 MULTI 时会使用它。
- azureml-pipeline-steps
  - 引入将接受待处理命令的 CommandStep。命令可以包含可执行文件、shell 命令、脚本等。
- azureml-core
  - 现在，工作区创建操作支持用户分配的标识。从 SDK/CLI 添加 uai 支持
  - 修复了 service.reload() 上的问题，以便选取本地部署中 score.py 上的更改。
  - run.get_details() 具有一个名为“submittedBy”的额外字段，该字段显示此运行的作者名称。
  - 已编辑了 Model.register 方法文档，以说明如何直接从运行中注册模型
  - 修复了 IOT-Server 连接状态更改处理问题。

2020-12-31

Azure 机器学习工作室笔记本体验（12 月更新）

新功能
- 用户文件名搜索。用户现在可以搜索保存在工作区中的所有文件。
- 每个笔记本单元格并行支持 Markdown。在笔记本单元格中，用户现在可以视需要选择并排查看已呈现的 markdown 和 markdown 语法。
- 单元格状态栏。状态栏指明了代码单元格处于何种状态、单元格运行是否成功以及运行所需的时间。
Bug 修复与改进
- 改进了页面加载时间
- 提高了性能
- 提高了速度和内核可靠性

2020-12-07

用于 Python 的 Azure 机器学习 SDK v1.19.0

Bug 修复与改进
- azureml-automl-core
  - 向 AutoMLStep 添加了对测试数据的实验性支持。
  - 添加了测试集引入功能的初始核心实现。
  - 移动了对 sklearn.externals.joblib 的引用后直接依赖于 joblib。
  - 引入了一个新的 AutoML 任务类型“image-instance-segmentation”。
- azureml-automl-runtime
  - 添加了测试集引入功能的初始核心实现。
  - 当文本列中的所有字符串的长度正好为一个字符时，TfIdf word-gram 特征化器将不起作用，因为它的 tokenizer 会忽略少于两个字符的字符串。当前的代码更改将允许 AutoML 处理此用例。
  - 引入了一个新的 AutoML 任务类型“image-instance-segmentation”。
- azureml-contrib-automl-dnn-nlp
  - 新 dnn-nlp 包的初始 PR
- azureml-contrib-automl-dnn-vision
  - 引入了一个新的 AutoML 任务类型“image-instance-segmentation”。
- azureml-contrib-automl-pipeline-steps
  - 此新包负责创建许多模型训练/推理方案所需的步骤。 - 它还将训练/推理代码移动到 azureml.train.automl.runtime 包中，因此将来可以通过特选环境版本自动获得任何修补程序。
- azureml-contrib-dataset
  - 引入了一个新的 AutoML 任务类型“image-instance-segmentation”。
- azureml-core
  - 添加了测试集引入功能的初始核心实现。
  - 修复了 azureml-core 包中有关文档的 xref 警告
  - 修复了有关 SDK 中的命令支持功能的文档字符串
  - 向 RunConfiguration 中添加了 command 属性。此功能使得用户能够通过 Azure 机器学习 SDK 在计算上运行实际的命令或可执行文件。
  - 用户可以删除空试验（如果有试验 ID）。
- azureml-dataprep
  - 为通过 Scala 2.12 生成的 Spark 添加了数据集支持。这是对现有的 2.11 支持的补充。
- azureml-mlflow
  - AzureML-MLflow 在远程脚本中添加了安全防护，以避免提交的运行提前终止。
- azureml-pipeline-core
  - 修复了为通过 UI 创建的管道终结点设置默认管道时的一个 bug
- azureml-pipeline-steps
  - 向 AutoMLStep 添加了对测试数据的实验性支持。
- azureml-tensorboard
  - 修复了 azureml-core 包中有关文档的 xref 警告
- azureml-train-automl-client
  - 向 AutoMLStep 添加了对测试数据的实验性支持。
  - 添加了测试集引入功能的初始核心实现。
  - 引入了一个新的 AutoML 任务类型“image-instance-segmentation”。
- azureml-train-automl-runtime
  - 添加了测试集引入功能的初始核心实现。
  - 修复了当使用 validation_size 设置来训练 AutoML 模型时对最佳 AutoML 模型的原始解释的计算。
  - 移动了对 sklearn.externals.joblib 的引用后直接依赖于 joblib。
- azureml-train-core
  - HyperDriveRun.get_children_sorted_by_primary_metric() 现在应当会更快地完成
  - 改进了 HyperDrive SDK 中的错误处理。
  - 弃用了所有估算器类，改为使用 ScriptRunConfig 来配置试验运行。弃用的类包括：
    - MMLBase
    - 估算器
    - PyTorch
    - TensorFlow
    - Chainer
    - SKLearn
  - 不再使用 Nccl 和 Gloo 作为估算器类的有效输入类型，改为将 PyTorchConfiguration 和 ScriptRunConfig 配合使用。
  - 不再使用 Mpi 作为估算器类的有效输入类型，改为将 MpiConfiguration 和 ScriptRunConfig 配合使用。
  - 向运行配置中添加 command 属性。此功能使得用户能够通过 Azure 机器学习 SDK 在计算上运行实际的命令或可执行文件。
  - 弃用了所有估算器类，改为使用 ScriptRunConfig 来配置试验运行。弃用的类包括：+ MMLBaseEstimator + Estimator + PyTorch + TensorFlow + Chainer + SKLearn
  - 不再使用 Nccl 和 Gloo 作为估算器类的有效输入类型，改为将 PyTorchConfiguration 和 ScriptRunConfig 配合使用。
  - 不再使用 Mpi 作为估算器类的有效输入类型，改为将 MpiConfiguration 和 ScriptRunConfig 配合使用。

2020-11-30

Azure 机器学习工作室笔记本体验（11 月更新）

新功能
- 本机终端。用户现在可以访问集成终端，并通过集成终端访问 Git 操作。
- 复制文件夹
- “计算的成本”下拉列表
- 脱机计算 Pylance
Bug 修复与改进
- 改进了页面加载时间
- 提高了性能
- 提高了速度和内核可靠性
- 大型文件上传。现在可以上传大于 95 MB 的文件

2020-11-09

用于 Python 的 Azure 机器学习 SDK v1.18.0

Bug 修复与改进
- azureml-automl-core
  - 通过允许使用高斯噪声填充短时序来改进其处理。
- azureml-automl-runtime
  - 如果 DateTime 列具有 OutOfBoundsDatetime 值，则引发 ConfigException
  - 通过允许使用高斯噪声填充短时序来改进其处理。
  - 确保每个文本列都可以根据该文本列中字符串的长度，使用 N 元语法范围内的字符语法转换
  - 为在用户本地计算上运行的 AutoML 试验的最佳模式提供原始特征的解释
- azureml-core
  - 固定包 pyjwt，以避免在即将发布的版本中引入中断性版本。
  - 创建一个试验将返回具有相同给定名称的活动试验或最后存档的试验（如果该试验存在）或新的试验。
  - 按名称调用 get_experiment 将返回具有该给定名称的活动试验或上次存档的试验。
  - 用户在重新激活实验时不能重命名它。
  - 改进了错误消息，以在数据集不正确地传递到试验（如 ScriptRunConfig）时包含潜在的修补程序。
  - 改进了 OutputDatasetConfig.register_on_complete 文档，以包含在名称已存在时会发生的行为。
  - 现在，指定可能与常见环境变量发生冲突的数据集输入和输出名称时，会导致出现警告
  - 重新设定了在注册数据存储时参数 grant_workspace_access 的用途。将其设置为 True 以从机器学习工作室访问虚拟网络后面的数据。了解详细信息
  - 已优化链接服务 API。我们没有提供资源 ID，而是在配置中定义了三个独立的参数：sub_id、rg 和 name。
  - 为了使客户能够自行解决令牌损坏问题，可使工作区令牌同步成作为一种公共方法。
  - 此更改允许将空字符串用作 script_param 的值
- azureml-train-automl-client
  - 通过允许使用高斯噪声填充短时序来改进其处理。
- azureml-train-automl-runtime
  - 如果 DateTime 列具有 OutOfBoundsDatetime 值，则引发 ConfigException
  - 添加了对在用户本地计算上运行的 AutoML 试验的最佳模式提供原始特征解释的支持
  - 通过允许使用高斯噪声填充短时序来改进其处理。
- azureml-train-core
  - 此更改允许将空字符串用作 script_param 的值
- azureml-train-restclients-hyperdrive
  - README 已更改，可提供更多上下文
- azureml-widgets
  - 向小组件的图表/并行坐标库添加字符串支持。

2020-11-05

图像实例分段的数据标签（多边形注释）（预览）

数据标签中的图像实例分段（多边形注释）项目类型现在可用，因此用户可以围绕图像中的对象轮廓绘制多边形并进行标注。用户将能够为图像中感兴趣的每个对象分配一个类和一个多边形。

详细了解图像实例分段标签。

2020-10-26

用于 Python 的 Azure 机器学习 SDK v1.17.0

新示例
- https://github.com/Azure/azureml-examples 提供了一个新的社区主导的示例存储库
Bug 修复与改进
- azureml-automl-core
  - 修复了 get_output 可能会引发 XGBoostError 的问题。
- azureml-automl-runtime
  - AutoML 创建的基于时间/日历的功能现在具有前缀。
  - 修复了在针对启用了大量类和子采样的分类数据集训练 StackEnsemble 期间发生的 IndexError。
  - 修复了在重新拟合模型后 VotingRegressor 预测可能不准确的问题。
- azureml-core
  - 添加了有关 AKS 部署配置和 Azure Kubernetes 服务概念之间关系的其他详细信息。
  - 环境客户端标签支持。用户可以标记环境并通过标签引用它们。
- azureml-dataprep
  - 完善了在 Scala 2.12 中使用当前不受支持的 Spark 时出现的错误消息。
- azureml-explain-model
  - 已正式弃用 azureml-explain-model 包
- azureml-mlflow
  - 解决了针对 azureml 后端的 mlflow.projects.run 中未正确处理完成状态的 bug。
- azureml-pipeline-core
  - 添加基于管道终结点创建、列出和获取管道计划的支持。
  - 改进了 PipelineData.as_dataset 文档，添加了无效用法的示例：不正确地使用 PipelineData.as_dataset 现在会引发 ValueException
  - 更改了 HyperDriveStep 管道笔记本，以便在运行 HyperDriveStep 之后直接在 PipelineStep 中注册最佳模型。
- azureml-pipeline-steps
  - 更改了 HyperDriveStep 管道笔记本，以便在运行 HyperDriveStep 之后直接在 PipelineStep 中注册最佳模型。
- azureml-train-automl-client
  - 修复了 get_output 可能会引发 XGBoostError 的问题。

Azure 机器学习工作室笔记本体验（10 月更新）

新功能
- 完整虚拟网络支持
- 焦点模式
- 保存笔记本 Ctrl-S
- 行号
Bug 修复与改进
- 提高了速度和内核可靠性
- Jupyter 小组件 UI 更新

2020-10-12

用于 Python 的 Azure 机器学习 SDK v1.16.0

Bug 修复与改进
- azure-cli-ml
  - AKSWebservice 和 AKSEndpoints 现支持 Pod 级别的 CPU 和内存资源限制。可以通过在适用的 CLI 调用中设置 --cpu-cores-limit 和 --memory-gb-limit 标志来使用这些可选限制
- azureml-core
  - 固定 azureml-core 直接依赖项的主版本
  - AKSWebservice 和 AKSEndpoints 现支持 Pod 级别的 CPU 和内存资源限制。有关详细信息，请参阅 Kubernetes 资源和限制
  - 更新了 run.log_table 以允许记录各个行。
  - 添加了静态方法 Run.get(workspace, run_id) 以仅使用工作区来检索运行
  - 添加了实例方法 Workspace.get_run(run_id) 以检索工作区内的运行
  - 在运行配置中引入命令属性，这将允许用户提交命令而不是脚本和参数。
- azureml-interpret
  - 修复了 azureml-interpret 中的解释客户端 is_raw 标志行为
- azureml-sdk
  - azureml-sdk 正式支持 Python 3.8。
- azureml-train-core
  - 添加了 TensorFlow 2.3 特选环境
  - 在运行配置中引入命令属性，这将允许用户提交命令而不是脚本和参数。
- azureml-widgets
  - 重新设计了脚本运行小组件的界面。

2020-09-28

用于 Python 的 Azure 机器学习 SDK v1.15.0

Bug 修复与改进
- azureml-contrib-interpret
  - LIME 解释器已从 azureml-contrib-interpret 迁移到 interpret-community 包，并已从 azureml-contrib-interpret 包中删除映像解释器
  - 已从 azureml-contrib-interpret 包中删除可视化仪表板，解释客户端已迁移到 azureml-interpret 包并且在 azureml-contrib-interpret 包中已弃用，笔记本已更新以反映改进的 API
  - 修正了 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 包说明
- azureml-contrib-notebook
  - 将 nbcovert 依赖项固定为 < 6，以便 papermill 1.x 继续正常运行。
- azureml-core
  - 向 TensorflowConfiguration 和 MpiConfiguration 构造函数添加了参数，以便在无需用户设置每个独立属性的情况下，进一步简化对类属性的初始化操作。添加了 PyTorchConfiguration 类，以在 ScriptRunConfig 中配置分布式 PyTorch 作业。
  - 固定 azure-mgmt-resource 的版本，以修复身份验证错误。
  - 支持 Triton 无代码部署
  - 现在，在交互式场景中使用 run 时，会跟踪 Run.start_logging() 中指定的输出目录。调用 Run.complete() 后，跟踪的文件将在 ML 工作室上可见
  - 现在，在使用 Dataset.Tabular.from_delimited_files 和 Dataset.Tabular.from_json_lines_files 创建数据集期间，可以通过传递 encoding 参数来指定文件编码。支持的编码如下：“utf8”、“iso88591”、“latin1”、“ascii”、“utf16”、“utf32”、“utf8bom”和“windows1252”。
  - 修复了环境对象未传递到 ScriptRunConfig 构造函数的 bug。
  - 更新了 Run.cancel() 以允许从其他计算机取消本地运行。
- azureml-dataprep
  - 修复了数据集安装超时问题。
- azureml-explain-model
  - 修正了 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 包说明
- azureml-interpret
  - 已从 azureml-contrib-interpret 包中删除可视化仪表板，解释客户端已迁移到 azureml-interpret 包并且在 azureml-contrib-interpret 包中已弃用，笔记本已更新以反映改进的 API
  - 更新了 azureml-interpret，使其依赖于 interpret-community 0.15.0
  - 修正了 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 包说明
- azureml-pipeline-core
  - 修复了 OutputFileDatasetConfig 的管道问题，即在 register_on_complete 参数设置为预先存在的数据集名称的情况下调用 name 时，系统可能会停止响应。
- azureml-pipeline-steps
  - 删除了过时的 Databricks 笔记本。
- azureml-tensorboard
  - 修正了 azureml-interpret、azureml-explain-model、azureml-contrib-interpret 和 azureml-tensorboard 的 pypi 包说明
- azureml-train-automl-runtime
  - 已从 azureml-contrib-interpret 包中删除可视化仪表板，解释客户端已迁移到 azureml-interpret 包并且在 azureml-contrib-interpret 包中已弃用，笔记本已更新以反映改进的 API
- azureml-widgets
  - 已从 azureml-contrib-interpret 包中删除可视化仪表板，解释客户端已迁移到 azureml-interpret 包并且在 azureml-contrib-interpret 包中已弃用，笔记本已更新以反映改进的 API

2020-09-21

用于 Python 的 Azure 机器学习 SDK v1.14.0

Bug 修复与改进
- azure-cli-ml
  - 网格分析已从 SDK 中删除，不再受支持。
- azureml-accel-models
  - azureml-accel-models 包现在支持 TensorFlow 2.x
- azureml-automl-core
  - 在 get_output 中添加了错误处理，用于 pandas/sklearn 的本地版本与训练期间使用的版本不匹配的情况
- azureml-automl-runtime
  - 修复了一个 bug，由于此 bug，AutoArima 迭代将失败，并出现 PredictionException 和消息：“在预测过程中出现了无提示故障”。
- azureml-cli-common
  - 网格分析已从 SDK 中删除，不再受支持。
- azureml-contrib-server
  - 更新 pypi 概述页面的包说明。
- azureml-core
  - 网格分析已从 SDK 中删除，不再受支持。
  - 减少工作区检索失败时的错误消息数。
  - 提取元数据失败时不显示警告
  - 新的 Kusto 步骤和 Kusto 计算目标。
  - 更新 sku 参数的文档。在 CLI 和 SDK 的工作区更新功能中删除 sku。
  - 更新 pypi 概述页面的包说明。
  - 已更新 Azure 机器学习环境的文档。
  - 公开 SDK 中 AML 工作区的服务托管资源设置。
- azureml-dataprep
  - 为数据集装载启用文件的执行权限。
- azureml-mlflow
  - 已更新 Azure 机器学习 MLflow 文档和笔记本示例
  - 对具有 Azure 机器学习后端的 MLflow 项目的新支持
  - MLflow 模型注册表支持
  - 为 AzureML-MLflow 操作添加了 Azure RBAC 支持
- azureml-pipeline-core
  - 改进了 PipelineOutputFileDataset.parse_* 方法的文档。
  - 新的 Kusto 步骤和 Kusto 计算目标。
  - 提供了管道终结点实体的 Swaggerurl 属性，通过该属性，用户可以看到发布的管道终结点的架构定义。
- azureml-pipeline-steps
  - 新的 Kusto 步骤和 Kusto 计算目标。
- azureml-telemetry
  - 更新 pypi 概述页面的包说明。
- azureml-train
  - 更新 pypi 概述页面的包说明。
- azureml-train-automl-client
  - 在 get_output 中添加了错误处理，用于 pandas/sklearn 的本地版本与训练期间使用的版本不匹配的情况
- azureml-train-core
  - 更新 pypi 概述页面的包说明。

