Dela via

Uppgradera skriptkörning till SDK v2

I SDK v2 konsolideras "experiment" och "körningar" till jobb.

Ett jobb har en typ. De flesta jobb är kommandojobb som kör en command, till exempel python main.py. Det som körs i ett jobb är oberoende för alla programmeringsspråk, så du kan köra bash skript, anropa python tolkar, köra en massa curl kommandon eller något annat.

Om du vill uppgradera måste du ändra koden för att skicka jobb till SDK v2. Det du kör i jobbet behöver inte uppgraderas till SDK v2. Vi rekommenderar dock att du tar bort kod som är specifik för Azure Machine Learning från dina modellträningsskript. Den här separationen möjliggör en enklare övergång mellan lokalt och moln och anses vara bästa praxis för mogna MLOps. I praktiken innebär detta att rader med kod tas bort azureml.* . Modellloggning och spårningskod bör ersättas med MLflow. Mer information finns i hur du använder MLflow i v2.

Den här artikeln ger en jämförelse av scenarion i SDK v1 och SDK v2.

Skicka en skriptkörning

  • SDK v1

    from azureml.core import Workspace, Experiment, Environment, ScriptRunConfig

# connect to the workspace
ws = Workspace.from_config()

# define and configure the experiment
experiment = Experiment(workspace=ws, name='day1-experiment-train')
config = ScriptRunConfig(source_directory='./src',
                            script='train.py',
                            compute_target='cpu-cluster')

# set up pytorch environment
env = Environment.from_conda_specification(
    name='pytorch-env',
    file_path='pytorch-env.yml')
config.run_config.environment = env

run = experiment.submit(config)

aml_url = run.get_portal_url()
print(aml_url)

  • SDK v2

    #import required libraries
from azure.ai.ml import MLClient, command
from azure.ai.ml.entities import Environment
from azure.identity import DefaultAzureCredential

#connect to the workspace
ml_client = MLClient.from_config(credential=DefaultAzureCredential())

# set up pytorch environment
env = Environment(
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04",
    conda_file="pytorch-env.yml",
    name="pytorch-env"
)

# define the command
command_job = command(
    code="./src",
    command="train.py",
    environment=env,
    compute="cpu-cluster",
)

returned_job = ml_client.jobs.create_or_update(command_job)
returned_job

Mappning av viktiga funktioner i v1 och v2

Funktioner i SDK v1 Grov mappning i SDK v2
experiment.submit MLCLient.jobs.create_or_update
ScriptRunConfig() command()

Nästa steg

Mer information finns i: