Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
GÄLLER FÖR:
Azure CLI ml-tillägget v1Python SDK azureml v1
Viktigt!
Den här artikeln innehåller information om hur du använder Azure Machine Learning SDK v1. SDK v1 är inaktuell från och med den 31 mars 2025. Stödet för det upphör den 30 juni 2026. Du kan installera och använda SDK v1 fram till det datumet. Dina befintliga arbetsflöden med SDK v1 fortsätter att fungera efter supportdatumet. De kan dock utsättas för säkerhetsrisker eller förändringar som bryter kompatibiliteten vid arkitektoniska förändringar i produkten.
Vi rekommenderar att du övergår till SDK v2 före den 30 juni 2026. Mer information om SDK v2 finns i Vad är Azure Machine Learning CLI och Python SDK v2? och SDK v2-referensen.
Viktigt!
Viktigt!
Några av Azure CLI-kommandona i den här artikeln använder azure-cli-mltillägget , eller v1, för Azure Machine Learning. Stödet för CLI v1 upphörde den 30 september 2025. Microsoft tillhandahåller inte längre teknisk support eller uppdateringar för den här tjänsten. Dina befintliga arbetsflöden med CLI v1 fortsätter att fungera efter supportdatumet. De kan dock utsättas för säkerhetsrisker eller förändringar som bryter kompatibiliteten vid arkitektoniska förändringar i produkten.
Vi rekommenderar att du övergår till mltillägget , eller v2, så snart som möjligt. Mer information om v2-tillägget finns i Azure Machine Learning CLI-tillägget och Python SDK v2.
En Azure Machine Learning-pipeline är ett arbetsflöde som automatiserar en fullständig maskininlärningsuppgift. Den standardiserar bästa praxis, stöder teamsamarbete och förbättrar effektiviteten.
Varför behövs Azure Machine Learning-pipelines?
- Standardiserar maskininlärningsåtgärder (MLOps) och stöder skalbart teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
En pipeline delar upp en maskininlärningsuppgift i steg. Varje steg är en hanterbar komponent som kan utvecklas och automatiseras separat. Azure Machine Learning hanterar beroenden mellan steg. Den här modulära metoden:
- Standardiserar MLOps och stöder teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
- Standardiserar maskininlärningsåtgärder (MLOps) och stöder skalbart teamsamarbete
- Förbättrar träningseffektiviteten och minskar kostnaderna
Standardisera MLOps-metoden och stödja skalbart teamsamarbete
MLOps automatiserar skapandet och distributionen av modeller. Pipelines förenklar den här processen genom att mappa varje steg till en specifik uppgift, så att team kan arbeta oberoende av varandra.
Ett projekt kan till exempel innehålla datainsamling, förberedelse, träning, utvärdering och distribution. Datatekniker, forskare och ML-tekniker äger var och en sina steg. Steg skapas bäst som komponenter och integreras sedan i ett enda arbetsflöde. Pipelines kan versionshanteras, automatiseras och standardiseras av DevOps-metoder.
Utbildningseffektivitet och kostnadsminskning
Pipelines förbättrar också effektiviteten och minskar kostnaderna. De återanvänder utdata från oförändrade steg och låter dig köra varje steg på den bästa beräkningsresursen för uppgiften.
Metodtips för att komma igång
Du kan skapa en pipeline på flera sätt, beroende på din startpunkt.
Om du är nybörjare på pipelines börjar du med att dela upp befintlig kod i steg, parametrisera indata och omsluta allt i en pipeline.
Om du vill skala använder du pipelinemallar för vanliga problem. Teams förgrenar en mall, arbetar med tilldelade steg och uppdaterar endast sin del efter behov.
Med återanvändbara pipelines och komponenter kan team snabbt skapa nya arbetsflöden genom att klona eller kombinera befintliga delar.
Du kan skapa pipelines med hjälp av användargränssnittetför CLI, Python SDK eller Designer.
Vilken Azure-pipelineteknik ska jag använda?
Azure tillhandahåller flera typer av pipelines i olika syften:
| Scenarium | Primär persona | Azure-erbjudande | OSS-erbjudande | Kanoniskt rör | Styrkor |
|---|---|---|---|---|---|
| Modellorkestrering (Maskininlärning) | Dataexpert | Azure Machine Learning-pipelines | Kubeflow-pipelines | Data –> modell | Distribution, cachelagring, kod-första, återanvändning |
| Dataorkestrering (dataförberedelse) | Datatekniker | Azure Data Factory-pipelines | Apache Airflow | Data –> data | Starkt skrivskyddad förflyttning, datacentrerade aktiviteter |
| Kod- och apporkestrering (CI/CD) | Apputvecklare/ops | Azure-pipelines | Jenkins | Kod + modell –> App/Service | De flesta öppna och flexibla aktivitetsstöd, godkännandeköer, faser med gating |
Nästa steg
Azure Machine Learning-pipelines lägger till värde från början av utvecklingen.
- Definiera pipelines med Azure Machine Learning CLI v2
- Definiera pipelines med Azure Machine Learning SDK v2
- Definiera pipelines med Designer
- Prova CLI v2-pipelineexempel
- Prova Python SDK v2-pipelineexempel
- Lär dig mer om SDK- och CLI v2-uttryck som kan användas i en pipeline.