2020-08-31

用于 Python 的 Azure 机器学习 SDK v1.13.0

预览功能
- azureml-core 使用新的输出数据集功能，可以写回云存储（包括 Blob、ADLS Gen 1、ADLS Gen 2 和文件共享）。用户可以配置数据输出位置，数据输出方法（通过装载或上传），是否注册输出数据以供将来重用和共享，以及在管道步骤之间无缝传递中间数据。这样可以实现可再现性和共享，防止数据重复，并提高成本效益和工作效率。了解其用法
Bug 修复与改进
- azureml-automl-core
  - 添加了 validated_{platform}_requirements.txt 文件，用于固定 AutoML 的所有 pip 依赖项。
  - 此版本支持大于 4 Gb 的模型。
  - 升级后的 AutoML 依赖项：scikit-learn（现在为 0.22.1）、pandas（现在为 0.25.1）、numpy（现在为 1.18.2）。
- azureml-automl-runtime
  - 将文本 DNN 的 horovod 设置为始终使用 fp16 压缩。
  - 此版本支持大于 4 Gb 的模型。
  - 修复了 AutoML 失败，出现 ImportError 的问题：无法导入名称 RollingOriginValidator。
  - 升级后的 AutoML 依赖项：scikit-learn（现在为 0.22.1）、pandas（现在为 0.25.1）、numpy（现在为 1.18.2）。
- azureml-contrib-automl-dnn-forecasting
  - 升级后的 AutoML 依赖项：scikit-learn（现在为 0.22.1）、pandas（现在为 0.25.1）、numpy（现在为 1.18.2）。
- azureml-contrib-fairness
  - 提供 azureml-contrib-fairness 的简短说明。
- azureml-contrib-pipeline-steps
  - 添加了消息，指示此包已弃用，用户应该改用 azureml-pipeline-steps。
- azureml-core
  - 添加了针对工作区的列表键命令。
  - 在工作区 SDK 和 CLI 中添加了标记参数。
  - 修复了由于 TypeError: can't pickle _thread.RLock objects 导致使用数据集提交子运行失败的 bug。
  - 为 Model list() 添加了 page_count 默认值/文档。
  - 修改了 CLI 和 SDK 以使用 adbworkspace 参数，并添加了工作区 adb 链接/断开链接运行器。
  - 修复了 Dataset.update 中的 bug，该 bug 会导致更新最新数据集版本，而不是调用了数据集更新的版本。
  - 修复了 Dataset.get_by_name 中的 bug，该 bug 会显示最新数据集版本的标记，即使在检索的是特定旧版本时也是如此。
- azureml-interpret
  - 在 azureml-interpret 中，根据原始解释器的 shap_values_output 参数向 shap 评分解释器添加了概率输出。
- azureml-pipeline-core
  - 改进了 PipelineOutputAbstractDataset.register 的文档。
- azureml-train-automl-client
  - 升级后的 AutoML 依赖项：scikit-learn（现在为 0.22.1）、pandas（现在为 0.25.1）、numpy（现在为 1.18.2）。
- azureml-train-automl-runtime
  - 升级后的 AutoML 依赖项：scikit-learn（现在为 0.22.1）、pandas（现在为 0.25.1）、numpy（现在为 1.18.2）。
- azureml-train-core
  - 现在，用户必须在创建 HyperDriveConfig 时提供有效的 hyperparameter_sampling 参数。此外，还对 HyperDriveRunConfig 的文档进行了编辑，以通知用户已弃用 HyperDriveRunConfig。
  - 将 PyTorch 默认版本恢复为 1.4。
  - 添加了 PyTorch 1.6 和 TensorFlow 2.2 映像和特选环境。

Azure 机器学习工作室笔记本体验（8 月更新）

新功能
- 新的入门登陆页
预览功能
- 笔记本中的“收集”功能。利用收集功能，用户现在可以轻松清理笔记本。收集使用笔记本的自动依赖项分析，确保保留了基本代码，但会删除所有不相关的部分。
Bug 修复与改进
- 提高了速度和可靠性
- 修复了深色模式 bug
- 修复了输出滚动 bug
- 示例搜索现在会搜索 Azure 机器学习示例笔记本存储库中所有文件的所有内容
- 现在可以运行多行 R 单元格
- 现在，可在第一次选中“我信任此文件的内容”后自动选中该选项
- 改进了“冲突解决”对话框，其中包含新的“创建副本”选项

2020 年 8 月 17 日

用于 Python 的 Azure 机器学习 SDK v1.12.0

Bug 修复与改进
- azure-cli-ml
  - 已将 image_name 和 image_label 参数添加到 Model.package()，以便能够重命名生成的包映像。
- azureml-automl-core
  - 如果在读取内容的同时修改内容，AutoML 将从 dataprep 引发新的错误代码。
- azureml-automl-runtime
  - 为用户添加了在数据包含缺失值但特征化已关闭时发出的警报。
  - 修复了在数据包含 nan 且特征化已关闭时的子运行失败。
  - 如果在读取内容的同时修改内容，AutoML 将从 dataprep 引发新的错误代码。
  - 更新了归一化以使预测指标按粒度发生。
  - 改进了在回看功能已禁用时预测分位数的计算。
  - 修复了在 AutoML 之后计算解释时的布尔稀疏矩阵处理。
- azureml-core
  - 新方法 run.get_detailed_status() 现在显示当前运行状态的详细解释。当前它仅显示 Queued 状态的解释。
  - 已将 image_name 和 image_label 参数添加到 Model.package()，以便能够重命名生成的包映像。
  - 新方法 set_pip_requirements()，用于一次性设置 CondaDependencies 中的整个 pip 部分。
  - 支持注册无凭据的 ADLS Gen2 数据存储。
  - 改进了在尝试下载或装载不正确的数据集类型时出现的错误消息。
  - 更新时序数据集筛选器示例笔记本，使其包含提供筛选器优化的 partition_timestamp 的更多示例。
  - 更改 SDK 和 CLI，以在删除专用终结点连接时接受 subscriptionId、resourceGroup、workspaceName、peConnectionName（而不是 ArmResourceId）作为参数。
  - 试验性修饰器显示类名称以便更易于识别。
  - 不再根据运行自动生成模型内资产的描述。
- azureml-datadrift
  - 已将 DataDriftDetector 中的 create_from_model API 标记为待弃用。
- azureml-dataprep
  - 改进了在尝试下载或装载不正确的数据集类型时出现的错误消息。
- azureml-pipeline-core
  - 修复了在对包含已注册数据集的管道图进行反序列化时的 bug。
- azureml-pipeline-steps
  - RScriptStep 支持来自 azureml.core.environment 的 RSection。
  - 从 AutoMLStep 公共 API 中删除了 passthru_automl_config 参数，并将其转换为仅内部使用的参数。
- azureml-train-automl-client
  - 从 AutoML 中删除了本地异步托管环境运行。所有本地运行都将在启动运行的环境中运行。
  - 修复了在没有用户提供的脚本的情况下提交 AutoML 运行时的快照问题。
  - 修复了在数据包含 nan 且特征化已关闭时的子运行失败。
- azureml-train-automl-runtime
  - 如果在读取内容的同时修改内容，AutoML 将从 dataprep 引发新的错误代码。
  - 修复了在没有用户提供的脚本的情况下提交 AutoML 运行时的快照问题。
  - 修复了在数据包含 nan 且特征化已关闭时的子运行失败。
- azureml-train-core
  - 添加了对于在通过 Estimator 参数传递给 pip_requirements_file 的 pip 要求文件中指定 pip 选项（例如 extra-index-url）的支持。

2020-08-03

适用于 Python 的 Azure 机器学习 SDK v1.11.0

Bug 修复与改进
- azure-cli-ml
  - 修复模型框架和模型框架未传入 CLI 模型注册路径中的运行对象的问题
  - 修复 CLI amlcompute identity show 命令以显示租户 ID 和主体 ID
- azureml-train-automl-client
  - 向 AutoMLRun 添加了 get_best_child ()，以提取 AutoML 运行的最佳子运行，而无需下载关联的模型。
  - 添加了 ModelProxy 对象，该对象允许在远程训练环境上运行预测，而无需在本地下载模型。
  - AutoML 中未经处理的异常现在指向一个已知问题 HTTP 页面，该页面包含有关错误的详细信息。
- azureml-core
  - 模型名称长度可达 255 个字符。
  - 更改了 Environment.get_image_details() 返回对象类型。用 DockerImageDetails 类替换了 dict，可从新类属性中获取映像详细信息。更改向后兼容。
  - 修复了 Environment.from_pip_requirements() 的 bug 以保留依赖关系结构
  - 修复了 bug：如果同一列表中包含 int 和 double，log_list 会失败。
  - 在现有工作区上启用专用链接时，请注意，如果存在与该工作区关联的计算目标，那么如果这些目标不与工作区专用终结点位于相同虚拟网络后面，这些目标将不起作用。
  - 已使 as_named_input 在试验中使用数据集时成为可选选项，并将 as_mount 和 as_download 添加到了 FileDataset。如果调用了 as_mount 或 as_download，则会自动生成输入名称。
- azureml-automl-core
  - AutoML 中未经处理的异常现在指向一个已知问题 HTTP 页面，该页面包含有关错误的详细信息。
  - 向 AutoMLRun 添加了 get_best_child ()，以提取 AutoML 运行的最佳子运行，而无需下载关联的模型。
  - 添加了 ModelProxy 对象，该对象允许在远程训练环境上运行预测，而无需在本地下载模型。
- azureml-pipeline-steps
  - 向 enable_default_model_output 添加了 enable_default_metrics_output 和 AutoMLStep 标志。这些标志可用于启用/禁用默认输出。

2020-07-20

适用于 Python 的 Azure 机器学习 SDK v1.10.0

Bug 修复与改进
- azureml-automl-core
  - 使用 AutoML 时，如果向 AutoMLConfig 对象传递了一个路径但该路径不存在，系统会自动创建该路径。
  - 用户现在可以使用 freq 参数指定一个用于预测任务的时序频率。
- azureml-automl-runtime
  - 使用 AutoML 时，如果向 AutoMLConfig 对象传递了一个路径但该路径不存在，系统会自动创建该路径。
  - 用户现在可以使用 freq 参数指定一个用于预测任务的时序频率。
  - AutoML 预测现在支持滚动评估，该评估适用于其测试或验证集长度长于输入范围的用例。已知的 y_pred 值用作预测上下文。
- azureml-core
  - 如果在运行中未从数据存储下载任何文件，则会输出警告消息。
  - 向 skip_validation 添加了 Datastore.register_azure_sql_database method 的文档。
  - 用户需要升级到 SDK v1.10.0 或更高版本，才能创建自动批准的专用终结点。这包括位于 VNet 后面的可用 Notebook 资源。
  - 在获取工作区的响应中公开 NotebookInfo。
  - 进行了更改，可以在远程运行时成功地通过调用操作列出计算目标和获取计算目标。用于获取计算目标和列出工作区计算目标的 SDK 函数现在可在远程运行中使用。
  - 向 azureml.core.image 类的类描述添加了弃用消息。
  - 如果工作区专用终结点创建失败，则会引发异常并清除工作区和依赖的资源。
  - 支持工作区 sku 以工作区更新方法进行升级。
- azureml-datadrift
  - 将 matplotlib 版本从 3.0.2 更新为 3.2.1 以支持 Python 3.8。
- azureml-dataprep
  - 添加了对具有 Range 或 Head 请求的 web url 数据源的支持。
  - 提高了文件数据集装载和下载的稳定性。
- azureml-train-automl-client
  - 修复了从 setuptools 中删除 RequirementParseError 时的相关问题。
  - 对于使用“compute_target='local'”提交的本地运行，请使用 docker 而非 conda
  - 更正了输出到控制台的迭代持续时间。以前，迭代持续时间有时输出为运行结束时间减去运行创建时间。它已进行更正，等于运行结束时间减去运行开始时间。
  - 使用 AutoML 时，如果向 AutoMLConfig 对象传递了一个路径但该路径不存在，系统会自动创建该路径。
  - 用户现在可以使用 freq 参数指定一个用于预测任务的时序频率。
- azureml-train-automl-runtime
  - 改进了最佳模型解释失败时的控制台输出。
  - 将输入参数重命名为“blocked_models”以删除敏感术语。
    - 将输入参数重命名为“allowed_models”以删除敏感术语。
  - 用户现在可以使用 freq 参数指定一个用于预测任务的时序频率。

2020-07-06

适用于 Python 的 Azure 机器学习 SDK v1.9.0

Bug 修复与改进
- azureml-automl-core
  - 在 AutoML 自动生成的评分脚本中，已将 get_model_path() 替换为 AZUREML_MODEL_DIR 环境变量。还添加了遥测来跟踪 init() 期间的故障。
  - 删除了在 AutoMLConfig 中指定 enable_cache 的功能
  - 修复了运行可能会在特定的预测运行期间失败并出现服务错误的 bug
  - 改进了在 get_output 期间针对特定模型的错误处理
  - 对于具有 y 转换器的分类，修复了对 fitted_model.fit(X, y) 的调用
  - 启用了自定义的正向填充 imputer，用于预测任务
  - 会使用新的 ForecastingParameters 类，而不是 dict 格式的预测参数
  - 改进了目标延迟自动检测
  - 通过 BERT 添加了可用性有限的多节点、多 gpu 分布式特征化
- azureml-automl-runtime
  - Prophet 现在执行加法（而非乘法）周期性建模。
  - 修复了当短时间粒度的频率与长时间粒度的频率不同时会导致运行失败的问题。
- azureml-contrib-automl-dnn-vision
  - 收集用于训练和评分的系统/gpu 统计信息和日志平均值
- azureml-contrib-mir
  - 在 ManagedInferencing 中添加了对 enable-app-insights 标志的支持
- azureml-core
  - 为这些 API 提供了一个 validate 参数，允许在无法从当前计算访问数据源的情况下跳过验证。
    - 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）
  - 添加了对模型列表的框架筛选支持，并在笔记本中添加了 NCD AutoML 示例
  - 对于 Datastore.register_azure_blob_container 和 Datastore.register_azure_file_share（仅限支持 SAS 令牌的选项），我们更新了 sas_token 字段的文档字符串，使之包括典型的读取和写入方案的最低权限要求。
  - 在 ws.get_mlflow_tracking_uri() 中弃用了 _with_auth 参数
- azureml-mlflow
  - 添加了相关支持，允许通过 AzureML-MLflow 部署本地文件:// 模型
  - 在 ws.get_mlflow_tracking_uri() 中弃用了 _with_auth 参数
- azureml-opendatasets
  - 最近发布的 Covid-19 跟踪数据集现已随 SDK 一起提供
- azureml-pipeline-core
  - 当“azureml-defaults”未作为 pip-dependency 的一部分包括在内时会发出注销警告
  - 改进了备注呈现。
  - 添加了相关支持，允许在将带分隔符的文件分析为 PipelineOutputFileDataset 时使用带引号的换行符。
  - 弃用了 PipelineDataset 类。有关详细信息，请参阅 https://aka.ms/dataset-deprecation。若要了解如何在管道中使用数据集，请参阅 https://aka.ms/pipeline-with-dataset。
- azureml-pipeline-steps
  - 更新了 azureml-pipeline-steps 的文档。
  - 在 ParallelRunConfig 的 load_yaml() 中添加了相关支持，允许用户在配置的其余部分中或在单独的文件中定义内联环境
- azureml-train-automl-client。
  - 删除了在 AutoMLConfig 中指定 enable_cache 的功能
- azureml-train-automl-runtime
  - 通过 BERT 添加了可用性有限的多节点、多 gpu 分布式特征化。
  - 在基于 ADB 的自动化机器学习运行中针对不兼容程序包添加了错误处理。
- azureml-widgets
  - 更新了 azureml-widgets 的文档。

2020-06-22

适用于 Python 的 Azure 机器学习 SDK v1.8.0

预览功能
- azureml-contrib-fairnessazureml-contrib-fairness包提供了开放源代码公平性评估和不公平性缓解包 Fairlearn 与 Azure 机器学习工作室之间的集成。具体说来，可以通过此包在 Azure 机器学习运行过程中上传模型公平性评估仪表板并将其显示在 Azure 机器学习工作室中
Bug 修复与改进
- azure-cli-ml
  - 支持获取 init 容器的日志。
  - 添加了新的用于管理 ComputeInstance 的 CLI 命令
- azureml-automl-core
  - 用户现在能够为时序任务启用堆栈系综迭代，并发出一条指示该迭代可能会过度拟合的警告。
  - 添加了新类型的用户异常，此异常在缓存存储内容被篡改的情况下引发
- azureml-automl-runtime
  - 如果用户禁用了特征化，则不会再启用类均衡扫描。
- azureml-contrib-notebook
  - 对 azureml-contrib-notebook 包进行了文档改进。
- azureml-contrib-pipeline-steps
  - 对 azureml-contrib--pipeline-steps 包进行了文档改进。
- azureml-core
  - 添加了 set_connection、get_connection、list_connections、delete_connection 函数，方便客户对工作区连接资源进行操作
  - 对 azureml-coore/azureml.exceptions 包进行了文档更新。
  - 对 azureml-core 包进行了文档更新。
  - 对 ComputeInstance 类进行了文档更新。
  - 对 azureml-core/azureml.core.compute 包进行了文档改进。
  - 对 azureml-core 中与 webservice 相关的类进行了文档改进。
  - 支持使用用户选择的数据存储来存储分析数据
  - 为模型列表 API 添加了 expand 和 page_count 属性
  - 修复了这样的 bug：删除 overwrite 属性会导致提交的运行失败，并出现反序列化错误。
  - 修复了在下载或装载对单个文件的 FileDataset 引用时出现的不一致文件夹结构。
  - 加载 parquet 文件数据集 to_spark_dataframe 的操作现在更快，并支持所有 parquet 和 Spark SQL 数据类型。
  - 支持获取 init 容器的日志。
  - 现在，AutoML 运行会被标记为“并行运行步骤”的子运行。
- azureml-datadrift
  - 对 azureml-contrib-notebook 包进行了文档改进。
- azureml-dataprep
  - 加载 parquet 文件数据集 to_spark_dataframe 的操作现在更快，并支持所有 parquet 和 Spark SQL 数据类型。
  - 对于 to_pandas_dataframe，改进了针对 OutOfMemory 问题的内存处理。
- azureml-interpret
  - 已将 azureml-interpret 升级为使用 interpret-community 版本 0.12.*
- azureml-mlflow
  - 对 azureml-mlflow 进行了文档改进。
  - 添加对用于 MLFlow 的 AML 模型注册表的支持。
- azureml-opendatasets
  - 添加了对 Python 3.8 的支持
- azureml-pipeline-core
  - 更新了 PipelineDataset 的文档，清楚地表明它是一个内部类。
  - 进行了 ParallelRunStep 更新，允许一个参数接受多个值，例如："--group_column_names"、"Col1"、"Col2"、"Col3"
  - 删除了在管道中通过 AutoMLStep 使用中间数据时的 passthru_automl_config 要求。
- azureml-pipeline-steps
  - 对 azureml-pipeline-steps 包进行了文档改进。
  - 删除了在管道中通过 AutoMLStep 使用中间数据时的 passthru_automl_config 要求。
- azureml-telemetry
  - 对 azureml-telemetry 进行了文档改进。
- azureml-train-automl-client
  - 修复了以下 bug：在 experiment.submit() 对象上调用 AutoMLConfig 两次导致不同的行为。
  - 用户现在能够为时序任务启用堆栈系综迭代，并发出一条指示该迭代可能会过度拟合的警告。
  - 更改了 AutoML 运行行为，在服务引发用户错误时会引发 UserErrorException
  - 修复了一个 bug。在远程计算目标上进行 AutoML 试验时，该 bug 会导致 azureml_automl.log 无法生成，或者会导致缺少日志。
  - 对于具有非均衡类的分类数据集，如果清理程序功能认为，对于子采样数据，权重均衡可以将分类任务的性能提高一定的阈值，我们将应用权重均衡。
  - 现在，AutoML 运行会被标记为“并行运行步骤”的子运行。
- azureml-train-automl-runtime
  - 更改了 AutoML 运行行为，在服务引发用户错误时会引发 UserErrorException
  - 现在，AutoML 运行会被标记为“并行运行步骤”的子运行。

