将并行运行步骤升级到 SDK v2

在 SDK v2 中，“并行运行步骤”已作为 parallel job 合并到作业概念中。 并行作业保持相同的目标，它通过将重复性任务分配到强大的多节点计算群集，使用户能够加速其作业执行。 v2 并行作业在并行运行步骤的基础上提供额外的优势：

• 灵活的接口，允许用户为并行作业定义多个自定义输入和输出。 可将这些输入和输出连接到其他步骤，以在入口脚本中使用或管理其内容
• 简化输入架构，使用 v2 中 data asset 的概念来替换用作输入的 Dataset。 可以轻松使用本地文件或 Blob 目录 URI 作为并行作业的输入。
• 还有更多仅适用于 v2 并行作业的强大功能正在开发中。 例如，恢复失败/取消的并行作业，以通过重用成功结果来继续处理失败或未处理的微批，从而免除重复性的工作。

若要将当前的 SDK v1 并行运行步骤升级到 v2，需要

• 使用 parallel_run_function 通过替换 v1 中的 ParallelRunConfig 和 ParallelRunStep 来创建并行作业。
• 将你的 v1 管道升级到 v2。 然后调用 v2 并行作业作为 v2 管道中的步骤。 有关管道升级的详细信息，请参阅如何将管道从 v1 升级到 v2。

注意：用户入口脚本在 v1 并行运行步骤和 v2 并行作业之间兼容。 因此，你可以在升级并行运行作业时继续使用相同的 entry_script.py。

本文比较了 SDK v1 和 SDK v2 中的方案。 在以下示例中，我们将生成一个并行作业来预测管道作业中的输入数据。 你将了解如何生成一个并行作业，以及如何在 SDK v1 和 SDK v2 的管道作业中使用该作业。

先决条件

• 准备 SDK v2 环境：安装适用于 Python 的 Azure 机器学习 SDK v2
• 了解 SDK v2 管道的基础知识：如何使用 Python SDK v2 创建 Azure 机器学习管道

创建并行步骤

• SDK v1

  # Create the configuration to wrap the inference script
  from azureml.pipeline.steps import ParallelRunStep, ParallelRunConfig
  
  parallel_run_config = ParallelRunConfig(
      source_directory=scripts_folder,
      entry_script=script_file,
      mini_batch_size=PipelineParameter(name="batch_size_param", default_value="5"),
      error_threshold=10,
      output_action="append_row",
      append_row_file_name="mnist_outputs.txt",
      environment=batch_env,
      compute_target=compute_target,
      process_count_per_node=PipelineParameter(name="process_count_param", default_value=2),
      node_count=2
  )
  
  # Create the Parallel run step
  parallelrun_step = ParallelRunStep(
      name="predict-digits-mnist",
      parallel_run_config=parallel_run_config,
      inputs=[ input_mnist_ds_consumption ],
      output=output_dir,
      allow_reuse=False
  )
  

• SDK v2

  # parallel job to process file data
  file_batch_inference = parallel_run_function(
      name="file_batch_score",
      display_name="Batch Score with File Dataset",
      description="parallel component for batch score",
      inputs=dict(
          job_data_path=Input(
              type=AssetTypes.MLTABLE,
              description="The data to be split and scored in parallel",
          )
      ),
      outputs=dict(job_output_path=Output(type=AssetTypes.MLTABLE)),
      input_data="${{inputs.job_data_path}}",
      instance_count=2,
      mini_batch_size="1",
      mini_batch_error_threshold=1,
      max_concurrency_per_instance=1,
      task=RunFunction(
          code="./src",
          entry_script="file_batch_inference.py",
          program_arguments="--job_output_path ${{outputs.job_output_path}}",
          environment="azureml:AzureML-sklearn-0.24-ubuntu18.04-py37-cpu:1",
      ),
  )
  

在管道中使用并行步骤

• SDK v1

  # Run pipeline with parallel run step
  from azureml.core import Experiment
  
  pipeline = Pipeline(workspace=ws, steps=[parallelrun_step])
  experiment = Experiment(ws, 'digit_identification')
  pipeline_run = experiment.submit(pipeline)
  pipeline_run.wait_for_completion(show_output=True)
  

• SDK v2

  @pipeline()
  def parallel_in_pipeline(pipeline_job_data_path, pipeline_score_model):
  
      prepare_file_tabular_data = prepare_data(input_data=pipeline_job_data_path)
      # output of file & tabular data should be type MLTable
      prepare_file_tabular_data.outputs.file_output_data.type = AssetTypes.MLTABLE
      prepare_file_tabular_data.outputs.tabular_output_data.type = AssetTypes.MLTABLE
  
      batch_inference_with_file_data = file_batch_inference(
          job_data_path=prepare_file_tabular_data.outputs.file_output_data
      )
      # use eval_mount mode to handle file data
      batch_inference_with_file_data.inputs.job_data_path.mode = (
          InputOutputModes.EVAL_MOUNT
      )
      batch_inference_with_file_data.outputs.job_output_path.type = AssetTypes.MLTABLE
  
      batch_inference_with_tabular_data = tabular_batch_inference(
          job_data_path=prepare_file_tabular_data.outputs.tabular_output_data,
          score_model=pipeline_score_model,
      )
      # use direct mode to handle tabular data
      batch_inference_with_tabular_data.inputs.job_data_path.mode = (
          InputOutputModes.DIRECT
      )
  
      return {
          "pipeline_job_out_file": batch_inference_with_file_data.outputs.job_output_path,
          "pipeline_job_out_tabular": batch_inference_with_tabular_data.outputs.job_output_path,
      }
  
  pipeline_job_data_path = Input(
      path="./dataset/", type=AssetTypes.MLTABLE, mode=InputOutputModes.RO_MOUNT
  )
  pipeline_score_model = Input(
      path="./model/", type=AssetTypes.URI_FOLDER, mode=InputOutputModes.DOWNLOAD
  )
  # create a pipeline
  pipeline_job = parallel_in_pipeline(
      pipeline_job_data_path=pipeline_job_data_path,
      pipeline_score_model=pipeline_score_model,
  )
  pipeline_job.outputs.pipeline_job_out_tabular.type = AssetTypes.URI_FILE
  
  # set pipeline level compute
  pipeline_job.settings.default_compute = "cpu-cluster"
  
  # run pipeline job
  pipeline_job = ml_client.jobs.create_or_update(
      pipeline_job, experiment_name="pipeline_samples"
  )
  

SDK v1 和 SDK v2 中关键功能的映射

并行作业配置和设置映射

后续步骤

有关详细信息，请参阅以下文档：

• 并行运行步骤 SDK v1 示例
• 并行作业 SDK v2 示例