2020-06-08

适用于 Python 的 Azure 机器学习 SDK v1.7.0

Bug 修复与改进
- azure-cli-ml
  - 通过清理 CLI 命令和包依赖项，从 mir contrib 中删除了模型分析功能，现在模型分析功能只在核心中提供。
  - 将最低 Azure CLI 版本升级到 2.3.0
- azureml-automl-core
  - 归功于自定义转换器参数，特征化步骤 fit_transform() 现在可以提供更好的异常消息。
  - 在自动化 ML 中为深度学习转换器模型（例如 BERT）增加了对多种语言的支持。
  - 从文档中删除了弃用的 lag_length 参数。
  - 改进了预测参数文档。弃用了 lag_length 参数。
- azureml-automl-runtime
  - 修复了在预测/测试时间内某个分类列为空时引发的错误。
  - 修复了当启用了回溯功能并且数据包含短粒度时发生的运行故障。
  - 修复了当延迟或滚动窗口设置为“auto”时出现重复的时间索引错误消息的问题。
  - 修复了包含回溯功能的、基于数据集的 Prophet 和 Arima 模型的问题。
  - 在预测任务的日期时间以外的列中增加了对 1677-09-21 之前或 2262-04-11 之后的日期的支持。改进了错误消息。
  - 改进了预测参数文档。弃用了 lag_length 参数。
  - 归功于自定义转换器参数，特征化步骤 fit_transform() 现在可以提供更好的异常消息。
  - 在自动化 ML 中为深度学习转换器模型（例如 BERT）增加了对多种语言的支持。
  - 导致某些 OSError 的缓存操作会引发用户错误。
  - 增加了检查来确保训练和验证数据具有相同的列数和列集
  - 修复了当数据包含引号时自动生成的 AutoML 评分脚本的问题
  - 启用了对 AutoML Prophet 模型和包含 Prophet 模型的系综模型的说明。
  - 最近的一个客户问题揭示了一个实时站点 bug：即使没有正确启用类均衡逻辑，我们也会随着类均衡扫描记录消息。将通过此 PR 删除这些日志/消息。
- azureml-cli-common
  - 通过清理 CLI 命令和包依赖项，已从 mir contrib 中删除了模型分析。模型分析在核心中可用。
- azureml-contrib-reinforcementlearning
  - 负载测试工具
- azureml-core
  - 有关 Script_run_config.py 的文档变更
  - 修复了列显 submit-pipeline CLI 的运行输出时的一个 bug
  - 有关 azureml-core/azureml.data 的文档改进
  - 修复了使用 hdfs getconf 命令检索存储帐户时出现的问题
  - 改进了 register_azure_blob_container 和 register_azure_file_share 文档
- azureml-datadrift
  - 改进了禁用和启用数据集偏移监视器的实现
- azureml-interpret
  - 在解释客户端中，在从项目上传时在进行 json 序列化之前删除 NaN 或 Inf
  - 更新到了最新版本的 interpret-community，以通过许多功能和类改进全局解释的内存不足错误
  - 向解释上传添加了 true_ys 可选参数，以在工作室 UI 中启用更多功能
  - 改进了 download_model_explanations() 和 list_model_explanations() 的性能
  - 对笔记本进行了一些有助于调试的小调整
- azureml-opendatasets
  - azureml-opendatasets 需要 azureml-dataprep 1.4.0 或更高版本。添加了当检测到的版本较低时要显示的警告
- azureml-pipeline-core
  - 此更改允许用户在调用 module.Publish_python_script 时为 moduleVersion 提供可选的 runconfig。
  - “启用节点帐户”可以用作 azureml.pipeline.steps 的 ParallelRunStep 中的一个管道参数。
- azureml-pipeline-steps
  - 此更改允许用户在调用 module.Publish_python_script 时为 moduleVersion 提供可选的 runconfig。
- azureml-train-automl-client
  - 在自动化 ML 中为深度学习转换器模型（例如 BERT）增加了对多种语言的支持。
  - 从文档中删除了弃用的 lag_length 参数。
  - 改进了预测参数文档。弃用了 lag_length 参数。
- azureml-train-automl-runtime
  - 启用了对 AutoML Prophet 模型和包含 Prophet 模型的系综模型的说明。
  - 更新了 azureml-train-automl-* 程序包的文档。
- azureml-train-core
  - 在 PyTorch 估算器中支持 TensorFlow 版本 2.1
  - 改进了 azureml-train-core 程序包。

2020-05-26

适用于 Python 的 Azure 机器学习 SDK v1.6.0

新功能
- azureml-automl-runtime
  - AutoML 预测现在支持超出预先指定的最大范围进行客户预测，无需重新训练模型。当预测目标在时间上比指定的最大范围更晚时，forecast() 函数仍会使用递归操作模式将点预测扩展到更晚的日期。如需对此新功能的解释，请参阅相关文件夹中“forecasting-forecast-function”笔记本的“超出最大范围进行预测”部分。
- azureml-pipeline-steps
  - ParallelRunStep 现已发布，是 azureml-pipeline-steps 程序包的一部分。 azureml-contrib-pipeline-steps 程序包中的现有 ParallelRunStep 已弃用。公共预览版本中的更改：
    - 添加了可选的可配置参数 run_max_try 来控制对任意给定批的运行方法的最大调用次数，默认值为 3。
    - 不再自动生成 PipelineParameter。可以将以下可配置值显式设置为 PipelineParameter。
      - mini_batch_size
      - node_count
      - process_count_per_node
      - logging_level
      - run_invocation_timeout
      - run_max_try
    - process_count_per_node 的默认值已更改为 1。用户应该微调此值以获得更好的性能。最佳做法是设置为一个节点具有的 GPU 或 CPU 数。
    - ParallelRunStep 不注入任何程序包，用户需要在环境定义中包括 azureml-core 和 azureml-dataprep[pandas, fuse] 程序包。如果通过 user_managed_dependencies 使用了自定义 Docker 映像，则用户需要在该映像上安装 conda。
重大更改
- azureml-pipeline-steps
  - 不再使用 azureml.dprep.Dataflow 作为 AutoMLConfig 的有效输入类型
- azureml-train-automl-client
  - 不再使用 azureml.dprep.Dataflow 作为 AutoMLConfig 的有效输入类型
Bug 修复与改进
- azureml-automl-core
  - 修复了以下 bug：在 get_output 期间可能会输出一条警告，要求用户降级客户端。
  - 已将 Mac 更新为依赖于 cudatoolkit=9.0，因为它在版本 10 上尚不可用。
  - 在远程计算上训练时，删除了对 prophet 和 xgboost 模型的限制。
  - 改进了 AutoML 中的日志记录
  - 改进了预测任务中自定义特征化的错误处理。
  - 添加了允许用户包含滞后功能来生成预测的功能。
  - 更新了错误消息以正确显示用户错误。
  - 支持将 cv_split_column_names 与 training_data 一起使用
  - 更新了异常消息日志记录和回溯。
- azureml-automl-runtime
  - 为预测缺失值插补启用护栏。
  - 改进了 AutoML 中的日志记录
  - 为数据准备异常添加了精细的错误处理
  - 在远程计算上训练时，删除了对 prophet 和 xgboost 模型的限制。
  - azureml-train-automl-runtime 和 azureml-automl-runtime 已更新了 pytorch、scipy 和 cudatoolkit 的依赖项。我们现在支持 pytorch==1.4.0、scipy>=1.0.0,<=1.3.1 和 cudatoolkit==10.1.243。
  - 改进了预测任务中自定义特征化的错误处理。
  - 改进了预测数据集频率检测机制。
  - 修复了基于某些数据集进行 Prophet 模型训练时出现的问题。
  - 改进了在预测期间对最大范围的自动检测。
  - 添加了允许用户包含滞后功能来生成预测的功能。
  - 在预测函数中添加了功能，现在可以超出已训练范围提供预测，无需重新训练预测模型。
  - 支持将 cv_split_column_names 与 training_data 一起使用
- azureml-contrib-automl-dnn-forecasting
  - 改进了 AutoML 中的日志记录
- azureml-contrib-mir
  - 在 ManagedInferencing 中增加了对 Windows 服务的支持
  - 删除了旧的 MIR 工作流，例如附加 MIR 计算、SingleModelMirWebservice 类 - 清除了置于 contrib-mir 程序包中的模型分析功能
- azureml-contrib-pipeline-steps
  - 对 YAML 支持进行了微小修复
  - ParallelRunStep 已发布到正式版 - azureml.contrib.pipeline.steps 发布了弃用通知并移到了 azureml.pipeline.steps
- azureml-contrib-reinforcementlearning
  - RL 负载测试工具
  - RL 估算器具有智能默认值
- azureml-core
  - 删除了旧的 MIR 工作流，例如附加 MIR 计算、SingleModelMirWebservice 类 - 清除了置于 contrib-mir 程序包中的模型分析功能
  - 修复了当分析失败时将信息（包括请求 ID）提供给用户，并重新编写消息以使其更有意义的问题。向分析运行器添加了新的分析工作流
  - 改进了数据集执行失败时的错误文本。
  - 添加了工作区专用链接 CLI 支持。
  - 向 invalid_lines 添加了可选参数 Dataset.Tabular.from_json_lines_files，该参数允许指定如何处理包含无效 JSON 的行。
  - 在下一版本中，我们将弃用根据运行来创建计算的功能。建议将实际的 Amlcompute 群集创建为持久性计算目标，并使用群集名称作为运行配置中的计算目标。请参阅此处的示例笔记本：aka.ms/amlcomputenb
  - 改进了数据集执行失败时的错误消息。
- azureml-dataprep
  - 更明确地发出警告来要求升级 pyarrow 版本。
  - 改进了执行数据流失败时的错误处理和返回的消息。
- azureml-interpret
  - 更新了 azureml-interpret 程序包的文档。
  - 修复了可解释性程序包和笔记本，使之可以与最新的 sklearn 更新兼容
- azureml-opendatasets
  - 当没有数据返回时，返回 None。
  - 改进了 to_pandas_dataframe 的性能。
- azureml-pipeline-core
  - 快速修复了造成 YAML 加载中断的 ParallelRunStep
  - ParallelRunStep 已发布到正式版 - azureml.contrib.pipeline.steps 发布了弃用通知并移到了 azureml.pipeline.steps - 新功能包括：1. 数据集作为 PipelineParameter 2. 新参数 run_max_retry 3. 可配置的 append_row 输出文件名
- azureml-pipeline-steps
  - 弃用了 azureml.dprep.Dataflow，它不再是输入数据的有效类型。
  - 快速修复了造成 YAML 加载中断的 ParallelRunStep
  - ParallelRunStep 已发布到正式版 - azureml.contrib.pipeline.steps 发布了弃用通知并移到了 azureml.pipeline.steps - 新功能包括：
    - 数据集作为 PipelineParameter
    - 新参数 run_max_retry
    - 可配置的 append_row 输出文件名
- azureml-telemetry
  - 更新了异常消息日志记录和回溯。
- azureml-train-automl-client
  - 改进了 AutoML 中的日志记录
  - 更新了错误消息以正确显示用户错误。
  - 支持将 cv_split_column_names 与 training_data 一起使用
  - 弃用了 azureml.dprep.Dataflow，它不再是输入数据的有效类型。
  - 已将 Mac 更新为依赖于 cudatoolkit=9.0，因为它在版本 10 上尚不可用。
  - 在远程计算上训练时，删除了对 prophet 和 xgboost 模型的限制。
  - azureml-train-automl-runtime 和 azureml-automl-runtime 已更新了 pytorch、scipy 和 cudatoolkit 的依赖项。我们现在支持 pytorch==1.4.0、scipy>=1.0.0,<=1.3.1 和 cudatoolkit==10.1.243。
  - 添加了允许用户包含滞后功能来生成预测的功能。
- azureml-train-automl-runtime
  - 改进了 AutoML 中的日志记录
  - 为数据准备异常添加了精细的错误处理
  - 在远程计算上训练时，删除了对 prophet 和 xgboost 模型的限制。
  - azureml-train-automl-runtime 和 azureml-automl-runtime 已更新了 pytorch、scipy 和 cudatoolkit 的依赖项。我们现在支持 pytorch==1.4.0、scipy>=1.0.0,<=1.3.1 和 cudatoolkit==10.1.243。
  - 更新了错误消息以正确显示用户错误。
  - 支持将 cv_split_column_names 与 training_data 一起使用
- azureml-train-core
  - 添加了一组新的 HyperDrive 特定异常。 azureml.train.hyperdrive 现在会引发详细异常。
- azureml-widgets
  - Azure 机器学习小组件不显示在 JupyterLab 中

2020-05-11

适用于 Python 的 Azure 机器学习 SDK v1.5.0

新功能
- 预览功能
  - azureml-contrib-reinforcementlearning
    - Azure 机器学习将发布对使用 Ray 框架的强化学习的预览版支持。 ReinforcementLearningEstimator 支持在 Azure 机器学习中跨 GPU 和 CPU 计算目标训练强化学习代理。
Bug 修复与改进
- azure-cli-ml
  - 修复了在我以前的 PR 中意外遗留的警告日志。此日志用于调试，是意外遗留的。
  - Bug 修复：在分析过程中向客户端告知部分失败
- azureml-automl-core
  - 当数据集具有多个时序时，通过为时序启用并行拟合，加快 AutoML 预测中的 Prophet/AutoArima 模型。为了从此新功能中获益，建议你在 AutoMLConfig 中设置 "max_cores_per_iteration = -1"（即使用所有可用的 CPU 核心）。
  - 修复了控制台界面中有关输出护栏的 KeyError
  - 修复了有关 experimentation_timeout_hours 的错误消息
  - 弃用了 AutoML 的 TensorFlow 模型。
- azureml-automl-runtime
  - 修复了有关 experimentation_timeout_hours 的错误消息
  - 修复了尝试从缓存存储进行反序列化操作时的未分类异常
  - 当数据集具有多个时序时，通过为时序启用并行拟合，加快 AutoML 预测中的 Prophet/AutoArima 模型。
  - 对于测试/预测集不包含训练集中的某个粒度的数据集，通过启用滚动窗口修复了预测问题。
  - 改进了对缺失数据的处理
  - 修复了基于数据集进行预测时，包含时序的预测间隔在时间上不对齐的问题。
  - 为预测任务添加了更好的数据形态验证。
  - 改进了频率检测。
  - 当无法生成预测任务的交叉验证折叠时，会创建更好的错误消息。
  - 修复了控制台界面以正确输出缺失值护栏。
  - 在 AutoMLConfig 中对 cv_split_indices 输入强制执行数据类型检查。
- azureml-cli-common
  - Bug 修复：在分析过程中向客户端告知部分失败
- azureml-contrib-mir
  - 添加了一个 azureml.contrib.mir.RevisionStatus 类，它中继有关当前部署的 MIR 版本和用户指定的最新版本的信息。此类包含在 MirWebservice 对象中的“deployment_status”属性下。
  - 为 MirWebservice 类型及其子类 SingleModelMirWebservice 的 Webservices 启用了更新。
- azureml-contrib-reinforcementlearning
  - 增加了对 Ray 0.8.3 的支持
  - AmlWindowsCompute 仅支持将 Azure 文件存储作为装载的存储
  - 已将 health_check_timeout 重命名为 health_check_timeout_seconds
  - 修复了一些类/方法说明。
- azureml-core
  - 在 Azure 政府云和中国云中启用了 WASB -> Blob 转换。
  - 修复了 bug，允许读取者角色使用 az ml run CLI 命令获取运行信息
  - 删除了使用输入数据集进行 Azure 机器学习远程运行期间的不必要日志记录。
  - RCranPackage 现在支持 CRAN 程序包版本的“version”参数。
  - Bug 修复：在分析过程中向客户端告知部分失败
  - 为 azureml-core 添加了欧洲样式的的浮点处理。
  - 在 Azure 机器学习 SDK 中启用了工作区专用链接功能。
  - 使用 from_delimited_files 创建 TabularDataset 时，可以通过设置布尔参数 empty_as_string 来指定应将空值加载为 None 还是加载为空字符串。
  - 为数据集添加了欧洲样式的的浮点处理。
  - 改进了有关数据集装载失败的错误消息。
- azureml-datadrift
  - SDK 中的数据偏移结果查询有一个 bug：未区分最小值、最大值和平均特征指标，导致值重复。我们已修复了此 bug，在指标名称前加上了前缀 target 或 baseline。之前：重复的 min、max、mean。之后：target_min、target_max、target_mean、baseline_min、baseline_max、baseline_mean。
- azureml-dataprep
  - 在确保数据传送所需的 .NET 依赖项时，改进了对写受限 Python 环境的处理。
  - 修复了在具有前导空记录的文件上创建数据流的问题。
  - 为类似于 to_partition_iterator 的 to_pandas_dataframe 添加了错误处理选项。
- azureml-interpret
  - 降低了解释路径长度限制，以降低超出 Windows 限制的可能性
  - 对使用线性代理模型通过模拟解释器创建的稀疏解释进行了 Bug 修复。
- azureml-opendatasets
  - 修复了将 MNIST 的列分析为字符串（应当为 int）的问题。
- azureml-pipeline-core
  - 当使用一个嵌入到 ModuleStep 中的模块时，允许使用 regenerate_outputs 选项。
- azureml-train-automl-client
  - 弃用了 AutoML 的 TensorFlow 模型。
  - 修复了用户在本地模式下将不受支持的算法列入允许列表的问题
  - 修复了 AutoMLConfig 的文档。
  - 在 AutoMLConfig 中对 cv_split_indices 输入强制执行数据类型检查。
  - 修复了 show_output 中的 AutoML 运行失败问题
- azureml-train-automl-runtime
  - 修复了系综迭代中的一个 bug，该 bug 阻止模型下载超时成功启动。
- azureml-train-core
  - 修复了 azureml.train.dnn.Nccl 类中的拼写错误。
  - 在 PyTorch 估算器中支持 PyTorch 版本 1.5
  - 修复了使用训练框架估算器时无法在 Azure 政府区域获取框架映像的问题

2020-05-04

全新笔记本体验

现在，你可以直接在 Azure 机器学习的工作室 Web 体验中创建、编辑和共享机器学习笔记本和文件。你可以在这些笔记本中使用 Azure 机器学习 Python SDK 中提供的所有类和方法。若要开始，请访问在工作区中运行 Jupyter Notebook 一文。

引入的新功能：

改进了 Visual Studio Code 使用的编辑器（Monaco 编辑器）
UI/UX 改进
单元格工具栏
新的笔记本工具栏和计算控件
笔记本状态栏
内联内核切换
R 支持
辅助功能和本地化改进
命令面板
更多键盘快捷方式
“自动保存”
改进了性能和可靠性

从工作室访问以下基于 Web 的创作工具：

基于 Web 的工具	说明
Azure 机器学习工作室笔记本	笔记本文件的一流创作工具，支持 Azure 机器学习 Python SDK 中提供的所有操作。

2020-04-27

适用于 Python 的 Azure 机器学习 SDK v1.4.0

新功能
- AmlCompute 群集现在支持预配时在群集上设置托管标识。你只需指定是要使用系统分配的标识还是用户分配的标识，并在使用后者的情况下传递一个 identityId。然后，你可以设置访问各种资源（例如存储或 ACR）的权限，使用计算的标识来安全地访问数据，而不是使用 AmlCompute 现在采用的基于令牌的方法。有关参数的详细信息，请查看 SDK 参考。
重大更改
- AmlCompute 群集过去支持“基于运行的创建”预览版功能，我们计划在两周内弃用该功能。你可以继续使用 Amlcompute 类一如既往地创建持久计算目标。但不久后，我们将不支持在运行配置中将标识符“amlcompute”指定为计算目标这一特定方法。
Bug 修复与改进
- azureml-automl-runtime
  - 计算列中的唯一值的数目时，启用了对不可哈希类型的支持。
- azureml-core
  - 改进了使用 TabularDataset 从 Azure Blob 存储进行读取时的稳定性。
  - 改进了 grant_workspace_msi 的 Datastore.register_azure_blob_store 参数的文档。
  - 修复了 datastore.upload 的 bug，支持以 src_dir 或 / 结尾的 \ 参数。
  - 添加了当尝试上传到没有访问密钥或 SAS 令牌的 Azure Blob 存储数据存储时显示的可操作错误消息。
- azureml-interpret
  - 为上传的解释的可视化数据添加了文件大小上限。
- azureml-train-automl-client
  - 显式检查 AutoMLConfig 的 label_column_name 和 weight_column_name 参数是否为字符串类型。
- azureml-contrib-pipeline-steps
  - ParallelRunStep 现在支持将数据集用作管道参数。用户可以使用示例数据集来构造管道，并且可以为新的管道运行更改相同类型（文件或表格）的输入数据集。

2020-04-13

适用于 Python 的 Azure 机器学习 SDK v1.3.0

Bug 修复与改进
- azureml-automl-core
  - 围绕训练后操作添加了更多遥测。
  - 对长度大于 100 的序列使用条件平方和 (CSS) 训练，从而加快自动化 ARIMA 训练。使用的长度存储为 /src/azureml-automl-core/azureml/automl/core/shared/constants.py 的 TimeSeriesInternal 类中的常量 ARIMA_TRIGGER_CSS_TRAINING_LENGTH
  - 改进了预测运行的用户日志记录，现在日志中会显示有关当前正在运行的阶段的详细信息
  - 不允许将 target_rolling_window_size 设置为小于 2 的值
- azureml-automl-runtime
  - 改进了发现重复时间戳时显示的错误消息。
  - 不允许将 target_rolling_window_size 设置为小于 2 的值。
  - 修复了延迟插补失败。此问题是由于根据季节分解序列所需的观测数不足而导致的。现在将使用“去季节化”数据来计算部分自动更正函数 (PACF)，以确定延迟长度。
  - 通过特征化配置为预测任务启用了列用途特征化自定义。现在支持将“数值”和“类别”用作预测任务的列用途。
  - 通过特征化配置为预测任务启用了删除列特征化自定义。
  - 通过特征化配置为预测任务启用了插补自定义。现在支持为目标列进行常量值插补，支持为训练数据进行平均值、中值、最常用值和常量值插补。
- azureml-contrib-pipeline-steps
  - 接受要传递到 ParallelRunConfig 的计算名称字符串
- azureml-core
  - 添加了 Environment.clone(new_name) API，用于创建 Environment 对象的副本
  - Environment.docker.base_dockerfile 接受 filepath。如果能够解析文件，则会将内容读取到 base_dockerfile 环境属性
  - 当用户在 Environment.docker 中手动设置值时，会自动为 base_image 和 base_dockerfile 重置互斥值
  - 在 RSection 中添加了 user_managed 标志，该标志指示环境由用户管理还是由 Azure 机器学习管理。
  - 数据集：修复了数据路径包含 Unicode 字符时的数据集下载失败问题。
  - 数据集：改进了数据集装载缓存机制，以满足 Azure 机器学习计算中的最小磁盘空间需求，避免节点不可用以及作业被取消。
  - 数据集：我们为时序列添加了一个索引，当你访问 pandas 数据帧形式的时序数据集时，该索引用于加快基于时序的数据访问速度。以前，索引的名称与时间戳列的名称相同，用户难以区分哪个是实际的时间戳列，哪个是索引。我们现在没有为索引指定任何特定名称，因为它不应当用作列。
  - 数据集：修复了主权云中的数据集身份验证问题。
  - 数据集：修复了从 Azure PostgreSQL 数据存储创建的数据集的 Dataset.to_spark_dataframe 故障。
- azureml-interpret
  - 当本地重要性值为稀疏值时，为可视化效果添加了全局分数
  - 已将 azureml-interpret 更新为使用 interpret-community 0.9.*
  - 修复了下载具有稀疏评估数据的解释时出现的问题
  - 在 AutoML 中添加了对解释对象的稀疏格式的支持
- azureml-pipeline-core
  - 支持在管道中将 ComputeInstance 用作计算目标
- azureml-train-automl-client
  - 围绕训练后操作添加了更多遥测。
  - 修复了提前停止的回归
  - 弃用了 azureml.dprep.Dataflow，它不再是输入数据的有效类型。
  - 将默认的 AutoML 试验超时值更改为六天。
- azureml-train-automl-runtime
  - 围绕训练后操作添加了更多遥测。
  - 添加了稀疏 AutoML 端到端支持
- azureml-opendatasets
  - 为服务监视器添加了另一个遥测。
  - 为 blob 启用了 Front Door 以提高稳定性

2020-03-23

适用于 Python 的 Azure 机器学习 SDK v1.2.0

重大更改
- 取消了对 Python 2.7 的支持
Bug 修复与改进
- azure-cli-ml
  - 向 CLI 中的 az ml model/computetarget/service 命令添加了“--subscription-id”
  - 添加了以下支持：传递客户管理的密钥 (CMK) vault_url、key_name 和 key_version，用于 ACI 部署
- azureml-automl-core
  - 为 X 和 Y 数据预测任务启用了自定义插补和常量值。
  - 修复了向用户显示错误消息时的问题。
- azureml-automl-runtime
  - 修复了根据数据集（其中包含的粒度只有一行）进行预测时出现的问题
  - 降低了预测任务所需的内存量。
  - 添加了当时间列的格式不正确时显示的更好的错误消息。
  - 为 X 和 Y 数据预测任务启用了自定义插补和常量值。
- azureml-core
  - 添加了对从以下环境变量加载 ServicePrincipal 的支持：AZUREML_SERVICE_PRINCIPAL_ID、AZUREML_SERVICE_PRINCIPAL_TENANT_ID 和 AZUREML_SERVICE_PRINCIPAL_PASSWORD
  - 为 support_multi_line 引入了新参数 Dataset.Tabular.from_delimited_files：默认情况下 (support_multi_line=False)，所有换行符（包括带引号的字段值中的那些）都将被解释为记录中断。以这种方式读取数据更快并且更适合在多个 CPU 核心上并行执行。但是，它可能会导致无声地生成更多字段值未对齐的记录。在已知带分隔符的文件包含带引号的换行符的情况下，应将此项设置为 True。
  - 添加了在 Azure 机器学习 CLI 中注册 ADLS Gen2 的功能
  - 对于 TabularDataset 中的 with_timestamp_columns() 方法，已将参数“fine_grain_timestamp”重命名为“timestamp”，以及将参数“coarse_grain_timestamp”重命名为“partition_timestamp”，以更好地反映这些参数的用法。
  - 将最大试验名称长度增加到了 255。
- azureml-interpret
  - 已将 azureml-interpret 更新为 interpret-community 0.7.*
- azureml-sdk
  - 为支持预发行版和稳定发行版中的修补，此项将更改为具有兼容版本颚化符的依赖项。

2020-03-11

适用于 Python 的 Azure 机器学习 SDK v1.1.5

功能弃用
- Python 2.7
  - 最后一个支持 Python 2.7 的版本
重大更改
- 语义化版本控制 2.0.0
  - 从版本 1.1 开始，Azure 机器学习 Python SDK 采用语义化版本控制 2.0.0。所有后续版本将遵循新的编号方案和语义化版本控制协定。
Bug 修复与改进
- azure-cli-ml
  - 已将终结点 CLI 命令名称从“az ml endpoint aks”更改为“az ml endpoint real time”，以确保一致性。
  - 更新了有关稳定试验版分支 CLI 更新的 CLI 安装说明
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
- azureml-automl-core
  - 为 AutoML ONNX 模型启用了批量模式推理（一次提取多行）
  - 改进了数据集频率检测，以及缺少数据或包含不规则数据点的问题
  - 添加了删除不符合主导频率的数据点的功能。
  - 更改了构造函数的输入，以提取选项列表来为相应的列应用插补选项。
  - 改进了错误日志记录。
- azureml-automl-runtime
  - 修复了当训练集中不存在的粒度显示在测试集中时出现的问题和引发的错误
  - 删除了评分期间对预测服务施加的 y_query 要求
  - 修复了当数据集包含短粒度和长时隙时出现的预测问题。
  - 修复了在启用自动最大边际的情况下，日期列包含字符串格式的日期时出现的问题。添加了适当的转换和错误消息来处理无法转换日期的问题
  - 使用本机 NumPy 和 SciPy 来序列化和反序列化 FileCacheStore 的中间数据（用于本地 AutoML 运行）
  - 修复了失败的子运行可能停滞于“正在运行”状态的 bug。
  - 提高了特征化的速度。
  - 修复了评分期间的频率检查。现在，预测任务不需要训练和测试集之间的严格频率等效性。
  - 更改了构造函数的输入，以提取选项列表来为相应的列应用插补选项。
  - 修复了与延隔类型选择相关的错误。
  - 修复了针对包含粒度和单行的数据集引发的未分类错误
  - 修复了频率检测速度缓慢的问题。
  - 修复了 AutoML 异常处理中的一个 bug，该 bug 会导致 AttributeError 取代训练失败的实际原因。
- azureml-cli-common
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
- azureml-contrib-mir
  - 在 MirWebservice 类中添加了用于检索访问令牌的功能
  - 在调用 MirWebservice.run() 期间，默认将对 MirWebservice 使用令牌身份验证 - 仅当调用失败时才刷新
  - MirWebservice 部署现在要求提供适当的 SKU [Standard_DS2_v2, Standard_F16, Standard_A2_v2]，而不是对应的 [Ds2v2, A2v2, F16]。
- azureml-contrib-pipeline-steps
  - 已将可选参数 side_inputs 添加到 ParallelRunStep。此参数可用于在容器中装载文件夹。当前支持的类型为 DataReference 和 PipelineData。
  - 现在，可以通过传递管道参数来覆盖 ParallelRunConfig 中传入的参数。支持新的管道参数 aml_mini_batch_size、aml_error_threshold、aml_logging_level、aml_run_invocation_timeout（aml_node_count 和 aml_process_count_per_node 已包含在早期版本中）。
- azureml-core
  - 部署的 Azure 机器学习 Webservices 现在默认使用 INFO 日志记录。可以通过在部署的服务中设置 AZUREML_LOG_LEVEL 环境变量来控制此选项。
  - Python SDK 通过发现服务来使用“api”终结点而不是“pipelines”。
  - 交换到所有 SDK 调用中的新路由。
  - 已将 ModelManagementService 的调用路由更改为新的统一结构。
    - 公开发布了工作区更新方法。
    - 在工作区更新方法中添加了 image_build_compute 参数，使用户能够更新映像生成的计算。
  - 将弃用消息添加到了旧分析工作流。修复了分析 CPU 和内存限制。
  - 已将 RSection 添加为 Environment 的一部分，以运行 R 作业。
  - 在 Dataset.mount 中添加了验证，以便在数据集源不可访问或不包含任何数据时引发错误。
  - 添加了 --grant-workspace-msi-access 作为数据存储 CLI 的另一个参数，用于注册 Azure Blob 容器，它使你能够注册位于 VNet 后面的 Blob 容器。
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
  - 修复了 aks.py _deploy 中的问题。
  - 将验证要上传的模型的完整性，以避免静默式存储失败。
  - 现在，用户在为 Web 服务重新生成密钥时可为身份验证密钥指定值。
  - 修复了不能将大写字母用作数据集输入名称的 bug。
- azureml-defaults
  - azureml-dataprep 现在将作为 azureml-defaults 的一部分安装。不再需要在计算目标上手动安装 data prep[fuse] 即可装载数据集。
- azureml-interpret
  - 已将 azureml-interpret 更新为 interpret-community 0.6.*
  - 更新了 azureml-interpret，使其依赖于 interpret-community 0.5.0
  - 添加了 azureml-interpret 的 azureml-style 异常
  - 修复了 keras 模型的 DeepScoringExplainer 序列化
- azureml-mlflow
  - 为 azureml.mlflow 添加了主权云支持。
- azureml-pipeline-core
  - 管道批量评分笔记本现在使用 ParallelRunStep
  - 修复了以下 bug：即使更改参数列表，也可能会错误地重复使用 PythonScriptStep 结果
  - 添加了在 PipelineOutputFileDataset 中调用 parse_* 方法时设置列类型的功能
- azureml-pipeline-steps
  - 已将 AutoMLStep 移到 azureml-pipeline-steps 包。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
  - 添加了将数据集用作 PythonScriptStep 输入的文档示例
- azureml-tensorboard
  - 更新了 azureml-tensorBoard 以支持 TensorFlow 2.0
  - 在计算实例上使用自定义 TensorBoard 端口时显示正确的端口号
- azureml-train-automl-client
  - 修复了可能在错误的远程运行版本中安装某些包的问题。
  - 修复了筛选自定义特征化配置的 FeaturizationConfig 重写问题。
- azureml-train-automl-runtime
  - 修复了远程运行中的频率检测问题
  - 移动了 AutoMLStep 包中的 azureml-pipeline-steps。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
- azureml-train-core
  - 在 PyTorch 估算器中支持 PyTorch 版本 1.4

2020-03-02

适用于 Python 的 Azure 机器学习 SDK v1.1.2rc0（预发行版）

Bug 修复与改进
- azureml-automl-core
  - 为 AutoML ONNX 模型启用了批量模式推理（一次提取多行）
  - 改进了数据集频率检测，以及缺少数据或包含不规则数据点的问题
  - 添加了删除不符合主导频率的数据点的功能。
- azureml-automl-runtime
  - 修复了当训练集中不存在的粒度显示在测试集中时出现的问题和引发的错误
  - 删除了评分期间对预测服务施加的 y_query 要求
- azureml-contrib-mir
  - 在 MirWebservice 类中添加了用于检索访问令牌的功能
- azureml-core
  - 部署的 Azure 机器学习 Webservices 现在默认使用 INFO 日志记录。可以通过在部署的服务中设置 AZUREML_LOG_LEVEL 环境变量来控制此选项。
  - 修复了 Dataset.get_all 迭代，以返回已注册到工作区的所有数据集。
  - 改进了向数据集创建 API 的 path 参数传递无效类型时显示的错误消息。
  - Python SDK 通过发现服务来使用“api”终结点而不是“pipelines”。
  - 交换到所有 SDK 调用中的新路由
  - 将 ModelManagementService 的调用路由更改为新的统一结构
    - 公开发布了工作区更新方法。
    - 在工作区更新方法中添加了 image_build_compute 参数，使用户能够更新映像生成的计算
  - 将弃用消息添加到了旧分析工作流。修复了分析 CPU 和内存限制
- azureml-interpret
  - 已将 azureml-interpret 更新为 interpret-community 0.6.*
- azureml-mlflow
  - 为 azureml.mlflow 添加了主权云支持。
- azureml-pipeline-steps
  - 已将 AutoMLStep 移到 azureml-pipeline-steps package。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
- azureml-train-automl-client
  - 修复了可能在错误的远程运行版本中安装某些包的问题。
- azureml-train-automl-runtime
  - 修复了远程运行中的频率检测问题
  - 已将 AutoMLStep 移到 azureml-pipeline-steps package。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
- azureml-train-core
  - 已将 AutoMLStep 移到 azureml-pipeline-steps package。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。

2020-02-18

适用于 Python 的 Azure 机器学习 SDK v1.1.1rc0（预发行版）

Bug 修复与改进
- azure-cli-ml
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
- azureml-automl-core
  - 改进了错误日志记录。
- azureml-automl-runtime
  - 修复了当数据集包含短粒度和长时隙时出现的预测问题。
  - 修复了在启用自动最大边际的情况下，日期列包含字符串格式的日期时出现的问题。添加了适当的转换和解释性的错误用于解决无法进行日期转换的问题
  - 使用本机 NumPy 和 SciPy 来序列化和反序列化 FileCacheStore 的中间数据（用于本地 AutoML 运行）
  - 修复了失败的子运行可能停滞于“正在运行”状态的 bug。
- azureml-cli-common
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
- azureml-core
  - 添加了 --grant-workspace-msi-access 作为数据存储 CLI 的另一个参数，用于注册 Azure Blob 容器，它使你能够注册位于 VNet 后面的 Blob 容器
  - 修复了单实例分析以生成建议，并在核心 SDK 中提供了此项修复。
  - 修复了 aks.py _deploy 中的问题
  - 将验证要上传的模型的完整性，以避免静默式存储失败。
- azureml-interpret
  - 添加了 azureml-interpret 的 azureml-style 异常
  - 修复了 keras 模型的 DeepScoringExplainer 序列化
- azureml-pipeline-core
  - 管道批量评分笔记本现在使用 ParallelRunStep
- azureml-pipeline-steps
  - 移动了 AutoMLStep 包中的 azureml-pipeline-steps。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
- azureml-contrib-pipeline-steps
  - 已将可选参数 side_inputs 添加到 ParallelRunStep。此参数可用于在容器中装载文件夹。当前支持的类型为 DataReference 和 PipelineData。
- azureml-tensorboard
  - 更新了 azureml-tensorBoard 以支持 TensorFlow 2.0
- azureml-train-automl-client
  - 修复了筛选自定义特征化配置的 FeaturizationConfig 重写问题。
- azureml-train-automl-runtime
  - 移动了 AutoMLStep 包中的 azureml-pipeline-steps。弃用了 AutoMLStep 中的 azureml-train-automl-runtime。
- azureml-train-core
  - 在 PyTorch 估算器中支持 PyTorch 版本 1.4

2020-02-04

适用于 Python 的 Azure 机器学习 SDK v1.1.0rc0（预发行版）

重大更改
- 语义化版本控制 2.0.0
  - 从版本 1.1 开始，Azure 机器学习 Python SDK 采用语义化版本控制 2.0.0。所有后续版本将遵循新的编号方案和语义化版本控制协定。
Bug 修复与改进
- azureml-automl-runtime
  - 提高了特征化的速度。
  - 修复了评分期间的频率检查。现在，在预测任务中，不需要训练和测试集之间的严格频率等效性。
- azureml-core
  - 现在，用户在为 Web 服务重新生成密钥时可为身份验证密钥指定值。
- azureml-interpret
  - 更新了 azureml-interpret，使其依赖于 interpret-community 0.5.0
- azureml-pipeline-core
  - 修复了以下 bug：即使更改参数列表，也可能会错误地重复使用 PythonScriptStep 结果
- azureml-pipeline-steps
  - 添加了将数据集用作 PythonScriptStep 输入的文档示例
- azureml-contrib-pipeline-steps
  - 现在，可以通过传递管道参数来覆盖 ParallelRunConfig 中传入的参数。支持新的管道参数 aml_mini_batch_size、aml_error_threshold、aml_logging_level、aml_run_invocation_timeout（aml_node_count 和 aml_process_count_per_node 已包含在早期版本中）。

2020-01-21

适用于 Python 的 Azure 机器学习 SDK v1.0.85

新功能
- azureml-core
  - 获取给定工作区和订阅中 AmlCompute 资源的当前核心用量和配额限制
- azureml-contrib-pipeline-steps
  - 使用户能够将上一步骤中的表格数据集作为中间结果传递给 parallelrunstep
Bug 修复与改进
- azureml-automl-runtime
  - 取消了在向部署的预测服务发出的请求必须提供 y_query 列的要求。
  - “y_query”已从 Dominick Orange Juice 笔记本服务请求节中删除。
  - 修复了阻止在部署的模型中进行预测，以及对包含日期时间列的数据集进行操作的 bug。
  - 添加了 Matthews 相关系数作为分类指标，用于二元和多类分类。
- azureml-contrib-interpret
  - 从 azureml-contrib-interpret 中删除了文本解释器，因为文本解释已转移到即将发布的 interpret-text 存储库。
- azureml-core
  - 数据集：文件数据集的用法不再依赖于 numpy 和 pandas 即可安装在 Python 环境中。
  - 更改了 LocalWebservice.wait_for_deployment()，以便先检查本地 Docker 容器的状态，然后再尝试 ping 其运行状况终结点，这大幅减少了报告失败部署所需的时间。
  - 修复了在使用 LocalWebservice() 构造函数从现有部署创建服务对象时，在 LocalWebservice.reload() 中使用的内部属性的初始化。
  - 编辑了错误消息以澄清问题。
  - 将名为 get_access_token() 的新方法添加到了 AksWebservice，该方法返回 AksServiceAccessToken 对象，而该对象包含访问令牌、刷新截止时间戳、时间戳中的过期时间，以及令牌类型。
  - AksWebservice 中已弃用现有的 get_token() 方法，因为此方法返回的所有信息可由新方法返回。
  - 修改了 az ml service get-access-token 命令的输出。已将 token 重命名为 accessToken，已将 refreshBy 重命名为 refreshAfter。添加了 expiryOn 和 tokenType 属性。
  - 修复了 get_active_runs
- azureml-explain-model
  - 已将 shap 更新为 0.33.0，已将 interpret-community 更新为 0.4.*
- azureml-interpret
  - 已将 shap 更新为 0.33.0，已将 interpret-community 更新为 0.4.*
- azureml-train-automl-runtime
  - 添加了 Matthews 相关系数作为分类指标，用于二元和多类分类。
  - 弃用了在代码中的预处理标志，并已将其替换为特征化 - 特征化默认已启用

2020-01-06

适用于 Python 的 Azure 机器学习 SDK v1.0.83

新功能
- 数据集：添加了两个选项 on_error 和 out_of_range_datetime，以便在数据包含错误值时使 to_pandas_dataframe 失败，而不是用 None 来填充它们。
- 工作区：为包含敏感数据的工作区添加了 hbi_workspace 标志，以便启用进一步的加密，并对工作区禁用高级诊断。我们还添加了为关联的 Azure Cosmos DB 实例使用自己的密钥的支持，若要获得此项支持，可以在创建工作区时指定 cmk_keyvault 和 resource_cmk_uri 参数，以便在预配工作区时在订阅中创建 Azure Cosmos DB 实例。若要了解详细信息，请参阅数据加密一文中的 Azure Cosmos DB 部分。
Bug 修复与改进
- azureml-automl-runtime
  - 修复了在低于 3.5.4 的 Python 版中运行 AutoML 时导致引发 TypeError 的回归问题。
- azureml-core
  - 修复了 datastore.upload_files 中无法使用不是以 ./ 开头的相对路径的 bug。
  - 针对所有 Image 类代码路径添加了弃用消息
  - 修复了由世纪互联运营的 Microsoft Azure 的模型管理 URL 构造。
  - 修复了以下问题：无法为 Azure Functions 打包使用 source_dir 的模型。
  - 将一个选项添加到了 Environment.build_local()，以将映像推送到 Azure 机器学习工作区容器注册表中
  - 更新了 SDK，以通过后向兼容的方式在 Azure Synapse 中使用新的令牌库。
- azureml-interpret
  - 修复了以下 bug：未提供下载说明时返回 None。现在会引发异常，与其他位置的行为相匹配。
- azureml-pipeline-steps
  - 在 DatasetConsumptionConfig 中使用 Estimator 时，禁止将 inputss 传递给 Estimator 的 EstimatorStep 参数。
- azureml-sdk
  - 将 AutoML 客户端添加到了 azureml-sdk 包，以便可以在不安装完整 AutoML 包的情况下提交远程 AutoML 运行。
- azureml-train-automl-client
  - 更正了 AutoML 运行的控制台输出对齐方式
  - 修复了以下 bug：可能在远程 amlcompute 上安装错误的 pandas 版本。

2019-12-23

适用于 Python 的 Azure 机器学习 SDK v1.0.81

Bug 修复与改进
- azureml-contrib-interpret
  - 将 shap 依赖项从 azureml-interpret 推迟到 interpret-community
- azureml-core
  - 现在可将计算目标指定为相应部署配置对象的参数。具体而言，这是要部署到的计算目标的名称，而不是 SDK 对象的名称。
  - 已将 CreatedBy 信息添加到 Model 和 Service 对象。可以通过 .created_by 访问
  - 修复了无法正确设置 Docker 容器 HTTP 端口的 ContainerImage.run()。
  - 使 azureml-dataprep 成为 CLI 命令 az ml dataset register 的可选参数
  - 修复了以下 bug：TabularDataset.to_pandas_dataframe 错误地回退到备用读取器并输出警告。
- azureml-explain-model
  - 将 shap 依赖项从 azureml-interpret 推迟到 interpret-community
- azureml-pipeline-core
  - 添加了新的管道步骤 NotebookRunnerStep，用于将本地笔记本作为管道中的步骤运行。
  - 删除了 PublishedPipelines、Schedules 和 PipelineEndpoints 的已弃用 get_all 函数
- azureml-train-automl-client
  - 已开始弃用用作 AutoML 的输入的 data_script。

2019-12-09

适用于 Python 的 Azure 机器学习 SDK v1.0.79

Bug 修复与改进
- azureml-automl-core
  - 删除了要记录的 featurizationConfig
    - 已更新为仅记录到日志“auto”/“off”/“customized”。
- azureml-automl-runtime
  - 添加了对 pandas 的支持。 Series 和 pandas。用于检测列数据类型的分类。以前仅支持 numpy.ndarray
    - 添加了相关代码更改用于正确处理分类 dtype。
  - 改进了预测函数接口：y_pred 参数是可选的。 \- 改进了 docstrings。
- azureml-contrib-dataset
  - 修复了无法装载已标记数据集的 bug。
- azureml-core
  - Environment.from_existing_conda_environment(name, conda_environment_name) 的 Bug 修复。用户可以创建用作本地环境的确切副本的 Environment 实例
  - 默认将时序相关的 Datasets 方法更改为 include_boundary=True。
- azureml-train-automl-client
  - 修复了 show output 设置为 false 时不输出验证结果的问题。

2019-11-25

适用于 Python 的 Azure 机器学习 SDK v1.0.76

重大更改
- Azureml-Train-AutoML 升级问题
  - 从 azureml-train-automl>1.0.76 升级到 azureml-train-automl<=1.0.76 可能导致安装不完整，从而导致某些 AutoML 导入失败。若要解决此问题，可以运行 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/automated-machine-learning/automl_setup.cmd 中的安装脚本。如果直接使用 pip，则可以运行：
    - “pip install --upgrade azureml-train-automl”
    - “pip install --ignore-installed azureml-train-automl-client”
  - 或者，可以在升级之前卸载旧版本
    - “pip uninstall azureml-train-automl”
    - “pip install azureml-train-automl”
Bug 修复与改进
- azureml-automl-runtime
  - 在计算二元分类任务的平均标量指标时，AutoML 现在会考虑 true 类和 false 类。
  - 已将 AzureML-AutoML-Core 中的机器学习和训练代码移到新包 AzureML-AutoML-Runtime。
- azureml-contrib-dataset
  - 使用 download 选项针对标记的数据集调用 to_pandas_dataframe 时，现在可以指定是否覆盖现有文件。
  - 调用导致删除 time series、label 或 image 列的 keep_columns 或 drop_columns 时，也会删除数据集的相应功能。
  - 修复了对象检测任务的 pytorch 加载程序存在的问题。
- azureml-contrib-interpret
  - 从 azureml-contrib-interpret 中删除了解释仪表板小组件，并已将包更改为引用 interpret_community 中新的小组件
  - 已将 interpret-community 的版本更新为 0.2.0
- azureml-core
  - 改进了 workspace.datasets 的性能。
  - 添加了使用用户名和密码身份验证注册 Azure SQL 数据库数据存储的功能
  - 修复了从相对路径加载 RunConfigurations 的问题。
  - 调用导致删除 time series 列的 keep_columns 或 drop_columns 时，也会删除数据集的相应功能。
- azureml-interpret
  - 已将 interpret-community 的版本更新为 0.2.0
- azureml-pipeline-steps
  - 记录了 Azure 机器学习管道步骤支持的值 runconfig_pipeline_params 。
- azureml-pipeline-core
  - 为 Pipeline 命令添加了用于下载 JSON 格式的输出的 CLI 选项。
- azureml-train-automl
  - 已将 AzureML-Train-AutoML 拆分为两个程序包：一个客户端程序包 AzureML-Train-AutoML-Client，一个机器学习训练程序包 AzureML-Train-AutoML-Runtime
- azureml-train-automl-client
  - 添加了一个瘦客户端用于提交 AutoML 试验，而无需在本地安装任何机器学习依赖项。
  - 修复了在远程运行中记录自动检测到的延迟、滚动窗口大小和最大边际的问题。
- azureml-train-automl-runtime
  - 添加了新的 AutoML 包，用于从客户端隔离机器学习和运行时组件。
- azureml-contrib-train-rl
  - 在 SDK 中添加了强化学习支持。
  - 在 RL SDK 中添加了 AmlWindowsCompute 支持。

2019-11-11

适用于 Python 的 Azure 机器学习 SDK v1.0.74

预览功能
- azureml-contrib-dataset
  - 导入 azureml-contrib-dataset 后，可以调用 Dataset.Labeled.from_json_lines（而不是 ._Labeled）来创建标记的数据集。
  - 使用 download 选项针对标记的数据集调用 to_pandas_dataframe 时，现在可以指定是否覆盖现有文件。
  - 调用导致删除 time series、label 或 image 列的 keep_columns 或 drop_columns 时，也会删除数据集的相应功能。
  - 修复了调用 dataset.to_torchvision() 时 PyTorch 加载程序存在的问题。
Bug 修复与改进
- azure-cli-ml
  - 已将模型分析添加到预览版 CLI。
  - 修复了 Azure 存储中导致 Azure 机器学习 CLI 失败的中断性变更。
  - 已将负载均衡器类型添加到 AKS 类型的 MLC
- azureml-automl-core
  - 修复了检测时序中的最大边际时缺少值和出现多个粒度的问题。
  - 修复了生成交叉验证拆分过程中发生失败的问题。
  - 将本部分替换为要显示在发行说明中的 markdown 格式的消息：- 改进了处理预测数据集中短粒度的方法。
  - 修复了日志记录期间将某些用户信息掩码的问题。 \- 改进了预测运行期间记录错误的方法。
  - 将 psutil 作为 conda 依赖项添加到自动生成的 yml 部署文件中。
- azureml-contrib-mir
  - 修复了 Azure 存储中导致 Azure 机器学习 CLI 失败的中断性变更。
- azureml-core
  - 修复了导致 Azure Functions 上部署的模型生成 500 错误的 bug。
  - 修复了 amlignore 文件不应用于快照的问题。
  - 添加了新的 API amlcompute.get_active_runs，用于返回要运行的生成器，并使运行在给定的 amlcompute 上排队。
  - 已将负载均衡器类型添加到 AKS 类型的 MLC。
  - 已将 append_prefix bool 参数添加到 run.py 中的 download_files，以及 download_artifacts_from_prefix 中的 artifacts_client。此标志用于选择性地平展原始文件路径，以便只将文件或文件夹名称添加到 output_directory
  - 修复了包含数据集用法的 run_config.yml 的反序列化问题。
  - 调用导致删除 time series 列的 keep_columns 或 drop_columns 时，也会删除数据集的相应功能。
- azureml-interpret
  - 已将 interpret-community 版本更新为 0.1.0.3
- azureml-train-automl
  - 修复了 automl_step 可能无法输出验证问题的问题。
  - 修复了即使模型的环境在本地缺少依赖项，register_model 也能成功的问题。
  - 修复了不为某些远程运行启用 docker 的问题。
  - 添加了导致本地运行提前失败的异常的日志记录。
- azureml-train-core
  - 在自动超参数优化最佳子运行的计算中考虑 resume_from 运行。
- azureml-pipeline-core
  - 修复了管道自变量构造中的参数处理。
  - 添加了管道说明和步骤类型 yaml 参数。
  - 为管道步骤添加了新的 yaml 格式，并针对旧格式添加了弃用警告。

2019-11-04

Web 体验

位于 https://ml.azure.com 的协作工作区登陆页面已增强，且更名为“Azure 机器学习工作室”。

在工作室中，可以训练、测试、部署和管理数据集、管道、模型、终结点等 Azure 机器学习资产。

从工作室访问以下基于 Web 的创作工具：

基于 Web 的工具	说明
笔记本 VM（预览版）	完全托管的基于云的工作站
自动化机器学习（预览版）	没有可用于自动化机器学习模型开发的代码体验
设计师	以前称为“可视化界面”的拖放式机器学习建模工具

Azure 机器学习设计器增强

前称为“可视化界面”
11 个新模块，包括推荐器、分类器和训练实用工具，例如特征工程、交叉验证和数据转换。

R SDK

数据科学家和 AI 开发人员可以结合 Azure 机器学习使用适用于 R 的 Azure 机器学习 SDK 来构建和运行机器学习工作流。

适用于 R 的 Azure 机器学习 SDK 使用 reticulate 包绑定到 Python SDK。直接绑定到 Python 后，可以通过适用于 R 的 SDK 从所选的任何 R 环境访问 Python SDK 中实现的核心对象和方法。

SDK 的主要功能包括：

管理用于监视、记录和组织机器学习试验的云资源。
使用云资源训练模型，包括 GPU 加速的模型训练。
在 Azure 容器实例 (ACI) 和 Azure Kubernetes 服务 (AKS) 中将模型部署为 Web 服务。

有关完整文档，请参阅包网站。

Azure 机器学习与事件网格的集成

Azure 机器学习现在是事件网格的资源提供程序，你可以通过 Azure 门户或 Azure CLI 配置机器学习事件。用户可以针对运行完成、模型注册、模型部署和检测到的数据偏移创建事件。可将这些事件路由到事件网格支持的事件处理程序以供使用。有关更多详细信息，请参阅机器学习事件架构和教程文章。

2019-10-31

适用于 Python 的 Azure 机器学习 SDK v1.0.72

新功能
- 通过 azureml-datadrift 包添加了数据集监视器，用于持续监视存在数据偏移的时序数据集或其他统计更改。如果检测到偏移或符合针对数据的其他条件，则可以触发警报和事件。有关详细信息，请参阅我们的文档。
- 在 Azure 机器学习中宣布两个新版本（也称为 SKU）。在此版本中，现在可以创建“基本”或“企业”Azure 机器学习工作区。所有现有工作区默认为“基本”版本，随时可以转到 Azure 门户或工作室来升级工作区。可以从 Azure 门户创建“基本”或“企业”工作区。有关详细信息，请阅读我们的文档。在 SDK 中，可以使用工作区对象的“sku”属性确定工作区的版本。
- 我们还增强了 Azure 机器学习计算 - 现在，可以在 Azure Monitor 中查看群集的指标（例如节点总数、正在运行的节点、总核心配额），并可以查看用于调试的诊断日志。此外，还可以查看群集上当前正在运行或已排队的运行，以及群集中各个节点的 IP 等详细信息。可以在门户中查看这些信息，或者使用 SDK 或 CLI 中的相应函数来查看。
- 预览功能
  - 我们正在发布 Azure 机器学习计算中本地 SSD 磁盘加密的预览版支持。若要将你的订阅加入允许列表以便能够使用此功能，提交技术支持工单。
  - Azure 机器学习批量推理公共预览版。 Azure 机器学习批量推理面向非时间敏感型的大型推理作业。批量推理提供经济高效的推理计算缩放功能，并为异步应用程序提供无可比拟的吞吐量。它已针对高吞吐量进行优化，可针对大型数据集合实现即发即弃的推理。
  - azureml-contrib-dataset
    - 已实现标记数据集的功能
```
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()
```
Bug 修复与改进
- azure-cli-ml
  - CLI 现在支持模型打包。
  - 添加了数据集 CLI。详细信息：az ml dataset --help
  - 添加了对部署和打包受支持模型（ONNX、scikit-learn 和 TensorFlow）的支持，无需 InferenceConfig 实例。
  - 在 SDK 和 CLI 中为服务部署（ACI 和 AKS）添加了覆盖标志。如果提供此标志，将覆盖现有服务（如果存在同名的服务）。如果服务不存在，将创建新服务。
  - 可将模型注册到 Onnx 和 TensorFlow 这两个新框架。 - 模型注册接受模型的示例输入数据、示例输出数据和资源配置。
- azureml-automl-core
  - 仅当设置运行时约束时，才会在子进程中运行迭代。
  - 为预测任务添加了准则，用于检查指定的 max_horizon 是否导致给定的计算机上出现内存问题。如果是，将显示一条护栏消息。
  - 添加了对复杂频率（例如两年和一个月）的支持。 - 添加了无法确定频率时显示的易于理解的错误消息。
  - 在自动生成的 conda env 中添加了 azureml-defaults 用于解决模型部署失败
  - 允许将 Azure 机器学习管道中的中间数据转换为表格数据集，并在 AutoMLStep 中使用。
  - 为流式处理实现了列用途更新。
  - 为用于流式处理的 Imputer 和 HashOneHotEncoder 实现了转换器参数更新。
  - 已将当前数据大小和所需最小数据大小添加到了验证错误消息中。
  - 更新了交叉验证所需的最小数据大小，以保证每个验证折叠中至少有两个样本。
- azureml-cli-common
  - CLI 现在支持模型打包。
  - 可将模型注册到 Onnx 和 TensorFlow 这两个新框架。
  - 模型注册接受模型的示例输入数据、示例输出数据和资源配置。
- azureml-contrib-gbdt
  - 修复了笔记本的发布通道
  - 为不支持的非 AmlCompute 计算目标添加了警告
  - 已将 LightGMB 评估器添加到 azureml-contrib-gbdt 包
- azureml-core
  - CLI 现在支持模型打包。
  - 为已弃用的数据集 API 添加了弃用警告。请参阅 https://aka.ms/tabular-dataset 上的数据集 API 更改通知。
  - 更改了 Dataset.get_by_id，以便在注册数据集后返回注册名称和版本。
  - 修复了无法反复使用将数据集用作参数的 ScriptRunConfig 来提交试验运行的 bug。
  - 在运行期间检索到的数据集将受到跟踪，并可以在运行详细信息页中查看，或者在运行完成后调用 run.get_details() 来查看。
  - 允许将 Azure 机器学习管道中的中间数据转换为表格数据集，并在 AutoMLStep 中使用。
  - 添加了对部署和打包受支持模型（ONNX、scikit-learn 和 TensorFlow）的支持，无需 InferenceConfig 实例。
  - 在 SDK 和 CLI 中为服务部署（ACI 和 AKS）添加了覆盖标志。如果提供此标志，将覆盖现有服务（如果存在同名的服务）。如果服务不存在，将创建新服务。
  - 可将模型注册到 Onnx 和 TensorFlow 这两个新框架。模型注册接受模型的示例输入数据、示例输出数据和资源配置。
  - 为 Azure Database for MySQL 添加了新的数据存储。添加了有关在 Azure 机器学习管道的 DataTransferStep 中使用 Azure Database for MySQL 的示例。
  - 添加了在试验中添加和删除标记的功能；添加了从运行中删除标记的功能
  - 在 SDK 和 CLI 中为服务部署（ACI 和 AKS）添加了覆盖标志。如果提供此标志，将覆盖现有服务（如果存在同名的服务）。如果服务不存在，将创建新服务。
- azureml-datadrift
  - 已从 azureml-contrib-datadrift 移入 azureml-datadrift
  - 添加了监视时序数据集的偏移和其他统计度量的支持
  - 已将新方法 create_from_model() 和 create_from_dataset() 添加到 DataDriftDetector 类。 create() 方法已弃用。
  - 对 Azure 机器学习工作室中的 Python 和 UI 中的可视化效果做了调整。
  - 数据集监视器除了每日监视计划以外，还支持每周和每月监视计划。
  - 支持数据监视指标的回填，以分析数据集监视器的历史数据。
  - 各种 Bug 修复
- azureml-pipeline-core
  - 从管道 yaml 文件提交 Azure 机器学习管道运行不再需要 azureml-dataprep。
- azureml-train-automl
  - 在自动生成的 conda env 中添加了 azureml-defaults 用于解决模型部署失败
  - AutoML 远程训练现在包含 azureml-defaults，允许重复使用训练 env 进行推理。
- azureml-train-core
  - 在 PyTorch 评估器中添加了 PyTorch 1.3 支持

2019-10-21

可视化界面（预览版）

Azure 机器学习可视化界面（预览版）经过大幅修改，可在 Azure 机器学习管道中运行。在可视化界面中创作的管道（前称为“试验”）现在与核心 Azure 机器学习体验完全集成。
- SDK 资产的统一管理体验
- 可视化界面模型、管道和终结点的版本控制与跟踪
- 重新设计了 UI
- 添加了批量推理部署
- 为推理计算目标添加了 Azure Kubernetes 服务 (AKS) 支持
- 新的 Python 步骤管道创作工作流
- 视觉创作工具的新登陆页
新模块
- 应用数学运算
- 应用 SQL 转换
- 剪切值
- 汇总数据
- 从 SQL 数据库导入

2019-10-14

适用于 Python 的 Azure 机器学习 SDK v1.0.69

Bug 修复与改进
- azureml-automl-core
  - 将模型解释限制为最佳运行，而不是计算每个运行的解释。即将对本地、远程和 ADB 资源做出此项行为更改。
  - 添加了对 UI 的按需模型解释的支持
  - 添加了 psutil 作为 automl 的依赖项，并已将 psutil 包含为 amlcompute 中的 conda 依赖项。
  - 修复了预测数据集的启发式滞后和滚动窗口大小问题，其中的某些时序可能导致线性代数错误
    - 为预测运行中以试探法确定的参数添加了输出功能。
- azureml-contrib-datadrift
  - 添加了当第一部分不存在数据集级别偏移时的保护，同时会创建输出指标。
- azureml-contrib-interpret
  - azureml-contrib-explain-model 包已重命名为 azureml-contrib-interpret
- azureml-core
  - 添加了用于取消注册数据集的 API。 dataset.unregister_all_versions()
  - azureml-contrib-explain-model 包已重命名为 azureml-contrib-interpret。
- azureml-core
  - 添加了用于取消注册数据集的 API。 dataset.unregister_all_versions()。
  - 添加了用于检查数据更改时间的数据集 API。 dataset.data_changed_time。
  - 可以使用 FileDataset 和 TabularDataset 作为 Azure 机器学习管道中 PythonScriptStep、EstimatorStep 和 HyperDriveStep 的输入
  - 对于包含大量文件的文件夹，FileDataset.mount 的性能已得到改进
  - 可以使用 FileDataset 和 TabularDataset 作为 Azure 机器学习管道中 PythonScriptStep、EstimatorStep 和 HyperDriveStep 的输入
  - 对于包含大量文件的文件夹，FileDataset.mount() 的性能已得到改进
  - 在运行详细信息中添加了已知错误建议的 URL。
  - 修复了 run.get_metrics 中的一个 bug：如果运行包含过多的子级，请求将会失败
  - 修复了 run.get_metrics 中的一个 bug：如果运行包含过多的子级，请求将会失败
  - 在 Arcadia 群集中添加了身份验证的支持。
  - 创建 Experiment 对象会在 Azure 机器学习工作区中获取或创建试验用于运行历史记录跟踪。创建时会在 Experiment 对象中填充试验 ID 和存档时间。示例：experiment = Experiment(workspace, "New Experiment") experiment_id = experiment.id archive() and reactivate() 是可以针对试验调用的函数，用于隐藏和还原试验，以避免在 UX 中显示该试验，或者在调用列出试验操作时按默认返回该试验。如果使用与存档试验相同的名称创建了新的试验，可以在重新激活时通过传递新名称来重命名已存档的试验。只能有一个具有给定名称的活动试验。示例：experiment1 = Experiment(workspace, "Active Experiment") experiment1.archive() # 使用与存档试验相同的名称创建新的活动试验。 experiment2 = Experiment(workspace, "Active Experiment") experiment1.reactivate(new_name="Previous Active Experiment") 针对试验调用静态方法 list() 可以创建名称筛选器和 ViewType 筛选器。 ViewType 值为“ACTIVE_ONLY”、“ARCHIVED_ONLY”和“ALL”。示例：archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY") all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
  - 支持使用环境进行模型部署和服务更新
- azureml-datadrift
  - DataDriftDector 类的 show 属性不再支持可选参数“with_details”。 show 特性只显示数据偏移系数和特征列的数据偏移分布。
  - DataDriftDetector 特性“get_output”的行为更改：
    - 输入参数 start_time 和 end_time 是可选的，而不是必需的；
    - 在同一调用中结合特定的 run_id 输入特定的 start_time 和/或 end_time 会导致值错误异常，因为它们是互斥的
    - 如果输入特定的 start_time 和/或 end_time，只会返回计划运行的结果；
    - 参数“daily_latest_only”已弃用。
  - 支持检索基于数据集的数据偏移输出。
- azureml-explain-model
  - 将 AzureML-explain-model 包重命名为 AzureML-interpret，暂时保留旧包，以便能够后向兼容
  - 修复了 automl bug：从 ExplanationClient 下载时，原始解释默认设置为分类任务而不是回归
  - 添加了直接使用 ScoringExplainer 创建 MimicWrapper 的支持
- azureml-pipeline-core
  - 改进了创建大管道的性能
- azureml-train-core
  - 在 TensorFlow 评估器中添加了 TensorFlow 2.0 支持
- azureml-train-automl
  - 创建 Experiment 对象会在 Azure 机器学习工作区中获取或创建试验用于运行历史记录跟踪。创建时会在 Experiment 对象中填充试验 ID 和存档时间。示例：
```
experiment = Experiment(workspace, "New Experiment")
experiment_id = experiment.id
```
    archive() 和 reactivate() 是可以针对试验调用的函数，用于隐藏和还原试验，以避免在 UX 中显示该试验，或者在调用列出试验操作时按默认返回该试验。如果使用与存档试验相同的名称创建了新的试验，可以在重新激活时通过传递新名称来重命名已存档的试验。只能有一个具有给定名称的活动试验。示例：
```
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")
```
    针对试验调用静态方法 list() 可以创建名称筛选器和 ViewType 筛选器。 ViewType 值为“ACTIVE_ONLY”、“ARCHIVED_ONLY”和“ALL”。示例：
```
archived_experiments = Experiment.list(workspace, view_type="ARCHIVED_ONLY")
all_first_experiments = Experiment.list(workspace, name="First Experiment", view_type="ALL")
```
  - 支持使用环境进行模型部署和服务更新。
- azureml-datadrift
  - DataDriftDetector 类的 show 特性不再支持可选参数“with_details”。 show 特性只显示数据偏移系数和特征列的数据偏移分布。
  - DataDriftDetector 函数 [get_output]python/api/azureml-datadrift/azureml.datadrift.datadriftdetector.datadriftdetector#get-output-start-time-none--end-time-none--run-id-none-) 行为更改：
    - 输入参数 start_time 和 end_time 是可选的，而不是必需的；
    - 在同一调用中结合特定的 run_id 输入特定的 start_time 和/或 end_time 会导致值错误异常，因为它们是互斥的；
    - 如果输入特定的 start_time 和/或 end_time，只会返回计划运行的结果；
    - 参数“daily_latest_only”已弃用。
  - 支持检索基于数据集的数据偏移输出。
- azureml-explain-model
  - 添加了直接使用 MimicWrapper 创建 ScoringExplainer 的支持
- azureml-pipeline-core
  - 改进了创建大管道的性能。
- azureml-train-core
  - 在 TensorFlow 评估器中添加了 TensorFlow 2.0 支持。
- azureml-train-automl
  - 当设置迭代失败时，父运行将不再失败，因为业务流程可以处理此问题。
  - 为 AutoML 试验添加了 local-docker 和 local-conda 支持
  - 为 AutoML 试验添加了 local-docker 和 local-conda 支持。

2019-10-08

Azure 机器学习工作区的新 Web 体验（预览版）

新工作区门户中的“试验”选项卡已更新，使数据科学家能够以更高效的方式监视试验。可以探索以下功能：

查看试验元数据，轻松筛选和排序试验列表
查看简化且高效的试验详细信息页，在其中可以可视化和比较运行
探索显示运行详细信息页的新设计，以了解和监视训练运行

2019-09-30

适用于 Python 的 Azure 机器学习 SDK v1.0.65

新功能
- 添加了组织有序的环境。这些环境中已预先配置用于常用机器学习任务的库，并且已预先生成并缓存为 Docker 映像，以加快执行速度。默认情况下，这些环境会显示在工作区的环境列表中，其前缀为“AzureML”。
- 添加了组织有序的环境。这些环境中已预先配置用于常用机器学习任务的库，并且已预先生成并缓存为 Docker 映像，以加快执行速度。默认情况下，这些环境会显示在工作区的环境列表中，其前缀为“AzureML”。
azureml-train-automl
azureml-train-automl
- 添加了对 ADB 和 HDI 的 ONNX 转换支持
预览功能
- azureml-train-automl
- azureml-train-automl
  - 支持用作文本特征化器的 BERT 和 BiLSTM（仅限预览版）
  - 支持列用途和转换器参数的特征化自定义（仅限预览版）
  - 当用户在训练期间启用模型解释时支持原始解释（仅限预览版）
  - 添加了用作可训练管道的 Prophet 进行 timeseries 预测（仅限预览版）
- azureml-contrib-datadrift
  - 已将包从 azureml-contrib-datadrift 重定位到 azureml-datadrift；未来的版本中将删除 contrib 包
Bug 修复与改进
- azureml-automl-core
  - 已将 FeaturizationConfig 引入到 AutoMLConfig 和 AutoMLBaseSettings
  - 已将 FeaturizationConfig 引入到 AutoMLConfig 和 AutoMLBaseSettings
    - 使用给定的列和特征类型替代用于特征化的列用途
    - 替代转换器参数
  - 为 explain_model() 和 retrieve_model_explanations() 添加了弃用消息
  - 已添加 Prophet 作为可训练管道（仅限预览版）
  - 为 explain_model() 和 retrieve_model_explanations() 添加了弃用消息。
  - 已添加 Prophet 作为可训练管道（仅限预览版）。
  - 添加了对目标滞后、滚动窗口大小和最大水平线的自动检测的支持。如果某个 target_lags、target_rolling_window_size 或 max_horizon 设置为“auto”，则会应用试探法来基于训练数据估算相应参数的值。
  - 修复了当数据集包含一个粒度列时的预测问题。此粒度为数字类型，训练集与测试集之间存在间隙
  - 修复了有关预测任务中的远程运行包含重复索引的错误消息
  - 修复了当数据集包含一个粒度列时的预测问题。此粒度为数字类型，训练集与测试集之间存在间隙。
  - 修复了有关预测任务中的远程运行包含重复索引的错误消息。
  - 添加了准则用于检查数据集是否不平衡。如果是，则将准则消息写入控制台。
- azureml-core
  - 添加了通过模型对象在存储中检索要建模的 SAS URL 的功能。示例：model.get_sas_url()
  - 引入了 run.get_details()['datasets'] 用于获取与已提交运行关联的数据集
  - 添加了 API Dataset.Tabular.from_json_lines_files 用于从 JSON 行文件创建 TabularDataset。若要了解有关 TabularDataset 上的 JSON 行文件中的此表格数据，请访问本文获取文档。
  - 为 supported_vmsizes() 函数添加了其他 VM 大小字段（OS 磁盘、GPU 数目）
  - 为 list_nodes() 函数添加了更多字段，以显示运行、专用 IP、公共 IP 和端口等。
  - 在群集预配期间可以指定新字段，可将 --remotelogin_port_public_access 设置为 enabled 或 disabled，具体取决于在创建群集时是要将 SSH 端口保留为打开还是关闭状态。如果不指定此字段，服务将会根据是否在 VNet 中部署群集，智能地打开或关闭该端口。
- azureml-explain-model
- azureml-core
  - 添加了通过模型对象在存储中检索要建模的 SAS URL 的功能。示例：model.get_sas_url()
  - 引入了 run.get_details['datasets'] 用于获取与提交的运行关联的数据集
  - 添加了 API Dataset.Tabular.from_json_lines_files() 用于从 JSON 行文件创建 TabularDataset。若要了解有关 TabularDataset 上的 JSON 行文件中的此表格数据，请访问 https://aka.ms/azureml-data 获取文档。
  - 为 supported_vmsizes() 函数添加了其他 VM 大小字段（OS 磁盘、GPU 数目）
  - 为 list_nodes() 函数添加了其他字段，以显示运行、专用 IP、公共 IP 和端口等。
  - 在群集预配期间可以指定新字段，可将其设置为启用或禁用，具体取决于在创建群集时是要将 SSH 端口保留为打开还是关闭状态。如果不指定此字段，服务会根据是否在 VNet 中部署群集，智能地打开或关闭该端口。
- azureml-explain-model
  - 改进了分类方案中解释输出的文档。
  - 在评估示例的解释中添加了上传预测的 y 值的功能。解锁了更有用的可视化效果。
  - 已将 explainer 属性添加到 MimicWrapper，以便能够获取基础 MimicExplainer。
- azureml-pipeline-core
  - 添加了用于描述 Module、ModuleVersion 和 ModuleStep 的笔记本
- azureml-pipeline-steps
  - 添加了用于通过 AML 管道支持 R 脚本运行的 RScriptStep。
  - 修复了 AzureBatchStep 中的元数据参数分析问题，此问题会导致出现错误消息“未指定参数 SubscriptionId 的分配”。
- azureml-train-automl
  - 支持将 training_data、validation_data、label_column_name 和 weight_column_name 用作数据输入格式
  - 为 explain_model() 和 retrieve_model_explanations() 添加了弃用消息
- azureml-pipeline-core
  - 添加了一个笔记本来描述 Module、[ModuleVersion 和 ModuleStep。
- azureml-pipeline-steps
  - 添加了用于通过 AML 管道支持 R 脚本运行的 RScriptStep。
  - 修复了 AzureBatchStep 中的元数据参数分析问题，此问题会导致出现错误消息“未指定参数 SubscriptionId 的分配”。
- azureml-train-automl
  - 支持将 training_data、validation_data、label_column_name 和 weight_column_name 用作数据输入格式。
  - 为 explain_model() 和 retrieve_model_explanations() 添加了弃用消息。

2019-09-16

适用于 Python 的 Azure 机器学习 SDK v1.0.62

新功能
- 针对 TabularDataset 引入了 timeseries 特征。使用此特性可以轻松地按时间戳对 TabularDataset 的数据进行筛选，例如，获取某个时间范围内的所有数据或最新的数据。访问 https://github.com/Azure/MachineLearningNotebooks/blob/master/how-to-use-azureml/work-with-data/datasets-tutorial/timeseries-datasets/tabular-timeseries-dataset-filtering.ipynb ，获取一个示例笔记本。
- 支持使用 TabularDataset 和 FileDataset 进行训练。
- azureml-train-core
  - 在 PyTorch 评估器中添加了 Nccl 和 Gloo 支持
Bug 修复与改进
- azureml-automl-core
  - 已弃用 AutoML 设置“lag_length”和 LaggingTransformer。
  - 修复了输入数据（如果以数据流格式指定）的正确验证
  - 修改了 fit_pipeline.py 以生成图形 JSON 并上传到项目。
  - 使用 userrun 在 Cytoscape 下呈现图形。
- azureml-core
  - 再次审视了 ADB 代码中的异常处理，并已根据新的错误处理对其进行更改
  - 为笔记本 VM 添加了自动 MSI 身份验证。
  - 修复了由于重试失败而可能上传损坏的模型或空模型的 bug。
  - 修复了当 DataReference 模式更改时 DataReference 名称发生更改的 bug（例如，调用 as_upload、as_download 或 as_mount 时）。
  - 使 mount_point 和 target_path 成为 FileDataset.mount 和 FileDataset.download 的可选参数。
  - 如果在未分配精细时间戳列或者删除分配的时间戳列的情况下调用时序相关的 API，则会引发找不到时间戳列的异常。
  - 应为时序列分配类型为 Date 的列，否则会发生异常
  - 分配 API“with_timestamp_columns”的时序列可以采用 None 值精细/粗糙时间戳列名称，这会清除以前分配的时间戳列。
  - 删除粗糙粒度或精细粒度时间戳列时，将引发异常，指示用户可以通过在删除列表中排除时间戳列来完成删除，或者结合 None 值调用 with_time_stamp 来释放时间戳列
  - 保留列的列表中不包含粗糙粒度或精细粒度时间戳列时，将引发异常，指示用户可以通过在保留列列表中包含时间戳列来完成保留，或者结合 None 值调用 with_time_stamp 来释放时间戳列。
  - 添加了已注册模型大小的日志记录功能。
- azureml-explain-model
  - 修复了当未安装“packaging”Python 包时在控制台中输出的警告：“使用的 lightgbm 版本低于支持的版本，请升级到 2.2.1 或更高版本”
  - 修复了下载模型解释，提供包含许多特征的全局解释的分片
  - 在输出解释中修复了缺少初始化示例的模拟解释
  - 修复了使用两种不同类型的模型在解释客户端中上传期间 set 属性时发生的可变错误
  - 已将一个 get_raw 参数添加到评分 explainer.explain()，这样一个评分解释器就可以返回工程值和原始值。
- azureml-train-automl
  - 引入了 AutoML 中的公共 API 以支持 automl 解释 SDK 中的解释 - 通过将 AutoML 特征化与解释 SDK 相耦合来支持 AutoML 解释的更新方式 - 为 AutoML 模型集成了 azureml 解释 SDK 中的原始解释支持。
  - 从远程训练环境中删除了 azureml-defaults。
  - 对于 Azure Databricks 代码路径中的 AutoML，已将默认缓存存储位置从基于 FileCacheStore 的位置更改为 AzureFileCacheStore 位置。
  - 修复了输入数据（如果以数据流格式指定）的正确验证
- azureml-train-core
  - 已撤消 source_directory_data_store 弃用。
  - 添加了替代 azureml 安装的包版本的功能。
  - 在评估器的 environment_definition 参数中添加了 dockerfile 支持。
  - 在评估器中简化了分布式训练参数。
```
from azureml.train.dnn import TensorFlow, Mpi, ParameterServer
```

2019-09-09

Azure 机器学习工作区的新 Web 体验（预览版）

数据科学家和数据工程师可以使用新的 Web 体验，在单个位置完成从准备和可视化数据，到训练和部署模型的端到端机器学习生命周期。

Azure 机器学习工作区 UI（预览版）

主要功能：

现在，使用此新的 Azure 机器学习界面可以：

管理笔记本或链接到 Jupyter
运行自动化机器学习试验
从本地文件、数据存储和 Web 文件创建数据集
探索和准备用于创建模型的数据集
监视模型的数据偏移
从仪表板查看最近使用的资源

目前，此版本支持以下浏览器：Chrome、Firefox、Safari 和 Microsoft Edge 预览版。

已知问题：

如果当部署正在进行时出现“出现问题! 加载区块文件时出错”，请刷新浏览器。
无法删除或重命名笔记本和文件中的文件。在公共预览版中，可以在笔记本 VM 中使用 Jupyter UI 或终端执行更新文件操作。由于它是一个装载的网络文件系统，在笔记本 VM 上做出的所有更改会立即反映在笔记本工作区中。
通过 SSH 连接到笔记本 VM：
1. 找到在设置 VM 期间创建的 SSH 密钥。或者，在 Azure 机器学习工作区中找到密钥 > 打开“计算”选项卡 > 在列表中找到笔记本 VM > 打开其属性：复制对话框中的密钥。
2. 将这些公共和专用 SSH 密钥导入本地计算机。
3. 使用这些密钥通过 SSH 连接到笔记本 VM。

2019-09-03

适用于 Python 的 Azure 机器学习 SDK v1.0.60

新功能
- 引入了 FileDataset，它引用数据存储或公共 URL 中的单个或多个文件。这些文件可以采用任何格式。 FileDataset 提供下载文件或将其装载到计算资源的功能。
- 添加了对 PythonScript 步骤、Adla 步骤、Databricks 步骤、DataTransferStep 和 AzureBatch 步骤的管道 YAML 支持
Bug 修复与改进
- azureml-automl-core
  - AutoArima 目前是仅适用于预览版的可建议管道。
  - 改进了预测的错误报告。
  - 使用自定义异常而不是预测任务中的泛型改进了日志记录。
  - 删除了检查 max_concurrent_iterations 是否小于迭代总数的行为。
  - AutoML 模型现在返回 AutoMLExceptions
  - 此版本改进了自动化机器学习本地运行的执行性能。
- azureml-core
  - 引入了 Dataset.get_all(workspace)，它会返回按注册名称进行键控的 TabularDataset 和 FileDataset 对象的字典。
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - 引入了 parition_format 作为 Dataset.Tabular.from_delimited_files 和 Dataset.Tabular.from_parquet.files 的参数。会基于指定的格式将每个数据路径的分区信息提取到列中。 “{column_name}”创建字符串列，“{column_name:yyyy/MM/dd/HH/mm/ss}”创建日期时间列，其中，“yyyy”、“MM”、“dd”、“HH”、“mm”和“ss”用于提取日期时间类型的年、月、日、小时、分钟和秒。 partition_format 应从文件路径结束之前的第一个分区键位置开始。例如，假设路径“../USA/2019/01/01/data.csv”中的分区按国家/地区/区域和时间提供，则 partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' 将创建值为“USA”的字符串列“Country”，以及值为“2019-01-01”的日期时间列“PartitionDate”。
```
workspace = Workspace.from_config()
all_datasets = Dataset.get_all(workspace)
mydata = all_datasets['my-data']
```
  - 引入了 partition_format 作为 Dataset.Tabular.from_delimited_files 和 Dataset.Tabular.from_parquet.files 的参数。会基于指定的格式将每个数据路径的分区信息提取到列中。 “{column_name}”创建字符串列，“{column_name:yyyy/MM/dd/HH/mm/ss}”创建日期时间列，其中，“yyyy”、“MM”、“dd”、“HH”、“mm”和“ss”用于提取日期时间类型的年、月、日、小时、分钟和秒。 partition_format 应从文件路径结束之前的第一个分区键位置开始。例如，假设路径“../USA/2019/01/01/data.csv”中的分区按国家/地区/区域和时间提供，则 partition_format='/{Country}/{PartitionDate:yyyy/MM/dd}/data.csv' 将创建值为“USA”的字符串列“Country”，以及值为“2019-01-01”的日期时间列“PartitionDate”。
  - 已将 to_csv_files 和 to_parquet_files 方法添加到 TabularDataset。这些方法通过将数据转换为指定格式的文件来实现 TabularDataset 与 FileDataset 之间的转换。
  - 保存 Model.package() 生成的 Dockerfile 时，将自动记录到基础映像注册表中。
  - 不再需要“gpu_support”；AML 现在会自动检测并使用 nvidia docker 扩展（如果可用）。未来的版本中将删除“gpu_support”。
  - 添加了创建、更新和使用 PipelineDrafts 的支持。
  - 此版本改进了自动化机器学习本地运行的执行性能。
  - 用户可以按名称从运行历史记录中查询指标。
  - 使用自定义异常而不是预测任务中的泛型改进了日志记录。
- azureml-explain-model
  - 已将 feature_maps 参数添加到新的 MimicWrapper，使用户能够获取原始特征解释。
  - 现在默认会关闭数据集上传已进行解释上传，可以使用 upload_datasets=True 重新启用它。
  - 已将“is_law”筛选参数添加到解释列出和下载函数。
  - 已将方法 get_raw_explanation(feature_maps) 添加到全局和本地解释对象。
  - 已将版本检查添加到 lightgbm，低于支持的版本时会输出警告
  - 优化了批处理解释时的内存用量
  - AutoML 模型现在返回 AutoMLExceptions
- azureml-pipeline-core
  - 添加了创建、更新和使用 PipelineDrafts 的支持 - 可用于维护可变管道定义，并以交互方式使用它们来运行
- azureml-train-automl
  - 创建了用于安装特定版本的支持 GPU 的 pytorch v1.1.0、cuda 工具包 9.0、pytorch-transformers 的功能，在远程 Python 运行时环境中启用 BERT/XLNet 必须使用此功能。
- azureml-train-core
  - 某些超参数空间定义错误直接在 SDK 中（而不是服务器端）导致提前失败。

Azure 机器学习数据准备 SDK v1.1.14

Bug 修复与改进
- 已实现使用原始路径和凭据写入 ADLS/ADLSGen2 的功能。
- 修复了导致 include_path=True 对 read_parquet 不起作用的 bug。
- 修复了异常“无效的属性值: hostSecret”导致的 to_pandas_dataframe() 失败。
- 修复了在 Spark 模式下无法在 DBFS 中读取文件的 bug。

2019-08-19

适用于 Python 的 Azure 机器学习 SDK v1.0.57

新功能
- 使 TabularDataset 能够被 AutomatedML 使用。若要详细了解 TabularDataset，请访问 https://aka.ms/azureml/howto/createdatasets.
Bug 修复与改进
- azure-cli-ml
  - 现在，可为 AKS 群集上部署的评分终结点更新 Microsoft 生成的证书和客户证书的 TLS/SSL 证书。
- azureml-automl-core
  - 修复了 AutoML 中未正确删除缺少标签的行的问题。
  - 改进了 AutoML 中的错误日志记录；现在，完整的错误消息始终会写入日志文件。
  - AutoML 已更新其包固定方式，使其包含 azureml-defaults、azureml-explain-model 和 azureml-dataprep。存在包不匹配的情况时（azureml-train-automl 包除外），AutoML 不再发出警告。
  - 修复了 timeseries 中的一个问题：cv 拆分的大小不相等，导致 bin 计算失败。
  - 针对交叉验证训练类型运行系综迭代时，如果我们在下载针对整个数据集训练的模型时遇到问题，则模型权重与馈送到投票系综的模型之间会出现不一致情况。
  - 修复了以 pandas 数据帧格式而不是以 numpy 数组形式提供训练和/或验证标签（y 和 y_valid）时引发的错误。
  - 修复了在输入表的布尔值列中遇到 None 时预测任务出现的问题。
  - 允许 AutoML 用户在预测时删除不够长的训练系列。 - 允许 AutoML 用户在预测时从测试集中删除不在训练集中的粒度。
- azureml-core
  - 修复了 blob_cache_timeout 参数排序的问题。
  - 已将外部拟合与转换异常类型添加到系统错误。
  - 添加了对远程运行使用 Key Vault 机密的支持。添加了 azureml.core.keyvault.Keyvault 类，用于在与工作区关联的密钥保管库中添加、获取和列出机密。支持的操作为：
    - azureml.core.workspace.Workspace.get_default_keyvault（）
    - azureml.core.keyvault.Keyvault.set_secret（名称、值）
    - azureml.core.keyvault.Keyvault.set_secrets（secrets_dict）
    - azureml.core.keyvault.Keyvault.get_secret（名称）
    - azureml.core.keyvault.Keyvault.get_secrets（secrets_list）
    - azureml.core.keyvault.Keyvault.list_secrets（）
    - 用于在远程运行期间获取默认密钥保管库和获取机密的其他方法：
    - azureml.core.workspace.Workspace.get_default_keyvault（）
    - azureml.core.run.Run.get_secret（名称）
    - azureml.core.run.Run.get_secrets（secrets_list）
  - 已将其他重写参数添加到 submit-hyperdrive CLI 命令。
  - 改进了 API 调用将重试扩展到常见请求库异常的可靠性。
  - 添加了从已提交运行提交运行的支持。
  - 修复了 FileWatcher 中的 SAS 令牌过期问题，此问题会导致文件在其初始令牌过期后停止上传。
  - 支持在数据集 Python SDK 中导入 HTTP csv/tsv 文件。
  - 已弃用 Workspace.setup() 方法。显示给用户的警告消息建议改用 create() 或 get()/from_config()。
  - 添加了 Environment.add_private_pip_wheel()，以便能够将专用自定义 Python 包 whl 上传到工作区，并安全地使用这些包生成/具体化环境。
  - 现在，可为 AKS 群集上部署的评分终结点更新 Microsoft 生成的证书和客户证书的 TLS/SSL 证书。
- azureml-explain-model
  - 添加了相应的参数，用于在上传时将模型 ID 添加到解释中。
  - 已将 is_raw 标记添加到内存和上传内容中的解释。
  - 已针对 azureml-explain-model 包添加了 pytorch 支持和测试。
- azureml-opendatasets
  - 支持检测和记录自动测试环境。
  - 添加了用于按县和邮政编码获取美国人口数据的类。
- azureml-pipeline-core
  - 添加了用于输入和输出端口定义的标签属性。
- azureml-telemetry
  - 修复了错误的遥测配置。
- azureml-train-automl
  - 修复了以下 bug：设置失败时，错误不会记录到设置运行的“errors”字段中，因而不会存储在父运行的“errors”中。
  - 修复了 AutoML 中未正确删除缺少标签的行的问题。
  - 允许 AutoML 用户在预测时删除不够长的训练系列。
  - 允许 AutoML 用户在预测时从测试集中删除不在训练集中的粒度。
  - 现在，AutoMLStep 会将 automl 配置传递到后端，以避免在更改或添加新的配置参数时发生任何问题。
  - AutoML Data Guardrail 现已推出公共预览版。在训练后，用户将看到 Data Guardrail 报告（适用于分类/回归任务），并且可以通过 SDK API 访问该报告。
- azureml-train-core
  - 在 PyTorch 评估器中添加了 torch 1.2 支持。
- azureml-widgets
  - 改进了分类训练的混淆矩阵图。

Azure 机器学习数据准备 SDK v1.1.12

新功能
- 现在可将字符串列表作为输入传递到 read_* 方法。
Bug 修复与改进
- 在 Spark 中运行时，read_parquet 的性能已得到提升。
- 修复了以下问题：当单个列的日期格式不明确时，column_type_builder 会失败。

Azure 门户

预览版功能
- 现在为运行详细信息页提供日志和输出文件流。当预览切换开关处于打开状态时，这些文件将实时流式处理更新。
- 预览版中发布了在工作区级别设置配额的功能。 AmlCompute 配额将在订阅级别分配，但我们现在允许在工作区之间分发该配额，并分配该配额来实现公平共享和监管。只需单击工作区左窗格中的“ 使用情况+配额 ”边栏选项卡，然后选择“ 配置配额 ”选项卡。必须是订阅管理员才能在工作区级别设置配额，因为这是跨工作区作。

2019-08-05

适用于 Python 的 Azure 机器学习 SDK v1.0.55

新功能
- 现在，针对 AKS 上部署的评分终结点发出的调用支持基于令牌的身份验证。我们将继续支持当前的基于密钥的身份验证，用户每次可以使用其中的一种身份验证机制。
- 可将虚拟网络 (VNet) 后面的 Blob 存储注册为数据存储。
Bug 修复与改进
- azureml-automl-core
  - 修复了以下 bug：CV 拆分的验证大小较小，导致为回归和预测生成错误的预测图表，而不是真实的图表。
  - 远程运行上的预测任务的日志记录已得到改进，现在，如果运行失败，将为用户提供详细的错误消息。
  - 修复了预处理标志为 True 时 Timeseries 失败的问题。
  - 使某些预测数据验证错误消息更具可操作性。
  - 通过删除和/或推迟加载数据集（尤其是在进程生成之间），减少了 AutoML 运行的内存消耗
- azureml-contrib-explain-model
  - 已将 model_task 标志添加到解释器，使用户能够替代模型类型的默认自动推理逻辑
  - 小组件更改：会连同 contrib 一起自动安装，无需再安装/启用 nbextension - 支持包含全局特征重要性（例如 Permutative）的说明
  - 仪表板更改：- 摘要页上提供框图、小提琴图和 beeswarm 图 -“Top-k”滑块更改时可以更快地重新呈现 beeswarm 图 - 有帮助的消息会解释 top-k 的计算方式 - 未提供数据时，有用的可自定义消息会取代图表
- azureml-core
  - 添加了 Model.package() 方法，以创建 Docker 映像，以及用于封装模型及其依赖项的 Dockerfile。
  - 更新了本地 Web 服务，以接受包含 Environment 对象的 InferenceConfigs。
  - 修复了在将“.”（表示当前目录）作为 model_path 参数传递时，Model.register() 生成无效模型的问题。
  - 添加了 Run.submit_child，在将运行指定为已提交子运行的父级时，该功能将镜像 Experiment.submit。
  - 支持 Run.register_model 中 Model.register 的配置选项。
  - 可在现有群集上运行 JAR 作业。
  - 现在支持 instance_pool_id 和 cluster_log_dbfs_path 参数。
  - 添加了在将模型部署到 Web 服务时使用 Environment 对象的支持。现在，可将 Environment 对象作为 InferenceConfig 对象的一部分提供。
  - 为新区域（centralus、westus、northcentralus）添加了 appinsifht 映射
  - 为所有 Datastore 类中的所有特性添加了文档。
  - 已将 blob_cache_timeout 参数添加到 Datastore.register_azure_blob_container。
  - 已将 save_to_directory 和 load_from_directory 方法添加到 azureml.core.environment.Environment。
  - 已将“az ml environment download”和“az ml environment register”命令添加到 CLI。
  - 添加了 Environment.add_private_pip_wheel 方法。
- azureml-explain-model
  - 已使用数据集服务（预览版）将数据集跟踪添加到解释。
  - 已将流式处理全局解释时的默认批大小从 10k 减至 100。
  - 已将 model_task 标志添加到解释器，使用户能够替代模型类型的默认自动推理逻辑。
- azureml-mlflow
  - 修复了 mlflow.azureml.build_image 中忽略嵌套目录的 bug。
- azureml-pipeline-steps
  - 添加了在现有 Azure Databricks 群集上运行 JAR 作业的功能。
  - 添加了对 DatabricksStep 步骤使用 instance_pool_id 和 cluster_log_dbfs_path 参数的支持。
  - 添加了在 DatabricksStep 步骤中使用管道参数的支持。
- azureml-train-automl
  - 为系综相关文件添加了 docstrings。
  - 更新了 max_cores_per_iteration 和 max_concurrent_iterations 的文档，以介绍更多的相应语言
  - 远程运行上的预测任务的日志记录已得到改进，现在，如果运行失败，将为用户提供详细的错误消息。
  - 从管道 automlstep 笔记本中删除了 get_data。
  - 在 dataprep 中开始支持 automlstep。

Azure 机器学习数据准备 SDK v1.1.10

新功能
- 现在，可以请求对特定的列执行特定的检查器（例如直方图、散点图等）。
- 已将 parallelize 参数添加到 append_columns。如果此参数为 True，则数据会载入内存，但执行会并行运行；如果为 False，则执行会进行流式处理，但使用单线程。

2019-07-23

适用于 Python 的 Azure 机器学习 SDK v1.0.53

新功能
- 自动化机器学习现在支持在远程计算目标上训练 ONNX 模型
- Azure 机器学习现在提供从上一个运行、检查点或模型文件恢复训练的功能。
  - 了解如何使用评估器从前一个运行恢复训练
Bug 修复与改进
- azure-cli-ml
  - CLI 命令“model deploy”和“service update”现在接受参数、配置文件或二者的组合。文件中的参数优先于特性。
  - 现在，在注册后可以更新模型说明
- azureml-automl-core
  - 将 NimbusML 依赖项更新为版本 1.2.0（当前的最新版本）。
  - 即将添加在 AutoML 评估器中使用 NimbusML 评估器和管道的支持。
  - 即将修复系综选择过程中的一个 bug：即使评分保持恒定，此 bug 也会不必要地增大生成的系综。
  - 允许跨预测任务的 CV 拆分重复使用某些特征化。对于高开销的特征化（例如滞后和滚动窗口），这可以大致按 n_cross_validations 的系数加快设置运行的运行时。
  - 即将解决当时间超出 pandas 支持的时间范围时发生的某个问题。现在，如果时间小于 pd.Timestamp.min 或大于 pd.Timestamp.max，将引发 DataException
  - 如果训练集和测试集可以对齐，则预测现在允许在这些集中使用不同的频率。例如，“从一月开始按季度”和“从十月开始按季度”可以对齐。
  - 已将“parameters”属性添加到 TimeSeriesTransformer。
  - 删除了旧异常类。
  - 在预测任务中，target_lags 参数现在接受单个整数值，或整数列表。如果提供整数，则只会创建一个滞后对象。如果提供了列表，则采用滞后对象的唯一值。 target_lags=[1, 2, 2, 4] 会创建 1 个、2 个和 4 个时段的滞后对象。
  - 修复了在转换后丢失列类型的 bug（链接的 bug）；
  - 在 model.forecast(X, y_query) 中，允许 y_query 是开头包含 None 的对象类型 (#459519)。
  - 已将预期值添加到 automl 输出
- azureml-contrib-datadrift
  - 已改进示例笔记本，包括切换到 azureml-opendatasets 而不是 azureml-contrib-opendatasets；扩充数据时的性能已得到改进
- azureml-contrib-explain-model
  - 在 azureml-contrib-explain-model 包中修复了 LIME 解释器的原始特征重要性的 transformations 参数
  - 已在 AzureML-contrib-explain-model 包中将分段添加到映像解释器中的映像解释
  - 为 LimeExplainer 添加了 scipy 稀疏支持
  - 添加了 batch_size 用于在 include_local=False 时模拟解释器，以便分批流式处理全局解释来改善 DecisionTreeExplainableModel 的执行时间
- azureml-contrib-featureengineering
  - 修复了 set_featurizer_timeseries_params() 的调用：dict 值类型更改和 null 检查 - 为 timeseries 特征化器添加了笔记本
  - 将 NimbusML 依赖项更新为版本 1.2.0（当前的最新版本）。
- azureml-core
  - 添加了在 Azure 机器学习 CLI 中附加 DBFS 数据存储的功能
  - 修复了数据存储上传时存在的以下 bug：如果 target_path 以 / 开头，会创建一个空文件夹
  - 修复了 ServicePrincipalAuthentication 中的 deepcopy 问题。
  - 已将“az ml environment show”和“az ml environment list”命令添加到 CLI。
  - 现在，环境支持指定 base_dockerfile 作为已生成的 base_image 的替代项。
  - 未使用的 RunConfiguration 设置 auto_prepare_environment 已标记为已弃用。
  - 现在，在注册后可以更新模型说明
  - Bug 修复：现在，如果由于上游依赖项的原因导致删除失败，模型和映像删除操作现在会提供有关检索上游对象的更多信息。
  - 修复了以下 bug：在为某些环境创建工作区时输出部署的空白持续时间。
  - 改进了工作区创建失败异常。用户不再会看到“无法创建工作区。找不到...”消息，而是看到实际的创建失败。
  - 在 AKS Web 服务中添加了令牌身份验证的支持。
  - 已将 get_token() 方法添加到 Webservice 对象。
  - 添加了管理机器学习数据集的 CLI 支持。
  - Datastore.register_azure_blob_container 现在可以选择性地采用 blob_cache_timeout 值（以秒为单位），该值配置 blobfuse 的 mount 参数，以便为此数据存储启用缓存过期。默认值为无超时，例如，在读取某个 Blob 时，该 Blob 将保留在本地缓存中，直到作业完成。大多数作业优先使用此设置，但某些作业需要从大型数据集读取更多数据，而其节点无法容纳此数据集。优化此参数有助于这些作业成功完成。优化此参数时请小心：设置太小的值可能会导致性能不佳，因为在 epoch 中使用的数据在再次使用之前可能会过期。会从 Blob 存储/网络而不是本地缓存完成所有读取，这会对训练时间产生负面影响。
  - 现在，在注册后可以正常更新模型说明
  - 模型和映像删除操作现在会提供有关依赖于它们的上游对象（这些对象导致删除失败）的更多信息
  - 使用 azureml.mlflow 改进了远程运行的资源利用率。
- azureml-explain-model
  - 在 azureml-contrib-explain-model 包中修复了 LIME 解释器的原始特征重要性的 transformations 参数
  - 为 LimeExplainer 添加了 scipy 稀疏支持
  - 添加了造型线性解释器包装器，以及用于解释线性模型的另一级表格解释器
  - 对于解释模型库中的模拟解释器，修复了 include_local=False 时稀疏数据输入的错误
  - 已将预期值添加到 automl 输出
  - 修复了在提供 transformations 参数获取原始特征重要性时的排列特征重要性
  - 添加了 batch_size 用于在 include_local=False 时模拟解释器，以便分批流式处理全局解释来改善 DecisionTreeExplainableModel 的执行时间
  - 对于模型可解释性库，修复了需要为预测提供 pandas 数据帧输入时的黑盒解释器
  - 修复了以下 bug：explanation.expected_values 有时返回浮点数，而不是返回包含浮点数的列表。
- azureml-mlflow
  - 改进了 mlflow.set_experiment(experiment_name) 的性能
  - 修复了对 mlflow tracking_uri 使用 InteractiveLoginAuthentication 时出现的 bug
  - 使用 azureml.mlflow 改进了远程运行的资源利用率。
  - 改进了 azureml-mlflow 包的文档
  - 修补 bug，即 mlflow.log_artifacts（“my_dir”）将项目保存在 my_dir/<artifact-paths> 而不是 <artifact-paths> 下
- azureml-opendatasets
  - 由于最近出现的内存问题，已将 pyarrow 的 opendatasets 关联到旧版本 (<0.14.0)。
  - 已将 azureml-contrib-opendatasets 移到 azureml-opendatasets。
  - 允许将打开的数据集类注册到 Azure 机器学习工作区并无缝使用 AML 数据集功能。
  - 显著改进了非 SPARK 版本中的 NoaaIsdWeather 扩充性能。
- azureml-pipeline-steps
  - DatabricksStep 中的输入和输出现在支持 DBFS 数据存储。
  - 更新了有关输入/输出的 Azure Batch 步骤文档。
  - 在 AzureBatchStep 中，已将 delete_batch_job_after_finish 默认值更改为 true。
- azureml-telemetry
  - 已将 azureml-contrib-opendatasets 移到 azureml-opendatasets。
  - 允许将打开的数据集类注册到 Azure 机器学习工作区并无缝使用 AML 数据集功能。
  - 显著改进了非 SPARK 版本中的 NoaaIsdWeather 扩充性能。
- azureml-train-automl
  - 更新了有关 get_output 的文档以反映实际返回类型，并提供有关检索关键属性的其他说明。
  - 将 NimbusML 依赖项更新为版本 1.2.0（当前的最新版本）。
  - 已将预期值添加到 automl 输出
- azureml-train-core
  - 现在支持将字符串用作自动超参数优化的计算目标
  - 未使用的 RunConfiguration 设置 auto_prepare_environment 已标记为已弃用。

Azure 机器学习数据准备 SDK v1.1.9

新功能
- 添加了对从 HTTP 或 HTTPS URL 直接读取文件的支持。
Bug 修复与改进
- 改进了尝试从远程源（当前不受支持）读取 Parquet 数据集时显示的错误消息。
- 修复了在 ADLS Gen 2 中写入 Parquet 文件格式，以及在路径中更新 ADLS Gen 2 容器名称时出现的 bug。

2019-07-09

可视化界面

预览功能
- 在可视化界面中添加了“执行 R 脚本”模块。

适用于 Python 的 Azure 机器学习 SDK v1.0.48

新功能
- azureml-opendatasets
  - azureml-contrib-opendatasets 现已作为 azureml-opendatasets 提供。旧包仍可正常运行，但我们建议使用 azureml-opendatasets，以获得更丰富的功能和改进。
  - 使用此新包可将打开的数据集注册为 Azure 机器学习工作区中的数据集，并使用数据集提供的任何功能。
  - 它还包括一些现有的功能，例如，将打开的数据集用作 Pandas/SPARK 数据帧，以及某些数据集（如天气）的位置联接。
预览功能
- HyperDriveConfig 现在接受将管道对象用作参数，以支持使用管道进行超参数优化。
Bug 修复与改进
- azureml-train-automl
  - 修复了在转换后丢失列类型的 bug。
  - 修复了 bug，允许 y_query 是开头包含 None 的对象类型。
  - 修复了系综选择过程中的以下问题：即使评分保持恒定，此 bug 也会不必要地增大生成的系综。
  - 修复了 AutoMLStep 中的 allow list_models 和 block list_models 设置问题。
  - 修复了在 Azure 机器学习管道上下文中使用 AutoML 时阻止使用预处理的问题。
- azureml-opendatasets
  - 已将 azureml-contrib-opendatasets 移到 azureml-opendatasets。
  - 允许将打开的数据集类注册到 Azure 机器学习工作区并无缝使用 AML 数据集功能。
  - 显著改进了非 SPARK 版本中的 NoaaIsdWeather 扩充性能。
- azureml-explain-model
  - 更新了 interpretability 对象的联机文档。
  - 对于模型可解释性库，添加了 batch_size 用于在 include_local=False 时模拟解释器，以便分批流式处理全局解释来改善 DecisionTreeExplainableModel 的执行时间
  - 修复了以下问题：explanation.expected_values 有时返回浮点数，而不是返回包含浮点数的列表。
  - 已将预期值添加到解释模型库中模拟解释器的 automl 输出。
  - 修复了在提供 transformations 参数获取原始特征重要性时的排列特征重要性。
- azureml-core
  - 添加了在 Azure 机器学习 CLI 中附加 DBFS 数据存储的功能。
  - 修复了数据存储上传时存在的以下问题：如果 target_path 以 / 开头，会创建一个空文件夹。
  - 启用了两个数据集的比较。
  - 现在，如果由于上游依赖项的原因导致删除失败，模型和映像删除操作现在会提供有关检索上游对象的更多信息。
  - 已弃用 auto_prepare_environment 中未使用的 RunConfiguration 设置。
- azureml-mlflow
  - 改进了使用 azureml.mlflow 的远程运行的资源利用率。
  - 改进了 azureml-mlflow 包的文档。
  - 修复了以下问题：mlflow.log_artifacts("my_dir") 将项目保存在“my_dir/artifact-paths”而不是“artifact-paths”下。
- azureml-pipeline-core
  - 所有管道步骤的参数 hash_paths 已弃用，未来将会删除。默认情况下，source_directory 的内容会经过哈希处理（.amlignore 或 .gitignore 中列出的文件除外）
  - 正在持续改进 Module 和 ModuleStep，以支持计算类型特定的模块，为 RunConfiguration 集成做好准备；将做出其他更改以解锁管道中计算类型特定的模块的使用。
- azureml-pipeline-steps
  - AzureBatchStep：改进了有关输入/输出的文档。
  - AzureBatchStep：已将 delete_batch_job_after_finish 默认值更改为 true。
- azureml-train-core
  - 现在支持将字符串用作自动超参数优化的计算目标。
  - 已弃用 auto_prepare_environment 中未使用的 RunConfiguration 设置。
  - 已弃用参数 conda_dependencies_file_path 和 pip_requirements_file_path，分别以 conda_dependencies_file 和 pip_requirements_file 取代。
- azureml-opendatasets
  - 显著改进了非 SPARK 版本中的 NoaaIsdWeather 扩充性能。

2019-04-26

已发布适用于 Python 的 Azure 机器学习 SDK v1.0.33。

FPGA 上的 Azure 机器学习硬件加速模型已推出正式版。
- 现在可以使用 azureml-accel-models 包来：
  - 训练支持的深度神经网络（ResNet 50、ResNet 152、DenseNet-121、VGG-16 和 SSD-VGG）的权重
  - 结合支持的 DNN 使用迁移学习
  - 将模型注册到模型管理服务并将模型容器化
  - 在 Azure Kubernetes 服务 (AKS) 群集中使用 FPGA 将模型部署到 Azure VM
- 将容器部署到 Azure Stack Edge 服务器设备
- 参考此示例使用 gRPC 终结点为数据评分

自动化机器学习

使用功能扫描可以动态添加 featurizers 进行性能优化。新的 featurizers：工作嵌入项、证据权重、目标编码、文本目标编码、群集距离
智能 CV 可以处理自动化 ML 中的训练/有效拆分
少量的内存优化更改和运行时性能改进
模型解释的性能改进
本地运行的 ONNX 模型转换
添加了子采样支持
未定义退出条件时智能停止
堆栈式系综
时序预测
- 新的预测函数
- 现在可对时序数据使用滚动源交叉验证
- 已添加新功能来配置时序滞后
- 已添加新功能来支持滚动窗口聚合功能
- 在试验设置中定义国家/地区/区域代码时可以使用新的 Holiday 检测和特征化器
Azure Databricks
- 已实现时序预测和模型可解释性/可转译性功能
- 现在可以取消和恢复（继续）自动化 ML 试验
- 添加了对多核处理的支持

MLOps

用于评分容器的本地部署和调试
现在，可在本地部署 ML 模型并快速迭代评分文件和依赖项，以确保其行为符合预期。
引入了 InferenceConfig & Model.deploy()
模型部署现在支持使用入口脚本指定源文件夹，这与 RunConfig 的行为相同。此外，模型部署已简化成单个命令。
Git 参考跟踪
一段时间以来，客户一直在请求基本的 Git 集成功能，因为它有助于维护完整的审核线索。我们已跨 Azure 机器学习中的主要实体为跨 Git 相关的元数据（存储库、提交、清理状态）实现了跟踪。此信息将由 SDK 和 CLI 自动收集。
模型分析和验证服务
客户经常抱怨难以正确调整与其推理服务关联的计算大小。使用我们的模型分析服务，客户可以提供示例输入，而我们将会分析 16 个不同的 CPU/内存配置，以确定部署的最佳大小。
自带用于推理的基础映像
另外，客户经常抱怨难以从试验转移到推理 RE 共享依赖项。现在，使用新的基础映像共享功能，可以重复使用所有试验基础映像和依赖项进行推理。这可以加快部署速度，并减少内部与外部循环的差距。
改进了 Swagger 架构生成体验
以前的 Swagger 生成方法容易出错，且无法自动化。我们提供一种新的内联方法，用于通过修饰器从任何 Python 函数生成 Swagger 架构。我们已开放源代码此代码，并且架构生成协议不会耦合到 Azure 机器学习平台。
Azure 机器学习 CLI 现已公开发布 (GA)
现在，使用一条 CLI 命令即可部署模型。客户经常反馈他们不会从 Jupyter 笔记本部署 ML 模型。 CLI 参考文档已更新。

2019-04-22

已发布适用于 Python 的 Azure 机器学习 SDK v1.0.30。

引入了 PipelineEndpoint，以便在维护同一终结点时添加已发布管道的新版本。

2019-04-15

Azure 门户

现在可以在现有的远程计算群集上重新提交现有的脚本运行。
现在可以在“管道”选项卡上使用新参数运行已发布的管道。
运行详细信息现在支持新的快照文件查看器。提交特定的运行时，可以查看目录的快照。还可以下载已提交用于启动运行的笔记本。
现在可以从 Azure 门户取消父运行。

2019-04-08

适用于 Python 的 Azure 机器学习 SDK v1.0.23

新功能
- Azure 机器学习 SDK 现在支持 Python 3.7。
- Azure 机器学习 DNN 评估器现在提供内置的多版本支持。例如，TensorFlow 估算器现在接受 framework_version 参数，用户可以指定版本“1.10”或“1.12”。如需当前 SDK 发行版支持的版本列表，请对所需的框架类调用 get_supported_versions()（例如 TensorFlow.get_supported_versions()）。有关最新 SDK 发行版支持的版本列表，请参阅 DNN 评估器文档。

2019-03-25

适用于 Python 的 Azure 机器学习 SDK v1.0.21

新功能
- 使用 azureml.core.Run.create_children 方法可以通过单次调用以较低的延迟创建多个子运行。

2019-03-11

适用于 Python 的 Azure 机器学习 SDK v1.0.18

更改
- azureml-tensorboard 包取代了 azureml-contrib-tensorboard。
- 在此版本中，可以在创建托管计算群集 (amlcompute) 时在其上设置用户帐户。可以通过在预配配置中传递这些属性来实现此目的。可以在 SDK 参考文档中找到更多详细信息。

Azure 机器学习数据准备 SDK v1.0.17

新功能
- 现在支持使用表达式语言添加两个数字列来生成结果列。
Bug 修复与改进
- 改进了 random_split 的文档和参数检查。

2019-02-27

Azure 机器学习数据准备 SDK v1.0.16

Bug 修复
- 修复了 API 更改导致的服务主体身份验证问题。

2019-02-25

适用于 Python 的 Azure 机器学习 SDK v1.0.17

新功能
- Azure 机器学习现在为流行的 DNN 框架 Chainer 提供一流的支持。用户可以使用 Chainer 类轻松训练和部署 Chainer 模型。
  - 了解如何使用 HyperDrive 通过 Chainer 运行超参数优化
- Azure 机器学习管道添加了根据数据存储修改触发管道运行的功能。管道计划笔记本已更新，以展示此功能。
Bug 修复与改进
- 我们已在 Azure 机器学习管道中添加了支持，以便在提供给 PythonScriptStep 的 RunConfigurations 中，将 source_directory_data_store 属性设置为所需的数据存储（例如 Blob 存储）。默认情况下，步骤使用 Azure 文件存储作为后备数据存储，以并行方式执行大量步骤，这可能会遇到限制问题。

Azure 门户

新功能
- 为报告添加了新的拖放式表编辑器体验。用户可将列从井拖放到表区域，其中会显示表的预览。可以重新排列这些列。
- 新的日志文件查看器
- 从“活动”选项卡链接到试验运行、计算、模型、映像和部署

后续步骤

阅读 Azure 机器学习的概述。